۱٫ معرفی
در زمینه مهندسی محیط زیست، استفاده از یادگیری ماشین (ML) نوید قابل توجهی را در مقابله با چالش های پیچیده نشان داده است. در میان پارادایم های مختلف ML، سیستم های استنتاج فازی (FIS) به ویژه قابل توجه هستند. FISها چارچوب های محاسباتی مبتنی بر نظریه مجموعه های فازی هستند که توسط [
۱]، که امکان استدلال در مورد داده های نامشخص یا نادرست را فراهم می کند. FIS ها از مجموعه ای از قوانین فازی و توابع عضویت برای مدل سازی سیستم های پیچیده استفاده می کنند و رویکردی شفاف و قابل تفسیر برای مدیریت موثر عدم قطعیت ارائه می دهند. [
۲]. این مطالعه یک سوال مهم را بررسی می‌کند: آیا قابلیت FIS برای رسیدگی به عدم قطعیت واقعاً برای کاربردهای مهندسی محیط‌زیست حیاتی است؟
مهندسان و محققان محیط زیست با چالش های متعددی مواجه می شوند که با تعاملات پیچیده و عدم قطعیت های ذاتی مشخص می شود. این چالش ها از ترکیبی از عوامل ناشی می شوند، از جمله شرایط محیطی که به طور قابل توجهی در مناطق کوچک جغرافیایی متفاوت است و تغییرات زمانی ناشی از فصل ها، چرخه های طبیعی یا رویدادهای شدید. [
۳]. چنین تنوعی درک و پیش‌بینی پارامترهای محیطی را در طول زمان پیچیده می‌کند.
علاوه بر این، سیستم‌های محیطی با تعاملات غیرخطی بین اجزای متعدد مشخص می‌شوند و لایه‌ای از پیچیدگی را به مدلسازی و پیش‌بینی رفتارهای آینده اضافه می‌کنند. [
۴]. جمع آوری داده های محیطی بدون چالش های فنی نیست، از جمله خطاهای ابزاری و خرابی حسگرها، که عدم قطعیت های بیشتری را در داده ها ایجاد می کند و بر نیاز به اقدامات کنترل کیفیت دقیق تأکید می کند. [
۵].
مدلسازی فرآیندهای محیطی اغلب به ساده‌سازی‌هایی نیاز دارد که عدم قطعیت‌های بیشتری را ایجاد می‌کند، به‌ویژه در گرفتن تفاوت‌های ظریف پدیده‌های طبیعی. [
۶]. در نتیجه، روش‌های سنتی ممکن است در حسابداری مؤثر این عدم قطعیت‌ها دچار تزلزل شوند. FISها، با توانایی ذاتی خود در مدیریت عدم قطعیت از طریق منطق فازی، یک جایگزین امیدوارکننده برای افزایش کاربردهای مهندسی محیط زیست ارائه می‌دهند – فرضیه‌ای که این مطالعه با هدف اعتبارسنجی انجام می‌شود.
با وجود اذعان به پتانسیل FISها، ادبیات شکافی را در درک ارتباط خاص آنها در درمان عدم قطعیت در سیستم‌های محیطی نشان می‌دهد – یک جنبه مهم با توجه به عدم قطعیت‌های ذاتی چنین سیستم‌هایی. این شکاف بر ضرورت کاوش در تأثیر FIS ها در پیشبرد این حوزه تأکید می کند [
۱,
۷].
از لحاظ تاریخی، نظریه مجموعه های فازی به دلیل مهارت آن در مدیریت عدم قطعیت، در سیستم های مبتنی بر دانش بسیار مهم بوده است. [
۱,
۸]. در ابتدا در سیستم های خبره به دلیل رویکرد شهودی و انعطاف پذیر آن برای رمزگذاری استدلال تقریبی مورد توجه قرار گرفت، FIS ها به عنوان یک ابزار ارزشمند برای کاربردهای محیطی شناخته شدند، جایی که برخورد با عدم قطعیت ها بسیار مهم است. با این حال، پتانسیل کامل FIS های مبتنی بر داده، به ویژه در مقایسه با روش های گسترده تری مانند شبکه های عصبی مصنوعی (ANN)، در مهندسی محیط زیست مورد بررسی قرار نگرفته است. [
۹].
نقاط قوت منحصر به فرد FIS ها بر خلاف ماهیت “جعبه سیاه” شبکه های عصبی مصنوعی در شفافیت و تفسیرپذیری آنها نهفته است. این وضوح در سیستم‌های پشتیبانی تصمیم (DSS) ضروری است، به‌ویژه در مهندسی محیط‌زیست، جایی که ذینفعان خواستار یک منطق روشن در پشت توصیه‌ها هستند. [
۱۰]. اگر FIS ها ثابت کنند که DSS ها را در مدیریت عدم قطعیت نسبت به روش های رایج به طور قابل توجهی بهبود می بخشد، می تواند یک تغییر پارادایم در این زمینه را بشارت دهد.
هدف این مطالعه روشن کردن نقش و اهمیت ML فازی در پرداختن به عدم قطعیت در مهندسی محیط زیست است. از طریق بررسی ادبیات کامل، ما به دنبال اعتبارسنجی اثربخشی مدل‌های فازی در برابر روش‌های دیگر، با هدف غنی‌سازی درک نظری و کاربردهای عملی FIS هستیم. در نهایت، این تحقیق تلاش می‌کند تا شکاف تحقیقاتی شناسایی‌شده را پر کند و بینش‌های عملی را برای محققان، پزشکان و سیاستگذاران ارائه کند، و به طور بالقوه فصل جدیدی را افتتاح کند که در آن قابلیت‌های منحصربه‌فرد FIS در جهت‌یابی عدم قطعیت‌های محیطی محوری هستند.
پس از این مقدمه، این مطالعه به بررسی اصول بنیادی نظریه فازی در بخش «پیشینه نظری» می‌پردازد و متعاقباً، بخش «تحلیل تطبیقی» به بررسی آثار مرتبط می‌پردازد. بخش پایانی، «نظرات نهایی»، این بحث‌ها را ترکیب می‌کند تا بینش‌های عملی را هم برای پزشکان و هم برای سیاستگذاران ارائه دهد.
۲٫ پیشینه نظری
در دهه‌های اخیر، سیستم‌های استنتاج فازی (FIS) پیشرفت‌های قابل‌توجهی را شاهد بوده‌اند که با تحقیقات گسترده که بر اثربخشی آنها به عنوان ابزاری برای فرآیندهای تصمیم‌گیری هوشمند تأکید می‌کند، برجسته شده‌اند. [
۱۱]. در هسته خود، FIS ها بر اساس اصل ثبت و مدیریت عدم قطعیت در مجموعه داده ها هستند، که تصویری ظریف از پدیده های پیچیده دنیای واقعی را تسهیل می کند.
سنگ بنای FIS ها معرفی متغیرهای زبانی است، مفهومی که اساساً تعامل و درک ما از اطلاعات نامشخص را تغییر می دهد. [
۱۲]. در مهندسی محیط زیست، این امکان نمایش دقیق‌تری از پارامترهای محیطی که ذاتاً نادقیق هستند، مانند سطوح آلاینده یا داده‌های آب و هوایی را فراهم می‌کند. بر خلاف منطق باینری سنتی، که بر اساس مقادیر حقیقت مطلق (درست یا نادرست) است، FIS وجود “سایه های خاکستری” را در سناریوهای دنیای واقعی تشخیص می دهد. متغیرهای زبانی امکان بیان رسمی و دستکاری این تفاوت های ظریف را فراهم می کنند. این متغیرها با مقادیری تعریف می‌شوند که کلمات یا جملاتی در زبان طبیعی هستند و از مقادیر زبانی به جای عددی واضح برای نشان دادن یک پیوستار در دامنه متغیر استفاده می‌کنند. [
۱۳].
