مقایسه کارایی مدل‌های یادگیری عمیق و شبکه‌ عصبی کانولوشن برای تخمین سطح آب با استفاده از پردازش تصویر و تلفن هوشمند

نویسندگان

1 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

2 دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.

3 استادیار، گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

doi
10.22034/iwrr.2024.445181.2744
چکیده

تخمین سطح آب برای درک و مدیریت منابع آب، پیش‌بینی و کاهش اثرات سیلاب و اطلاع‌رسانی برای تصمیمات مدیریت منابع آب ضروری است، اما اغلب با محدودیت‌هایی مانند کمبود منابع، هزینه‌های بالا و نیازهای زمانی زیاد مانع از انجام آن می‌شود. این مطالعه کارایی یک سیستم اندازه‌گیری سطح آب بدون تماس و مبتنی بر تصویر را با استفاده از پیشرفت‌ها در فناوری تصویربرداری تلفن هوشمند را بررسی می‌کند. به این منظور، از یک تلفن هوشمند که مجهز به دوربین بوده، تصاویر مورد نظر ثبت و سپس جهت شناسایی و اندازه‎‌گیری سطح آب از پردازش تصویر استفاده شد. هسته اصلی این مطالعه شامل توسعه و مقایسه دو مدل محاسباتی بود: یادگیری عمیق (DL) و شبکه‌های عصبی کانولوشن (CNN). این مدل‌ها وظیفه تخمین سطح آب را بر اساس داده‎‌های تصویری پردازش شده داشتند. نتایج نشان‌دهنده درجه متفاوتی از دقت در بین مدل‌ها بود، مدل CNN عملکرد بهتری را نسبت به DL نشان داد که از کمترین میانگین مربع خطای ریشه 24/36 میلی‌متر برخوردار بود. در مقابل، مدل DL با ریشه میانگین مربعات خطای 28/39 میلی‌متر نشان داد که اثربخشی نسبی شبکه عصبی کانولوشن در این مطالعه از لحاظ دقت و قابلیت اطمینان بالا بهتر از یادگیری عمیق است. به این ترتیب می‎توان پایش و کنترل سطح آب را در نقاط سخت و دشوار بدون نیاز به پرسنل مربوطه و کاملا خودکار انجام داد.