دوره 16، شماره 1 - ( بهار و تابستان 1404 )
جلد 16 شماره 1 صفحات 83-71 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abdi E, Jani R, Darbandi S. (2026). Dynamic Modeling of Water Level Changes Using Image Processing and Machine Learning. J Watershed Manage Res. 16(1), 71-83. doi:10.61186/jwmr.2024.1270
URL: http://jwmr.sanru.ac.ir/article-1-1270-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1270-fa.html
عبدی عرفان، جانی رسول، دربندی صابره. مدل سازی پویا جهت پایش تغییرات سطح آب با استفاده از پردازش تصویر و یادگیری ماشین پژوهشنامه مديريت حوزه آبخيز 1404; 16 (1) :83-71 10.61186/jwmr.2024.1270
عرفان عبدی1، رسول جانی*2 
، صابره دربندی1
، صابره دربندی1
1- گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران
2- گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
2- گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
چکیده: (938 مشاهده)
چکیده مبسوط
مقدمه و هدف: مطالعه و پایش سطح آب رودخانه ها و مسیل ها توسط وزارت نیرو و سازمان‌های ذیربط بخش مهمی از مدیریت منابع آب در حوضه آبریز است. از طرفی اندازهگیری سطح آب یک کار حیاتی در پایش هیدرولوژیکی است، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مواجه است. این محدودیت‌ها اغلب منجر به تأخیر در اندازه‌گیری‌ها و عدم دقت بالقوه، به‌ویژه در محیط‌های دور یا سخت می‌شوند. بهطور کلی، اکثر روش های سنتی دارای خطاها و هزینه های قابل توجهی هستند و تقریباً پایش و کنترل پیوسته را ناممکن می سازند. پیشرفت های اخیر در فناوری منجر به تغییر الگو به سمت سیستم های پردازش تصویر برای نظارت بر سطح آب شدهاند. این روش‌های غیر تماسی بهدلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون‌به‌صرفه بودن و کاهش زمان موردنیاز مورد توجه قرار گرفته‌اند. در این تحقیق، با ارائه رویکردی جدید از تلفیق پردازش تصویر و یادگیری ماشین سعی شدهاست از حداقل امکانات برای کاهش هزینه ها و افزایش عملکرد برای استخراج شاخص های سطح آب واسنجی شده و سطح آب به صورت لحظه ای و خودکار اندازه گیری گردد. این رویکرد مبتنی بر ایجاد مجموعه‌ای از تصاویر گیج ثبت شده توسط گوشی هوشمند (که یک دستگاه معمولی با دسترسی آسان است) برای حالت های آب شفاف و کدر، برای آموزش مدل‌های مبتنی بر یادگیری ماشین ایجاد شده است. بر خلاف روش های سنتی، این روش با اندازه گیری لحظه ای و پیوسته سطح آب موجب عملکرد مطلوب سیستم های آبرسانی و مدیریت بهتر مواقع بحرانی مانند سیل، طغیان رودها و فرسایش می گردد.
مواد و روشها: این مقاله با ارزیابی یک سیستم تشخیص سطح آب مبتنیبر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق روبه رشد کمک می‌کند. الگوریتم های پردازش تصویر RGB در این تحقیق شامل فیلتر کردن، کاهش نویز، تشخیص رنگ، تغییر اندازه، تبدیل مقیاس خاکستری، تشخیص و تبدیل Hough و طرح ریزی برای به دست آوردن کاراکترهای دیجیتال و خط کش آب که فقط شامل مساحت خطوط مقیاس است، استفاده شدند. همچنین، تمام مراحل ذکرشده و مراحل مدل سازی در نرمافزار مثمتیکا (Mathematica) انجام شدهاست. داده های تجربی شامل 244 داده مشاهده ای بودند که به صورت تصادفی 201 تصویر داده آموزشی و 43 تصویر داده آزمایشی در نظر گرفته شد که توسط دوربین تلفن همراه با موقعیت ثابت تصویر برداری شده بودند. با توجه به قابلیت‌های مدل‌های مختلف یادگیری ماشین، از جمله شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) در پردازش و تحلیل تصویر، بر روی این مدل‌ها برای تخمین دقیق سطح آب تمرکز شد. این مطالعه شامل گرفتن تصاویر سطح آب، شناسایی لبه آب در یک خطکش اندازه گیری، و استفاده از این مدل ها برای تخمین سطح آب است. یادگیری ماشین، شاخه ای از هوش مصنوعی، با هدف توسعه سیستم های کامپیوتری با ظرفیت یادگیری از داده ها است که این فرآیند شامل رایانه هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده ها، انتخاب الگوریتم یادگیری ماشینی، واردکردن داده ها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیش بینی، توانایی خودبرنامه ریزی را به دست می آورند. به طور کلی، تجزیه و تحلیل مقایسه ای عملکرد این مدل ها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازهگیری سطح آب در مطالعات هیدرولوژیکی است.
