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

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) است. 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 تغذیه‌گرایی 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 تغذیه‌‎گرایی 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.

monitoring trophic state of lake urmia using multiple linear regression and artificial neural network based on landsat-8 and sentinel-2 satellite images

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 northern part of the 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. based on landsat-8 images both models (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 performed slightly better than mlr models based on both landsat-8 and sentinel-2 images. according to the better performance, 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). in the northern part of the lake urmia, analysis of the spatial pattern of chl-a concentration showed an increase towards the central deeper parts and a decrease towards the causeway. furthermore, the average concentration of chl-a and tsi in the northern section of the lake increased significantly from february to july followed by a drop between 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.