برآورد میزان کلروفیل آ در مخزن سد با استفاده از تکنیک‌های سنجش از دور و مدل های داده‌کاوی

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 نویسنده مسئول، دانشیار گروه علوم و مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، خوزستان، ایران.

2 نویسنده مسئول، استادیار گروه مهندسی طبیعت، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، خوزستان، ایران.

3 دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

کلروفیل آ به‌عنوان معیاری جهت اندازه‌گیری میزان جلبک در حال رشد در آب مورد استفاده قرار می‌گیرد که می‌توان از آن برای طبقه‌بندی وضعیت تغذیه‌ای پهنه‌های آبی استفاده کرد. ا بر اساس بررسی‌های صورت گرفته غلظت سطوح بسیار بالای کلروفیل آ نشان‌دهنده کیفیت پایین آب است و وجود طولانی‌مدت غلظت‌های بالای کلروفیل آ مشکلات اساسی برای تولید اولیه زیست‌توده است. بر همین اساس غلظت کلروفیل آ یک شاخص کلیدی برای کیفیت آب به‌حساب می‌آید. در این تحقیق سعی شده است تا با استفاده از تکنیک‌های سنجش‌ازدور و مدل‌های داده‌کاوی اقدام به برآورد میزان کلروفیل آ در مخزن سد سردشت گردد. اطلاعات مورد استفاده در این تحقیق به دو قسمت تقسیم می‌شوند. قسمت اول مقادیر اندازه‌گیری شده کلروفیل آ در مخزن سد سردشت می‌باشد. این اطلاعات شامل 7 مرحله اندازه‌گیری در 10 نقطه با مختصات مختلف در مخزن سد بوده و مربوط به اسفندماه 1396 تا خردادماه 1398 می‌باشد. قسمت دوم اطلاعات مورد استفاده، تصاویر ماهواره سنتینل-2 بوده که از اطلاعات آن در مدل-های داده‌کاوی استفاده شده است. اطلاعات باندهای مختلف از تصاویر سنتینل-2 استخراج گردید و بر اساس مقادیر باندی، معیارهای سنجش میزان کلروفیل آ محاسبه شده و در اختیار مدل‌های داده‌کاوی جهت آموزش قرار گرفت. در این تحقیق از سه مدل داده‌کاوی XGBoost، M5 و MARS جهت برآورد میزان کلروفیل آ استفاده شد. در این مطالعه، 9 معادله برآورد کلروفیل آ به عنوان ورودی مدل‌های داده‌کاوی در نظر گرفته شد و مقدار لگاریتم کلروفیل آ اندازه‌گیری شده به عنوان خروجی لحاظ گردید. 80 درصد داده‌های موجود جهت آموزش مدل‌های داده‌کاوی و 20 درصد باقی‌مانده جهت صحت‌سنجی کارایی مدل‌های مورد استفاده به‌کار رفت. بر اساس اطلاعات ورودی، مدل درختی M5 فضای مسئله را به 5 قسمت تقسیم کرده و به ‌ازای هر بخش معادله خطی ارائه داده است. بر اساس ساختار ارائه شده توسط الگوریتم‌های M5 و MARS، ترکیب‌های باندی آبی، قرمز و سبز و نیز مادون‌قرمز و قرمز تاثیر بالایی بر روی مدل‌های ارائه شده توسط این دو الگوریتم داشته‌اند. نتایج به‌دست‌آمده از الگوریتم XGBoost نشان‌دهنده اهمیت ترکیب‌های باندی آبی، قرمز و سبز بر روی نتایج ارائه شده می‌باشد. بر این اساس ترکیب‌ باندی آبی، قرمز و سبز در هر سه الگوریتم به‌عنوان مهم‌ترین و یا یکی از مهم‌ترین متغیرهای ورودی جهت محاسبه کلروفیل آ مورد استفاده قرار گرفته است. ضریب تبیین برای سه مدل XGBoost، M5 و MARS به ترتیب برابر با 61/0، 49/0 و 31/0 محاسبه شد. مقدار ضریب ناش-ساتکلیف برای سه مدل XGBoost، M5 و MARS به ترتیب برابر با 54/0، 47/0 و 27/0 محاسبه شد که نشان می‌دهد نتایج دو مدل XGBoost و M5 دارای وضعیت مطلوبی می‌باشند. نتایج مدل‌های مورد استفاده نشان می‌دهد که دو مدل XGBoost و M5 نتایج دقیق‌تری را نسبت به مدل MARS ارائه نمودند. استفاده از دیاگرام تیلور نیز نشان‌دهنده نزدیک بودن کارایی دو مدل XGBoost و M5 در محاسبه میزان کلروفیل آ می‌باشد. توزیع کلروفیل آ در محدوده مخزن سد سردشت توسط مدل‌های مورد استفاده نشان می‌دهد که در نواحی محدودی از سد، مقادیر ارائه‌شده با مقادیر اندازه-گیری شده همخوانی ندارد که محدود بودن داده‌های اندازه‌گیری مورد استفاده و عدم انطباق کامل زمانی تصاویر سنتینل-2 با داده‌های اندازه‌گیری در مخزن سد می‌تواند تأثیر مهمی در این زمینه داشته باشد. استفاده از تعداد داده‌های متعدد در مخازن سدهای مختلف، به‌کارگیری مدل‌های داده‌کاوی متنوع و استفاده از تصاویر سایر سنجنده‌ها می‌تواند ابزار مناسبی را در اختیار مدیران مخازن قرار داده تا بتوانند با دقت بیشتری اقدام به ارزیابی کیفی آب مخازن نمایند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Simulating chlorophyll a in dam reservoirs using remote sensing and data-driven approaches

