[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 308
نرخ پذیرش: 62.7
نرخ رد: 37.3
میانگین داوری: 209 روز
میانگین انتشار: 344 روز
..
:: دوره 9، شماره 4 - ( 12-1400 ) ::
جلد 9 شماره 4 صفحات 42-19 برگشت به فهرست نسخه ها
پایش و پیش بینی تغییرات پهنه آبی تالاب‌ها با استفاده ازیک سیستم هوشمند عصبی – فازی مبتنی بر داده‌های سامانه گوگل ارث انجین (مطالعه موردی تالاب انزلی، 2019-2000)
سید مرتضی سید موسوی ، مهدی آخوندزاده هنزائی*
دانشگاه تهران
چکیده:   (2081 مشاهده)
تالاب‌ها از مهم‌ترین سرمایه‌های اکولوژیکی کشور بوده و اطلاع از روند تغییرات آن‌ها در بلند­مدت نقش اساسی در کیفیت مدیریت این گونه مناطق دارد. این اکوسیستم­های منحصر به فرد در جهان با تنوع اکولوژیکی بالا توسط عوامل طبیعی مختلف مانند: کاهش بارش، افزایش دما، افزایش تبخیر، خشک­سالی و غیره تهدید می‌شوند. این تحقیق بر توسعه یک چارچوب کاربردی و موثر برای نظارت طولانی مدت بر پهنه آبی تالاب با استفاده از پارامترهای اثرگذار بر تالاب و تصاویر سری زمانی لندست که همگی از سامانه گوگل ارث انجین(GEE)  تهیه شده‌اند متمرکز گردیده است. در این مطالعه، برای تعیین تغییر پهنه آبی تالاب، از محاسبه شاخص نرمالیز شده تفاوت آبی  (NDWI) برای جدا سازی بهتر  پوشش آب از سایر پوشش‌های منطقه استفاده شده است. تغییرات پهنه آبی تالاب انزلی و عوامل طبیعی موثر بر آن در بازه 240 ماه بین ژانویه 2000 تا دسامبر 2019 بررسی گردید. در ادامه با استفاده از روش­های یادگیری ماشین و به کارگیری پارامتر‌های موثر بر تغییرات سطحی تالاب به عنوان ورودی شبکه تغییرات سطحی تالاب با میانگین خطای مربع ریشه (RMSE)  977/0 مدل­سازی گردید. همچنین به منظور پیش بینی تغییرات شدید سطحی تالاب در آینده، تغییرات سطحی تالاب و تمامی پارامتر‌ها برای بازه طولانی مدت (20 سال گذشته) به صورت ماهانه با استفاده از روش­های پرسپترون چند لایه (MLP) و حافظه‌ کوتاه‌مدت طولانی (LSTM)بررسی شدند. در انتها با توجه به نتایج بدست آمده از مراحل قبل و شناخت عواملی که اثرگذاری بیشتری بر تالاب دارند و به دلیل عدم قطعیت، غیر خطی بودن رفتار متغیر‌ها از طریق سیستم استنتاج فازی (FIS) برای ایجاد سیستم هشداردهنده خشک­سالی تالاب مدلسازی گردید. بنابراین مدل توسعه یافته می‌تواند به طور مداوم و مستمر برای مدیریت و نظارت بر تالاب‌ها مورد استفاده قرار گیرد.