یافتهها: نتایج مدل با استفاده از سه معیار ارزیابی ضرایب تعیین (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب توافق نش-ساتکلیف (NSE) و نمودارهای بصری مورد ارزیابی قرارگرفت. در این تحقیق، از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL)، که زیرمجموعه هایی از مدل های یادگیری ماشین هستند، برای تخمین سطح آب در شرایط گل آلود و شفاف به همراه پردازش تصویر استفاده شد. نتایج نشان دادند که مدل یادگیری عمیق در هر دو شرایط عملکرد قابل قبول و همچنین با توجه به بررسی شاخص های ارزیابی، مدل یادگیری عمیق با کمترین خطای 39/28 میلی متر و بیشترین ضریب تعیین 0/973 بهعنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این رو، با توجه به عملکرد مدل یادگیری عمیق، می توان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه ها در مکآن‌های صعب العبور و بدون هزینه های زیاد جهت اندازه گیری به طور خودکار و پیوسته بررسی نمود و با اتخاذ تصمیمات درست از حوادث احتمالی جلوگیری کرد.
نتیجهگیری: با توجه به مشکلات اندازه گیری دستی و پایش میدانی، پایش خودکار و مستمر سطح آب توسط انسان دشوار و حتی غیرممکن می شود. با وجود این موانع، امروزه علاقه محققان به سیستم های پردازش تصویر با پیشرفت تکنولوژی افزایش یافته است. با توجه به کارهای انجام شده برای تشخیص و برآورد سطح آب، امروزه اکثر روش ها به سمت دستیابی به حداکثر بازده با حداقل امکانات پیش می روند. در نهایت، دو روش برای استخراج اطلاعات از تصاویر دیجیتال برای سیستم‌های پایش سطح آب مقایسه می‌شوند. تکنیک های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شدند. بر اساس نتایج تجربی، این تکنیک ها و مدل ها همگی قادر به استخراج اطلاعات سطح آب از تصویر بودند. تکنیک پردازش تصویر و مدل یادگیری عمیق برای تشخیص و تخمین ویژگی های سطح آب از تصاویری که شامل دو حالت کدر و شفاف در سه سطح ارتفاع کم، متوسط و زیاد است، نتایج قابل قبول و کارایی بالایی داشتند. با توجه به پیشرفت های روز افزون در زمینه پردازش تصاویر و یادگیری ماشین، تحقیقات آینده می توانند افزودن حالت های مختلف آب و ایجاد مدل هایی بر پایه ی الگوریتم ها جدید یادگیری ماشین و هوش مصنوعی باشند.
مقدمه و هدف: مطالعه و پایش سطح آب رودخانه ها و مسیل ها توسط وزارت نیرو و سازمان‌های ذیربط بخش مهمی از مدیریت منابع آب در حوضه آبریز است. از طرفی اندازهگیری سطح آب یک کار حیاتی در پایش هیدرولوژیکی است، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مواجه است. این محدودیت‌ها اغلب منجر به تأخیر در اندازه‌گیری‌ها و عدم دقت بالقوه، به‌ویژه در محیط‌های دور یا سخت می‌شوند. بهطور کلی، اکثر روش های سنتی دارای خطاها و هزینه های قابل توجهی هستند و تقریباً پایش و کنترل پیوسته را ناممکن می سازند. پیشرفت های اخیر در فناوری منجر به تغییر الگو به سمت سیستم های پردازش تصویر برای نظارت بر سطح آب شدهاند. این روش‌های غیر تماسی بهدلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون‌به‌صرفه بودن و کاهش زمان موردنیاز مورد توجه قرار گرفته‌اند. در این تحقیق، با ارائه رویکردی جدید از تلفیق پردازش تصویر و یادگیری ماشین سعی شدهاست از حداقل امکانات برای کاهش هزینه ها و افزایش عملکرد برای استخراج شاخص های سطح آب واسنجی شده و سطح آب به صورت لحظه ای و خودکار اندازه گیری گردد. این رویکرد مبتنی بر ایجاد مجموعه‌ای از تصاویر گیج ثبت شده توسط گوشی هوشمند (که یک دستگاه معمولی با دسترسی آسان است) برای حالت های آب شفاف و کدر، برای آموزش مدل‌های مبتنی بر یادگیری ماشین ایجاد شده است. بر خلاف روش های سنتی، این روش با اندازه گیری لحظه ای و پیوسته سطح آب موجب عملکرد مطلوب سیستم های آبرسانی و مدیریت بهتر مواقع بحرانی مانند سیل، طغیان رودها و فرسایش می گردد.
