ارزيابي كيفيت محيط زيستي با استفاده از ابزار سنجش از دور و شبكه هاي عصبي مصنوعي (مطالعه موردي: تبريز- رشت)

Eco-environmental Quality Evaluation Using Remote Sensing and Artificial Neural Network (Case Study: Tabriz-Rasht)

جهت ارزيابي كيفيت زيست‌محيطي براي 500 پيكسل در اطراف تبريز در استان آذربايجان‌شرقي و همچنين 500 پيكسل در اطراف رشت در استان گيلان در ايران كه از لحاظ اقليم با يكديگر متفاوت مي‌باشند، با استفاده از محاسبات‌نرم و سنجش از دور، انديس زيست‌محيطي EBV(Eco-environment Background Value) ، جهت تعيين كيفيت زيست‌محيطي مناطق، مورد بررسي قرار‌گرفته‌است. براي مدل‌سازي، از شاخص‌هاي پوشش‌گياهي، رطوبت‌خاك، درخشندگي، دماي‌سطح‌زمين و داده‌هاي رقومي ارتفاعي كه با استفاده از ابزار ‌سنجش از دور تهيه شد و همچنين از داده‌هاي مربوط به بارش و دما به عنوان ورودي‌ به مدل شبكه عصبي مصنوعي back propagation سه لايه، بهره‌گيري شده‌است. ميانگين داده‌هاي مربوط به 8‌سال گذشته براي شاخص‌هاي مذكور، يك‌بار به صورت فصلي براي چهار فصل و بار ديگر به‌صورت سالانه براي مناطق مورد بررسي در اطراف تبريز و رشت وارد شبكه شدند. نتيجه حاصل، نشان‌گر عملكرد بهتر شبكه براي منطقه تبريز در فصل بهار با RMSE=0.0219 و R=0.9961 مي‌باشد. به نظر مي‌رسد دليل عملكرد بهتر شبكه براي تبريز در مقايسه با رشت را مي‌توان ضعف ابزار سنجش از دور در بررسي مكان‌هايي همچون گيلان دانست كه پوشش گياهي متراكم و رطوبت جوي بالايي دارند. به‌نظر مي‌رسد تراكم پوشش-گياهي و رطوبت بالا مانع از بازتاب مناسب و بدون انحراف از سطح زمين مي‌شود و در دريافت داده‌هاي مورد نياز، اخلال ايجاد مي‌كند.

In this study, to evaluate the eco-environment value of 500 pixels around the city of Tabriz in the East Azarbaijan Province, Iran, as well as 500 pixels around the city of Rasht in Gilan Province, Iran, which have different climates, the Eco-environment Background Value index (EBV) has been investigated using soft computations and remote sensing tools to determine the eco-environment value of the areas. For modeling, indicators including vegetation index, soil wetness index, Land Surface Temperature (LST), and Digital Elevation Model (DEM) data collected using remote sensing tools as well as data on precipitation and temperature obtained using ground-based weather stations were exploited as input into the three-layer back propagation based artificial neural network (BPANN) model. The average of the data for the past 8 years for these indicators, once seasonally for four seasons and once annually for the regions under study around Tabriz and Rasht, entered the network. The results indicated a better performance of the network for Tabriz region in the spring with root mean square error (RMSE) = 0.0219 and R = 0.9961. It seems that the better network performance for Tabriz compared to Rasht could be due to the weakness of the remote sensing tool in examining areas like Gilan, which has a dense vegetation and high atmospheric humidity. It seems that the high vegetation density and high humidity impede proper reflection without deviation from the land surface and disrupts the reception of the required data.