مدل سازی پویا جهت پایش تغییرات سطح آب با استفاده از پردازش تصویر و یادگیری ماشین

چکیده مبسوط مقدمه و هدف: مطالعه و پایش سطح آب رودخانه ها و مسیل ها توسط وزارت نیرو و سازمان های 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 محدودیت هایی مانند کمبود منابع، هزینه های بالا و نیازهای زمانی زیاد مواجه است. این محدودیت ها اغلب منجر به تاخیر در اندازه گیری ها و عدم دقت بالقوه، به ویژه در محیط های دور یا سخت می شوند. به‎‎طور کلی، اکثر روش های سنتی دارای خطاها و هزینه ‎های قابل ‎توجهی هستند و تقریبا 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 روش های غیر تماسی به‎‎دلیل پتانسیل بالا از نظر دقت، قابلیت اطمینان، مقرون به صرفه بودن و کاهش زمان موردنیاز مورد توجه قرار گرفته اند. 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 مجموعه ای 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 مدل های 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 می کند. 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 ۲۴۴ داده مشاهده ‎ای بودند 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 بودند. با توجه به قابلیت های مدل های مختلف یادگیری ماشین، از جمله شبکه های عصبی مصنوعی (ANN) و یادگیری عمیق (DL) در پردازش و تحلیل تصویر، بر روی این مدل ها 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 ۳۹/۲۸ میلی ‎متر و بیشترین ضریب تعیین ۰/۹۷۳ 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 مکآن های 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 سیستم های پایش سطح آب مقایسه می شوند. 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.

کلیدواژه ها:

Artificial Neural Networks ، Deep Learning ، Laboratory Study ، Modeling ، Water Level ، سطح آب ، شبکه‎ های عصبی مصنوعی ، مدل‎ سازی ، مطالعه آزمایشگاهی ، یادگیری عمیق