ارزیابی روش‌های یادگیری ماشین در پیش‌بینی نوسانات تراز سطح آب سواحل جنوبی دریای خزر با استفاده از ماهواره‌grace و grace-fo

نوسانات تراز آب دریا تاثیرات مخربی بر شهرهای ساحلی و محیط‌زیست و اقلیم آنها دارد. بنابراین شناسایی تغییرات و نوسانات تراز سطح آب‌ها دریا و پیش‌بینی آن می‌تواند به تصمیم‌گیری‌ها و مدیریت صحیح رخدادها و مشکلات ناشی از آن کمک کند. در این‌ مطالعه به‌ مدل‌سازی سری زمانی تراز سطح آب سواحل جنوبی دریای خزر با استفاده از داده‌های ماهواره‌ graceو grace-fo بکارگیری مدل‌های مبتنی بر یادگیری ماشین نظیر درخت تصمیم (dt)، جنگل تصادفی (rf) و رگرسیون تطبیقی چند متغیره‌اسپلاین (mars) پرداخته ‌شده است. بدین‌‌منظور از داده‌های ماهواره‌grace و grace-fo طی‌ سال‌های 2003 تا 2023 استفاده شد. نتایج‌ به‌دست‌آمده از سری زمانی به‌دست‌آمده از سنجش‌ازدور در مقایسه با داده‌های ایستگاه نوسان‌سنجی بندر انزلی مورد همبستگی قرار گرفتند و در ادامه‌ با استفاده از مدل‌های یادگیری ماشین، تراز سطح آب مورد شبیه‌سازی و پیش‌بینی قرار گرفت. نتایج نشان داد که مدل jpl با 0/788 = r^2 بیانگر ارتباط مناسب داده‌های ماهواره‌ای با داده‌های زمینی است. همچنین مقادیر r2 سه مدل dt، mars وrf  به‌ترتیب 0/545، 0/853 و 0/671 و nse  به‌ترتیب 0/64، 0/89 و 0/76 به‌دست‌ آمد که نشان‌دهنده‌عملکرد مناسب‌ مدل mars نسبت به سایرین در شبیه‌سازی است. ازاین‌رو در پیش‌بینی تراز سطح آب تا سال 2040 از این مدل استفاده شد که معیارهای ارزیابی آن حاکی از که‌ کارایی‌ بالای مدل mars است. پیش‌بینی‌ها نشان داد که در سال 2040 در بدترین شرایط تراز سطح آب دریا تا 120 سانتی‌متر کاهش خواهد یافت که این اتفاق منجر به خسارات محیط‌زیستی و خسارت به صنایع دریایی و بنادر شهرهای ساحلی خواهد شد. نتایج این مطالعه می‌تواند به‌عنوان ابزاری کارآمد در مدیریت منابع آب و برنامه‌ریزی‌های بلندمدت در مناطق ساحلی دریای خزر مورد استفاده قرار گیرد. همچنین، این یافته‌ها می‌تواند در ارزیابی ریسک‌های محیط‌زیستی و اقتصادی ناشی از تغییرات سطح آب دریا و اتخاذ استراتژی‌های مناسب کمک شایانی نماید.

evaluation of machine learning methods for predicting water level fluctuations in the southern coasts of the caspian sea using grace and grace-fo satellites

sea level fluctuations have destructive effects on coastal cities, their environment, and climate. therefore, identifying changes and fluctuations in sea levels and predicting them can aid in decision-making and proper management of resulting events and problems. this study focuses on modeling the time series of water level in the southern coasts of the caspian sea using grace and grace-fo satellite data, employing machine learning-based models such as decision tree (dt), random forest (rf), and multivariate adaptive regression splines (mars). for this purpose, grace and grace-fo satellite data from 2003 to 2023 were used. the results obtained from the remote sensing time series were correlated with data from the anzali port tide gauge station. subsequently, water levels were simulated and predicted using machine learning models. results showed that the jpl model with r2= 0.788 indicates an appropriate relationship between satellite data and ground data. additionally, r2 values for the three models dt, mars, and rf were 0.545, 0.853, and 0.671, respectively, and nse values were 0.64, 0.89, and 0.76 respectively, demonstrating the superior performance of the mars model in simulation compared to others. therefore, this model was used to predict water levels up to 2040, with evaluation criteria indicating the high efficiency of the mars model. predictions showed that in the worst-case scenario, sea level will decrease by 120 centimeters by 2040, leading to environmental damage and harm to marine industries and ports in coastal cities. the results of this study can be used as an effective tool in water resource management and long-term planning in the caspian sea coastal areas. furthermore, these findings can greatly assist in assessing environmental and economic risks resulting from sea level changes and adopting appropriate strategies.