آدرس ایمیل خود را وارد نمایید
ثبت
پیام خود را بنویسید
دوره 20، شماره 44 - ( 7-1403 )
جلد 20 شماره 44 صفحات 55-40 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ataei HassanKiadeh S, Adjami M, Gharachelo S. Determining the Effective Parameters to Investigate the Coastal Berm Changes in non-Stormy Conditions Using a Machine Learning Algorithm. Marine Engineering 2024; 20 (44) :40-55
URL: http://marine-eng.ir/article-1-1126-fa.html
URL: http://marine-eng.ir/article-1-1126-fa.html
عطایی حسن کیاده سهیل، عجمی مهدی، قره‌چلو سعید. تعیین پارامترهای موثر جهت بررسی تغییرات سکوی ساحلی در شرایط غیر طوفانی با استفاده از الگوریتم یادگیری ماشین. مهندسی دریا. 1403; 20 (44) :40-55
1- دانشگاه صنعتی شاهرود(دانشجوی دکتری)
2- گروه مهندسی سواحل، بنادر و سازه های دریایی، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود
3- گروه مهندسی RS و GIS، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود
2- گروه مهندسی سواحل، بنادر و سازه های دریایی، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود
3- گروه مهندسی RS و GIS، دپارتمان آب و محیط زیست،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود
چکیده: (648 مشاهده)
با پیشرفت یادگیری ماشین و الگوریتم‌ها و احداث سایت‌های تحقیقاتی در مناطق ساحلی، اطلاعات ارزشمندی در دسترس قرار گرفته که می‌توان از آنها در توسعه مهندسی سواحل بهره برد. در این پژوهش سعی شده است تا با یادگیری ماشین، ناحیه ساحلی نارابیین استرالیا با رویکرد جدیدی بررسی گردد. یکی از مهمترین عوامل در شناخت رفتار ساحل، بازسازی خود در شرایط غیر طوفانی و بلند مدت است. شناخت و توصیف پدیده‌های تاثیرگذار بر عملکرد تعادلی ساحل نیز بسیار با اهمیت می‌باشد. پس از مرتب سازی داده‌های اولیه، به کمک الگوریتم درخت تصمیم رگرسیونی با بررسی بهترین الگوی رفتاری از برآیند دو عامل خطا و پیچیدگی مدل، مناسب‌ترین سناریوها جهت توصیف پارامترهای اثرگذار بر توابع هدف (تغییرات خط ساحل و هندسه سکوی ساحلی) انتخاب گردیدند. بر این اساس جهت توصیف تغییرات خط ساحل به ترتیب ∆BW، Berm Slope، SLR و ζ با مقادیر R2=82% و RMSE=3.489 متر؛ جهت توصیف تغییرات ارتفاعی سکوی ساحلی به ترتیب BC Height ، ∆x Shoreline ، ∆x BC و P با مقادیر R2=48% و RMSE=0.397 متر و همچنین جهت توصیف موقعیت افقی تاج سکوی ساحلی BW، Berm Slope ، ∆y BC، BC Height ، E و SLR با مقادیر R2=67% و RMSE=9.807 متر در نظر گرفته شدند. بر طبق نتایج حاصل از توصیفِ و نیز اثرگذاری پدیده‌های هیدرودینامیک و مورفودینامیک با استفاده از روش درخت تصمیم رگرسیونی و مقادیر خطا و ضریب تعیین بدست آمده، می‌توان بیان نمود که این روش مناسب بوده و در شناخت پدیده‌های حاکم بر عارضه‌های ساحلی قابل اعتماد است؛ بر این اساس جهت بررسی تغییرات مورفودینامیک سکوی ساحلی و شناخت رفتار تعادلی آن، شکل هندسی و شیب اولیه آن نقش بسزایی را ایفا می‌نماید.