مجموعه‌های فازی، با طراحی، منطق باینری سنتی را گسترش می‌دهند تا عضویت جزئی را در خود جای دهند، و این واقعیت را منعکس می‌کنند که عناصر ممکن است به درجات مختلف به یک مجموعه تعلق داشته باشند، بازتابی از عدم قطعیت‌های ذاتی موجود در داده‌ها. [
۱۴]. این امر به ویژه در مهندسی محیط زیست که در آن پارامترهایی مانند کیفیت خاک یا خلوص آب مطلق نیستند، اما به طور مداوم متفاوت هستند، مرتبط است. پرداختن به عدم قطعیت یک جنبه اساسی از چارچوب سیستم استنتاج فازی (FIS) است که آن را از مدل‌های کلاسیک هوش مصنوعی که بر روی نتایج باینری عمل می‌کنند متمایز می‌کند. FIS ها در محیط هایی که با حقایق جزئی یا درجات متفاوتی از قطعیت مشخص می شوند، برتری می یابند، و رویکرد متفاوت تری به تصمیم گیری ارائه می دهند. [
۱۵]. ادغام توابع عضویت (MFs) در این زمینه بسیار مهم است، و یک روش کمی برای بیان عدم قطعیت ارائه می‌دهد، در نتیجه نمایش معتبرتری از پارامترها در مدل‌ها را تسهیل می‌کند. به عنوان مثال، در کاربردهای زیست محیطی، MFها را می توان برای توصیف سطوح مختلف آلودگی یا درجه بندی کیفیت آب مورد استفاده قرار داد که امکان نظارت و تصمیم گیری دقیق تر را فراهم می کند.
فرآیند انتخاب یک شکل MF مناسب بسیار مهم است، زیرا باید با ویژگی‌های متغیرهای در نظر گرفته شده و عدم قطعیت‌های خاص آنها هماهنگ باشد. [
۱۶]. به عنوان مثال، در مدلسازی پراکندگی آلاینده، اشکال مختلف MF می‌توانند انتقال تدریجی سطوح غلظت آلاینده را بهتر نشان دهند. هر شکل MF مزایای منحصر به فرد خود را به ارمغان می آورد و آن را کم و بیش برای سناریوهای مختلف مناسب می کند. بنابراین، اشکال MF یک جعبه ابزار جامع برای کاربردهای متنوع FIS فراهم می کند (
میز ۱).
شفافیت و تفسیرپذیری نقاط قوت بارز FIS ها هستند. برخلاف ماهیت مبهم مدل‌هایی مانند شبکه‌های عصبی، FISها بینش‌های صریحی را در مورد فرآیندهای استدلالی خود ارائه می‌کنند و آنها را برای سهامداران، از جمله سیاستگذاران و متخصصان، که به دنبال درک منطق اساسی تصمیم‌ها هستند، ارزشمند می‌سازد. [
۱۷]. این شفافیت در مهندسی محیط زیست بسیار مهم است، جایی که تصمیم گیری در مورد مدیریت منابع یا کنترل آلودگی نیاز به توجیه روشن دارد.
در سیستم‌های پشتیبان تصمیم (DSS)، مکانیسم استنتاج فازی با احاطه کردن فرآیند ظریفی که از طریق آن کارشناسان به تصمیم‌ها می‌رسند، استدلال انسانی را منعکس می‌کند. این شبیه‌سازی مبتنی بر یک رویکرد مبتنی بر قانون ساختاری است که به طور پیچیده متغیرهای ورودی را به خروجی‌ها نگاشت می‌کند و یک مدل پیچیده برای تصمیم‌گیری ارائه می‌کند. [
۱۸]. به عنوان مثال، در ارزیابی اثرات زیست محیطی، FIS ها می توانند ورودی های داده های متنوعی را برای ارائه نتایج جامع و قابل توجیه یکپارچه کنند. اجزای اصلی یک سیستم استنتاج فازی (FIS) که این امر را تسهیل می کند شامل (
شکل ۱) به شرح زیر:
- –
-
مفهوم فازی: این عنصر برای ایجاد چارچوب منطقی که در آن FIS عمل می کند ضروری است. بر خلاف منطق باینری «اگر… آنگاه» که در سیستم‌های کلاسیک یافت می‌شود، مفهوم فازی طیفی از سطوح قطعیت را معرفی می‌کند. این ویژگی امکان نمایش نتیجه‌گیری‌ها را با درجات مختلف اطمینان فراهم می‌کند، که دقیقاً منعکس کننده استدلال شرطی موجود در فرآیندهای فکری انسان است.
- –
-
تجمیع فازی: برای سنتز یک خروجی منسجم از ورودی های متعدد، تجمع فازی از محدودیت های دودویی عملگرهای “AND” و “OR” موجود در منطق کلاسیک فراتر می رود. در حوزه فازی، این عملگرها با انعطاف‌پذیری بیشتری تفسیر می‌شوند و امکان ادغام نتایج مبتنی بر قوانین متعدد را در یک نتیجه‌گیری جامع و منفرد فراهم می‌کنند. این فرآیند تجمیع در جذب قطعات مختلف اطلاعات، منعکس کننده ماهیت چند وجهی تصمیم گیری کارشناسانه است. این فرآیند تجمیع در جذب قطعات مختلف اطلاعات، مانند سطوح دما و رطوبت، برای ارزیابی‌های محیطی جامع، محوری است.
- –
-
ترکیب فازی: این مؤلفه ادغام مشارکت های ورودی مختلف را برای تدوین یک تصمیم نهایی تسهیل می کند. متمایز از ترکیب کلاسیک، که به شدت عضویت مجموعه را مشخص می کند، ترکیب فازی همپوشانی بالقوه بین مجموعه های فازی را در بر می گیرد. این همپوشانی نشان‌دهنده ابهام و پیچیدگی ذاتی سناریوهای دنیای واقعی است که امکان رویکردی فراگیرتر و نماینده‌تر را برای ترکیب تصمیم‌گیری فراهم می‌کند.
انواع متنوعی از FIS ظهور کرده‌اند که درجات مختلفی از عدم قطعیت را تامین می‌کنند. انتقال از نوع ۰ (منطق کلاسیک) به سیستم های نوع ۳ (قابلیت تکامل با عدم قطعیت ها) بر تکامل و سازگاری FIS ها در سناریوهای پیچیده تأکید می کند. [
۱۹].
در حالی که FIS ها در برخورد با عدم قطعیت و افزایش شفافیت تصمیم گیری از مزایای قابل توجهی برخوردار هستند، آنها بدون چالش نیستند، به ویژه در هنگام برخورد با داده های پر سر و صدا. کارایی FIS ها به شدت به انتخاب هوشمندانه متغیرهای زبانی و MF ها بستگی دارد، کاری که با توجه به پیچیدگی بهینه سازی مجموعه های فازی برای سناریوهای خاص، می تواند دلهره آور باشد. با این وجود، این انعطاف پذیری و دقت در مدیریت عدم قطعیت، FIS ها را به ابزاری حیاتی برای پیشبرد شیوه های مهندسی محیط زیست تبدیل می کند.
این نمای کلی از FIS بر نقش محوری آن در مدیریت عدم قطعیت و ارائه مدل‌های واضح و قابل تفسیر تاکید می‌کند و در نتیجه تصمیم‌گیری آگاهانه را تسهیل می‌کند. با پذیرش عدم قطعیت در مدل های تصمیم گیری، FIS ها راه را برای توسعه سیستم های انعطاف پذیرتر و سازگارتر در مهندسی محیط زیست هموار می کنند.
