پایش سطح تغذیه‌گرایی در دریاچه ارومیه با استفاده از الگوریتم‌های رگرسیون خطی چند متغیره و شبکه‌ عصبی مصنوعی مبتنی بر تصاویر ماهواره‌ای لندست-8 و سنتینل-2

نوع مقاله : ویژه نامه دریاچه ارومیه

نویسندگان

1 عضو هیات علمی، دانشگاه تربیت مدرس

2 مهندسی آب، دانشگاه تربیت مدرس

چکیده

پایش پیوسته غلظت کلروفیل و تعیین سطح تغذیهگرایی در دریاچهها به منظور مدیریت کیفیت آب آن‌ها ضروری است. هدف این پژوهش مدلسازی غلظت کلروفیل-آ به عنوان متغیر کلیدی مرتبط با تغذیه‌گرایی در بخش شمالی دریاچه ارومیه با استفاده از تصاویر ماهواره‌های لندست-8 و سنتینل-2 و الگوریتم‌های رگرسیون خطی چند متغیره (MLR) و شبکه‌ عصبی مصنوعی (ANN) می‌باشد. نتایج نشان داد در حالی که هر دو مدل مبتنی بر تصاویر لندست-8 (ANNLandsat -8 و MLRLandsat -8) از دقت بالایی در پایش غلظت کلروفیل-آ برخوردار بودند، عملکرد مدل‌های منتخب مبتنی بر تصاویر سنتینل-2 (ANNSentinel -2 و MLRSentinel -2) رضایت بخش نبودند. در هر دو سری مدل‌های کلروفیل-آ مبتنی بر دادههای لندست-8 و سنتینل-2، مدل ANN (با یک لایه مخفی) نسبت به مدل MLR اندکی برتری داشت. با توجه به عملکرد مناسب مدل‌ منتخب ANNLandsat-8 از این مدل برای تحلیل الگوی تغییرات مکانی و زمانی غلظت کلروفیل-آ و سطح تغذیه گرایی در شمال دریاچه ارومیه استفاده شد. تحلیل الگوی تغییرات مکانی غلظت کلروفیل-آ در تمامی ماه‌ها، افزایش غلظت به سمت مرکز و نواحی عمیق شمال دریاچه و کاهش به سمت پل میانگذر را نشان داد. همچنین میانگین غلظت کلروفیل-آ و سطح تغذیه گرایی در شمال دریاچه، از فوریه تا جولای به صورت قابل توجهی افزایش، از جولای تا سپتامبر کاهش و از سپتامبر تا اکتبر افزایش یافت. نتایج مدل منتخب (ANNLandsat -8)، نشان داد که شمال دریاچه در ماه‌های فوریه و سپتامبر سال 2016 در شرایط مزوتروفیک حاد و در ماه‌های جولای، آگوست و اکتبر در شرایط یوتروفیک خفیف قرار داشته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Monitoring Trophic State of Lake Urmia Using Multiple Linear Regression and Artificial Neural Network based on Landsat-8 and Sentinel-2 Satellite Images

نویسندگان [English]

  • Somayeh Sima 1
  • Amirsepehr Shamloo 2
1 Tarbiat Modares University
2 Civil & Environmental Engineering Department, Tarbiat Modares University
چکیده [English]

Water quality management in inland lakes requires continuous monitoring of chlorophyll-a (Chl-a) concentration and trophic state. As a critical variable of eutrophication, concentration of Chl-a in the north of Lake Urmia was modeled using Multiple Linear Regression (MLR) and Artificial Neural Networks (ANN) models developed based on Landsat-8 and Sentinel-2 satellite images. Both models based on Landsat-8 images (ANNLandsat-8, MLRLandsat-8) accurately estimated Chl-a concentration in the north of Lake Urmia, while models based on Sentinel-2 images (MLRSentinel-2 and ANNSentinel-2) showed poor performances. Moreover, the ANN models based on both Landsat-8 and Sentinel-2 images performed slightly better than MLR models. Then, the optimum ANNlandsat-8 model (with a hidden layer) was used to analyze the spatiotemporal variation of Chl-a concentration and the trophic state index (TSI) of northern Lake Urmia. Analysis of the spatial pattern of Chl-a concentration showed an increase towards the central deeper parts of the lake and a decrease towards the causeway. Furthermore, the average Chl-a concentration and TSI in the north of the lake increased significantly from February to July followed by a drop from July to September and then a rise between September and October. Based on the optimum ANNLandsat-8 model, northern Lake Urmia experienced acute mesotrophic conditions in February and September of 2016, and mild eutrophic conditions in July, August, and October.

کلیدواژه‌ها [English]

  • Trophic state
  • Chlorophyll-a
  • Carlson trophic index
  • Atmospheric correction

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 02 مهر 1401
  • تاریخ دریافت: 26 اردیبهشت 1401
  • تاریخ بازنگری: 22 شهریور 1401
  • تاریخ پذیرش: 02 مهر 1401
  • تاریخ اولین انتشار: 02 مهر 1401