نویسندگان [English]

  • Javad Zahiri 1
  • Mitra Cheraghi 2
  • Meysam Salarijazi 3
1 Corresponding Author, Associate Prof., Dept. of Water Engineering, Agricultural Sciences and Natural Resources University of Khuzestan, Khuzestan, Iran.
2 Corresponding Author, Assistant Prof., Dept. of Nature Engineering, Agricultural Sciences and Natural Resources University of Khuzestan, Khuzestan, Iran.
3 Associate Prof., Dept. of Water Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
چکیده [English]

Chlorophyll A is used as a Indicator to measure the amount of algae growing in water, which can be applied to classify the nutritional status of water bodies. Accordingly, the concentration of chlorophyll a is considered a key indicator for water quality. In this research, an attempt has been made to estimate the amount of chlorophyll A in Sardasht dam reservoir using remote sensing techniques and data driven models. The data categories was used in this study: the first part is the measured values of chlorophyll A in Sardasht dam reservoir, and the second part includes 7 stages of measurement at 10 points with different coordinates in the reservoir of the dam and is related to March 2016 to June 2018. The second part of the data which used in data driven models, was extracted from the Sentinel-2 satellite images. The information of different bands was extracted from Sentinel-2 images and based on the band values, the criteria for measuring the amount of chlorophyll A were calculated and provided to the data driven models for training. In this research, three data driven models XGBoost, M5 and MARS were used to estimate the amount of chlorophyll A. In this study, 9 chlorophyll A estimation equations were considered as input of data driven models and the measured logarithm value of chlorophyll A was considered as output. 80% of the available data was used to train and the remaining 20% was used to verify the effectiveness of the used models. Based on the input data, the M5 model tree has divided the problem space into 5 parts and presented a linear equation for each part. Based on the structure provided by M5 and MARS algorithms, blue, red and green band combinations as well as infrared and red have a high impact on the models provided by these two algorithms. The results obtained from XGBoost algorithm show the importance of blue, red and green band combinations on the presented results. Based on this, the combination of blue, red and green bands has been used in all three algorithms as the most important or one of the most important input variables to calculate chlorophyll A. The coefficients of determination for three models XGBoost, M5 and MARS was calculated as 0.61, 0.49 and 0.31, respectively. The value of Nash-Sutcliffe coefficient for XGBoost, M5 and MARS models was calculated as 0.54, 0.47 and 0.27, respectively, which shows that the results of XGBoost and M5 models are favorable. The results show that the XGBoost and M5 models provided more accurate results than the MARS model. The use of Taylor's diagram also shows the close efficiency of the XGBoost and M5 models in calculating the amount of chlorophyll A. The spatial distribution of chlorophyll A in the Sardasht dam reservoir shows that the lack of information used has caused differences between the measured and calculated values in limited areas. The spatial distribution of chlorophyll A in the Sardasht dam reservoir shows that the limited data used and the lack of complete temporal compatibility of the Sentinel-2 images with the measurement data in the dam reservoir has caused differences between the measured and calculated values in limited areas. The use of a large number of data in the reservoirs of different dams, the use of various data driven models and applying images from other sensors can provide a suitable tool for the managers of the reservoirs so that they can evaluate the water quality more accurately.