۳٫ تحلیل مقایسه ای
در انجام یک تجزیه و تحلیل مقایسه ای برای کاربردهای عملی، تحقیق ما با رعایت پروتکل PRISMA برای بررسی های سیستماتیک، بررسی سیستماتیک ادبیات موجود را انجام داد. [
۲۰]. استفاده از پروتکل PRISMA به ما اجازه داد تا قابلیت اطمینان و تکرارپذیری یافته های بررسی را در زمینه تحقیقات مهندسی محیط زیست افزایش دهیم. PRISMA با ارائه یک رویکرد ساختاریافته برای انتخاب ادبیات، استخراج داده ها و تجزیه و تحلیل، تضمین می کند که فرآیند بررسی شفاف و جامع است. این پروتکل به به حداقل رساندن سوگیری کمک می کند و امکان ترکیب دقیق و عینی شواهد موجود را فراهم می کند. در نتیجه، استفاده از PRISMA اعتبار نتیجه گیری های ما را تقویت می کند و از توسعه توصیه های مبتنی بر شواهد برای شیوه های مدیریت زیست محیطی پشتیبانی می کند.
برای شناسایی آثار مرتبط، از پایگاه‌های اطلاعاتی مانند Web of Science و Science Direct استفاده کردیم، با استفاده از یک استراتژی جستجوی جامع با عبارت: title-abs-key (“مهندسی محیط”) و (“هوش مصنوعی” یا “یادگیری ماشین” یا ” فازی) AND (“مقایسه” یا “تحلیل مقایسه ای” یا “معیارسازی”) AND (محدود به (انتشارات، “نهایی”)) و (محدود به (مطابق، “ar”)) و حد به (subjarea) , “eng” یا “env”) AND (محدود به (سال انتشار، “از ۲۰۱۴ تا ۲۰۲۳”)) AND (محدود به (زبان، “انگلیسی”)). در طول مرحله شناسایی، پس از حذف موارد تکراری، عناوین و چکیده‌ها را از نظر مرتبط بودن بر اساس معیارهای گنجاندن از پیش تعریف‌شده بررسی کردیم. به این معنا که مطالعاتی برای ارتباط مستقیم با تحلیل مقایسه ای یادگیری ماشین فازی و سایر روش های ML در کاربردهای مهندسی محیطی مورد نیاز بود. مقالاتی که این معیارها را برآورده می‌کردند، برای ارزیابی مناسب بودن، مورد بررسی کامل متن قرار گرفتند. معیارهای انتخاب بر تنوع برنامه‌های مهندسی محیط‌زیست تأکید می‌کنند و از نمایش گسترده کاربردهای ML فازی در حوزه‌های مختلف مانند کیفیت آب، آلودگی هوا، مدلسازی آب و هوا و تجزیه و تحلیل خاک اطمینان می‌دهند. پس از حذف موارد تکراری در پایگاه های داده، جستجوی اولیه ما به ۲۱۶ مقاله منجر شد. یک فرآیند غربالگری دو مرحله ای، این مقاله را به ۲۷ مقاله بررسی شده اصلاح کرد، که پایه و اساس چارچوب نظری ما را تشکیل داد.
شکل ۲). سپس، سنتز مطالعات شامل تجزیه و تحلیل مقایسه ای عملکرد در میان روش های فازی و سایر روش های ML بود.
در ابتدا با تمرکز بر مطالعاتی که ML فازی را در میان گزینه‌های ارزیابی‌شده ترکیب می‌کنند، اشاره کردیم که روش‌های مبتنی بر ANN اکثریت غالب را تشکیل می‌دهند. در مجموع، مطالعات بررسی‌شده ۳۵ روش ML را با توزیع به شرح زیر مقایسه کردند: منطق فازی (مبتنی بر FIS)، درخت‌های تصمیم‌گیری (مبتنی بر TREE)، شبکه‌های عصبی (مبتنی بر ANN)، روش‌های ترکیبی (مبتنی بر H)، و متفرقه. روش ها (مبتنی بر MM) (
شکل ۳ و
جدول ۲).
گویال و همکاران با شناخت عدم قطعیت های ذاتی در شرایط اقلیمی. [
۲۱] با هدف رسیدگی به چالش های مرتبط با مدل سازی دقیق پیش بینی های تبخیر روزانه در آب و هوای نیمه گرمسیری. روش‌های مورد مقایسه شامل ANN، حداقل مربعات رگرسیون برداری (LS-SVR)، FIS، و سیستم‌های استنتاج عصبی فازی تطبیقی (ANFIS) بود. تجزیه و تحلیل مقایسه ای عملکرد این مدل ها را روشن می کند و نشان می دهد که هر دو FIS و LS-SVR از روش های تجربی سنتی، هارگریوز و سامانی (HSG)، و استفنز-استوارت (SS) پیشی گرفته اند. در این زمینه، روش‌های FIS و LS-SVR قابلیت‌های پیش‌بینی برتری را نشان دادند و بر اهمیت در نظر گرفتن روش‌های مدلسازی پیشرفته هنگام برخورد با عدم قطعیت‌های ذاتی در آب و هوای نیمه گرمسیری تأکید کردند.
ارتباط پرداختن به پیچیدگی در پیش‌بینی غلظت اکسیژن مورد نیاز شیمیایی (COD) آی و کیسی را برانگیخت. [
۲۲] برای کشف روش‌های پیشرفته برای بهبود مدلسازی COD. در مقایسه روش‌های مختلف، از جمله رگرسیون چند خطی (MLR)، MLP، شبکه تابع پایه شعاعی (RBF)، شبکه عصبی رگرسیون تعمیم‌یافته (GRNN)، و دو تکنیک مجزای ANFIS (خوشه‌بندی تفریقی و پارتیشن شبکه)، این مطالعه نشان داد که خوشه‌بندی k-means همراه با MLP، که به روش k-MLP گفته می‌شود، بهتر از جایگزین‌ها عمل کرد. مرحله خوشه‌بندی k-means احتمالاً به گروه‌بندی الگوهای مشابه در داده‌ها کمک کرده و MLP بعدی را قادر می‌سازد تا بر یادگیری ویژگی‌های خاص هر خوشه تمرکز کند. این سازگاری با ساختار داده‌ها ممکن است در نمایش روابط پیچیده در غلظت COD در مقایسه با تکنیک‌های ANFIS مبتنی بر فازی کارآمدتر باشد.
مطالعه انجام شده توسط He et al. [
23] با هدف مقایسه عملکرد سه مدل پیش‌بینی – ANN، ANFIS، و ماشین بردار پشتیبان (SVM) – در پیش‌بینی جریان رودخانه در منطقه کوهستانی نیمه خشک شمال غربی چین. بررسی نشان داد که مدل SVM به طور قابل توجهی از همتایان ANN و ANFIS در کار پیش‌بینی جریان رودخانه، به‌ویژه زمانی که برای مجموعه داده‌های اعتبارسنجی استفاده می‌شود، بهتر عمل کرد. این امر عملکرد برتر مدل SVM را در پرداختن به شرایط جغرافیایی خاص مرتبط با پیش‌بینی جریان رودخانه در منطقه کوهستانی نیمه خشک نشان می‌دهد و بر اثربخشی آن به عنوان یک روش قوی و دقیق در چنین سناریوهای محیطی تأکید می‌کند. توانایی مدل SVM برای یافتن مرزهای تصمیم بهینه در فضاهای با ابعاد بالا به آن اجازه می‌دهد تا ساختار زیربنایی داده‌های جریان رودخانه را به‌طور مؤثرتری ثبت کند. در شرایط جغرافیایی خاص منطقه کوهستانی نیمه خشک، ممکن است روابط غیرخطی و فعل و انفعالات پیچیده ای وجود داشته باشد که بر جریان رودخانه تأثیر می گذارد.