نوع مطالعه: مقاله پژوهشي |
موضوع مقاله:
شرايط محيطي و زيست محيطي
دریافت: 1403/6/22 | پذیرش: 1403/9/24
دریافت: 1403/6/22 | پذیرش: 1403/9/24
فهرست منابع
1. Paprotny, D., Terefenko, P., Giza, A., Czapliński, P. and Vousdoukas, M.I. 2021. Future losses of ecosystem services due to coastal erosion in Europe. Science of The Total Environment, 760, 144310. [DOI:10.1016/j.scitotenv.2020.144310] [PMID]
2. Flor-Blanco, G., Alcántara-Carrió, J., Jackson, D.W.T., Flor, G. and Flores-Soriano, C. 2021. Coastal erosion in NW Spain: Recent patterns under extreme storm wave events. Geomorphology, 387, 107767. [DOI:10.1016/j.geomorph.2021.107767]
3. Harley, M.D., Masselink, G., Ruiz de Alegría-Arzaburu, A., Valiente, N.G. and Scott, T. 2022. Single extreme storm sequence can offset decades of shoreline retreat projected to result from sea-level rise. Communications Earth & Environment, 3, 112. [DOI:10.1038/s43247-022-00437-2]
4. Grossmann, F., Hurther, D., Sánchez‐Arcilla, A. and Alsina, J.M. 2023. Influence of the Initial Beach Profile on the Sediment Transport Processes During Post-Storm Onshore Bar Migration. Journal of Geophysical Research: Oceans, 128, e2022JC019299. [DOI:10.1029/2022JC019299]
5. Heminway, S. S., Davis, E. H., Cohn, N., Skaden, J., Anderson, D. & Hein, C. J. 2023. MODELED CHANGES IN FOREDUNE MORPHOLOGY INFLUENCED BY VARIABLE STORM INTENSITY AND SEA-LEVEL RISE. Coastal Sediments 2023. WORLD SCIENTIFIC. [DOI:10.1142/9789811275135_0064]
6. Yin, C., Anh, D.T., Mai, S.T., Le, A., Nguyen, V.H., Nguyen, V.C., Tinh, N.X., Tanaka, H., Viet, N.T., Nguyen, L.D. and Duong, T.Q. 2021. Advanced Machine Learning Techniques for Predicting Nha Trang Shorelines. IEEE Access, 9, 98132-98149. [DOI:10.1109/ACCESS.2021.3095339]
7. Rodriguez-Galiano, V., Guisado-Pintado, E., Prieto-Campos, A. and Ojeda-Zujar, J. 2022. A machine-learning hybrid-classification method for stratification of multidecadal beach dynamics. Geocarto International, 37, 16534-16558. [DOI:10.1080/10106049.2022.2110616]
8. Senechal, N., Peron, C. & Coco, G. 2023. ON THE USE OF ARTIFICIAL NEURAL NETWORKS TO EXPLORE MORPHOLOGICAL AND HYDRODYNAMIC PARAMETERS IN SHORELINE DYNAMICS. Coastal Sediments 2023. WORLD SCIENTIFIC. [DOI:10.1142/9789811275135_0036]
9. La Pena, E. G.-D., Coco, G., Whittaker, C. & Montano, J. 2023. A CONVOLUTIONAL NEURAL NETWORK MODEL FOR SHORELINE CHANGE PREDICTION. Coastal Sediments 2023. WORLD SCIENTIFIC. [DOI:10.1142/9789811275135_0127]
10. Goldstein, E.B., Coco, G. and Plant, N.G. 2019. A review of machine learning applications to coastal sediment transport and morphodynamics. Earth-Science Reviews, 194, 97-108. [DOI:10.1016/j.earscirev.2019.04.022]
11. Beuzen, T. and Splinter, K. 2020. 28 - Machine learning and coastal processes. In:JACKSON, D. W. T. & SHORT, A. D. (eds.) Sandy Beach Morphodynamics. Elsevier. [DOI:10.1016/B978-0-08-102927-5.00028-X]
12. Shafaghat, M. and Dezvareh, R. 2021. Support vector machine for classification and regression of coastal sediment transport. Arabian Journal of Geosciences, 14, 2009. [DOI:10.1007/s12517-021-08360-0]
13. Casarosa, N., Luppichini, M., Bini, M., BERTON, A., MERLINO, S. and Paterni, M. 2022. A method based on beach profile analysis for shoreline identification. Ninth International Symposium "Monitoring of Mediterranean Coastal Areas: Problems and Measurement Techniques". Firenze University Press. [DOI:10.36253/979-12-215-0030-1.05]
14. Pradeep, J., Shaji, E., Chandran, S., Ajas, H., Chandra, S.V., Dev, S.D. and Babu, D.S. 2022. Assessment of coastal variations due to climate change using remote sensing and machine learning techniques: A case study from west coast of India. Estuarine, Coastal and Shelf Science, 275, 107968. [DOI:10.1016/j.ecss.2022.107968]
15. Chen, H., Yunus, A.P., Nukapothula, S. and Avtar, R. 2022. Modelling Arctic coastal plain lake depths using machine learning and Google Earth Engine. Physics and Chemistry of the Earth, Parts A/B/C, 126, 103138. [DOI:10.1016/j.pce.2022.103138]
