پايش و پيش بيني تغييرات پهنه آبي تالاب‌ها با استفاده ازيك سيستم هوشمند عصبي – فازي مبتني بر داده‌هاي سامانه گوگل ارث انجين (مطالعه موردي تالاب انزلي، 2019-2000)

Monitoring and Prediction of the changes in water zone of wetlands using an intelligent neural-fuzzy system based on data from Google Eearth Engine system (Case study of Anzali Wetland, 2000-2019)

تالاب‌ها از مهم‌ترين سرمايه‌هاي اكولوژيكي كشور بوده و اطلاع از روند تغييرات آن‌ها در بلند­مدت نقش اساسي در كيفيت مديريت اين گونه مناطق دارد. اين اكوسيستم ­هاي منحصر به فرد در جهان با تنوع اكولوژيكي بالا توسط عوامل طبيعي مختلف مانند: كاهش بارش، افزايش دما، افزايش تبخير، خشك­سالي و غيره تهديد مي‌شوند. اين تحقيق بر توسعه يك چارچوب كاربردي و موثر براي نظارت طولاني مدت بر پهنه آبي تالاب با استفاده از پارامترهاي اثرگذار بر تالاب و تصاوير سري زماني لندست كه همگي از سامانه گوگل ارث انجين(GEE) تهيه شده‌اند متمركز گرديده است. در اين مطالعه، براي تعيين تغيير پهنه آبي تالاب، از محاسبه شاخص نرماليز شده تفاوت آبي (NDWI) براي جدا سازي بهتر پوشش آب از ساير پوشش‌هاي منطقه استفاده شده است. تغييرات پهنه آبي تالاب انزلي و عوامل طبيعي موثر بر آن در بازه 240 ماه بين ژانويه 2000 تا دسامبر 2019 بررسي گرديد. در ادامه با استفاده از روش­هاي يادگيري ماشين و به كارگيري پارامتر‌هاي موثر بر تغييرات سطحي تالاب به عنوان ورودي شبكه تغييرات سطحي تالاب با ميانگين خطاي مربع ريشه (RMSE) 0/977 مدل­سازي گرديد. همچنين به منظور پيش بيني تغييرات شديد سطحي تالاب در آينده، تغييرات سطحي تالاب و تمامي پارامتر‌ها براي بازه طولاني مدت (20 سال گذشته) به صورت ماهانه با استفاده از روش­هاي پرسپترون چند لايه (MLP) و حافظه‌ كوتاه‌مدت طولاني (LSTM)بررسي شدند. در انتها با توجه به نتايج بدست آمده از مراحل قبل و شناخت عواملي كه اثرگذاري بيشتري بر تالاب دارند و به دليل عدم قطعيت، غير خطي بودن رفتار متغير‌ها از طريق سيستم استنتاج فازي (FIS) براي ايجاد سيستم هشداردهنده خشك­سالي تالاب مدلسازي گرديد. بنابراين مدل توسعه يافته مي‌تواند به طور مداوم و مستمر براي مديريت و نظارت بر تالاب‌ها مورد استفاده قرار گيرد.

Wetlands are one of the most important ecological resources. Detecting their long-term changes plays a key role in the quality of the management of such areas. These unique ecosystems in the world with high ecological diversity are threatened by various natural factors such as: decrease in rainfall, increase in temperature, increase in evaporation, drought, and so on. This research focuses on developing a practical and effective framework for long-term monitoring of water area of the wetland using parameters affecting the wetland and Landsat time series images, all obtained from the Google Earth Engine (GEE) system. In this study, in order to determine the Changes in the water body, normalized difference water index (NDWI) has been used to have a better discrimination between water and other classes of the region. The changes in the water area of ​​Anzali Wetland and the natural factors affecting it were studied in the period of 240 months between January 2000 and December 2019. Then, by using the method based on MLP machine learning and the parameters affecting the surface changes of the wetland as the input of the network, the surface changes of the wetland with average root mean square error (RMSE) of 0.977 were modeled. Also, in order to predict the severe surface changes of the wetland in the future, the surface changes of the wetland and all parameters for a long period (last 20 years) were examined on a monthly basis using the Multi-Layer Perceptron (MLP) and Long Short-Term Memory (LSTM) methods. Finally, according to the results obtained from the previous stages and detecting the factors that have a greater impact on the wetland and due to uncertainty, nonlinearity of the behavior of variables, the Fuzzy Inference System (FIS) was designed to create a wetland drought warning system. Therefore, the developed model can be easily implemented to be used continuously for the management and monitoring of wetlands.