کاربرد دی اکسید تیتانیوم (TiO
2به عنوان یک فوتوکاتالیست در روسازی آسفالتی به دلیل خاصیت تصفیه کنندگی هوا مورد توجه قرار گرفته است. با این حال، نظارت بر پارامترها برای پیش‌بینی شرایط و غلظت آلاینده‌های هوا به دلیل ماهیت غیرخطی این پارامترها دشوار است. اسدی و همکاران [
۲۴] از مدل‌های ANN و فازی عصبی (NF) برای پیش‌بینی NO استفاده کرد
ایکس غلظت در هوا، با در نظر گرفتن سایر پارامترها. این مطالعه نشان داد که مدل NF برای اندازه‌گیری غلظت NOx سازگارتر است.
هدایت هیدرولیکی یک پارامتر مهم برای مدلسازی و مدیریت آب‌های زیرزمینی است. با این حال، تخمین هدایت هیدرولیکی معمولاً گران و زمان بر است. بنابراین، تایفور و همکاران. [
۲۵] مدل‌های مبتنی بر ML از منطق فازی Sugeno (SFL)، Mamdani FL (MFL)، شبکه عصبی MLP مرتبط با Levenberg-Marquardt (LM-ANN) و عصبی-فازی (NF) برای تخمین رسانایی هیدرولیکی استفاده کرد. نتایج نشان داد که SFL و NF عملکرد قابل قبولی ارائه کردند، در حالی که ANN و MFL عملکرد ضعیفی داشتند. یک ماشین کمیته هوشمند نظارت شده (SICM) نیز برای ترکیب نتایج مدل های قبلی ML و ارائه نتایج قابل اعتماد استفاده شد.
پیوتروسکی و همکاران [
۲۶] مدل‌های مختلف مبتنی بر داده را برای پیش‌بینی دمای آب در رودخانه‌ها، شامل MLP، ANFIS، شبکه‌های عصبی موجک (WNN) و رویکرد k-نزدیک‌ترین همسایه (KNN) مقایسه کردند. در میان مدل‌های مقایسه شده، جایگزین مبتنی بر فازی، به‌ویژه ANFIS، عملکرد برتر را با دستیابی به نرخ خطای پایین‌تر در اکثریت قریب به اتفاق مقایسه‌ها نشان داد. این امر بر اثربخشی ANFIS در افزایش دقت پیش‌بینی‌های دمای آب تاکید می‌کند و ارتباط آن را برای پرداختن به عدم قطعیت‌های مرتبط با چنین پیش‌بینی‌های محیطی برجسته می‌کند. یافته‌ها نشان می‌دهند که استفاده از مدل‌های مبتنی بر فازی می‌تواند به پیش‌بینی دقیق‌تر و مطمئن‌تر دمای آب در سیستم‌های رودخانه کمک کند.
در مطالعه اولیایی و همکاران. [
۲۷]، ANN، ANFIS، WNN و منحنی رتبه‌بندی رسوب معمولی (SRC) برای ارزیابی کارایی آنها در تخمین بار رسوب معلق در دو ایستگاه اندازه‌گیری در ایالات متحده مقایسه شدند. WNN بالاترین سطح دقت را نشان داد و به عنوان دقیق ترین روش برای پیش بینی در زمینه مشخص ظاهر شد. یافته‌ها بر اهمیت در نظر گرفتن روش‌های مختلف مدلسازی تأکید می‌کنند و کارایی WNN را در افزایش دقت پیش‌بینی‌های بار رسوب معلق تأیید می‌کنند. تبدیل موجک به کار رفته در WNN امکان تجزیه و تحلیل داده‌ها را با وضوح چندگانه فراهم می‌کند و مدل را قادر می‌سازد تا با اجزای فرکانس بالا و پایین در سری‌های زمانی سازگار شود. ویژگی‌های خاص داده‌های بار رسوب معلق، از جمله تغییرات زمانی و روابط غیر خطی، ممکن است با معماری WNN بهتر تطبیق داده شده باشد. بنابراین، سازگاری WNN برای ثبت تغییرات زمانی دقیق و تغییرات بار رسوب می‌تواند به دقت برتر آن در مقایسه با ANFIS کمک کند.
عدم قطعیت ها در مدیریت آب دریاچه، کاربرد روش های استدلال شواهدی (ER) و انتخاب اجتماعی فازی (FSC) را برای ارزیابی سیاست های حاکم بر تامین آب و مدیریت کیفیت آب در زمینه دریاچه چیتگر توجیه می کند. [
۲۸]. استفاده از مدل مدیریت آب طوفان (SWMM) و مدل برای مفهوم سازی بهبود طوفان آب شهری (MUSIC) برای شبیه سازی حوضه آبخیز دریاچه، عمق را به تحلیل اضافه کرد. یافته‌های کلیدی نشان می‌دهد که روش FSC، که با ادغام مستقیم توابع سودمندی ذینفعان متمایز می‌شود، نوید بیشتری را در چارچوب ارزیابی برای تامین آب و مدیریت کیفیت آب در دریاچه چیتگر نشان می‌دهد. این مقایسه بر اثربخشی FSC در پرداختن به عدم قطعیت ها و ادغام ترجیحات ذینفعان تاکید می کند و بینش های ارزشمندی را برای تصمیم گیرندگان در مدیریت منابع آب ارائه می دهد.
اقباشلو و همکاران. [
۲۹] یک مدل RBF را با الگوریتم پیشنهادی خوشه‌بندی فازی-رده‌بندی (FCR) ترکیبی ایجاد کرد تا به طور همزمان بازده منطقی و انرژی انرژی را به حداکثر برساند و تخریب نرمال اکسرژی را به حداقل برساند. به منظور ارزیابی قابلیت رویکرد پیشنهادی، از الگوریتم بهینه‌سازی فازی مرسوم نیز استفاده شد. الگوریتم پیشنهادی مقادیر بهینه را پیش‌بینی کرد که در مقایسه با روش فازی مرسوم مناسب‌تر بودند. الگوریتم توسعه‌یافته در این مطالعه ممکن است برای رویکردهای دیگر در رابطه با پارامترهای عملیاتی مقرون‌به‌صرفه و سازگار با محیط‌زیست امیدوارکننده باشد.
ندیری و همکاران [
۳۰] با هدف پیش‌بینی مقاومت فشاری (CS) ژئوپلیمرهای تهیه‌شده از آلومینا-سیلیکا با استفاده از مدل فازی ترکیبی. این مطالعه سه مدل را مقایسه کرد: SFL، MFL، و Larsen FL (LFL). هدف اولیه این تحقیق ارزیابی عملکرد این مدل ها و شناسایی موثرترین آنها بود. مقایسه نشان داد که مدل SFL در پیش‌بینی CS از هر دو مدل MFL و LFL بهتر عمل کرد. علیرغم اینکه هر مدل دارای مزایایی است، عملکرد برتر SFL بر کارایی آن در این کاربرد خاص تأکید دارد. برای مهار نقاط قوت هر مدل، نویسندگان یک رویکرد ترکیبی – منطق فازی کمیته نظارت (SCFL) را معرفی کردند. این ادغام منجر به بهبود قابل توجهی در مقایسه با مدل‌های فردی شد و پتانسیل افزایش دقت پیش‌بینی را با ترکیب ویژگی‌های مکمل از مدل‌های فازی مختلف نشان داد.
باقری و همکاران [
۳۱] یک ارزیابی مقایسه ای از روش های مدل سازی FIS و ANN برای شبیه سازی نفوذ شیرابه دفن زباله به آب های زیرزمینی انجام داد. هدف اولیه ارزیابی عملکرد این مدل‌ها و تشخیص اثربخشی آنها در ثبت پویایی پیچیده مهاجرت شیرابه بود. هر دو رویکرد مدلسازی موفقیت در آموزش و آزمایش را نشان دادند و چندین نمونه از تطابق کامل بین مقادیر مشاهده شده و شبیه سازی شده را نشان دادند. به طور قابل توجهی، ضریب تعیین برای مدل آموزش دیده با FIS از شبکه های عصبی پیشی گرفت و به مقدار بسیار دقیق ۰٫۹۹۹۹۸ رسید. این نتیجه دقت و قابلیت اطمینان استثنایی مدل FIS را در ثبت فرآیندهای پیچیده مرتبط با نفوذ شیرابه دفن زباله به آب‌های زیرزمینی برجسته می‌کند.
