مدل شبكه عصبي مصنوعي برآورد غلظت رسوب معلق رودخانه‌اي به كمك تصاوير سنجنده موديس (مطالعه موردي ايستگاه هيدرومتري ملاثاني - رودخانه كارون)

An Artificial Neural Network Model for Estimating Fluvial Suspended Sediment Concentration Using MODIS Sensor Images (Case Study: Mollasani Hydrometric Station, Khouzestan Province)

براي مطالعات كيفي و كمي منابع آب، برآورد بار رسوب معلق رودخانه‌ها بسيار مهم است. بار رسوب معلق ‌بطور معمول با اندازه‌گيري مستقيم غلظت رسوب معلق يا با بكار‌گيري منحني سنجه رسوب انجام مي‌شود. اندازه‌گيري به روش مستقيم، اگر چه مطمين‌ترين روش اندازه‌گيري غلظت رسوبات معلق بوده، با اين همه، اين روش، اغلب زمان بر و پر هزينه است. همچنين دقت منحني سنجه رسوب به دليل برآورد زياد (در مقادير كم رسوب رودخانه) يا برآورد كم (در مقادير زياد رسوب رودخانه) پايين بوده و لذا از كارايي لازم برخوردار نمي‌باشد. در اين تحقيق، به منظور بررسي امكان تخمين غلظت رسوبات معلق رودخانه‌اي با استفاده از انعكاسات تصاوير ماهواره‌اي، همبستگي ميان بازتاب طيفي باندهاي تصاوير سنجنده موديس (باند قرمز و مادون قرمز) و غلظت رسوبات معلق رودخانه كارون در ايستگاه هيدرومتري ملاثاني در يك دوره زماني 9 ساله (سال هاي 1382 تا 1390) مورد بررسي قرار گرفت. در اين رابطه از دو مدل آماري (رگرسيون خطي يك متغيره) و شبكه عصبي مصنوعي (پيشخور با الگوريتم آموزش پس انتشار خطا) استفاده شد. ارزيابي مد‌‌‌ل‌هاي رگرسيوني و شبكه عصبي مصنوعي نشان داد كه مدل شبكه عصبي مصنوعي با ضريب تعيين (R2) 89/0 و ريشه مربع خطا RMSE)) 122 ميلي‌گرم بر ليتر كارايي بيشتري در مقايسه با مدل رگرسيوني با ضريب تعيين 49/0 و ريشه مربع خطا 204 ميلي‌گرم بر ليتر داشته است. نتايج تحقيق نشان داد كه از تصاوير سنجنده موديس به همراه شبكه عصبي مصنوعي مي‌توان، در تخمين و پايش غلظت رسوبات معلق روزانه رودخانه‌هاي بزرگ استفاده نمود.

The estimation of suspended sediment load is very important for water resources quantity and quality studies. The suspended sediment load is generally calculated by direct measurement of suspended sediment concentration (SSC) of a river or by using sediment rating curve (SRC) method. Direct measurement of the SSC is the most reliable but it is very expensive and time consuming. Also, the efficiency of the SRC method is low because it can substantially underpredict the high and overpredict the low loads. In this research, in order to consider the possibility of estimating the fluvial SSC, using reflectance of satellite images, the correlation between red and infrared bands of MODIS sensor and SSC of Karoun river at Molasani station for a period of 9 years (2003-2011) was considered. In this relation, two models (statistical simple linear regression and feed forward back propagation ANN) were used. The evaluation of models results showed that the efficiency of ANN model with having R2 =0.89 and RMSE=122mg/l was better than the regression relation with R2 =0.49 and RMSE=204mg/l. The research results showed that MODIS sensor images and ANN can be used together to estimate fluvial daily SSC in large rivers.