16. McAllister, E., Payo, A., Novellino, A., Dolphin, T. and Medina-Lopez, E. 2022. Multispectral satellite imagery and machine learning for the extraction of shoreline indicators. Coastal Engineering, 174, 104102. [DOI:10.1016/j.coastaleng.2022.104102]
17. Xu, G., Wei, H., Xue, S., Wang, J. and Li, Y. 2022. Predicting wave forces on coastal bridges using genetic algorithm enhanced ensemble learning framework. Ocean Engineering, 266, 112963. [DOI:10.1016/j.oceaneng.2022.112963]
18. Ferchichi, H., St-Hilaire, A., Ouarda, T.B. and Lévesque, B. 2022. Prediction of Coastal Water Temperature Using Statistical Models. Estuaries and Coasts, 45, 1909-1927. [DOI:10.1007/s12237-022-01070-0]
19. Bellinghausen, K., Hunicke, B. and Zorita, E. 2023. Short-term prediction of extreme sea-level at the Baltic Sea coast by Random Forests. Nat. Hazards Earth Syst. Sci. Discuss., 2023, 1-48. [DOI:10.5194/nhess-2023-21]
20. Billet, C., Bacino, G., Alonso, G. and Dragani, W. 2023. Shoreline Temporal Variability Inferred from Satellite Images at Mar del Plata, Argentina. Water [Online], 15. [DOI:10.3390/w15071299]
21. DALINGHAUS, C., COCO, G. and HIGUERA, P. 2023. USING GENETIC PROGRAMMING FOR ENSEMBLE PREDICTIONS OF WAVE SETUP. Coastal Sediments 2023. WORLD SCIENTIFIC. [DOI:10.1142/9789811275135_0177]
22. Turner, I.L., Harley, M.D., Short, A.D., Simmons, J.A., Bracs, M.A., Phillips, M.S. and Splinter, K.D. 2016. A multi-decade dataset of monthly beach profile surveys and inshore wave forcing at Narrabeen, Australia. Scientific Data, 3, 160024. [DOI:10.1038/sdata.2016.24] [PMID] []
23. Splinter, K.D., Harley, M.D. and Turner, I.L. 2018. Remote Sensing Is Changing Our View of the Coast: Insights from 40 Years of Monitoring at Narrabeen-Collaroy, Australia. Remote Sensing [Online], 10. [DOI:10.3390/rs10111744]
24. Jaramillo, C., González, M., Medina, R. and Turki, I. 2021. An equilibrium-based shoreline rotation model. Coastal Engineering, 163, 103789. [DOI:10.1016/j.coastaleng.2020.103789]
25. Jaramillo, C., Jara, M.S., Gonzalez, M. and Medina, R. 2021. A shoreline evolution model for embayed beaches based on cross-shore, planform and rotation equilibrium models. Coastal Engineering, 169, 103983. [DOI:10.1016/j.coastaleng.2021.103983]
26. Chataigner, T., Yates, M.L., Le Dantec, N., Harley, M.D., Splinter, K.D. and Goutal, N. 2022. Sensitivity of a one-line longshore shoreline change model to the mean wave direction. Coastal Engineering, 172, 104025. [DOI:10.1016/j.coastaleng.2021.104025]
27. Beuzen, T., Splinter, K.D., Marshall, L.A., Turner, I.L., Harley, M.D. and Palmsten, M.L. 2018. Bayesian Networks in coastal engineering: Distinguishing descriptive and predictive applications. Coastal Engineering, 135, 16-30. [DOI:10.1016/j.coastaleng.2018.01.005]
28. Zeinali, S., Dehghani, M. and Talebbeydokhti, N. 2021. Artificial neural network for the prediction of shoreline changes in Narrabeen, Australia. Applied Ocean Research, 107, 102362. [DOI:10.1016/j.apor.2020.102362]
29. Beuzen, T., Marshall, L. and Splinter, K.D. 2018. A comparison of methods for discretizing continuous variables in Bayesian Networks. Environmental Modelling & Software, 108, 61-66. [DOI:10.1016/j.envsoft.2018.07.007]
30. Oerlemans, S.C., Nijland, W., Ellenson, A.N. and Price, T.D. 2022. Image-Based Classification of Double-Barred Beach States Using a Convolutional Neural Network and Transfer Learning. Remote Sensing [Online], 14. [DOI:10.3390/rs14194686]
31. Harley, M., Ibaceta, R., Leaman, C., Splinter, K. & Turner, I. A. N. 2023. DATA-DRIVEN MODELING OF COASTAL STORM EROSION: NARRABEEN BEACH, AUSTRALIA. Coastal Sediments 2023. WORLD SCIENTIFIC. [DOI:10.1142/9789811275135_0028]
32. Kantardzic, M. 2019. Data Mining: Concepts, Models, Methods, and Algorithms, 3rd Edition, Wiley-IEEE Press. [DOI:10.1002/9781119516057]
33. Breiman, L. 1984. Classification and Regression Trees (1st ed.). Routledge. [DOI:10.1201/9781315139470]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
International Journal of Maritime Technology is licensed under a
Creative Commons Attribution-NonCommercial 4.0 International License.