برسان و همکاران [
۳۲] یک مدل فازی برای شناسایی گونه‌های درختی با هدف افزایش دقت در تشخیص بافت تنه درختی معرفی کرد. این مطالعه عملکرد سیستم مبتنی بر فازی را با چندین الگوریتم طبقه‌بندی تثبیت‌شده، از جمله مدل مبتنی بر قانون تقویت‌شده (C5)، شبکه عصبی همبستگی آبشاری (CCNN)، KNN، شبکه عصبی احتمالی (PNN)، MLP، جنگل تصادفی مقایسه کرد. (RF)، درخت تصمیم (DT)، تقویت گرادیان تصادفی (SGB)، و SVM. یافته‌ها نشان داد که SVM و مدل فازی عملکرد بهتری در مقایسه با الگوریتم‌های طبقه‌بندی پرکاربرد از خود نشان دادند. این نشان می دهد که رویکرد مبتنی بر فازی یک روش رقابتی و قابل اعتماد برای تشخیص بافت تنه درختی است و بر پتانسیل آن به عنوان یک ابزار موثر در شناسایی گونه های درختی تاکید می کند.
تجزیه و تحلیل مقایسه ای دو روش ML، ANN و ANFIS، توسط نبوی-پلسرایی و همکاران انجام شد. [
۳۳]با هدف پیش بینی بازده انرژی و ارزیابی اثرات زیست محیطی در کشت برنج در استان گیلان. این مطالعه بر اهمیت ANFIS تاکید کرد و قابلیت‌های پیش‌بینی داده‌های سریع و دقیق آن را نشان داد. با وجود عملکرد سریع ANFIS، دقت کلی رویکرد ANN از آن پیشی گرفت. این امر بر مبادله بین سرعت و دقت جامع در زمینه تولید انرژی و پیش‌بینی اثرات زیست‌محیطی تاکید می‌کند. مدل‌های ANN، با توانایی خود در یادگیری و انطباق با الگوهای پیچیده، ممکن است به طور موثر روابط متنوع و پیچیده را در مجموعه داده‌ها ثبت کرده باشند و امکان پیش‌بینی دقیق‌تر را فراهم کنند. با این حال، کاهش پیچیدگی مجموعه داده همچنین می تواند به طور بالقوه دقت مدل های یادگیری عمیق را بهبود بخشد. همانطور که بولون-کاندو و رمسیرو اشاره کردند [
۴۸] و با حمایت کبیر و گرگ [
۴۹]ساده‌سازی مجموعه داده از طریق تکنیک‌های کاهش ابعاد می‌تواند منجر به همگرایی سریع‌تر و بهبود عملکرد مدل شود. این رویکرد با اصل پیچیدگی کولموگروف، که نشان‌دهنده طول کوتاه‌ترین برنامه رایانه‌ای است که خروجی مشخصی را تولید می‌کند، همسو می‌شود، و نشان می‌دهد که مجموعه داده‌های پیچیده‌تر می‌تواند دقت و کارایی مدل را افزایش دهد. مبادله مشاهده شده بین سرعت ANFIS و دقت کلی ANN بر اهمیت در نظر گرفتن الزامات خاص برنامه تأکید می کند.
دو و یانگ [
۳۴] یک ارزیابی مقایسه ای برای بررسی امکان سنجی و کارایی ماشین یادگیری افراطی (ELM) و ANFIS برای تخمین تبخیر و تعرق روزانه در اکوسیستم های متنوع انجام داد. این مطالعه شامل مقایسه این مدل‌ها با مدل‌های ANN و SVM معمولی بود. نتیجه گیری بیان می کند که مدل های پیشرفته ELM و ANFIS عملکرد قابل مقایسه ای را نشان می دهند و از سایر روش های ارزیابی شده پیشی می گیرند. در نتیجه، هر دو مدل به دلیل استحکام و انعطاف ذاتی آنها به عنوان مکمل های محوری برای رویکردهای سنتی توصیه می شوند.
چوبین و همکاران [
۳۵] یک تحلیل مقایسه ای برای ارزیابی دقت مدل درخت طبقه بندی و رگرسیون (CART) در برابر چهار مدل رایج دیگر در مدل سازی سری های زمانی بار رسوب معلق (SSL) در رودخانه ها انجام داد. مدل های مورد مقایسه شامل ANFIS، MLP و SVM بودند. این مطالعه با هدف تعیین موثرترین مدل برای پیش‌بینی SSL در طول زمان انجام شد. نتایج نشان داد که مدل CART عملکرد برتر را در پیش‌بینی SSL نشان می‌دهد، با رتبه‌بندی SVM به عنوان دومین مدل برتر. عملکرد برتر مدل CART را می توان به ماهیت داده ها و ویژگی های خاص الگوریتم CART نسبت داد. CART که یک مدل مبتنی بر درخت است، ممکن است برای ثبت روابط غیرخطی و الگوهای پیچیده در سری زمانی SSL مناسب‌تر باشد.
تحلیلی برای ارزیابی عملکرد مدل‌های مختلف در پیش‌بینی کیفیت پارامترهای آب پساب در یک تصفیه خانه فاضلاب توسط ندیری و همکاران انجام شد. [
۳۶]. این مطالعه به طور خاص مدل‌های FIS منفرد، از جمله Takagi-Sugeno، Mamdani، و Larsen را با مدل SCFL مقایسه می‌کند. نتایج نشان می‌دهد که مدل SCFL در پیش‌بینی پارامترهای آب خروجی از مدل‌های FIS فردی بهتر عمل می‌کند. این برتری رویکرد ترکیبی را برجسته می‌کند و بر پتانسیل آن برای افزایش دقت پیش‌بینی در زمینه فرآیندهای تصفیه خانه فاضلاب تأکید می‌کند.
رائه و همکاران [
۳۷] روشی را با هدف کمک به تصمیم گیری در برنامه ریزی زیرساخت سبز برای مدیریت آب طوفان شهری، به ویژه در شرایط عدم اطمینان، معرفی کرد. این مطالعه عملکرد چندین روش، از جمله MLP، بهینه‌سازی چند هدفه NSGA-II، تکنیک برش α فازی و یک مدل DSS بر اساس نظریه انتخاب اجتماعی را مقایسه کرد. یافته‌ها بر اثربخشی برتر جایگزین مبتنی بر فازی تأکید می‌کنند و بر قابلیت آن در مدیریت عدم قطعیت در چارچوب برنامه‌ریزی مدیریت آب طوفان شهری تأکید می‌کنند.
در مطالعه ای که توسط عدنان و همکاران انجام شد. [
۳۸]، هدف اولیه انجام یک تحلیل مقایسه ای برای ارزیابی کارایی مدل های محاسباتی نرم در پیش بینی جریان روزانه بود. روش‌های مقایسه شده شامل ANFIS با بهینه‌سازی ازدحام ذرات (ANFIS-PSO)، خطوط رگرسیون تطبیقی چند متغیره (MARS) و درخت مدل (M5) است. یافته‌ها نشان می‌دهد که، به طور کلی، مدل‌های OP-ELM (ماشین یادگیری شدید متوالی آنلاین) و ANFIS-PSO عملکرد برتری را در مدلسازی جریان‌های جریان روزانه برای مکان‌های بالادست و پایین دست نشان می‌دهند و خطای پیش‌بینی سایر روش‌های ML را تا ۱۲ درصد کاهش می‌دهند. . ظرفیت رسیدگی به عدم قطعیت، یک ویژگی ذاتی در مدل‌های مبتنی بر منطق فازی، قطعاً نقش مهمی در عملکرد برتر ANFIS-PSO در این مدلسازی روزانه داشت.
