یادگیری ماشین برای حفاظت و مدیریت محیط زیست دریا و بنادر خلیج فارس [Persian Thesis]

اسماء بحرانی

شناسگر رکورد: ۱۶۰۱۹
رشته تحصیلی: مهندسی فناوری اطلاعات
عنوان: یادگیری ماشین برای حفاظت و مدیریت محیط زیست دریا و بنادر خلیج فارس
نويسنده: اسماء بحرانی
استاد راهنما : دکتر محمد عشقی
دکتر بابک مجیدی
مقطع تحصیلی : کارشناسی ارشد
دانشگاه : خاتم
تاریخ دفاع : ۱۳۹۷
چکیده: آلودگیهای محیط زیست دریا به یک تهدید جدی برای انسانها و آبزیان تبدیل شده است و با توجه به تلاش فعالان محیط زیست برای حفاظت در برابر این آلودگیها، سالانه شاهد افزایش آلودگیهای دریایی هستیم. با توجه به افزایش آلودگیهای دریایی، کشف راه هایی برای جلوگیری از این آلودگیها ضروری به نظر می رسد. در این راستا بسیاری از بنادر، در حال حرکت به سمت هوشمند شدن و بنادر سبز هستند و دلیل آن کاهش آلودگیهای محیط زیست دریا و بنادر است. بنادر سبز با حذف آلودگیهای نفتی، صوتی، نویز، زباله و ... به بهبود محیط زیست کمک شایانی می کنند. همچنین برای استفاده از منابع دریایی در دراز مدت نیازمند نظارت مستمر بر منابع دریایی به منظور کشف زودهنگام آلودگیهای دریایی هستیم. با توجه به آلودگیهای دریایی خلیج فارس، و افزایش این آلودگیها در سالهای اخیر یافتن راهی برای جلوگیری از این آلودگیها ضروری به نظر می رسد. از اینرو هدف اصلی در این پژوهش، یافتن راهی برای مقابله با آلودگیهای محیط-زیست دریایی و بنادر خلیج فارس است. در این راستا یکی از راههای نظارت مستمر، عکسبرداری از قسمتهای مختلف خلیج فارس، و طبقه بندی آنها جهت شناسایی آلودگیها است. با توجه به مزیتهای موجود در الگوریتمهای یادگیری ماشین برای طبقه بندی، در این پژوهش، از ‎۸ الگوریتم یادگیری ماشین استفاده شده است. در این پژوهش، آلودگیهای دریایی و بیماریهای گونه های جانوری که در اینجا بیماریهای مرجانی مد نظر است در دو فاز مورد بررسی قرار گرفته است. در فاز اول تصاویر مربوط به آلودگیهای دریایی و بیماریصهای مرجانی به صورت باینری و در فاز دوم به صورت دسته ای مورد بررسی قرار گرفته است. در هر دو فاز تصاویر مربوطه، مورد پردازش قرار گرفته و با استخراج ویژگی از این تصاویر با استفاده از الگوریتمهای یادگیری ماشین به طبقه بندی آنها پرداخته شده است. روش پیشنهادی بر روی ‎۱۲۰۰ تصویر از مرجانها و ‎۲۰۰۰ تصویر از آلودگیهای دریایی خلیج فارس که از سازمان بنادر و دریانوردی و همچنین سایتهای خبری جمع آوری شده، آزمایش شده است و نتایج نشان میصدهد که در میان الگوریتمهای یادگیری ماشین، الگوریتمهای شبکه عصبی کانولوشن، دقت مناسبی بین %‎۹۵ تا %‎۹۸ برای شناسایی و طبقه بندی آلودگیهای دریایی دارند
واژگان کلیدی: مهندسی کامپیوتر
مهندسی فناوری اطلاعات
بنادر سبز
الگوریتمهای یادگیری ماشین
طبقهبندی
استخراج ویژگی
الگوریتم شبکه عصبی کانولوشن
Copyright 2026 by Payam Hannan co ltd. PayamLib.com