مواد و روشها: این مقاله با ارزیابی یک سیستم تشخیص سطح آب مبتنیبر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق روبه رشد کمک می‌کند. الگوریتم های پردازش تصویر RGB در این تحقیق شامل فیلتر کردن، کاهش نویز، تشخیص رنگ، تغییر اندازه، تبدیل مقیاس خاکستری، تشخیص و تبدیل Hough و طرح ریزی برای به دست آوردن کاراکترهای دیجیتال و خط کش آب که فقط شامل مساحت خطوط مقیاس است، استفاده شدند. همچنین، تمام مراحل ذکرشده و مراحل مدل سازی در نرمافزار مثمتیکا (Mathematica) انجام شدهاست. داده های تجربی شامل 244 داده مشاهده ای بودند که به صورت تصادفی 201 تصویر داده آموزشی و 43 تصویر داده آزمایشی در نظر گرفته شد که توسط دوربین تلفن همراه با موقعیت ثابت تصویر برداری شده بودند. با توجه به قابلیت‌های مدل‌های مختلف یادگیری ماشین، از جمله شبکه‌های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) در پردازش و تحلیل تصویر، بر روی این مدل‌ها برای تخمین دقیق سطح آب تمرکز شد. این مطالعه شامل گرفتن تصاویر سطح آب، شناسایی لبه آب در یک خطکش اندازه گیری، و استفاده از این مدل ها برای تخمین سطح آب است. یادگیری ماشین، شاخه ای از هوش مصنوعی، با هدف توسعه سیستم های کامپیوتری با ظرفیت یادگیری از داده ها است که این فرآیند شامل رایانه هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده ها، انتخاب الگوریتم یادگیری ماشینی، واردکردن داده ها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیش بینی، توانایی خودبرنامه ریزی را به دست می آورند. به طور کلی، تجزیه و تحلیل مقایسه ای عملکرد این مدل ها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازهگیری سطح آب در مطالعات هیدرولوژیکی است.
یافتهها: نتایج مدل با استفاده از سه معیار ارزیابی ضرایب تعیین (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب توافق نش-ساتکلیف (NSE) و نمودارهای بصری مورد ارزیابی قرارگرفت. در این تحقیق، از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL)، که زیرمجموعه هایی از مدل های یادگیری ماشین هستند، برای تخمین سطح آب در شرایط گل آلود و شفاف به همراه پردازش تصویر استفاده شد. نتایج نشان دادند که مدل یادگیری عمیق در هر دو شرایط عملکرد قابل قبول و همچنین با توجه به بررسی شاخص های ارزیابی، مدل یادگیری عمیق با کمترین خطای 39/28 میلی متر و بیشترین ضریب تعیین 0/973 بهعنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این رو، با توجه به عملکرد مدل یادگیری عمیق، می توان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه ها در مکآن‌های صعب العبور و بدون هزینه های زیاد جهت اندازه گیری به طور خودکار و پیوسته بررسی نمود و با اتخاذ تصمیمات درست از حوادث احتمالی جلوگیری کرد.
نتیجهگیری: با توجه به مشکلات اندازه گیری دستی و پایش میدانی، پایش خودکار و مستمر سطح آب توسط انسان دشوار و حتی غیرممکن می شود. با وجود این موانع، امروزه علاقه محققان به سیستم های پردازش تصویر با پیشرفت تکنولوژی افزایش یافته است. با توجه به کارهای انجام شده برای تشخیص و برآورد سطح آب، امروزه اکثر روش ها به سمت دستیابی به حداکثر بازده با حداقل امکانات پیش می روند. در نهایت، دو روش برای استخراج اطلاعات از تصاویر دیجیتال برای سیستم‌های پایش سطح آب مقایسه می‌شوند. تکنیک های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شدند. بر اساس نتایج تجربی، این تکنیک ها و مدل ها همگی قادر به استخراج اطلاعات سطح آب از تصویر بودند. تکنیک پردازش تصویر و مدل یادگیری عمیق برای تشخیص و تخمین ویژگی های سطح آب از تصاویری که شامل دو حالت کدر و شفاف در سه سطح ارتفاع کم، متوسط و زیاد است، نتایج قابل قبول و کارایی بالایی داشتند. با توجه به پیشرفت های روز افزون در زمینه پردازش تصاویر و یادگیری ماشین، تحقیقات آینده می توانند افزودن حالت های مختلف آب و ایجاد مدل هایی بر پایه ی الگوریتم ها جدید یادگیری ماشین و هوش مصنوعی باشند.
