Journal of Geospatial Information Technology

fa پیش‌بینی عمق بستر دریا با استفاده از مدل های عصبی– فازی: مطالعه‌ای تطبیقی با تلفیق داده های ژئودزی و بهینه‌سازی بر اساس داده‌های محلی Prediction of bathymetry Using Neuro-Fuzzy Models: A Comparative Study with Geodetic Data fusion and Optimization Based on Local Data ژئودزی (عمومی) Geodesy پژوهشي Research <div style="text-align: justify;">اطلاع دقیق از عمق بستر دریا نقش مهمی در درک فرآیندهای اقیانوسی، اقیانوس‌شناسی فیزیکی، زیست‌شناسی دریایی، اکوهیدرولیک و زمین‌شناسی دریایی دارد. روش‌های مرسوم مدلسازی عمق معمولاً با استفاده از داده‌های ارتفاع‌سنجی ماهواره‌ای، مدل ثقل یا داده‌های ثقل‌سنجی دریایی انجام می‌شوند که دقت یا قدرت تفکیک مکانی مناسبی ندارند. در این پژوهش، یک مطالعه تطبیقی بین مدلهای عصبی فازی برای مدل‌سازی منطقه‌ای عمق بستر در خلیج فارس و دریای عمان انجام شده و نتایج با کمک دادههای محلی بهینهسازی شده است. برای این منظور،  استنتاج عصبی–فازی تطبیقی (ANFIS) و درخت مدل خطی محلی (LOLIMOT) به عنوان مدل‌های غیرخطی برای شناسایی رابطه بین ورودی‌ها و خروجی استفاده شده‌اند. ورودی‌های مدل شامل دادههای ژئودزی یعنی ارتفاع ژئوئید، گرادیان ثقل و آنومالی ثقل و خروجی آن مدل عمق سنجی GEBCO است. نتایج نشان داد مدل  LOLIMOT انطباق بهتری با دادههای آزمون دارد. لذا مدل پایه مذکور با داده‌گواری مشاهدات عمق دریایی از طریق روش بهینه‌سازی متغیر سه‌بعدی (3DVAR)  بهبود یافته و مدل نهایی عمقسنجی حاصل شده است. مدل پیشنهادی با داده‌های عمقسنجی مسیرهای کنترل مناطق چابهار، گناوه و علمشاه اعتبارسنجی شد و نتایج دقت بالای آن را در این مناطق به ترتیب با RMSE  حدود 4/0 ، 0/8 و 0/9 متر  نشان می‌دهد. این مدلسازی، روش دقیقی برای تحلیل و پیش‌بینی عمق بستر دریا در مطالعات علمی و کاربردی ارائه می‌دهد.</div>   Accurate knowledge of seabed depth plays a crucial role in understanding oceanic processes, physical oceanography, marine biology, ecohydraulics, and marine geology. Conventional depth modeling methods are commonly based on satellite altimetry, gravity models or marine gravimetry data, which often lack sufficient accuracy or spatial resolution. In this study, a comparative analysis of neuro-fuzzy models was conducted for regional bathymetry modeling in the Persian Gulf and the Oman Sea, and the results were optimized through using the local datasets. For this purpose, Adaptive Neuro-Fuzzy Inference System (ANFIS) and Local Linear Model Tree (LOLIMOT) were applied as nonlinear models to identify the relationship between the inputs and outputs. The model inputs consisted of geodetic data, including geoid height, gravity gradient, and gravity anomaly, while the output was the GEBCO bathymetric dataset. The results indicated that the LOLIMOT model showed a better agreement with the test data. Consequently, the baseline model was refined by assimilating in-situ depth observations using the three-dimensional variational (3DVAR) optimization method, which led to the development of the final bathymetric model. The proposed approach was validated along the control track soundings from Chabahar, Genaveh, and Alamshah regions, demonstrating high accuracy with RMSE values of approximately 0.4 m, 0.8 m, and 0.9 m, respectively. This modeling framework provides a robust and accurate method for seabed depth analysis and prediction in both scientific and applied studies.   مدل‌سازی عمق دریا, ارتفاع سنجی ماهواره ای, ثقل دریایی, یادگیری ماشین, مدل عصبی–فازی Bathymetry Modeling, Satellite Altimetry, Marine Gravity, Machine Learning, Neuro-Fuzzy Model 75 93 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-1046-1&slc_lang=fa&sid=1 Mohammad Ali Mohammad محمدعلی محمد m.mohammad@email.kntu.ac.ir 100319475328460010678 100319475328460010678 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Iraj Jazireeyan ایرج جزیرئیان jazirian@kntu.ac.ir 100319475328460010679 100319475328460010679 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mahmoud Pirooznia محمود پیروزنیا m_pirooznia@sbu.ac.ir 100319475328460010680 100319475328460010680 No shahid beheshti university دانشگاه شهید بهشتی