كاربرد سنجش از دور و شبكه عصبي مصنوعي در تخمين غلظت رسوب معلق رودخانه (مطالعه موردي: رودخانه كارون)

Estimating Suspended Sediment Concentration Using Remote Sensing and Artificial Neural Network (Case Study: Karun River

بازتاب طيفي سنجش از راه دور اندازه گيري شده توسط سنسور هاي ماهواره اي، يك جايگزين سريع و رويكرد اقتصادي براي ارزيابي غلظت رسوب معلق در اقيانوس ها، دريا ها، رودخانه ها و آب هاي ساحلي است. بر همين اساس در اين تحقيق از تركيب اطلاعات به دست آمده از تصاوير ماهواره اي و يك مدل شبكه عصبي پايه شعاعي، جهت برآورد غلظت بار معلق رودخانه اي استفاده شد. داده هاي ميداني غلظت رسوب معلق، دبي جريان و بازتاب باند يك و نسبت بازتاب باند دو به يك سنجنده ماديس، به عنوان ورودي به شبكه عصبي معرفي شدند، همچنين يك مدل رگرسيون خطي چندمتغيره براي ايجاد ارتباط ميان غلظت رسوب معلق و بازتاب رسيده به سنجنده استفاده شد. در نهايت نتايج حاصل از شبكه عصبي با نتايج حاصل از رگرسيون و منحني سنجه رسوب مقايسه شد. براساس نتايج به دست آمده، مدل شبكه عصبي مصنوعي با ورودي باند يك و دبي جريان با rmse برابر 0.19، عملكرد بهتري را نسبت به دو روش رگرسيون و منحني سنجه رسوب با rmse به ترتيب برابر 0.21 و 0.29 دارا است.

Spectral Reflectance of suspended sediment concentration (SSC) remotely sensed by satellite images is an alternative and economically efficient method to measure SSC in inland waters such as rivers and lakes, coastal waters, and oceans. This paper retrieved SSC from satellite remote sensing imagery using radial basis function networks (RBF). In-situ measurement of SSC, water flow data, as well as MODIS band 1 and band ratio of band 2 to 1 were the inputs of the RBF. A multi-regression method was also used to make a relationship between the in-situ data and the water reflectance data retrieved from MODIS bands. The results showed that RBF had the best SSC prediction error (RMSE=0.19), as compared to the multi-regression and sediment rating curve methods, with the RMSE of 0.29 and 0.21, respectively.