کلیدواژه‌ها [English]

  • Algae
  • water quality
  • Sentinel-2 images
  • XGBoost
  • M5 and MARS algorithms

مراجع

1.USEPA. (2022). National Lakes Assessment 2022. Field Operations Manual. Version 1.2. EPA 841-B-16-011. U.S. Environmental Protection Agency, Washington, DC. 56-58.
2.Stumpf, R. P., Wynne, T. T., Baker, D. B., & Fahnenstiel, G. L. (2012). Interannual variability of cyanobacterial blooms in Lake Erie. PloS One, 7, 1-11.
3.Linkov, I., Satterstrom, F. K., Loney, D., & Steevans, J. A. (2009). The impact of harmful algal blooms on USACE operations. ANSRP technical notes collection. ERDC/TN ansrp-09-1. Vicksburg, MS: U.S. Army Engineer Research and Development Center, 16 p.
4.Graham, J. L. (2006). Harmful algal blooms. USGS Fact Sheet, 2006-3147, 2 p.5.Beck, R., Zhan, S., Liu, H., Tong, S., Yang, B., Xu, M., ... Su, H. (2016). Comparison of satellite reflectance algorithms for estimating chlorophyll-a in a temperate reservoir using coincident hyperspectral aircraft imagery and dense coincident surface observations. Remote Sensing of Environment, 178, 15-30.
6.Werdell, P. J., & Bailey, S. W. (2005). An improved in-situ bio-optical data set for ocean color algorithm development and satellite data product validation. Remote sensing of environment, 98 (1), 122-140.
7.Attila, J., Koponen, S., Kallio, K., Lindfors, A., Kaitala, S., & Ylöstalo, P. (2013). MERIS Case II water processor comparison on coastal sites of the northern Baltic Sea. Remote Sensing of Environment, 128, 138-149.
8.Lei, S., Wu, D., Li, Y., Wang, Q., Huang, C., Liu, G., ... & Lv, H. (2019). Remote sensing monitoring of the suspended particle size in Hongze Lake based on GF-1 data. International journal of remote sensing, 40 (8), 3179-3203.
9.Shi, K., Zhang, Y., Li, Y., Li, L., Lv, H., & Liu, X. (2015). Remote estimation of cyanobacteria-dominance in inland waters. Water research, 68, 217-226.
10.Taheri, A., Serajian, M. R., Ghashghaie, M., & Weysi, K. (2018). Estimation of Chlorophyll-a Concentration Using Remote Sensing Images. Iranian Journal of Soil and Water Research, 49 (1), 39-50. [In Persian]
11.Mobarak Hassan, E. (2021). Impact of atmospheric factors with emphasis on dust concentration on chlorophyll in
the southeast of the Caspian Sea (2007-2007). Journal of Oceanography, 12 (46), 74-85. [In Persian]
12.Matsushita, B., Yang, W., Yu, G., Oyama, Y., Yoshimura, K., & Fukushima, T. (2015). A hybrid algorithm for estimating the chlorophyll-a concentration across different trophic states in Asian inland waters. ISPRS journal of photogrammetry and remote sensing, 102, 28-37.
13.Ryu, J., Son, S., Jo, C.O., Kim, H., Kim, Y., Lee, S. H., & Joo, H. (2023). Revised chlorophyll-a algorithms for satellite ocean color sensors in the East/Japan Sea. Regional Studies in Marine Science, 60, 102876.
14.Li, H., Li, X., Song, D., Nie, J., & Liang, S. (2024). Prediction on daily spatial distribution of chlorophyll-a in coastal seas using a synthetic method of remote sensing, machine learning and numerical modeling. Science of the Total Environment, 910, 168642.
15.Najafzadeh Ghachkanloo, A. (2019). Estimation of turbidity and chlorophyll-a in lakes using remote sensing, Case study: Sardasht reservoir. Master's thesis, Kharazmi University, 109 p. [In Persian]
16.Hedayati Goudarzi, F. (2021). The effect of climate change on water quality in Sardasht dam using CE-Qual-W2 model. Master's thesis, Kharazmi University, 171 p. [In Persian]
17.Rangzan, K., Kabolizade, M., Rahshidian, M., & Delfan, H. (2019). Modeling and zoning water quality parameters using Sentinel-2 satellite images and computational intelligence (Case study: Karun River). Journal of RS and GIS for Natural Resources, 10 (4), 21-37. [In Persian]
18.Glasmann, F., Senf, C., Seidl, R., & Annighöfer, P. (2023). Mapping subcanopy light regimes in temperate mountain forests from Airborne Laser Scanning, Sentinel-1 and Sentinel-2. Science of Remote Sensing, 8, 100107.
19.O'Reilly, J. E., & Werdell, P. J. (2019). Chlorophyll algorithms for ocean color sensors-OC4, OC5 & OC6. Remote sensing of environment, 229, 32-47.
20.Hu, C., Feng, L., Lee, Z., Franz, B. A., Bailey, S. W., Werdell, P. J., & Proctor, C. W. (2019). Improving satellite global chlorophyll a data products through algorithm refinement and data recovery. Journal of Geophysical Research: Oceans, 124 (3), 1524-1543.
