پیش بینی تغییرات اندازه و محل سکوی ساحلی در شرایط غیر طوفانی دریا به کمک الگوریتم شبکه عصبی

فرسایش نواحی ساحلی از مهمترین عوامل مخرب این مناطق است که تحت تاثیر عوامل طبیعی و فعالیت های انسانی ایجاد می­شود. این نواحی زیر مجموعه مناطق آسیب پذیر به شمار می­آیند و بدین جهت نظارت و پایش مستمر آن ها اهمیت زیادی دارد. در این پژوهش ابتدا به کمک الگوریتم انتخاب ویژگی ها، دسته بندی پدیده های تاثیر­گذار در ناحیه ساحلی نارابیین استرالیا در شرایط غیر طوفانی انجام شده است. در ادامه به کمک الگوریتم شبکه عصبی، پیش بینی توابع هدف شامل؛ تغییرات خط ساحل، تغییرات قائم و موقعیت افقی تاج سکوی ساحلی انجام گرفته است. در مرحله اول برای رسیدن به یک مدل مناسب، ابتدا حساسیت سنجی مدل برای رسیدن به بهترین هایپر پارامتر ها جهت پیش­بینی تغییرات خط ساحل انجام گرفته است که نتایج حاصل از سناریو انتخابی، مقدار خطای RMSE  را ۰۳/۳ متر و R۲  را ۹۲% نشان می­دهد. سپس به کمک مدل نهایی بدست آمده در مرحله قبل؛ نتایج پیش بینی تغییرات ارتفاعی تاج سکوی ساحلی در سناریو منتخب، خطای RMSE  را ۳۵/۰ متر و R۲  را ۷۵% نشان می­دهد. همچنین نتایج حاصل از پیش بینی موقعیت افقی تاج سکوی ساحلی در سناریو منتخب، خطای RMSE را ۲۸/۹ متر و R۲  را ۸۰/۸۵% نتیجه می­دهد. جمع بندی نتایج نشان می­دهد که دسته بندی پارامترهای بدست آمده از مدل انتخاب ویژگی کمک زیادی جهت دستیابی به نتایج قابل قبول در مدل شبکه عصبی نموده است و همچنین نتایج شبکه عصبی جهت پیش­بینی مورفودینامیک ساحلی، مناسب و قابل اعتماد است.

کلیدواژه ها:

Berm Crest ، Shoreline Changes ، Coastal Morphodynamic ، Non-Storm Condition ، ANN Algorithm ، سکوی ساحلی ، تغییرات خط ساحل ، مورفودینامیک ساحلی ، شرایط غیر طوفانی ، الگوریتم شبکه عصبی