کعب و همکاران [
۳۹] مقایسه عملکرد مدل‌های ANN و ANFIS برای پیش‌بینی اثرات زیست‌محیطی و انرژی خروجی تولید نیشکر در مزارع کاشت و راتون. نتایج نشان می‌دهد که در مزارع کاشته‌شده، ANN در تمام جنبه‌ها از ANFIS بهتر عمل می‌کند، در حالی که در مزارع راتون، ANFIS به دقت بالاتری نسبت به ANN دست می‌یابد. ضرایب تعیین محاسبه شده (R
2برای پیش‌بینی اثرات زیست‌محیطی به‌دست‌آمده توسط مدل‌های ANN، بالاتر از مدل‌های ANFIS در تولید نیشکر کاشته‌شده است، که نشان می‌دهد مدل‌های ANN از این جنبه بهتر از ANFIS هستند. با این حال، در تولید نیشکر راتون، ضرایب تعیین (R
2برای پیش‌بینی اثرات زیست‌محیطی به‌دست‌آمده توسط ANFIS بالاتر از آن برای ANN است. بنابراین، ANN و ANFIS هر دو توانایی پیش‌بینی با دقت بالایی را دارند، اما انتخاب بین مدل‌ها به نوع مزرعه خاص بستگی دارد.
عملکرد مدل‌های پیش‌بینی مختلف، شامل مدل‌های مستقل و مجموعه، توسط روی و همکاران مورد ارزیابی قرار گرفت. [
۴۰] برای پیش بینی تبخیر و تعرق مرجع در مناطق آب و هوایی نیمه گرمسیری این مطالعه الگوریتم کرم شب تاب مبتنی بر فازی (FA-ANFIS) را به عنوان دقیق ترین مدل مستقل شناسایی کرد. در حالی که مدل‌های مجموعه عملکرد بهتری را در مقایسه با مدل‌های فردی نشان دادند، اثربخشی آنها با FA-ANFIS قابل مقایسه بود. برتری بالقوه FA-ANFIS را می توان به توانایی الگوریتم کرم شب تاب (FA) در بهینه سازی پارامترهای مدل به طور موثرتر نسبت داد که منجر به مدل سازی دقیق تر تبخیر و تعرق مرجع می شود. استفاده از منطق فازی نیز ممکن است نقش مهمی در مدیریت عدم قطعیت ذاتی در داده‌های اقلیمی داشته باشد، در نتیجه به استحکام مدل در یک زمینه نیمه گرمسیری کمک می‌کند.
لی و همکاران [
۴۱] با هدف بررسی روش‌های مختلف ML برای مدلسازی کیفیت آب در یک رودخانه شهری، با تمرکز بر تجزیه و تحلیل eutrophication و پیش‌بینی شکوفه جلبکی. این مطالعه الگوریتم‌های یادگیری ماشینی از جمله رگرسیون خطی (LR)، شبکه عصبی مصنوعی یادگیری عمیق (DL-ANN) و ANFIS را با هدف توسعه یک برنامه کاربردی وب کاربر پسند مقایسه کرد. نتایج نشان داد که ANFIS از سایر الگوریتم‌ها بهتر عمل کرده و تخمین‌های دقیقی را برای وظایف طبقه‌بندی و رگرسیون ارائه می‌دهد. عدم قطعیت مرتبط با پیش‌بینی‌های کیفیت آب، به‌ویژه در زمینه رخدادهای اوتروفیکاسیون و شکوفه‌های جلبکی، بر ارتباط استفاده از مدل‌های قوی و سازگار مانند ANFIS تأکید می‌کند.
تجزیه و تحلیل مقایسه ای از شش مدل محاسباتی برای تعیین کمیت شاخص کیفیت آب (WQI)، از جمله شبکه عصبی رگرسیون تعمیم یافته (GRNN)، شبکه عصبی المان (Elm-NN)، شبکه عصبی پیشخور (FFNN)، SVM، LR، و NF انجام شده توسط منظر و همکاران [
۴۲]. نتایج نشان داد که مدل NF بهتر از سایر مدل‌ها عمل می‌کند و بالاترین سطح دقت را در کمی‌سازی WQI نشان می‌دهد. این مطالعه اهمیت در نظر گرفتن عدم قطعیت‌ها در ارزیابی‌های کیفیت آب را برجسته می‌کند و پیشنهاد می‌کند که معرفی مدل‌های اضافی، مانند WNN، تقویت گرادیان، برنامه‌ریزی ژنتیک و الگوریتم ژنتیک (GA)، می‌تواند دقت مدل‌ها را بیشتر کند.
شمشیر و گرز [
۴۳] با هدف تخمین غلظت عناصر بالقوه سمی (PTEs) در خاک‌های خاکستر آتشفشانی کاپادوکیا، با استفاده از ANN و تحلیل رگرسیون خطی فازی (FLRA). این مطالعه نشان داد که روش FLRA کمترین خطا و R بالا را نشان داد
۲ مقادیر در مقایسه با روش ANN. علاوه بر این، قدرت پیش‌بینی روش FLRA نسبت به روش ANN برتر بود. یافته‌ها کارایی FLRA را در ارائه پیش‌بینی‌های دقیق و قوی برای غلظت PTE در خاک‌های خاکستر آتشفشانی نشان می‌دهد، که پتانسیل آن را برای کاربردهای زیست‌محیطی نشان می‌دهد.
دوز منعقد کننده در تصفیه آب به دلیل ماهیت پویا و پیچیده پارامترهای کیفی، از جمله نوسان آب خام، تغییرات در غلظت آلاینده ها و تغییرات در ویژگی های منبع آب، دارای عدم قطعیت هایی است. برای مقابله با این، Bressane و همکاران. [
۴۶] ارزیابی روش‌های مختلف یادگیری ماشینی را برای پیش‌بینی دقیق دوز منعقدکننده در تصفیه آب آشامیدنی انجام داد. تجزیه و تحلیل مقایسه ای شامل FIS، ANFIS، CCNN، برنامه ریزی بیان ژن (GEP)، شبکه عصبی چند جمله ای (P-NN)، شبکه عصبی احتمالی (PNN)، جنگل تصادفی (RF)، شبکه پایه شعاعی (RBN)، SGB، و SVM است. . این مطالعه نشان داد که روش FIS کمترین خطا را به همراه داشت و از سایر روش های یادگیری ماشینی در عملکرد پیشی گرفت. این امر بر اثربخشی FIS در ارائه پیش بینی های دقیق برای دوز منعقد کننده در سناریوهای تصفیه آب آشامیدنی بلادرنگ تاکید می کند.
اویونالسود و همکاران [
۴۵] مدل‌هایی را بر اساس FIS و ANFIS توسعه دادند که با ۹ شاخص خشکسالی معمولی مقایسه شدند و با شاخص‌های متعدد همبستگی داشتند. این مطالعه نشان داد که میانگین FIS با بهترین عملکرد از همه شاخص‌های معمولی بهتر عمل می‌کند. علاوه بر این، زمانی که میانگین خروجی FIS با بهترین عملکرد برای آموزش استفاده شد، بهترین ANFIS با رطوبت بالایی خاک همبستگی ۰٫۸۰۹ داشت. بهترین ANFIS نیز با شاخص خشکسالی ناهنجار بارندگی (RAI) همبستگی ۰٫۹۴۱ داشت که بهترین عملکرد را در شاخص خشکسالی معمولی داشت. نتایج اعتبارسنجی نشان داد که مدل‌های توسعه‌یافته عملکرد مشابهی با RAI در بیشتر موارد داشتند و پیش‌بینی‌های بهتری در مناطق نیمه گرمسیری و گرمسیری داشتند.
