برآورد کدورت آب با استفاده از سنجش از دور و الگوریتم جنگل تصادفی، مطالعه موردی: دریاچه شهدای خلیج فارس چیتگر تهران

کدورت آب از مهم‌ترین پارامترهای کیفیت آب محسوب می‌شود که معرف شفافیت آب و موثر بر تغذیه‌گرایی است. این پژوهش با هدف برآورد مقدار کدورت آب با استفاده از داده‌های سنجش از دور و تکنیک جنگل تصادفی انجام شده است. بدین منظور، از داده‌های پایش کیفیت آب دریاچه شهدای خلیج فارس چیتگر تهران که دریاچه‌ای شهری و کم‌عمق، با کاربری تفرج و منظر شهری است، استفاده شد. تصاویر ماهواره-های لندست-8 و سنتینل-2 پس از انطباق تاریخ داده‌های میدانی و تصاویر ماهواره‌ای برای دوره زمانی سال 1395 تا 1400، انتخاب و داده‌ها به دو گروه جهت تولید و اعتبارسنجی مدل تقسیم شدند. نخست عملیات پیش پردازش روی تصاویر ماهواره‌ای انجام شد. سپس با استفاده از تکنیک جنگل تصادفی باندهای موثر شناسایی گردیدند، پس از آن، ترکیب‌های باندی بهینه انتخاب و مدل‌های رگرسیون برازش و اعتبارسنجی شدند. مدل به‌دست آمده، میزان کدورت آب را با adj.r2=0.6، rmse=1.07 ntu و nrmse=12% در ماهواره لندست-8 و adj.r2=0.73، rmse=1.23 ntu و nrmse=9% در ماهواره سنتینل-2 و با توان آماری 80 درصد برای دریاچه چیتگر پیش‌بینی کرد. بدین ترتیب، مدل برآوردی بهینه با کمک تکنیک جنگل تصادفی براساس داده‌های ماهواره سنتینل-2 به‌دست آمد و مدل پیش‌بینی توانست مقادیر کدورت آب را در دریاچه چیتگر با دقت قابل قبولی برآورد کند.

estimation of water turbidity by remote sensing and random forest algorithm, case study: chitgar persian gulf martyrs lake, tehran

water turbidity is one of the most important parameters of water quality, which represents the transparency of water and is effective in eutrophication. this research was done to estimate the amount of water turbidity using remote sensing data and the random forest technique. for this purpose, the water quality monitoring data of chitgar lake in tehran were used, which is an artificial shallow lake with recreational and urban scenery usage. the landsat 8 oli/tirs and sentinel 2 msi satellite images were extracted after matching the date of field observation data and satellite images from 2016 to 2021. data were divided into calibration and validation datasets. after performing pre-processing processes on satellite images, important bands were recognized using the random forest method. afterward, appropriate band composition and algorithms were selected and regression models were fitted and validated. the optimum model was able to estimate water turbidity with adj.r2=0.6, rmse=1.07 ntu, and nrmse=12% for landsat-8 as well as with adj.r2=0.73, rmse=1.23 ntu and nrmse=9% for sentinel-2 satellite and estimated with a power of 80% for chitgar lake. consequently, the optimal predictive model in sentinel-2 was chosen with the assistance of the random forest. moreover, the predictive model was able to estimate the water turbidity in chitgar lake with acceptable accuracy.