چکیده: چکیده مناطق ساحلی به دلیل فرصت‌های اقتصادی، اجتماعی و زیست‌محیطی از اهمیت بالایی برخوردارند، اما به علت تهدیداتی همچون فرسایش، طوفان‌ها و افزایش تراز آب دریا، محیط‌هایی آسیب‌پذیر محسوب می‌شوند. این تحقیق با هدف بررسی تغییرات مورفودینامیکی سواحل با تمرکز بر برم و خط ساحل در شرایط غیرطوفانی با استفاده از الگوریتم‌های یادگیری ماشین انجام گرفته است. بررسی تغییرات تاج برم ساحلی در شرایط غیرطوفانی حائز اهمیت است، زیرا این شرایط غالب سال را شامل شده و تأثیر مستقیمی بر روندهای بلندمدت فرسایش و پایداری سواحل دارند. همچنین، مطالعه این تغییرات به مدیریت بهینه سواحل، پایش و کاهش اثرات منفی فعالیت‌های انسانی و بهبود مدل‌های پیش‌بینی در شرایط طوفانی کمک می‌کند. جهت پیاده سازی اهداف پژوهش از داده های میدانی مورفودینامیک و هیدرودینامیکی پایگاه ساحلی نارابیین استرالیا استفاده شده است. محدوده زمانی مورد بررسی در بازه سال های 2006 تا 2019 شامل اطلاعات اولیه نیمرخ‌های ساحلی، داده های امواج و تغییرات تراز سطح آب دریاها است. در ادامه از تحلیل و بررسی مجموعه عوامل تاثیرگذار بر اهداف پژوهش، جهت به کارگیری در فرآیند مدلسازی کمک گرفته شده است. الگوریتم-های یادگیری ماشین شامل: الگوریتم های انتخاب ویژگی، الگوریتم های طبقه بندی و الگوریتم های پیش بینی به عنوان ابزار های اصلی در فرآیند مدلسازی، مورد استفاده قرار گرفته شده اند. در مراحل ساخت مدل ابتدا جهت کاهش ابعاد مدل و حذف ویژگی‌های کم‌ارتباط از الگوریتم انتخاب ویژگی Chi2 استفاده شده است. سپس به کمک الگوریتم ماشین بردار پشتیبان (SVM)، دسته‌بندی ویژگی‌های موثر انجام گرفته است. در بخش پیش بینی، الگوریتم‌های جنگل تصادفی (RF)، XGBoost و پرسپترون چندلایه (MLP) مورد استفاده قرار گرفته اند. نتایج نشان داد که الگوریتم RF در پیش‌بینی تمامی اهداف در مقایسه با سایر الگوریتم ها، عملکرد بهتری داشته است. مطابق با نتایج در بخش پیش‌بینی تغییرات خط ساحل، سناریوی 4 با ویژگی‌های موثر توان موج، تغییرات عرض برم، ارتفاع موج حداکثر و انرژی موج، RMSE برابر 3.32 متر و R2% برابر 88% را ارائه نموده است. در بخش پیش‌بینی تغییرات ارتفاعی تاج برم، سناریوی 4 با ویژگی‌های تغییرات خط ساحل، موقعیت افقی تاج برم، توان موج و شیب ساحل، RMSE برابر 0.22 متر و R2%برابر 74.8% بدست آمده است. در انتها نیز، پیش‌بینی موقعیت افقی تاج برم در سناریوی 5 شامل ویژگی‌های عرض برم، افزایش تراز آب، ارتفاع تاج برم، اندیس شکست موج و شیب ساحل می باشد که به RMSE برابر 8.37 متر و R2% برابر 80.1% منجر شده است. این مطالعه با ارائه روش‌های مبتنی بر یادگیری ماشین برای پایش تغییرات ساحلی در شرایط غیرطوفانی به درک بهتر دینامیک سواحل کمک می‌کند. نتایج بدست آمده بیانگر اثربخشی دسته -بندی ویژگی‌ها در بهبود عملکرد الگوریتم‌های پیش‌بینی بوده و تأکید بر اهمیت ویژگی‌های مورفودینامیک در این تحلیل‌ها دارد. همچنین الگوریتم جنگل تصادفی به‌عنوان یک ابزار قوی و قابل اعتماد، می تواند جهت پیش‌بینی های ساحلی مورد استفاده قرار گیرد.