طبقه‌بندی مراحل متوالی در جنگل نیمه گرمسیری اقیانوس اطلس به دلیل ماهیت پیچیده و پویا سیستم‌های اکولوژیکی با عدم قطعیت‌هایی همراه است. جانشینی فرآیندی تدریجی و پویا است که در آن جوامع گیاهی در طول زمان دستخوش تغییرات مختلفی می شوند. برسان و همکاران [
۴۴] با هدف ارزیابی و مقایسه عملکرد روش‌های مختلف ML برای طبقه‌بندی به کمک رایانه مراحل متوالی در جنگل نیمه گرمسیری اقیانوس اطلس. این مطالعه عملکرد روش‌های مختلف ML از جمله FIS، ANN، کمیته‌های طبقه‌بندی و SVM را مقایسه کرد. نتایج نشان داد که روش FIS بهتر از سایر روش‌های ML عمل می‌کند و بالاترین عملکرد را به دست می‌آورد. طبقه بندی توسط FIS تقریباً مطابقت کامل با طبقه بندی های انجام شده توسط متخصصان انسانی را نشان می دهد. موفقیت روش FIS در دستیابی به نتایج قابل مقایسه با طبقه بندی های انسانی، بر توانایی آن برای رسیدگی به عدم قطعیت های ذاتی در مراحل متوالی جنگل نیمه گرمسیری اقیانوس اطلس تاکید دارد. توانایی مدل FIS برای تقلید از طبقه‌بندی‌های انسان‌مانند نشان‌دهنده استحکام آن در برخورد با پیچیدگی و عدم قطعیت مرتبط با طبقه‌بندی‌های اکولوژیکی است.
مطالعه انجام شده توسط نخعی و همکاران. [
۴۷] با هدف توسعه یک DSS هوشمند برای نظارت، پیش‌بینی و کنترل مصرف آب در نیروگاه‌ها (PPs) با استفاده از روش‌های ML و تصمیم‌گیری چند معیاره (MCDM). اهداف اولیه افزایش کارایی و مدیریت منابع در عملیات PP بود. در تحلیل مقایسه ای، روش جنگل تصادفی (RF)، ANFIS و درخت تصادفی (RT) مورد ارزیابی قرار گرفت. در بین روش های ارزیابی شده، ANFIS با دستیابی به ضریب همبستگی بیش از ۰٫۹۹ عملکرد برتر را نشان داد. موفقیت این مطالعه در توسعه یک DSS هوشمند بر پتانسیل روش‌های ML، به ویژه ANFIS، در پرداختن به عدم قطعیت‌های مرتبط با مدیریت مصرف آب در PP تأکید می‌کند.
کارهای بررسی شده در این مطالعه حاضر شامل چندین روش ML در تحلیل های مقایسه ای در برنامه های مهندسی محیطی می شود. مدل‌های مبتنی بر فازی در ۲۱ مطالعه از ۲۷ مطالعه بررسی‌شده (۷۷٫۸%)، عملکرد یکسانی را نشان دادند یا از سایر روش‌ها بهتر عمل کردند و به دنبال آن SVM (10.7٪)، ANN (7.1٪) و MM (4.4٪) قرار گرفتند.
شکل ۴). بنابراین، این فرضیه که FIS یک جایگزین امیدوارکننده برای تقویت فرآیندهای نظارت و ارزیابی محیطی از طریق مقابله با عدم قطعیت ارائه می‌کند، بر اساس یافته‌های مطالعه حاضر تأیید می‌شود.
از سوی دیگر، در حالی که FIS ها به طور مداوم برتری خود را در کاربردهای زیست محیطی نشان داده اند، بسیار مهم است که تاکید شود این مطالعه از جایگزینی روش های دیگر با مدل های فازی حمایت نمی کند. در عوض، بر اهمیت انجام یک مقایسه موردی در هنگام انتخاب گزینه‌های ML تأکید می‌کند. همانطور که توسط Gibert و همکاران برجسته شده است. [
۵۰]تطبیق پذیری مدل های فازی در مدیریت اطلاعات نامشخص، آنها را برای مهندسی محیط زیست مناسب می کند. پیشرفت در سیستم های فازی، به ویژه در مدیریت عدم قطعیت، به طور قابل توجهی بر مبانی نظری و پیاده سازی های عملی مدل های مهندسی محیطی تأثیر گذاشته است. بهبود مدیریت عدم قطعیت دقت و قابلیت اطمینان پیش‌بینی‌ها را افزایش داده است و امکان مدل‌های محیطی دقیق‌تر و سازگارتر را فراهم می‌کند. این پیشرفت‌ها با ارائه بینش‌های واضح‌تر در مورد تنوع و پیچیدگی داده‌های محیطی، تصمیم‌گیری و توسعه سیاست‌گذاری بهتر را تسهیل می‌کنند.
در مجموع، با مقایسه عملکرد FISها با سایر مدل‌های ML در سراسر کاربردهای زیست‌محیطی که در مطالعه حاضر مورد بررسی قرار گرفته‌اند، چندین روند پدیدار می‌شوند. مطالعاتی مانند مطالعات گویال و همکاران. [
۲۱] و پیوتروسکی و همکاران. [
۲۶]نشان داده اند که FIS به طور مداوم قابلیت های پیش بینی برتر را نشان می دهد، به ویژه در مدیریت عدم قطعیت های ذاتی در داده های پیچیده محیطی. به عنوان مثال، FIS و حداقل مربعات پشتیبان رگرسیون برداری (LS-SVR) از روش‌های تجربی سنتی در مدلسازی پیش‌بینی‌های تبخیر روزانه در آب و هوای نیمه گرمسیری بهتر عمل کردند. به طور مشابه، ANFIS در پیش بینی دمای آب در رودخانه ها برتر بود. سازگاری FIS با پارامترها و شرایط مختلف محیطی بیشتر توسط باقری و همکاران اثبات شده است. [
۳۱]، جایی که FIS به دقت فوق العاده بالایی در مدل سازی نفوذ شیرابه دفن زباله به آب های زیرزمینی دست یافت و از شبکه های عصبی پیشی گرفت. در حالی که برخی از مطالعات، مانند He et al. [
23]، نشان داد که SVM در سناریوهای خاص مانند پیش بینی جریان رودخانه در مناطق نیمه خشک برتر است، روند کلی نشان می دهد که FIS ها اغلب با ارائه راه حل های قوی و قابل تفسیر با عملکرد سایر مدل ها مانند ANN و SVM مطابقت دارند یا از آن فراتر می روند. این سازگاری و انعطاف پذیری FIS ها را به ابزاری ارزشمند برای مدیریت زیست محیطی تبدیل می کند که از تصمیم گیری های قابل اعتمادتر و تدوین سیاست در محیط های پویا و نامطمئن پشتیبانی می کند. بنابراین، در حالی که FIS ها نباید به عنوان یک راه حل جهانی و یکسان برای همه دیده شوند، مدل های مبتنی بر فازی باید در هنگام انتخاب بهترین روش برای حمایت از تصمیم گیری های محیطی مورد توجه قرار گیرند، زیرا می توانند عملکرد برتر را در زمینه های خاص ارائه دهند. در بررسی ما تأیید شده است.
۵٫ اظهارات پایانی
همانطور که در پس‌زمینه نظری به آن پرداخته شد و با اجرای موفقیت‌آمیز آن در سناریوهای مختلف مدلسازی محیطی مشهود شد، ML فازی یک چارچوب قوی برای مدیریت عدم قطعیت در سیستم‌های پیچیده ارائه می‌دهد. از تجزیه و تحلیل دینامیک کیفیت آب تا شناسایی گونه‌های درختی و پیش‌بینی خشکسالی، ML فازی توانایی خود را در مدیریت اطلاعات غیردقیق و پویا ثابت کرده است. ادغام متغیرهای زبانی، توابع عضویت، و FISها، نمایش و پردازش عدم قطعیت را ممکن می‌سازد، و موقعیت ML فازی را به عنوان ابزاری امیدوارکننده برای طیف وسیعی از زمینه‌ها در مهندسی محیط زیست قرار می‌دهد.
