fa مکان یابی بهینه توربین‌های بادی با استفاده از یادگیری ماشین(منطقه مورد مطالعه: شهرستان رودبار) سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">با توجه به توزیع ناهمگون انرژی باد در سطح زمین، انتخاب مکان مناسب برای نیروگاه بادی یکی از حیاتی‌ترین مراحل در طراحی نیروگاه‌های بادی به‌شمار می‌آید. این فرآیند پیچیده نیازمند در نظر گرفتن عوامل متعددی از جمله ملاحظات محیطی، اقتصادی و اجتماعی است. رویکردهای تصمیم‌گیری چندمعیاره در این زمینه با چالش‌های متعددی روبه‌رو هستند. به‌منظور رفع این چالش‌ها، یکپارچه‌سازی تکنیک‌های یادگیری ماشین</span></span> <span lang="FA"><span b="" nazanin="">به‌عنوان یکی از رویکردهای نوین در سیستم اطلاعات جغرافیایی (</span></span>GIS<span lang="FA"><span b="" nazanin="">) مطرح شده است. این مطالعه یک چارچوب مبتنی بر یادگیری ماشین&nbsp;</span></span>(ML)<span b="" nazanin=""> و سیستم اطلاعات جغرافیایی، برای انتخاب خودکار مکان مزارع بادی را ارائه می‌دهد. در این چارچوب، سه الگوریتم یادگیری ماشین به کار گرفته شده‌اند. منطقه مورد مطالعه، شهرستان رودبار، به دلیل دارا بودن سایت منجیل که بخشی از ظرفیت نصب انرژی بادی ایران را تشکیل می‌دهد، انتخاب شده است. بر اساس عملکرد مدل‌های یادگیری ماشین، مدل</span> <span lang="FA"><span b="" nazanin="">یادگیری گرادیان</span></span> <span lang="FA"><span b="" nazanin="">با دقت 97 درصد بهترین نتیجه را نشان داد، در حالی که مدل‌های</span></span> <span lang="FA"><span b="" nazanin="">افزایش گرادیان بی‌نهایت </span></span><span lang="FA"><span b="" nazanin="">و</span></span> <span lang="FA"><span b="" nazanin="">جنگل تصادفی در رتبه‌های بعدی قرار گرفتند. تحلیل‌های مبتنی بر روش</span></span> SHAP <span lang="FA"><span b="" nazanin="">نشان داد که سرعت باد، فاصله تا خطوط انتقال، فاصله تا مناطق حفاظت‌شده، و ارتفاع، به‌عنوان مؤثرترین معیارها در انتخاب مکان مزارع بادی در این منطقه مطرح هستند. در شهر رودبار، مناطقی با پتانسیل بالا شناسایی شده‌اند که هنوز به توربین‌های بادی مجهز نشده‌اند. این یافته‌ها اهمیت این مکان‌ها را برای سرمایه‌گذاری‌های آینده در توسعه مزارع بادی برجسته می‌کند. چارچوب پیشنهادی می‌تواند به‌طور مؤثری در مطالعات انتخاب مکان مزارع بادی در استان‌هایی با شرایط مشابه به کار گرفته شود. </span></span></span></span></span></span></span></span></span><span style="font-size:9pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="letter-spacing:-0.1pt"><b><span lang="FA" style="font-size:14.0pt"><span style="font-family:"B Nazanin""></span></span></b></span></span></span></span></span></div> &nbsp; <p style="text-align: justify;"><span style="font-size:11px;"><span style="line-height:2;"><span style="font-family:Tahoma;">The uneven distribution of wind energy across the Earth&#39;s surface makes selecting suitable locations for wind farms one of the most critical stages in wind power plant design. This complex process requires consideration of multiple environmental, economic, and social factors. Multi-criteria decision-making approaches face numerous challenges in this regard. To address these challenges, the integration of machine learning techniques has emerged as an innovative approach within Geographic Information Systems (GIS).</span></span></span></p> <p style="text-align: justify;"><span style="font-size:11px;"><span style="line-height:2;"><span style="font-family:Tahoma;">This study presents a machine learning (ML) and GIS-based framework for the automated selection of wind farm sites. Three machine learning algorithms were employed in this framework. Rudbar County was chosen as the study area due to the presence of the Manjil site, which constitutes a significant portion of Iran&#39;s installed wind energy capacity.</span></span></span></p> <p style="text-align: justify;"><span style="font-size:11px;"><span style="line-height:2;"><span style="font-family:Tahoma;">Among the ML models evaluated, the Gradient Boosting model demonstrated the highest performance with an accuracy of 97%, followed by the Extreme Gradient Boosting and Random Forest models. SHAP (SHapley Additive exPlanations) analysis revealed that wind speed, distance to transmission lines, proximity to protected areas, and elevation were the most influential criteria in selecting suitable wind farm locations in this region.</span></span></span></p> <p style="text-align: justify;"><span style="font-size:11px;"><span style="line-height:2;"><span style="font-family:Tahoma;">In Rudbar County, high-potential areas were identified that remain unequipped with wind turbines. These findings highlight the significance of these sites for future investment in wind farm development. The proposed framework can be effectively applied to wind farm site selection studies in provinces with similar conditions.</span></span></span></p> نیروگاه بادی, سیستم اطلاعات جغرافیایی(GIS), یادگیری ماشین(ML), روش SHAP Wind Power Plant, Geographic Information System (GIS), Machine Learning (ML), SHAP Method 15 30 http://jgst.issgeac.ir/browse.php?a_code=A-10-782-5&slc_lang=fa&sid=1 Hossein Barekati حسین برکتی hossein.barekati@ut.ac.ir 100319475328460010725 100319475328460010725 Yes University of Tehran دانشگاه تهران Mohammadreza Jelokhani Niaraki محمد رضا جلوخانی نیارکی mrjelokhani@ut.ac.ir 100319475328460010726 100319475328460010726 No University of Tehran دانشگاه تهران