پایش تغییرات تالاب بختگان با استفاده از سری زمانی داده‌های ماهواره‌ای در پلتفرم گوگل ارث انجین و پیش‌بینی پارامترها با مدل facebook’s prophet

پیشینه و هدف تالاب ها زیستگاه پوشش گیاهی و حیاط وحش هستند و به همین دلیل دارای ارزش زیست محیطی بالایی می باشند. همچنین تالاب ها در هنگام وقوع حوادث ناگوار طبیعی باعث کاهش فرسایش خاک، بازیابی سفره های زیرزمینی و ذخیره آب حاصل از بارش می شوند و در فراهم کردن آب جهت کشاورزی و یا استفاده دام نقش دارند. این مناطق در برابر دخالت ها و تغییرات انسانی مانند زهکشی، گسترش شهر و توسعه زیرساخت ها و بهره برداری بیش ازحد از منابع آب های زیرزمینی آسیب پذیر هستند. پیش بینی وضعیت تالاب ها در آینده، نیازمند داشتن درک درست از سیر تحول تالاب ها و تعیین روند تغییرات آن ها است. امروزه فناوری سنجش ازدور برای نگاشت تالاب ها به طور گسترده ای مورداستفاده قرار می گیرد و توانایی آن در پایش تغییرات تالاب ها به دلیل وسعت متغیر و پویایی تالاب، ارزش این علم را در این زمینه دوچندان کرده است. سنجش ازدور با تامین تصاویر در زمان های مختلف و از طریق مدل سازی فضایی پویا می تواند ابزاری موثر برای شبیه سازی و پیش بینی فرایندهای تخریب تالاب باشد. در این مطالعه به دلیل اهمیت بالای زیست محیطی و گردشگری تالاب بختگان و اثرات خشک شدن تالاب بر شرایط زیستی و سلامت افراد بومی و همچنین گردشگری منطقه به پایش تغییرات این تالاب پرداخته شده است و پیش بینی پارامترهای بارش، سطح آب های زیرزمینی و دما انجام گرفته است. برای این امر پلتفرم گوگل ارث انجین برای اخذ و پردازش تصاویر مورداستفاده قرار گرفت. پلتفرم گوگل ارث انجین پلتفرمی است که در کمترین زمان و با سرعت بالا می توان اقدام به اخذ و پردازش تصاویر کرد. بر این اساس با استفاده از پلتفرم گوگل ارث انجین تغییرات پهنه آبی دریاچه به همراه تغییرات دما، سطح آب های زیرزمینی و بارش استخراج و مورد پایش قرارگرفته شد. همچنین مقایسه ای بین این پارامترها صورت گرفت تا مشخص شود چه تغییراتی طی دو دهه در این دریاچه اتفاق افتاده است. برای پیش بینی پارامترها با استفاده از مدل prophet اقدام به پیش بینی و تحلیل روند تغییرات شد. مهم ترین مزیت مدل prophet توانایی در تبدیل داده های گسسته به داده های پیوسته است تا پیش بینی به بهترین شکل انجام پذیرد. این روش در شناسایی روند فصلی بودن داده ها به صورت خودکار عمل می کند و در صورت وجود روند تغییرات فصلی آن ها را نمایش می دهد.مواد و روش ها برای انجام پایش تالاب اقدام به اخذ تصاویر از پلتفرم گوگل ارث انجین شد. از تصاویر لندست 7 و 8 برای استخراج پهنه آبی، برای استخراج تغییرات سطح آب های زیرزمینی از داده های گریس، برای استخراج پوشش گیاهی و دمای سطح تالاب از پروداکت مادیس و برای استخراج مقادیر بارش از پروداکت تصاویر trmm استفاده شد. برای استخراج پهنه آبی تالاب از شاخص استخراج خودکار آب (automated water extraction index) استفاده شد. برای استخراج سطح آب های زیرزمینی از سنجنده گریس استفاده شد. برای به دست آوردن سری زمانی دمای سطح زمین برای منطقه موردمطالعه از پروداکت سنجنده مادیس استفاده شد. برای استخراج سری زمانی بارش، از داده های تجمعی ماهانه ماهواره trmm (3b43v7) باقدرت تفکیک مکانی 25/0 درجه جغرافیایی با استفاده از گوگل ارث انجین استخراج و روند تغییرات مورد ارزیابی و تحلیل قرار گرفت. آزمون mann-kendall یکی از پرکاربردترین آزمون های غیر پارامتری برای تشخیص روند داده های آب و هواشناسی و زیست محیطی است که برای تشخیص خط روند یکنواخت به کار می رود، این آزمون ازآنجاکه روشی غیر پارامتری است نیازی نیست از داده هایی با توزیع نرمال پیروی کند. مدل پیش بینی prophet، کتابخانۀ پیش بینی کنندۀ prophet که توسط فیس بوک توسعه یافته است در زبان های برنامه نویسی r و python در دسترس است. این کتابخانه از روش های (additive model) پشتیبانی می کند و مقادیر گسسته را می تواند به خوبی و به صورت مقادیر پیوسته پیش بینی کند. نام این قابلیت تعطیلات است. از دیگر قابلیت های این کتابخانه شناسایی خودکار روند های روزانه هفتگی، فصلی و سالانه است. میانگین خطای مطلق یا به اختصار (mae) به صورت پیش فرض در کتابخانه ی prophet وجود دارد. این خطا معیار طبیعی تری از خطای متوسط را نشان می دهد و برخلاف خطای rmse بدون ابهام است.نتایج و بحث در این مطالعه روند تغییرات سطح آب تالاب بختگان بین سال های 2000 تا 2020 با استفاده از پلتفرم گوگل ارث انجین پایش شد. همچنین با استفاده از روش پیش بینی prophet که توسط فیس بوک توسعه و منتشرشده است، اقدام به پیش بینی پارامترهای موثر گردید. بررسی روند تغییرات نشان داد که سطح آب تالاب در طی دو دهه کاهش چشمگیری داشته است.

monitoring bakhtegan wetland using a time series of satellite data on the google earth engine platform and predicting parameters with facebook’s prophet model

background and objective wetlands are habitats for vegetation and wildlife and because of this, they have a high environmental value. also, wetlands reduce soil erosion, restore aquifers, store rainwater in a flood event, and provide water for agriculture or livestock. wetlands are vulnerable to human interventions and changes such as drainage, urban sprawl, infrastructure development, and over-exploitation of groundwater resources. prediction of the condition of wetlands in the future requires a correct understanding of the evolution of wetlands and identifying their trend of change. nowadays, remote sensing technology is widely used for mapping wetlands, and its ability to monitor the changes in wetlands regardless of the diversity of wetlands has significantly increased the value of this science in this field. remote sensing can be an effective means of simulating and predicting wetland degradation processes by providing images at different times and through dynamic spatial modeling. in this study, the changes in the bakhtegan wetland have been monitored. this wetland has high environmental and tourism importance and its drying affects negatively the living conditions and health of local people as well as tourism in the region. in addition, predictions of precipitation parameters, groundwater level, and temperature have been conducted. for this purpose, the google earth engine platform was used to capture and process images. google earth engine is a platform that can capture and process images in the shortest time and at high speed. in this regard, using google earth engine, changes in the lake water area along with changes in temperature, groundwater level, and precipitation were extracted and monitored. moreover, a comparison took place between these parameters to determine the changes that have taken place in the lake over the past two decades. to predict the parameters, the changing pattern was predicted and analyzed using the prophet model. the most important advantage of the prophet model is its ability to convert discrete data to continuous data to make the best predictions. this method automatically detects the trend of seasonal data and displays the trend of seasonal changes.materials and methods satellite images were acquired from the google earth engine platform to monitor the wetland. landsat 7 and 8 images were used for water body extraction, grace data were used for extraction of groundwater level changes, modis product was used for extraction of vegetation and wetland surface temperature, and trmm image product was used to extract precipitation values. an automated water extraction index was used to extract the wetland body water. the groundwater level was extracted from the grace sensor. modis sensor product was used to obtain the surface temperature time series for the study area. for the extraction of precipitation time series, the monthly cumulative data of the trmm (3b43v7) satellite with a spatial resolution of 0.25 °c was extracted using google earth engine and the trend of changes was evaluated and analyzed. the mann-kendall test is one of the most widely used non-parametric tests for detecting meteorological and environmental data trends, which is used to detect a monotonic trend line since this test is a non-parametric method, it does not need that the data follow a normal distribution. the prophet predictive model is a predictive library developed by facebook and is available in r and python programming languages. this library supports additive modeling methods and can properly predict discrete values continuously. this feature is called holiday. another feature of this library is the automatic detection of daily, weekly, seasonal and annual trends. the mean absolute error (mae), by default, exists in the prophet library. this error represents a more natural standard than the mean error and unlike the rmse error, it is unambiguous.