Journal of Watershed Management Research

fa مدل سازی پویا جهت پایش تغییرات سطح آب با استفاده از پردازش تصویر و یادگیری ماشین Dynamic Modeling of Water Level Changes Using Image Processing and Machine Learning ساير موضوعات وابسته به مديريت حوزه آبخيز ساير موضوعات وابسته به مديريت حوزه آبخيز كاربردي Applicable <div style="text-align: justify;">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 اندازه&lrm;گیری 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. به&lrm;&lrm;طور کلی، اکثر روش های سنتی دارای خطاها و هزینه &lrm;های قابل &lrm;توجهی هستند و تقریباً پایش و کنترل پیوسته را ناممکن می &lrm;سازند. پیشرفت های اخیر در فناوری منجر به تغییر الگو به &lrm;سمت سیستم &lrm;های پردازش تصویر برای نظارت بر سطح آب شده&lrm;اند. این روش‌های غیر تماسی به&lrm;&lrm;دلیل 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 شده&lrm;است از حداقل امکانات برای کاهش هزینه ها و افزایش عملکرد برای استخراج شاخص&lrm; های سطح آب واسنجی شده و سطح آب به &lrm;صورت لحظه &lrm;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&lrm; های آب شفاف و کدر، برای آموزش مدل‌های مبتنی بر یادگیری ماشین ایجاد شده است. بر خلاف روش &lrm;های سنتی، این روش با اندازه &lrm;گیری لحظه ای و پیوسته سطح آب موجب عملکرد مطلوب سیستم&lrm; های آبرسانی و مدیریت بهتر مواقع بحرانی مانند سیل، طغیان رودها و فرسایش می &lrm;گردد. مواد و روش&lrm;ها: این مقاله با ارزیابی یک سیستم تشخیص سطح آب مبتنی&lrm;بر تصویر با استفاده از یک دوربین گوشی هوشمند استاندارد به این تحقیق رو&lrm;به &lrm;رشد کمک می‌کند. الگوریتم&lrm; 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 &lrm;ریزی برای به &lrm;دست آوردن کاراکترهای دیجیتال و خط &lrm;کش آب که فقط شامل مساحت خطوط مقیاس است، استفاده شدند. همچنین، تمام مراحل ذکرشده و مراحل مدل&lrm; سازی در نرم&lrm;افزار مثمتیکا (Mathematica) انجام شده&lrm;است. داده&lrm; های تجربی شامل 244 داده مشاهده &lrm;ای بودند که به&lrm; 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 خط&lrm;کش اندازه &lrm;گیری، و استفاده از این مدل&lrm; ها برای تخمین سطح آب است. یادگیری ماشین، شاخه&lrm; ای از هوش مصنوعی، با هدف توسعه سیستم&lrm; های کامپیوتری با ظرفیت یادگیری از داده &lrm;ها است که این فرآیند شامل رایانه&lrm; هایی با یادگیری از طریق تجربه عملی، شروع با سازماندهی داده &lrm;ها، انتخاب الگوریتم یادگیری ماشینی، واردکردن داده&lrm; ها، و توانمندسازی مدل برای یادگیری مستقل الگوها یا تولید پیش&lrm; بینی، توانایی خودبرنامه &lrm;ریزی را به &lrm;دست می &lrm;آورند. به &lrm;طور کلی، تجزیه و تحلیل مقایسه&lrm; ای عملکرد این مدل&lrm; ها با هدف نشان دادن پتانسیل ترکیب پردازش تصویر و یادگیری ماشین در غلبه بر موانع سنتی اندازه&lrm;گیری سطح آب در مطالعات هیدرولوژیکی است. یافته&lrm;ها: نتایج مدل با استفاده از سه معیار ارزیابی ضرایب تعیین (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب توافق نش-ساتکلیف (NSE) و نمودار&lrm;های بصری مورد ارزیابی قرارگرفت. در این تحقیق، از دو مدل شبکه عصبی مصنوعی (ANN) و یادگیری عمیق (DL)، که زیرمجموعه &lrm;هایی از مدل &lrm;های یادگیری ماشین هستند، برای تخمین سطح آب در شرایط گل &lrm;آلود و شفاف به &lrm;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 &lrm;های ارزیابی، مدل یادگیری عمیق با کمترین خطای 39/28 میلی &lrm;متر و بیشترین ضریب تعیین 0/973 به&lrm;&lrm;عنوان بهترین مدل برای برآورد سطح آب انتخاب شد. از این&lrm; رو، با توجه به عملکرد مدل یادگیری عمیق، می &lrm;توان فرایند بررسی و پایش سطح آب را علاوه بر آزمایشگاه&lrm; ها در مکآن‌های صعب &lrm;العبور و بدون هزینه&lrm; های زیاد جهت اندازه &lrm;گیری به &lrm;طور خودکار و پیوسته بررسی نمود و با اتخاذ تصمیمات درست از حوادث احتمالی جلوگیری کرد. نتیجه&lrm;گیری: با توجه به مشکلات اندازه &lrm;گیری دستی و پایش میدانی، پایش خودکار و مستمر سطح آب توسط انسان دشوار و حتی غیرممکن می &lrm;شود. با وجود این موانع، امروزه علاقه محققان به سیستم&lrm; های پردازش تصویر با پیشرفت تکنولوژی افزایش یافته است. با توجه به کارهای انجام شده برای تشخیص و برآورد سطح آب، امروزه اکثر روش &lrm;ها به &lrm;سمت دستیابی به حداکثر بازده با حداقل امکانات پیش می &lrm;روند. در نهایت، دو روش برای استخراج اطلاعات از تصاویر دیجیتال برای سیستم‌های پایش سطح آب مقایسه می‌شوند. تکنیک &lrm;های ترکیبی برای تشخیص سطح آب در تصاویر شفاف و گل &lrm;آلود بر اساس ارزیابی بصری و دقت آماری مقایسه شدند. بر اساس نتایج تجربی، این تکنیک &lrm;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 &lrm;هایی بر پایه &lrm;ی الگوریتم ها جدید یادگیری ماشین و هوش مصنوعی باشند.</div> <div style="text-align: justify;">Extended Abstract Background: Studying and monitoring the water level of rivers and canals by the Ministry of Energy and related organizations is an important part of water resources management in the catchment area. On the other hand, water level measurement is a vital task in hydrological monitoring, but it often faces limitations such as a lack of resources, high costs, and high time requirements. These limitations often lead to delays in measurements and potential inaccuracies, especially in remote or harsh environments. In general, most of the traditional methods have significant errors and costs and make continuous monitoring and control almost impossible. Recent advances in technology have led to a paradigm shift toward image-processing systems for water level monitoring. These non-contact methods have attracted attention due to their high potential in terms of accuracy, reliability, cost-effectiveness, and reduced time required. This research presents a new approach of combining image processing and machine learning in an attempt to reduce costs and