در مرحله اول، شفافیت و تفسیرپذیری FISها به عنوان مزایای کلیدی برجسته شده است. برخلاف مدل‌های «جعبه سیاه» مانند شبکه‌های عصبی، FISها بینش‌های روشنی را در مورد فرآیند تصمیم‌گیری خود ارائه می‌دهند که برای ذینفعان، از جمله سیاستگذاران، برای درک کامل منطق سیستم ضروری است. برای مثال، هنگام استفاده از FIS برای پیش‌بینی کیفیت آب‌های زیرزمینی، ذینفعان می‌توانند ببینند که چگونه ورودی‌های مختلف مانند بارندگی، دبی صنعتی و خواص خاک بر پیش‌بینی‌های نهایی تأثیر می‌گذارند، بنابراین درک روشنی از منطق مدل ارائه می‌دهند. از نظر کاربردهای عملی، مدل های فازی به طور یکپارچه در DSS برای مدیریت محیطی ادغام می شوند. این ادغام با ارائه ابزارهای تصمیم گیری شفاف، قابل تفسیر و قوی، تعامل ذینفعان را تسهیل می کند. با اجازه دادن به ذینفعان برای درک تأثیر پارامترهای مختلف محیطی بر نتایج، FISها اعتماد و همکاری را در تدوین سیاست افزایش می‌دهند. علاوه بر این، سازگاری FIS ها با سناریوهای متنوع تضمین می کند که سیاست ها در شرایط محیطی پویا مرتبط و موثر باقی می مانند. این ادغام نه تنها از سیاست‌گذاری مبتنی بر شواهد پشتیبانی می‌کند، بلکه به همسویی تصمیم‌ها با اهداف پایداری کمک می‌کند و در نتیجه شیوه‌های مدیریت زیست‌محیطی مؤثرتر و فراگیر را تقویت می‌کند.
علاوه بر این، سازگاری FIS با سناریوهای مختلف و مهارت آن در مدیریت داده های نامطمئن، آن را برای کاربردهای دنیای واقعی، که در آن داده ها ممکن است نادقیق یا ناقص باشند، مناسب می کند. مدل‌های فازی ترکیبی، که با استفاده از آنها در پیش‌بینی مقاومت فشاری در ژئوپلیمرها و ارزیابی کیفیت آب‌های زیرزمینی نشان داده می‌شوند، انعطاف‌پذیری FIS را در ادغام نقاط قوت مدل‌های متفاوت برای افزایش دقت نشان می‌دهند. در مورد ارزیابی کیفیت آب های زیرزمینی، FIS ها می توانند عدم قطعیت ذاتی داده های نوسان را کنترل کنند، که منجر به نتایج قابل اعتمادتر و قابل تفسیرتر می شود که می تواند سیاست های مدیریت آب بهتر را ارائه دهد.
به عنوان مثال، در پیش‌بینی مقاومت فشاری در ژئوپلیمرها، FISها می‌توانند به‌طور یکپارچه منابع داده‌های مختلف را ادغام کنند و عدم قطعیت ذاتی در اندازه‌گیری‌ها را مدیریت کنند، که منجر به پیش‌بینی‌های دقیق‌تر می‌شود. به طور مشابه، در ارزیابی کیفیت آب های زیرزمینی، FIS ها می توانند با ماهیت نوسان داده های زیست محیطی سازگار شوند و نتایج قابل اعتماد و قابل تفسیری را ارائه دهند که می تواند برای مدیریت زیست محیطی و سیاست گذاری حیاتی باشد.
توانایی UQ با FIS بینش های بیشتری را ارائه می دهد که در مهندسی محیط زیست بسیار ارزشمند است. با نمایش صریح عدم قطعیت، FIS به تصمیم گیرندگان اجازه می دهد تا سطح اطمینان پیش بینی ها را ارزیابی کنند و بحرانی ترین عوامل مؤثر در عدم قطعیت را شناسایی کنند. به عنوان مثال، در پیش‌بینی خشکسالی، FIS می‌تواند به شناسایی متغیرهای آب و هوایی نامطمئن‌تر و چگونگی تأثیر آنها بر پیش‌بینی کلی کمک کند. این بینش جمع‌آوری داده‌های هدفمند و تلاش‌های متمرکزتر برای کاهش عدم قطعیت را قادر می‌سازد و در نتیجه استحکام مدل‌های محیطی را بهبود می‌بخشد.
برای سیاست گذاران، قابلیت اطمینان FIS ها در پیش بینی اثرات زیست محیطی، شاخص های کیفیت آب و الگوهای خشکسالی، تصمیم گیری آگاهانه تر را تسهیل می کند. با استفاده از FIS، سیاست گذاران می توانند درک دقیق تری از پدیده های زیست محیطی به دست آورند و امکان توسعه سیاست های موثرتر و پایدارتر را فراهم کنند. توانایی تفسیر و توجیه تصمیمات بر اساس مدل های FIS همچنین می تواند اعتماد عمومی و حمایت از طرح های زیست محیطی را افزایش دهد.
در نتیجه، فرضیه مربوط به اثربخشی FIS توسط اکثر مطالعات بررسی شده پشتیبانی می شود. دلیل اینکه FIS ها اغلب از سایر الگوریتم ها بهتر عمل می کنند، توانایی آن ها در رسیدگی و تعیین کمیت عدم قطعیت است که ذاتی سیستم های محیطی است. در حالی که مدل‌های سنتی ممکن است با تغییرپذیری و پیچیدگی داده‌های محیطی دست و پنجه نرم کنند، FISها یک جایگزین قوی ارائه می‌کنند که می‌تواند این عدم قطعیت‌ها را به طور موثر مدلسازی کند. تلاقی مبانی نظری و پیاده سازی های عملی FIS ها را به عنوان یک متحد ارزشمند برای دست اندرکاران و سیاست گذاران در مواجهه با پیچیدگی های نظارت و ارزیابی زیست محیطی ایجاد می کند. توانایی مدل برای نشان دادن عدم قطعیت، همراه با شفافیت و عملکرد ثابت آن در سناریوهای مختلف، FIS ها را به ابزاری حیاتی در کاهش شکاف بین بینش‌های نظری و هوش عملی در تنظیمات دنیای واقعی تبدیل می‌کند. سازگاری و انعطاف‌پذیری مدل‌های مبتنی بر فازی پیامدهای مهمی برای سیاست‌گذاری در مدیریت زیست‌محیطی دارد. این مدل‌ها می‌توانند به طور موثر شرایط متغیر و داده‌های در حال ظهور را تطبیق دهند و آنها را برای توسعه و اجرای سیاست‌های پایدار ایده‌آل کنند. با ارائه نتایج قوی و قابل تفسیر، FISها از سیاستگذاران در ایجاد استراتژی هایی حمایت می کنند که هم از نظر علمی معتبر هستند و هم به ماهیت پویای سیستم های محیطی پاسخ می دهند. این سازگاری تضمین می‌کند که سیاست‌ها در طول زمان مرتبط و مؤثر باقی می‌مانند، حتی با وجود چالش‌های زیست‌محیطی جدید. همانطور که چالش های زیست محیطی پیچیده تر می شوند، FIS ها به عنوان یک راهنمای قابل اعتماد برای پیمایش عدم قطعیت و تصمیم گیری آگاهانه که با پیچیدگی های محیط طبیعی هماهنگ است، برجسته می شوند.