21.Xing, Q., & Hu, C. (2016). Mapping macroalgal blooms in the Yellow Sea and East China Sea using HJ-1 and Landsat data: Application of a virtual baseline reflectance height technique. Remote sensing of Environment, 178, 113-126.
22.Watanabe, F., Alcantara, E., Rodrigues, T., Rotta, L., Bernardo, N., & Imai, N. (2017). Remote sensing of the chlorophyll-a based on OLI/Landsat-8 and MSI/Sentinel-2A (Barra Bonita reservoir, Brazil). Anais da Academia Brasileira de Ciências, 90, 1987-2000.
23.Duan, H., Zhang, Y., Zhang, B., Song, K., & Wang, Z. (2007). Assessment of chlorophyll-a concentration and
trophic state for Lake Chagan using Landsat TM and field spectral data. Environmental monitoring and assessment, 129, 295-308.
24.Tan, W., Liu, P., Liu, Y., Yang, S., & Feng, S. (2017). A 30-year assessment of phytoplankton blooms in Erhai Lake using Landsat imagery: 1987 to 2016. Remote Sensing, 9 (12), 1265.
25.Nguyen, H. Q., Ha, N. T., & Pham, T. L. (2020). Inland harmful cyanobacterial bloom prediction in the eutrophic Tri
An Reservoir using satellite band ratio and machine learning approaches. Environmental Science and Pollution Research, 27, 9135-9151.
26.Bocharov, A. V., Tikhomirov, O. A., Khizhnyak, S. D., & Pakhomov, P. M. (2017). Monitoring of chlorophyll in water reservoirs using satellite data. Journal of Applied Spectroscopy, 84, 291-295.
27.Matthews, M. W., & Odermatt, D. (2015). Improved algorithm for routine monitoring of cyanobacteria and eutrophication in inland and near-coastal waters. Remote Sensing of Environment, 156, 374-382.
28.Eibe, F., Hall, M. A., & Witten, I. H. (2016). The WEKA workbench. Online appendix for data mining: practical machine learning tools and techniques. In Morgan Kaufmann. San Francisco, California: Morgan Kaufmann Publishers, 363-368.
29.Chen, T., & Guestrin, C. (2016). Xgboost: a scalable tree boosting system Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016: 785‐794. ACM, New York, NY.
30.Fan, J., Wang, X., Wu, L., Zhou, H., Zhang, F., Yu, X., ... & Xiang, Y. (2018). Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China. Energy conversion and management, 164, 102-111.
31.Yao, X., Fu, X., & Zong, C. (2022). Short-term load forecasting method based on feature preference strategy
and LightGBM-XGboost. IEEE Access, 10, 75257-75268.
32.Quinlan, J. R. (1992). Learning with continuous classes. Singapore, 343-348.: Proceedings Australian Joint Conference on Artificial Intelligence, World Scientific.
33.Wang, Y., & Witten, I. H. (1997). Inducing model trees for continuous classes. In Proceedings of the ninth European conference on machine learning, 9 (1), 128-137.
34.Zahiri, J. (2015). Nonparametric CART and M5’ Methods Application on Bridge Piers Scour Depth Computation. Irrigation and Water Engineering, 5 (4), 35-50.
35.Jung, N. C., Popescu, I., Kelderman, P., Solomatine, D. P., & Price, R. K. (2010) Application of model trees and other machine learning techniques for algal growth prediction in Yongdam reservoir, Republic of Korea. Journal of Hydroinformatics. 12 (3), 262-274.
36.Friedman, J. H. (1991). Multivariate adaptive regression splines. The annals of statistics, 19 (1), 1-67.
37.Boehmke, B., & Greenwell, B. M. (2019). Hands-on machine learning with R. Chapman and Hall/CRC, 1-392.
38.Zahiri, J., Mollaee, Z., & Ansari, M. R. (2020). Estimation of suspended sediment concentration by M5 model tree based on hydrological and moderate resolution imaging spectroradiometer (MODIS) data. Water Resources Management, 34 (12), 3725-3737.
39.Alizamir, M., Heddam, S., Kim, S., Gorgij, A. D., Li, P., Ahmed, K. O., & Singh, V. P. (2021). Prediction of daily chlorophyll-a concentration in rivers by water quality parameters using an efficient data-driven model: online sequential extreme learning machine. Acta Geophysica, 69, 2339-2361.
40.Cui, Z., Du, D., Zhang, X., & Yang, Q. (2022). Modeling and Prediction of Environmental Factors and Chlorophyll a Abundance by Machine Learning Based on Tara Oceans Data. Journal of Marine Science and Engineering, 10 (11), 1749.
مجله پژوهش‌های حفاظت آب و خاک
دوره 31، شماره 3
مهر 1403
صفحه 85-108

فایل ها

هم رسانی

ارجاع به این مقاله

آمار