مقايسه كارايي مدل‌هاي يادگيري عميق و شبكه‌ عصبي كانولوشن براي تخمين سطح آب با استفاده از پردازش تصوير و تلفن هوشمند

تخمين سطح آب براي درك و مديريت منابع آب، پيش‌بيني و كاهش اثرات سيلاب و اطلاع‌رساني براي تصميمات مديريت منابع آب ضروري است، اما اغلب با محدوديت‌هايي مانند كمبود منابع، هزينه‌هاي بالا و نيازهاي زماني زياد مانع از انجام آن مي‌شود. اين مطالعه كارايي يك سيستم اندازه‌گيري سطح آب بدون تماس و مبتني بر تصوير را با استفاده از پيشرفت‌ها در فناوري تصويربرداري تلفن هوشمند را بررسي مي‌كند. به اين منظور، از يك تلفن هوشمند كه مجهز به دوربين بوده، تصاوير مورد نظر ثبت و سپس جهت شناسايي و اندازه‎‌گيري سطح آب از پردازش تصوير استفاده شد. هسته اصلي اين مطالعه شامل توسعه و مقايسه دو مدل محاسباتي بود: يادگيري عميق (DL) و شبكه‌هاي عصبي كانولوشن (CNN). اين مدل‌ها وظيفه تخمين سطح آب را بر اساس داده‎‌هاي تصويري پردازش شده داشتند. نتايج نشان‌دهنده درجه متفاوتي از دقت در بين مدل‌ها بود، مدل CNN عملكرد بهتري را نسبت به DL نشان داد كه از كمترين ميانگين مربع خطاي ريشه 24/36 ميلي‌متر برخوردار بود. در مقابل، مدل DL با ريشه ميانگين مربعات خطاي 28/39 ميلي‌متر نشان داد كه اثربخشي نسبي شبكه عصبي كانولوشن در اين مطالعه از لحاظ دقت و قابليت اطمينان بالا بهتر از يادگيري عميق است. به اين ترتيب مي‎توان پايش و كنترل سطح آب را در نقاط سخت و دشوار بدون نياز به پرسنل مربوطه و كاملا خودكار انجام داد.