Abstract:
شوری آب مشخصکنندهی پراکندگی حیات جانوری و گیاهی در دریاچهها، دریاها و اقیانوسهاست. در این مقاله با مطالعه بازتابش از سطح آب، شاخصهای شوری و همچنین دادههای میدانی نقشهی شوری دریاچهی ارومیه تهیه گردید. سپس مدلسازی شوری این دریاچه با استفاده از رگرسیون بردار پشتیبان و تصاویر لندست-8 انجام گردید. جهت انتخاب ویژگیهای مناسب از میان هفده ویژگی ورودی اولیهی مدل از دو الگوریتم ژنتیک و انتخاب ویژگی ترتیبی به کمک نرمافزار متلب استفاده شد. در نهایت میزان شوری آب دریاچهی ارومیه با خطا و دقت نسبتا مناسبی تخمین گردید. بهطوریکه مدل رگرسیون بردار پشتیبان با تمام ویژگیها با RMSE=24.55psu و R2=41%، مدل رگرسیون بردار پشتیبان مبتنی بر الگوریتم ژنتیک با RMSE=21.97psu و R2=54% و مدل رگرسیون بردار پشتیبان مبتنی بر انتخاب ویژگی ترتیبی با مقادیر RMSE=21.93psu و R2=53% توانستند میزان شوری دریاچهی ارومیه را تخمین بزنند.
Introduction
Urmia Lake is located in the North West of Iran and its area between 4750 to 6100 square kilometers at an altitude of 1250 meters above sea level. This lake is a permanent lake in Iran. In fact، Urmia Lake is one of the lowest parts of the catchment area North West of Iran. The total surface area of Urmia Lake is 51،876 km square، which is 3.15% of the total area of Iran and 7% of all the water’s surface in the country. The depth varies between 6 and 16 meters، the length of the lake is 50 km and its width varies between 128 km to 140 km. In the catchment area of the lake، there is the main river with annual input about 2 billion cubic meters. Annual rainfall in the catchment area is variable between 200 and 300 mm. Air temperature the area around the lake in winter to 20°C and 40°C in summer increases. Urmia Lake is important in terms of economically، transport، exploitation of the mineral wealth of biodiversity، mitigating climate، and tourism. This unique Lake addition to the previous is habitat for kind of native artemia its name is urumiana artemia that this artemia is unique to this lake. Also، Urmia Lake is the world's second largest habitat for Artemia. According to the research، the main elements in the Urmia Lake include Cl-، Na +، Ca2+، Mg2+، HCo3-، K+، Li، So42- and F.
Methodology
In this study، newly launched Landsat series (Landsat-8) was used for monitoring Urmia Lake salinity and retrieving the salinity map. By incorporating the Landsat-8 datasets، this study determined the salinity changes and created a model to estimate the salinity in Urmia Lake with processing Landsat-8 satellite images as a result; we can obtain salinity map regularly without ground operations. We can also monitor the health of the habitat in terms of salinity and examine the impact of increasing salinity on the plants، animals، and ecosystems of the region. This study applied remote sensing techniques to develop a salinity prediction model for Urmia Lake. In this study، we use Landsat-8 satellite images radiances of Urmia Lake and some salinity indices and in-situ data so we have 17 features to make water surface salinity model with support vector regression (SVR) with all features. After that، we use two algorithms; GA and SFS for selecting suitable features and make models with those features.
Result
Results with all features model show RMSE=24.55 and R2=41% and result with GA feature selection model shows RMSE=21.97 and R2=54% and results with SFS feature selection model shows RMSE=21.93 and R2=53%.
Discussion and Conclusion
Satellite images show that from 1995 to 2003، the lake water surface dropped and proportionate to the dropping water salinity increased to 220 to 300 grams per liter. Also although Artemia is resistant to salt، appropriate salinity is below 100 grams per liter. When water salt is more than 100 grams per liter contents of his tiny body lost and die. Now because of reduction in salinity، the lake has arrived at about 300 grams per liter. Dissolved salt in water has a direct effect on the electrical conductivity of water. In this regard، incorporating high spatial resolution satellite like Landsat-8 images is inevitable. Also، the proposed modeling methods show these changes in multi-data and in widespread Urmia Lake very well
Machine summary:
از آن جمله در پژوهشی که در سال ١٣٨٩ برای تهیه ی کاربری اراضی حوضه ی سد ایلام با استفاده از تصاویر ASTER انجام شد، به مقایسه دو نوع طبقه بندی حداکثر احتمال و شبکه ی عصبی مصنوعی پرداختند، نتایج حاصل از ارزیابی دقت این دو روش با استفاده از تعیین ضریب کاپا نشان داده که الگوریتم شبکه عصبی با ضریب ٠/٨٦ نسبت به الگوریتم حداکثر احتمال از دقت بیشتری برخوردار است .
در ادامه با بهره گیری از بازتابش هفت باند لندست -٨ و شاخص های شوری تعریف شده و با استفاده از SVR و دو الگوریتم انتخاب ویژگی شوری مدل سازی گردیده و نهایتا نقشه ی شوری دریاچه تهیه گردید.
(رجوع شود به تصویر صفحه) در حالت دوم مدل سازی SVR با ویژگی های انتخابی با بکارگیری الگوریتم GA انجام شده است .
(رجوع شود به تصویر صفحه) شکل (٩)، پس از تشکیل مدل و استخراج پارمتراهای دقت آن نوبت به ترسیم نقشه ی شوری با استفاده از تصاویر لندست _٨ است .
(رجوع شود به تصویر صفحه) همانطور که مشاهده می کنید در حالت چهارم پس از استفاده از ویژگی های انتخابی SBS در SVR المان های دقت نسبت به حالت تمام ویژگی ها کاهش یافته است و R٢ آزمایش آن از ٠/٤ به ٠/١ رسانده است ، پس استفاده از این الگوریتم انتخاب ویژگی برای مدل ما مناسب نمی باشد.
-Marghany, MAGED, and MAZLAN Hashim (2011), A Numerical Method for Retrieving Sea Surface Salinity from MODIS Satellite Data, International Journal of Physical Sciences, 6(13): PP,3116–3125.