نوع مطالعه: كاربردي |
موضوع مقاله:
ساير موضوعات وابسته به مديريت حوزه آبخيز
دریافت: 1403/3/10 | پذیرش: 1403/7/9
دریافت: 1403/3/10 | پذیرش: 1403/7/9
فهرست منابع
1. Birgand, F., Chapman, K., Hazra, A., Gilmore, T., Etheridge, R., & Staicu, A. M. (2022). Field performance of the GaugeCam image-based water level measurement system. PLoS Water, 1(7). [DOI:10.1371/journal.pwat.0000032]
2. Choi, C., Kim, J., Han, H., Han, D., & Kim, H. S. (2019). Development of water level prediction models using machine learning in wetlands: A case study of Upo wetland in South Korea. Water, 12(1), 93. [DOI:10.3390/w12010093]
3. Chen, Y., Song, L., Liu, Y., Yang, L., & Li, D. (2020). A review of the artificial neural network models for water quality prediction. Applied Sciences, 10(17), 5776. [DOI:10.3390/app10175776]
4. Choubin, M., & Bashirgonbad, M. (2023). Evaluation of IHACRES, Conceptual Rainfall Runoff Model and Artificial Neural Network Models in Simulation and Stream flow Prediction in Bakhtiary River Basin. Journal of Watershed Management Research, 14(27), 115-122. [In Persian] [DOI:10.61186/jwmr.14.27.115]
5. Dou, G., Chen, R., Han, C., Liu, Z., & Liu, J. (2022). Research on water-level recognition method based on image processing and convolutional neural networks. Water, 14(12), 1890. [DOI:10.3390/app10175776]
6. Elias, M., & Maas, H. G. (2022). Measuring Water Levels by Handheld Smartphones: A contribution to exploit crowdsourcing in the spatio-temporal densification of water gauging networks. The International Hydrographic Review, (27), 9-22. https://journals.lib.unb.ca/index.php/ihr/article/view/33130 [DOI:10.58440/ihr-27-a01]
7. Fleury, G. R. D. O., do Nascimento, D. V., Galvão Filho, A. R., Ribeiro, F. D. S. L., de Carvalho, R. V., & Coelho, C. J. (2020). Image-Based River Water Level Estimation for Redundancy Information Using Deep Neural Network. Energies, 13(24), 6706. [DOI:10.3390/en13246706]
8. Gao, A., Wu, S., Wang, F., Wu, X., Xu, P., Yu, L., & Zhu, S. (2019). A newly developed unmanned aerial vehicle (UAV) Imagery based technology for field measurement of water level. Water, 11(1), 124. [DOI:10.3390/w11010124]
9. Gu, M., Su, B., Wang, M., & Wang, Z. (2019). Survey on decolorization methods. Applied Research Computing, 36, 1286-1292.
10. Heddam, S. (2014). Modelling hourly dissolved oxygen concentration (DO) using dynamic evolving neural-fuzzy inference system (DENFIS)-based approach: case study of Klamath River at Miller Island Boat Ramp, OR, USA. Environmental Science and Pollution Research, 21(15), 9212-9227. [DOI:10.1007/s11356-014-2842-7]
11. Heydarzadeh, M. (2023). Evaluation of the correlation of plant indices with meteorological and biological variables using Google Earth Engine system. Journal of Water and Soil Conservation Research, 30(2), 1-26. doi: 10.22069/jwsc.2023.20667.3584
12. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. [DOI:10.1145/3065386]
13. Kharade, A., Gendle, M., & Lodha, T. (2017). Water level measurement and detection of flow direction using image processing. International Journal of Innovations in Engineering Research and Technology, 1-4.
