تخمین تغییرات سطح آب با استفاده از پردازش تصویر و کلونی زنبور عسل

نوع مقاله : مقاله کامل پژوهشی

نویسنده

1- دانشیار گروه مهندسی عمران، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران. 2- مرکز تحقیقات رباتیک و فناوری های نرم، واحد تبریز،

چکیده

برای تعیین وضعیت مدیریت منابع آب، تخمین سطح آب ضروری می‌باشد. تعیین سطح آب جهت کاهش اثرات سیلاب حائز اهمیت است. باتوجه به اینکه تعیین سطح آب هزینه زیادی دارد و وقت گیر می باشد، در بسیاری از موارد مانع اندازه گیری آن می‌شود. هدف این تحقیق استفاده از یک دوربین گوشی هوشمند معمولی و ارزیابی اثربخشی یک سیستم تشخیص سطح آب مبتنی بر تصویر و افزودن دانش در مورد این موضوع است. در این مطالعه، از قابلیت‌های مدل‌های مختلف یادگیری ماشین، مدل ماشین بردار پشتیبان و سه مدل فراابتکاری شامل علف‌های هرز مهاجم،الگوریتم بهینه سازی کلونی زنبور عسل ، الگوریتم فرهنگی که از کاربردی‌ترین الگوریتم‌ها در مدل سازی می‌باشد، استفاده شد. نتایج مدل سازی هوشمند نشان داد بهترین نتایج تخمین سطح آب، مربوط به مدل کلونی زنبور عسل SVM-ABC با دقت بیشتر و خطای کمتر(RMSE=5.49 MAE=4.29) می‌باشد. این نتایج نشان می‌دهد مدل های فراابتکاری باعث افزایش سرعت در محاسبات و کاهش میزان خطا در تخمین سطح آب در مناطقی که صعب العبورو دشوار به درستی و با دقت بالا اندازه گیری را انجام دهند.

کلیدواژه‌ها

موضوعات

مراجع

  • Kharade, A., Gendle, M., Lodha, T., Jadhav, M. T. (2017). Water Level Measurement and Detection of Flow Direction Using Image Processing. International Journal of Innovations in Engineering Research and Technology (IJIERT), Conference Proceedings of TECHNO-2K17, 1–4 .
  • Karaboga D, 2005. An idea based on honey bee swarm for numerical optimization, Technical Report-TR06, Department of Computer Engineering, Engineering Faculty. Erinyes University.
  • Muhadi NA, Abdullah AF, Bejo SK, Mahadi MR, and Mijic A, 2020. Image segmentation methods for flood monitoring system. Water , 12(6), org/10.3390/w12061825.
  • Mehrabian AR, and Lucas C, 2007. A novel numerical optimization algorithm inspired from weed colonization. Ecological Informatics, 1(4): 355–366, org/10.1016/j.ecoinf.2006. 07.003.
  • Meijer K, Boelee E, Augustijn D, and van der Molen I, 2006. Impacts of concrete lining of irrigation canals on availability of water for domestic use in southern Sri Lanka . Agricultural water management, 83(3), 243-251, org/10.1016/j.agwat.2005.12.007.
  • Nourani, B. , Kamalinezhad, S. , Salmasi, F. , Roumianfar, S. and Ansari, M. (2025). Estimating the Uplift Pressure under Hydraulic Structures with Dual end Cutoff Walls with Finite Element, Regression and Intelligent Approaches. Hydraulics and Water Science, 35(4).DOI:22034/hws.2026.70179.1038. (In Persian).
  • Nikoufar, B. and Nourani, V. (2024). Determining the optimal operation parameters of Alavian dam using the combination of genetic and particle swarm algorithms. Hydraulics and Water Science, 34(4), 89-110. doi:10.22034/hws.2024.18918. (In Persian).
  • Akhoni Pourhosseini F, Ebrahimi K, and Omid MH, 2023. Prediction of total dissolved solids based on optimization of new hybrid SVM models. Engineering Applications of Artificial Intelligence, 126, Part A,106780, org/10. 1016/j. engappai.2023.106780.
  • Reynolds R, 1994. An introduction to cultural algorithms. In: Proceedings of the 3rd Annual on Evolutionary Programming. World Scientific, River Edge, pp. 131–139.
  • Sánchez AS, Nieto PG, Fernández PR, del Coz Diaz JJ, and Iglesias-Rodr FJ, Application of an SVM-based regression model to the air quality study at local scale in the Avilés urban area (Spain). Mathematical and Computer Modelling, 54(5-6):1453-1466, DOI.org/10.1016 /j.mcm.2011.04.017.
  • Vandaele R, Dance SL, and Ojha V, 2023. Calibrated river-level estimation from river cameras using convolutional neural networks. Environmental Data Science, 2, e11, org/10.1017/eds.2023.6.
  • Zhu C, and Chang YZ, 2020. Stereo matching for infrared images using guided filtering weighted by exponential moving average. IET Image Processing, 14(5), 830-837, org/ 10.1049/iet-ipr.2019.0144.

 

دانش آب و هیدرولیک
دوره 36، شماره 1
فروردین 1405
صفحه 11-24

فایل ها

هم رسانی

ارجاع به این مقاله

آمار