تعیین پارامترهای موثر جهت بررسی تغییرات سکوی ساحلی در شرایط غیر طوفانی با استفاده از الگوریتم یادگیری ماشین

با پیشرفت یادگیری ماشین و الگوریتم ها و احداث سایت های تحقیقاتی در مناطق ساحلی، اطلاعات ارزشمندی در دسترس قرار گرفته که می توان 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 پدیده های تاثیرگذار بر عملکرد تعادلی ساحل نیز بسیار با اهمیت می باشد. پس از مرتب سازی داده های اولیه، به کمک الگوریتم درخت تصمیم رگرسیونی با بررسی بهترین الگوی رفتاری از برآیند دو عامل خطا و پیچیدگی مدل، مناسب ترین سناریوها جهت توصیف پارامتر های 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 R۲=۸۲% و RMSE=۳.۴۸۹ متر؛ جهت توصیف تغییرات ارتفاعی سکوی ساحلی به ترتیب BC Height ، ∆x Shoreline ، ∆x BC و P با مقادیر R۲=۴۸% و RMSE=۰.۳۹۷ متر و همچنین جهت توصیف موقعیت افقی تاج سکوی ساحلی BW، Berm Slope ،  ∆y BC، BC Height ، E و SLR با مقادیر R۲=۶۷% و RMSE=۹.۸۰۷ متر در نظر گرفته شدند. بر طبق نتایج حاصل از توصیف و نیز اثرگذاری پدیده های هیدرودینامیک و مورفودینامیک با استفاده از روش درخت تصمیم رگرسیونی و مقادیر خطا و ضریب تعیین بدست آمده، می توان بیان نمود که این روش مناسب بوده و در شناخت پدیده های حاکم بر عارضه های 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 می نماید.

تعیین پارامترهای موثر جهت بررسی تغییرات سکوی ساحلی در شرایط غیر طوفانی با استفاده از الگوریتم یادگیری ماشین Keywords:

Beach Behavior , Coastal Berm , Non-Storm Conditions , Machine Learning , Regression Decision Tree , رفتار ساحل , سکوی ساحلی , شرایط غیر طوفانی , یادگیری ماشین , درخت تصمیم رگرسیونی