مدل سازی و پهنه بندی پارامترهای کیفیت آب با استفاده از تصاویر ماهواره ای سنتینل2 و هوش محاسباتی (مطالعه موردی: رودخانه کارون)

با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ann و مدل سیستم استنتاج فازیعصبی تطبیق یافته anfis، ارتباط میان تصاویر ماهواره سنتینل2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن­ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل2، مدل anfis به ترتیب با خطای نسبی و جذر میانگین مربعات خطا rmse برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و rmse برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و rmse برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازیعصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و rmse برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید.

Modeling and zoning water quality parameters using Sentinel2 satellite images and computational intelligence (Case study: Karun river)

Considering the progress made in remote sensing technology, collecting information on the quality of surface water resources by this technology, while reducing the cost and time of traditional sampling, can monitor all surface water zones. In this study, the Sentinel2 satellite images were used to estimate the concentration of acidity, bicarbonate and sulfate parameters. Initially, Sentinel2 satellite images were preprocessing and then bands and spectral indexes were determined to identify the significant relationship between the parameter values of water quality and images using the multivariate regression method. In the next stage, using Artificial neural network (ANN) and Adaptive Neuro fuzzy inference system (ANFIS) models, the relationship between Sentinel2 satellite images and water quality parameters were modeled and then their accuracy was calculated for real values. The results showed that in the modeling of sulfate parameter using Sentinel2 satellite, ANFIS model with relative error equal to 0.0773 and RMSe equal to 0.8014 has a higher accuracy compared to ANN models with relative error equal to 0.1581 and RMSe equal to 1.2477. While, the relative error of the results of the ANN model are obtained 0.0064 and 0.0556 for acidity and bicarbonate parameter, respectively, and RMSe is equal to 0.0702 and 0.2691, respectively.  The ANFIS model has a relative error of 0.0165 and 0.0722, and RMSe is 0.1975 and 0.3037 for acidity and bicarbonate parameter, respectively. Finally, using satellite images, the mentioned models were applied to prepare a qualitative map of each parameter along the part of the Karun river.