increase performance to extract water level indicators and measure the water level instantly and automatically. This approach is based on creating a set of gauge images recorded by a smartphone (which is a common device with easy access) for clear and turbid water states to train machine learning-based models. Unlike the traditional methods with instantaneous and continuous measurement of the water level, this method makes water supply systems work better and manage critical situations such as floods, river overflows, and erosion. Methods: This paper contributes to this growing research by evaluating an image-based water level detection system using a standard smartphone camera. In this research, the RGB image-processing algorithms include filtering, noise reduction, color detection, resizing, grayscale conversion, Hough detection and transformation, and projection to obtain digital characters and watermarks that only include the area of scale lines. Moreover, all the mentioned steps and modeling steps have been done in Mathematica software. The experimental data include 244 observation data, which were randomly considered to be 201 training data images, and 43 test data images, which were captured by a mobile phone camera with a fixed position. Considering the capabilities of various machine learning models, including artificial neural networks (ANNs) and deep learning (DL) in image processing and analysis, this study focused on these models for accurate water level estimation. Our study involves taking water level images, identifying the water edge in a gauge, and using these models to estimate the water level. Machine learning, a branch of artificial intelligence, aims to develop computer systems with the capacity to learn from data. This process involves computer learning through hands-on experience, starting with organizing data, choosing a machine learning algorithm, entering data, and enabling the model to independently learn patterns or generate predictions, and gain self-programming capability. In general, the comparative analysis of the performance of these models aims to show the potential of combining image processing and machine learning in overcoming the traditional obstacles of water level measurement in hydrological studies. Results: The results of the model were evaluated using three evaluation criteria: coefficients of determination (R), root mean square error (RMSE), and Nash-Sutcliffe agreement coefficient (NSE), as well as visual charts. In this research, two ANNs and DL models, which are the subsets of machine learning models, were used to estimate the water level in muddy and clear conditions by image processing. The results showed that the DL model was acceptable in both conditions of performance. According to the evaluation indicators of the DL model with the lowest error of 28.39 mm and the highest R-value (0.973), it was chosen as the best model for water level estimation. Therefore, according to the performance of the DL model, it is possible to automatically and continuously examine the process of examining and monitoring the water level, in addition to laboratories, in hard-to-reach places and without high costs, and prevent possible accidents by making the right decisions. Conclusion: Due to the problems of manual measurement and field monitoring, automatic and continuous monitoring of the water level by humans becomes difficult and even impossible. Despite these obstacles, researchers' interest in image processing systems has currently increased with the advancement of technology. According to the work done to detect and estimate the water level, most of the current methods go toward achieving maximum efficiency with the minimum facilities. Finally, two methods for extracting information from digital images for water level monitoring systems are compared here. Combined techniques for water level detection in clear and muddy images were compared based on visual evaluation and statistical accuracy. Based on the experimental results, these techniques and models were all able to extract water level information from the image. The image processing technique and DL model for detecting and estimating water surface features from images, which include two turbid and clear states at three levels of low, medium, and high altitudes, had acceptable results and high efficiency. Due to the increasing progress in the field of image processing and machine learning, future research can add different states of water and create models based on new algorithms of machine learning and artificial intelligence.  </div> سطح آب, شبکه‎ های عصبی مصنوعی, مدل‎ سازی, مطالعه آزمایشگاهی, یادگیری عمیق Artificial Neural Networks, Deep Learning, Laboratory Study, Modeling, Water Level 71 83 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-1939-1&slc_lang=fa&sid=1 Erfan Abdi عرفان عبدی erabdi78@gmail.com 100319475328460015131 100319475328460015131 No Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران Rasoul Jani رسول جانی Jani@iaut.ac.ir 100319475328460015132 100319475328460015132 Yes Department of Civil Engineering, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران Sabereh Darbandi صابره دربندی sdarbandi.tabrizu@yahoo.com 100319475328460015133 100319475328460015133 No Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران