جستجو در مقالات منتشر شده


۳ نتیجه برای دربندی

فاطمه آخونی پورحسینی، صابره دربندی،
دوره ۹، شماره ۱۷ - ( بهار و تابستان ۱۳۹۷ )
چکیده

    شبیه­ سازی دقیق فرآیند رواناب می­تواند نقش بسزایی در مدیریت منابع آب و مسائل مربوطه داشته باشد. پیچیدگی ذاتی این فرآیند استفاده از مدل­های فیزیکی و عددی را مشکل می­نماید. در سال­های اخیر کاربرد مدل­های هوشمند به­عنوان ابزاری توانمند در علم هیدرولوژی افزایش‌یافته است. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل‌سازی رودخانه صوفی چای می‌باشد. مدل‌سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان می‌باشد. نتایج آزمون گاما نشان داد که رواناب رودخانه با شش تأخیر زمانی، نتایج بهتری به‌منظور پیش‌بینی ارائه می‌دهد. شبیه‌سازی رواناب با استفاده از دو مدل  ماشین بردار پشتیبان و شبکه عصبی مصنوعی نشان داد که بهترین ساختار ورودی برای پیش‌بینی رواناب ماه بعد، تا شش تأخیر خواهد بود. از میان دو مدل با ساختار ورودی یکسان، مدل ماشین بردار پشتیبان کارایی نسبتاً بالایی نسبت به شبکه عصبی مصنوعی داشته است.
 


وحید کریمی، محمدعلی قربانی، صابره دربندی،
دوره ۱۱، شماره ۲۲ - ( پاییز و زمستان ۱۳۹۹ )
چکیده

اگرچه منابع آب زیرزمینی، از دیرباز به ­عنوان یک گزینه مطمئن مورد استفاده انسان بوده است، اما برداشت بی­رویه از آنها به ­خصوص در دشت اردبیل سبب افت کمی و کیفی این منابع شده است. یکی از راه­کارهای مدیریتی منابع آب، شناسایی مناطق آبی با پتانسیل­های مختلف و بهره­ برداری از آنها با توجه به ظرفیت آن­ها می­ باشد. هدف از این مطالعه پتانسیل ­یابی منابع آب زیرزمینی دشت مذکور با استفاده از عوامل مؤثر در تغذیه سفره ­های آب زیرزمینی، از طریق مدل عینی شاخص آنتروپی و همچنین مدل عینی یادگیری ماشینی نایوبیز است. لذا برای پتانسیل­  یابی منابع آب زیرزمینی دشت مورد مطالعه، از پارامترهای طبقات ارتفاعی، شیب زمین، بارش، فاصله از رودخانه، شاخص پوشش گیاهی، خاک­ شناسی، کاربری اراضی، سنگ ­شناسی، عمق آب زیرزمینی و قابلیت انتقال آبخوان دشت مورد نظر استفاده گردید. به ­منظور عینیت بخشیدن هرچه بیشتر به مدل­سازی، پارامترهای طیفی مورد استفاده، با استفاده از روش بهینه ­سازی جنکز کلاس­ بندی شدند. ارزیابی نتایج حاصل از مدل­ها با استفاده از منحنی مشخصه عملکرد سیستم و معیار مساحت زیر منحنی صورت پذیرفت. معیار مساحت زیر منحنی برای مدل­های شاخص آنتروپی و نایوبیز به­ ترتیب ۰/۷۲۸ و ۰/۸۲۱ محاسبه شد که نشانگر توانایی هر دو مدل در پتانسیل­ یابی منابع آب زیرزمینی دشت اردبیل و برتری مدل نایوبیز نسبت به مدل شاخص آنتروپی می ­باشد. نتایج حاصل از پتانسیل ­یابی دقیق منابع آب زیرزمینی دشت اردبیل می ­تواند در طرح­ های مدیریت منابع آب زیرزمینی و جلوگیری از بهره ­کشی بیش از توان آن­ها سازنده باشد.