14. Kumar, T., & Verma, K. (2010). A Theory Based on Conversion of RGB image to gray image. International Journal of Computer Applications, 7(2), 7-10. [DOI:10.5120/777-1099]
15. Kwon, S. H., Ha, C., & Lee, S. (2023). A study on the application of the agricultural reservoir water level recognition model using CCTV image data. Journal of Korea Water Resources Association, 56(4), 245-259. [DOI:10.3741/JKWRA.2023.56.4.245]
16. Loke, E., Warnaars, E. A., Jacobsen, P., Nelen, F., & do Ceu Almeida, M. (1997). Artificial neural networks as a tool in urban storm drainage. Water Science and Technology, 36(8-9), 101-109. [DOI:10.1016/S0273-1223(97)00612-4]
17. Liu, S., Yan, M., Tai, H., Xu, L., & Li, D. (2012). Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network. In Computer and Computing Technologies in Agriculture V: 5th IFIP TC 5/SIG 5.1 Conference, CCTA 2011, Beijing, China, October 29-31, 2011, Proceedings, Part III 5, 508-518. [DOI:10.1007/978-3-642-27275-2]
18. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
https://doi.org/10.1038/nature14539 [DOI:10.1038/nature14539.]
19. Maier, H. R., & Dandy, G. C. (2000). Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental Modelling & Software, 15(1), 101-124. [DOI:10.1016/S1364-8152(99)00007-9]
20. Muhadi, N. A., Abdullah, A. F., Bejo, S. K., Mahadi, M. R., & Mijic, A. (2021). Deep learning semantic segmentation for water level estimation using surveillance camera. Applied Sciences, 11(20), 9691. [DOI:10.3390/app11209691]
21. Noto, S., Tauro, F., Petroselli, A., Apollonio, C., Botter, G., & Grimaldi, S. (2022). Low-cost stage-camera system for continuous water-level monitoring in ephemeral streams. Hydrological Sciences Journal, 67(9), 1439-1448. [DOI:10.1080/02626667.2022.2079415]
22. Ortigossa, E. S., Dias, F., Ueyama, J., & Nonato, L. G. (2015). Using digital image processing to estimate the depth of urban streams. In Proceedings of the Workshop of Undergraduate Works in Conjunction with Conference on Graphics, Patterns and Images (SIBGRAPI), Bahia, Brazil (26-29).
23. Qiao, G., Yang, M., & Wang, H. (2022). A water level measurement approach based on YOlOv5s. Sensors, 22(10), 3714. [DOI:10.3390/s22103714]
24. Rusk, N. (2016). Deep learning. Nature Methods, 13(1), 35-35. [DOI:10.1038/nmeth.3707]
25. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1-9. [DOI:10.1109/CVPR.2015.7298594]
26. Sabbatini, L., Palma, L., Belli, A., Sini, F., & Pierleoni, P. (2021). A Computer Vision System for Staff Gauge in River Flood Monitoring. Inventions, 6(4), 79. [DOI:10.3390/inventions6040079]
27. Shirazi, F., Zahiri, A., Piri, J., Dehghani, A. A. (2023). Development a new hydraulic method for prediction of river flood discharge. Journal of Watershed Management Research, 14(28), 110-123. doi:10.61186/jwmr.14.28.110. [In Persian] [DOI:10.61186/jwmr.14.28.110]
28. Vandaele, R., Dance, S. L., & Ojha, V. (2021). Deep learning for automated river-level monitoring through river-camera images: an approach based on water segmentation and transfer learning. Hydrology and Earth System Sciences, 25(8), 4435-4453. [DOI:10.5194/hess-25-4435-2021]
29. won Seo, I., Yun, S. H., & Choi, S. Y. (2016). Forecasting water quality parameters by ANN model using pre-processing technique at the downstream of Cheongpyeong Dam. Procedia Engineering, 154, 1110-1115. [DOI:10.1016/j.proeng.2016.07.519]
30. Wang, T. S., Tan, C. H., Chen, L., & Tsai, Y. C. (2008). Applying artificial neural networks and remote sensing to estimate chlorophyll-a concentration in water body. In 2008 Second International Symposium on Intelligent Information Technology Application, 540-544. [DOI:10.1109/IITA.2008.279]
31. Zhang, Z., Zhou, Y., Liu, H., & Gao, H. (2019). In-situ water level measurement using NIR-imaging video camera. Flow Measurement and Instrumentation, 67, 95-106. [DOI:10.1016/j.flowmeasinst.2019.04.004]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
