تخمين كدورت و غلظت كلروفيل آ در درياي خزر از طريق آناليز چندزمانه تصاوير ماهواره‌اي ماديس و شبكه‌هاي عصبي موجكي

Estimation of turbidity and chlorophyll a concentration in the Caspian Sea through time series analysis of satellite images and wavelet neural networks

با توجه به وسعت جهاني منابع آب، اندازه‌گيري‌هاي زميني از پارامترهاي كيفي امكان‌پذير نيست، همچنين نمونه‌برداري سنتي از آب و آناليزهاي آزمايشگاهي بسيار پرهزينه و زمان‌بر است. در مطالعات صورت گرفته، برآورد كدورت و غلظت كلروفيل آ به‌عنوان مهم‌ترين پارامترهاي كيفي آب با استفاده از شبكه‌هاي عصبي مصنوعي با دقت مناسب توسط پژوهشگران انجام‌شده است. با توجه به مشكلاتي كه در تهيه تعداد بالايي از داده‌هاي آموزشي در محيط‌هاي آبي وجود دارد استفاده از شبكه‌هاي تركيبي مقاوم‌تري نظير شبكه عصبي موجكي پيشنهادشده است. در اين تحقيق انواع مختلفي از توابع موجك به‌عنوان تابع محرك شبكه مورداستفاده قرار گرفت و بهترين شبكه به‌منظور برآورد غلظت كلروفيل آ و كدورت به ترتيب شبكه‌هاي عصبي موجكي با تابع محرك مورلت و كلاه مكزيكي به دست آمد، داده‌هاي مورداستفاده محصول بازتاب اقيانوسي سنجنده ماديس است، به دليل به‌كارگيري تصاوير چند زمانه نرمال‌سازي راديومتريك داده‌ها انجام شد و نتايج نسبت به زماني كه از تصاوير نرمال نشده استفاده‌شده است، به‌صورت قابل‌توجهي بهبود يافت. در حالت چندزمانه علاوه بر افزايش تعداد داده‌هاي آموزشي، قابليت تعميم‌پذيري شبكه به ساير روزهايي كه در آن تعداد داده ميداني كافي موجود نيست، فراهم‌شده است و دقت شبكه در اين حالت در مقايسه باحالت تك زمانه افزايش يافت، درنهايت RMSE براي بهترين مدل به‌منظور برآورد كدورت و غلظت كلروفيل به ترتيب 047/0 و 071/0 به دست آمد كه در مقايسه با دقت اندازه‌گيري ميداني 1/0، قابل‌قبول بوده و مي‌تواند جايگزين مناسبي براي اندازه‌گيري‌هاي ميداني باشد.

Due to the global scope of water resources, ground measurements of the quality parameters are not feasible, as well as traditional sampling of water and laboratory analysis is very costly and time-consuming. In studies, estimation of turbidity and chlorophyll a concentrations as the most important water quality parameters using artificial neural networks have been done by researchers. Considering the difficulties in providing a high number of training data in aquatic environments, the use of more robust hybrid networks such as the wavelet neural network is suggested. In this research, various types of wavelet functions were used as a network activation function, and the best network was used to estimate chlorophyll a and turbidity respectively, wavelet neural networks with a Morelt and a Mexican hat activation function, the data used for the reflection of the ocean reflectance of the modis sensor, Due to the use of multi-time images, the radiometric normalization of data was done and the results were significantly improved compared to the time when the non-normalized images were used. in addition to increasing the number of training data, the network generalization capability is provided to other days, and the accuracy of the network in this case increased compared to the one-day condition. the RMSE for the best model to estimate turbidity an‎d chlorophyll a concentration was 0.047 and 0.071, respectively, which is acceptable in comparison with field accuracy of 0.1, and can be a alternative method for field measurements.