واژه‌های کلیدی: تالاب، گوگل ارث انجین، آنالیز سری زمانی، شبکه عصبی، سیستم استنتاج فازی
متن کامل [PDF 3624 kb]   (570 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1400/6/9 | پذیرش: 1400/11/30 | انتشار الکترونیک پیش از انتشار نهایی: 1400/12/1 | انتشار: 1400/12/16
فهرست منابع
1. [1] D. Dutta, A. Kundu, N. R. Patel, S. K. Saha, and A. R. Siddiqui, "Assessment of agricultural drought in Rajasthan (India) using remote sensing derived Vegetation Condition Index (VCI) and Standardized Precipitation Index (SPI)," Egypt. J. Remote Sens. Sp. Sci., vol. 18, no. 1, pp. 53-63, 2015, doi: 10.1016/j.ejrs.2015.03.006. [DOI:10.1016/j.ejrs.2015.03.006]
2. [2] D. P. Roy et al., "Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity," Remote Sens. Environ., vol. 185, pp. 57-70, 2016, doi: 10.1016/j.rse.2015.12.024. [DOI:10.1016/j.rse.2015.12.024]
3. [3] A. Jamali, M. Mahdianpari, B. Brisco, J. Granger, F. Mohammadimanesh, and B. Salehi, "Wetland Mapping Using Multi-Spectral Satellite Imagery and Deep Convolutional Neural Networks: A Case Study in Newfoundland and Labrador, Canada," Can. J. Remote Sens., vol. 47, no. 2, pp. 243-260, 2021, doi: 10.1080/07038992.2021.1901562. [DOI:10.1080/07038992.2021.1901562]
4. [4] D. Mejia Ávila, V. C. Soto Barrera, and Z. Martínez Lara, "Spatio-temporal modelling of wetland ecosystems using Landsat time series: case of the Bajo Sinú Wetlands Complex (BSWC)- Córdoba- Colombia," Ann. GIS, vol. 25, no. 3, pp. 231-245, 2019, doi: 10.1080/19475683.2019.1617347. [DOI:10.1080/19475683.2019.1617347]
5. [5] R. Costanza et al., "Changes in the global value of ecosystem services," Glob. Environ. Chang., vol. 26, no. 1, pp. 152-158, 2014, doi: 10.1016/j.gloenvcha.2014.04.002. [DOI:10.1016/j.gloenvcha.2014.04.002]
6. [6] S. Sabater et al., "Nitrogen Removal by Riparian Buffers along a European Climatic Gradient : Patterns and Factors of Variation," pp. 20-30, 2003, doi: 10.1007/s10021-002-0183-8. [DOI:10.1007/s10021-002-0183-8]
7. [7] M. Mahdianpari et al., "A large-scale change monitoring of wetlands using time series Landsat imagery on Google Earth Engine: a case study in Newfoundland," GIScience Remote Sens., vol. 57, no. 8, pp. 1102-1124, 2020, doi: 10.1080/15481603.2020.1846948. [DOI:10.1080/15481603.2020.1846948]
8. [8] X. Na, S. Zang, C. Wu, Y. Tian, and W. Li, "Hydrological regime monitoring and mapping of the Zhalong wetland through integrating time series Radarsat-2 and landsat imagery," Remote Sens., vol. 10, no. 5, 2018, doi: 10.3390/rs10050702. [DOI:10.3390/rs10050702]
9. [9] S. T. S. and M.Hasanlou, "Novel Wetland and Water Body Change Detection Using Multi Temporal Hyperspectral Imagery," Int. Water Conf. 2016, Springer, 2016.
10. [10] K. Wal-, "Ecosystem services : Classification for valuation," vol. 1, no. 2007, pp. 8-10, 2008.
11. [11] K. Katsuki, K. Seto, A. Tsujimoto, H. Takata, and T. Sonoda, "Estuarine , Coastal and Shelf Science Relationship between regional climate change and primary ecosystem characteristics in a lagoon undergoing anthropogenic eutrophication , Lake," Estuar. Coast. Shelf Sci., vol. 222, no. April, pp. 205-213, 2019, doi: 10.1016/j.ecss.2019.04.016. [DOI:10.1016/j.ecss.2019.04.016]
12. [12] S. Munishi and G. Jewitt, "Degradation of Kilombero Valley Ramsar wetlands in Tanzania," Phys. Chem. Earth, vol. 112, no. February, pp. 216-227, 2019, doi: 10.1016/j.pce.2019.03.008. [DOI:10.1016/j.pce.2019.03.008]
13. [13] F. Song, F. Su, D. Zhu, L. Li, H. Li, and D. Sun, "Evaluation and driving factors of sustainable development of the wetland ecosystem in Northeast China: An emergy approach," J. Clean. Prod., vol. 248, p. 119236, 2020, doi: 10.1016/j.jclepro.2019.119236. [DOI:10.1016/j.jclepro.2019.119236]
14. [14] E. Ruiz, "Management of Natura 2000 habitats * Mediterranean temporary ponds 3170," Ecosystems, p. 20, 2008, [Online]. Available: http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:MANAGEMENT+of+Natura+2000+habita+ts+*+Mediterranean+temporary+ponds#0.
15. [15] C. O. Koning, "Vegetation Patterns Resulting From Spatial and Temporal Variability in Hydrology , Soils , and Trampling in an I," Wetlands, vol. 25, no. 2, pp. 239-251, 2005. [DOI:10.1672/1]
16. [16] H. Jin, C. Huang, M. W. Lang, I. Y. Yeo, and S. V. Stehman, "Monitoring of wetland inundation dynamics in the Delmarva Peninsula using Landsat time-series imagery from 1985 to 2011," Remote Sens. Environ., vol. 190, pp. 26-41, 2017, doi: 10.1016/j.rse.2016.12.001. [DOI:10.1016/j.rse.2016.12.001]
17. [17] R. I. A. Stewart et al., Mesocosm Experiments as a Tool for Ecological Climate-Change Research, 1st ed., vol. 48. Elsevier Ltd., 2013.