عرفان عبدی، رسول جانی، صابره دربندی،
دوره ۱۶، شماره ۱ - ( بهار و تابستان ۱۴۰۳ )
چکیده

چکیده مبسوط
مقدمه و هدف: مطالعه و پایش سطح آب رودخانه­ها و مسیل­ها توسط وزارت نیرو و سازمان­های ذیربط بخش مهمی از مدیریت منابع آب در حوضه آبریز است. از طرفی اندازه گیری سطح آب یک کار حیاتی در پایش هیدرولوژیکی می ­باشد، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مواجه می­ باشد. این محدودیت‌ها اغلب منجر به تأخیر در اندازه‌گیری‌ها و عدم دقت بالقوه، به‌ویژه در محیط‌های دور یا سخت می‌شود. به طور کلی اکثر روش ­های سنتی دارای خطاها و هزینه های قابل توجهی هستند و تقریبا پایش و کنترل به طور پیوسته را ناممکن می­سازند. پیشرفت­ های اخیر در فناوری منجر به تغییر الگو به سمت سیستم­ های پردازش تصویر برای نظارت بر سطح آب شده است. این روش‌های غیر تماسی به دلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون‌به‌صرفه بودن و کاهش زمان مورد نیاز، مورد توجه قرار گرفته‌اند. در این تحقیق با ارائه رویکردی جدید از تلفیق پردازش تصویر و یادگیری ماشین سعی شده است 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. این روش برخلاف روش ­های سنتی با اندازه گیری لحظه ­ای و پیوسته سطح آب، موجب عملکر 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 مبتنی بر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق رو به 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 شد. همچنین تمام مراحل ذکر شده و مراحل مدل­سازی در نرم افزار مثمتیکا (Mathematica) انجام شده است. داده­های تجربی شامل ۲۴۴ داده مشاهده ای است که به صورت تصادفی ۲۰۱ تصویر داده آموزشی و ۴۳ تصویر داده آزمایشی در نظر گرفته شد که توسط دوربین تلفن همراه با موقعیت ثابت تصویر برداری شده است. 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 خط کش اندازه گیری، و استفاده از این مدل­ ها برای تخمین سطح آب است. یادگیری ماشین، شاخه ای از هوش مصنوعی، با هدف توسعه سیستم­های کامپیوتری با ظرفیت یادگیری از داده­ ها می­ باشد که این فرآیند شامل رایانه­ هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده ­ها، انتخاب الگوریتم یادگیری ماشینی، وارد کردن داده­ها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیش­بینی، توانایی خودبرنامه ریزی را به دست می آورند. به طور کلی، تجزیه و تحلیل مقایسه ای عملکرد این مدل­ها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازه گیری 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 نمودار های بصری مورد ارزیابی قرار گرفت. در این تحقیق از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL) که زیر مجموعه­ هایی از مدل­ های یادگیری ماشین می باشد برای تخمین سطح آب در شرایط گل آلود و شفاف به همراه پردازش تصویر استفاده شد. نتایج نشان داد مدل یادگیری عمیق در هر دو شرایط عملکرد قابل قبول و همچنین با توجه به بررسی شاخص­های ارزیابی، مدل یادگیری عمیق با کمترین خطای ۲۸/۳۹ میلی متر و بیشترین ضریب تعیین ۰/۹۷۳ به عنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این رو با توجه به عملکرد مدل یادگیری عمیق، می­توان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه­ ها در مکان­ های صعب العبور و بدون هزینه­ های زیاد جهت اندازه گیری به طور خودکار و پیوسته بررسی نموده 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 می­شود. 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 می‌شود. تکنیک ­های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شد. 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 داشت. با توجه به پیشرفت­ های روز افزون در زمینه پردازش تصاویر و یادگیری ماشین، تحقیقات آینده می­تواند افزودن حالت­ های مختلف آب و ایجاد مدل­ هایی بر پایه ­ی الگوریتم های جدید یادگیری ماشین و هوش مصنوعی باشد.


صفحه ۱ از ۱     

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb