پایش و پیش بینی تغییرات پهنه آبی تالاب‌ها با استفاده ازیک سیستم هوشمند عصبی – فازی مبتنی بر داده‌های سامانه گوگل ارث انجین (مطالعه موردی تالاب انزلی، 2019-2000)

تالاب‌ها از مهم‌ترین سرمایه‌های اکولوژیکی کشور بوده و اطلاع از روند تغییرات آن‌ها در بلند مدت نقش اساسی در کیفیت مدیریت این گونه مناطق دارد. این اکوسیستم های منحصر به فرد در جهان با تنوع اکولوژیکی بالا توسط عوامل طبیعی مختلف مانند: کاهش بارش، افزایش دما، افزایش تبخیر، خشک سالی و غیره تهدید می‌شوند. این تحقیق بر توسعه یک چارچوب کاربردی و موثر برای نظارت طولانی مدت بر پهنه آبی تالاب با استفاده از پارامترهای اثرگذار بر تالاب و تصاویر سری زمانی لندست که همگی از سامانه گوگل ارث انجین(gee)  تهیه شده‌اند متمرکز گردیده است. در این مطالعه، برای تعیین تغییر پهنه آبی تالاب، از محاسبه شاخص نرمالیز شده تفاوت آبی  (ndwi) برای جدا سازی بهتر  پوشش آب از سایر پوشش‌های منطقه استفاده شده است. تغییرات پهنه آبی تالاب انزلی و عوامل طبیعی موثر بر آن در بازه 240 ماه بین ژانویه 2000 تا دسامبر 2019 بررسی گردید. در ادامه با استفاده از روش های یادگیری ماشین و به کارگیری پارامتر‌های موثر بر تغییرات سطحی تالاب به عنوان ورودی شبکه تغییرات سطحی تالاب با میانگین خطای مربع ریشه (rmse)  977/0 مدل سازی گردید. همچنین به منظور پیش بینی تغییرات شدید سطحی تالاب در آینده، تغییرات سطحی تالاب و تمامی پارامتر‌ها برای بازه طولانی مدت (20 سال گذشته) به صورت ماهانه با استفاده از روش های پرسپترون چند لایه (mlp) و حافظه‌ کوتاه‌مدت طولانی (lstm)بررسی شدند. در انتها با توجه به نتایج بدست آمده از مراحل قبل و شناخت عواملی که اثرگذاری بیشتری بر تالاب دارند و به دلیل عدم قطعیت، غیر خطی بودن رفتار متغیر‌ها از طریق سیستم استنتاج فازی (fis) برای ایجاد سیستم هشداردهنده خشک سالی تالاب مدلسازی گردید. بنابراین مدل توسعه یافته می‌تواند به طور مداوم و مستمر برای مدیریت و نظارت بر تالاب‌ها مورد استفاده قرار گیرد.

monitoring and prediction of the changes in water zone of wetlands using an intelligent neural-fuzzy system based on data from google eearth engine system (case study of anzali wetland, 2000-2019)

wetlands are one of the most important ecological resources. detecting their long-term changes plays a key role in the quality of the management of such areas. these unique ecosystems in the world with high ecological diversity are threatened by various natural factors such as: decrease in rainfall, increase in temperature, increase in evaporation, drought, and so on. this research focuses on developing a practical and effective framework for long-term monitoring of water area of the wetland using parameters affecting the wetland and landsat time series images, all obtained from the google earth engine (gee) system. in this study, in order to determine the changes in the water body, normalized difference water index (ndwi) has been used to have a better discrimination between water and other classes of the region. the changes in the water area of ​​anzali wetland and the natural factors affecting it were studied in the period of 240 months between january 2000 and december 2019. then, by using the method based on mlp machine learning and the parameters affecting the surface changes of the wetland as the input of the network, the surface changes of the wetland with average root mean square error (rmse) of 0.977 were modeled. also, in order to predict the severe surface changes of the wetland in the future, the surface changes of the wetland and all parameters for a long period (last 20 years) were examined on a monthly basis using the multi-layer perceptron (mlp) and long short-term memory (lstm) methods. finally, according to the results obtained from the previous stages and detecting the factors that have a greater impact on the wetland and due to uncertainty, nonlinearity of the behavior of variables, the fuzzy inference system (fis) was designed to create a wetland drought warning system. therefore, the developed model can be easily implemented to be used continuously for the management and monitoring of wetlands.