18. [18] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, "Google Earth Engine: Planetary-scale geospatial analysis for everyone," Remote Sens. Environ., vol. 202, pp. 18-27, 2017, doi: 10.1016/j.rse.2017.06.031. [DOI:10.1016/j.rse.2017.06.031]
19. [19] M. Zare, H. R. Pourghasemi, M. Vafakhah, and B. Pradhan, "Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: A comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms," Arab. J. Geosci., vol. 6, no. 8, pp. 2873-2888, 2013, doi: 10.1007/s12517-012-0610-x. [DOI:10.1007/s12517-012-0610-x]
20. [20] M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems, vol. 2. 2005.
21. [21] I. A. Basheer and M. Hajmeer, "Artificial neural networks: Fundamentals, computing, design, and application," J. Microbiol. Methods, vol. 43, no. 1, pp. 3-31, 2000, doi: 10.1016/S0167-7012(00)00201-3. [DOI:10.1016/S0167-7012(00)00201-3]
22. [22] B. Pradhan and S. Lee, "Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling," Environ. Model. Softw., vol. 25, no. 6, pp. 747-759, 2010, doi: 10.1016/j.envsoft.2009.10.016. [DOI:10.1016/j.envsoft.2009.10.016]
23. [23] W. Jiang et al., "Multilayer perceptron neural network for surface water extraction in landsat 8 OLI satellite images," Remote Sens., vol. 10, no. 5, pp. 1-22, 2018, doi: 10.3390/rs10050755. [DOI:10.3390/rs10050755]
24. [24] J. Y. Liu et al., "Pre-earthquake ionospheric anomalies registered by continuous GPS TEC measurements," Ann. Geophys., vol. 22, no. 5, pp. 1585-1593, 2004, doi: 10.5194/angeo-22-1585-2004. [DOI:10.5194/angeo-22-1585-2004]
25. [25] S. Pulinets, "Ionospheric precursors of earthquakes: Recent advances in theory and practical applications," Terr. Atmos. Ocean. Sci., vol. 15, no. 3, pp. 413-435, 2004, doi: 10.3319/TAO.2004.15.3.413(EP). [DOI:10.3319/TAO.2004.15.3.413(EP)]
26. [26] H. Yuan, H. Dai, W. Wu, J. Xie, J. Shen, and X. Wei, "A fuzzy logic PI control with feedforward compensation for hydrogen pressure in vehicular fuel cell system," Int. J. Hydrogen Energy, vol. 46, no. 7, pp. 5714-5728, 2021, doi: 10.1016/j.ijhydene.2020.11.089. [DOI:10.1016/j.ijhydene.2020.11.089]
27. [27] J. O. Oladipo, A. S. Akinwumiju, O. S. Aboyeji, and A. A. Adelodun, "Comparison between fuzzy logic and water quality index methods: A case of water quality assessment in Ikare community, Southwestern Nigeria," Environ. Challenges, vol. 3, no. November 2020, p. 100038, 2021, doi: 10.1016/j.envc.2021.100038. [DOI:10.1016/j.envc.2021.100038]
28. [28] H. Gharibi et al., "Development of a dairy cattle drinking water quality index (DCWQI) based on fuzzy inference systems," Ecol. Indic., vol. 20, pp. 228-237, 2012, doi: 10.1016/j.ecolind.2012.02.015. [DOI:10.1016/j.ecolind.2012.02.015]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Seyed Mousavi S M, Akhoondzadeh Hanzaei M. 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). jgit 2022; 9 (4) :19-42
URL: http://jgit.kntu.ac.ir/article-1-850-fa.html

سید موسوی سید مرتضی، آخوندزاده هنزائی مهدی. پایش و پیش بینی تغییرات پهنه آبی تالاب‌ها با استفاده ازیک سیستم هوشمند عصبی – فازی مبتنی بر داده‌های سامانه گوگل ارث انجین (مطالعه موردی تالاب انزلی، 2019-2000). مهندسی فناوری اطلاعات مکانی. 1400; 9 (4) :19-42

URL: http://jgit.kntu.ac.ir/article-1-850-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 4 - ( 12-1400 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 38 queries by YEKTAWEB 4645