عنوان

ارزیابی یک مدل داده محور با رویکرد یادگیری ماشین جهت برآورد ریسک فعالیت های بهره برداری از تالاب: مطالعه موردی

پ۲۴۹۴۶

per

ارزیابی یک مدل داده محور با رویکرد یادگیری ماشین جهت برآورد ریسک فعالیت های بهره برداری از تالاب: مطالعه موردی

سجاد سلیمانی حسنی

عمران

۱۴۰۰

۹۰ص.

سی دی

کارشناسی ارشد

عمران - محیط زیست

۱۴۰۰/۰۶/۱۶

در مطالعه حاضر، یک رویکرد جدید ارزیابی سلامت تالاب در راستای اصلاح و بهبود شاخص طبقه‌بندی و ارزیابی خطر اسکوم توسعه داده شده است. شاخص اسکوم تلفیقی از پارامترهای کیفی آب و مشخصه‌های فیزیکی و اکولوژیکی تالاب می‌باشد که وضعیت سلامت تالاب را به صورت کمی گزارش می‌کند. این شاخص کاربرپسند برای اولین بار بر روی چندین تالاب از انواع مختلف در آفریقای جنوبی اجرا شد. مشکلی که در بسیاری از چارچوب‌های ارزیابی سلامت تالاب وجود دارد و چارچوب اسکوم نیز از این قاعده مستثنی نیست، استفاده از بازه‌های امتیازدهی است که به صورت مجموعه‌های کلاسیک تعریف شده‌اند. محدودیتی که در استفاده از مجموعه‌های کلاسیک وجود دارد این است که این مجموعه‌ها توانایی مدیریت عدم ‌قطعیت‌ها و محدودیت‌هایی که در شناخت ما نسبت به سیستم‌های طبیعی وجود دارد را دارا نمی‌باشند که این امر می‌تواند فرایند ارزیابی را دچار اختلال کرده و عملکرد و دقت چارچوب را تحت تاثیر قرار دهد. افزون بر این، شاخص اسکوم از پارامترهای وزن‌دهی نشده بهره می‌برد که در این حالت نقش پارامترهای حیاتی نظیر اکسیژن محلول دست کم گرفته شده و از سوی دیگر نقش پارامترهای با اهمیت کمتر مانند رد پای احشام (تحکیم سطحی خاک) نیز دست بالا گرفته می‌شود که این موضوع در نهایت نتیجه ارزیابی را تحت تاثیر قرار داده و امکان ارائه تصویری واقعی از وضعیت تالاب را دچار اختلال می‌کند. در این پایان‌نامه به منظور رفع مشکلات ذکر شده، از سیستم استنتاج فازی (FIS) جهت فازی‌سازی چارچوب مورد نظر (جایگزین کردن بازه‌های امتیازدهی کلاسیک با بازه‌های امتیازدهی فازی) و از روش تصمیم‌گیری چند معیاره AHP که بازتابی از نظرات کارشناسان تالاب می‌باشد، برای وزن‌دهی به قوانین فازی (پارامترهای ارزیابی سلامت تالاب) استفاده شده است. عملکرد چارچوب توسعه داده شده با اجرای آن در تالاب‌های کانی‌برازان و چغاخور که جز‌ء مهم‌ترین تالاب‌های ایران بوده و در کنوانسیون رامسر نیز ثبت شده‌اند، مورد ارزیابی قرار گرفت. نتایج حاصله حاکی از این می‌باشند که چارچوب مبتنی بر منطق فازی به دلیل انعطاف‌پذیری و نیز به کارگیری پارامترهای وزن‌دهی شده که مختص هر کدام از تالاب‌های مورد مطالعه بوده و نشأت گرفته از نظرات کارشناسان می‌باشد، نسبت به چارچوب اسکوم نتایج واقع‌گرایانه‌تر و دقیق‌تری را تولید می‌کند. از سوی دیگر، از مدل‌های هوش مصنوعی شبکه عصبی پیش‌خور (FFNN) و رگرسیون بردار پشتیبان (SVR) جهت مدل‌سازی پارامتر اکسیژن محلول به عنوان مهم‌ترین پارامتر در اکوسیستم‌های تالابی استفاده شده است. در این راستا، از داده‌های نیم ساعته و روزانه ثبت شده توسط ایستگاه‌های پایش آنلاین که به عنوان بخشی از طرح حفاظت از تالاب‌های ایران در مناطق مورد مطالعه نصب شده‌اند، بهره گرفته شده است. نتایج مدل‌سازی بیانگر این می‌باشند که FFNN در مدل‌سازی اکسیژن محلول با استفاده از داده‌های نیم ساعته نسبت به SVR موفق‌تر بوده ولی در مدل‌سازی با استفاده از داده‌های روزانه، SVR اندکی بهتر از FFNN عمل کرده است. متعاقبا از نتایج حاصل از مدل‌سازی جهت سنجش امکان استفاده از مدل‌های هوش مصنوعی در ارزیابی و پایش سلامت تالاب استفاده گردید که با توجه به عملکرد مناسب مدل‌های مورد نظر، این موضوع نیز تایید و امکان‌پذیر تلقی گردید.

In the present study, a new fuzzy logic-based wetland health assessment approach has been developed to improve the ESCOM’s wetland classification and risk assessment index (WCRAI). ESCOM’s WCRAI involves field sampling and in situ measurement of some water physicochemical parameters and various physical characteristics of the wetland. This user-friendly framework was first applied to several wetlands of different types in South Africa. A common problem of most wetland health assessment frameworks, including the ESCOM’s WCRAI, is that they use classical sets to score wetland health indicators. The problem associated with classical sets is that they fail to handle the epistemic uncertainty that arises from the limits of our knowledge about natural systems. In addition, the ESCOM’s index uses unweighted parameters, in which case the role of critical parameters such as dissolved oxygen is underestimated, and on the other hand, the role of less important parameters such as pugging is overestimated. Consequently, this affects the assessment and leads to failure in providing a reliable picture of the wetland health status. The present study uses a combination of the fuzzy inference system (FIS) and the analytic hierarchy process (AHP) to handle the mentioned limitations. In this regard, classical sets were superseded by fuzzy sets, and the AHP method, which incorporates wetland experts’ opinions, was used to assign weights to wetland health indicators. The efficiency of the developed framework was evaluated by applying it to Kani Barazan and Choghakhor Ramsar sites, which are among the most important Iranian wetlands. It was shown that the fuzzy logic-based framework, due to its flexibility and the use of exclusively weighted parameters, produced more realistic and accurate results compared to the ESCOM’s WCRAI. Furthermore, feed-forward neural network (FFNN) and support vector regression (SVR) models were used to model dissolved oxygen as the most critical parameter in wetland ecosystems. 30-minute and daily data recorded by the online monitoring stations, installed in the study areas as part of the Conservation of Iranian Wetlands Project (CIWP), was used for modeling. The results indicated that the FFNN was more successful than the SVR when using 30-minute data, while the SVR performed slightly better than the FFNN using daily data. Consequently, the modeling results were used to assess the feasibility of using artificial intelligence models in wetland health assessment and monitoring, which was considered applicable considering the proper performance of the trained models.

A machine learning approach to evaluate a data-driven model for assessing the risk of wetland exploitation activities: A case study

سلیمانی حسنی

‏ سجاد

تهيه کننده

‏مجتهدی

‏روشنگر

‏ علیرضا

‏ کیومرث

استاد راهنما

استاد مشاور

‏ تبریز