پارامترهای کیفی آب

میانگذر دریاچه ارومیه به دلیل اتصال استان های آذربایجان‌شرقی و غربی به لحاظ اقتصادی و اجتماعی از اهمیت ویژه‌ای برخوردار است. اما این میانگذر ممکن است که موجب تأثیراتی بر کاهش ارتباط آب در دو سمت میانگذر باشد. بنابراین در این تحقیق سعی شده تا تأثیر میانگذر بر تغییرات کیفی آب شامل خواص شیمیایی، فیزیکی و بیولوژیکی مورد مطالعه قرار گیرد. در این مطالعه از داده‌های رقومی TM ماهواره لندست در دو زمان مختلف برای بررسی پارامتر‌های کیفی آب دریاچه و نقش میانگذر در توزیع این پارامترها استفاده شده است. برای این منظور از روش های ایجاد تصاویر رنگی کاذب(FCC) و بسط تباین، تهیه پروفیل‌های طیفی از باندهای انعکاسی و حرارتی سنجنده TM ماهواره لندست و انتخاب محدوده‌های کوچک به عنوان نمونه از ساحل دریاچه تا مرکز آن برای بررسی رفتار طیفی آب حاوی مواد جامد معلق و روشهای پردازش تصویر دیگر، استفاده شده است. بر اثر نتایج حاصل از مطالعه پروفیل بازتاب های طیفی، اختلافات قابل توجهی در توزیع پارامترهای کیفی آب در دو سوی میانگذر مشاهده می‌گردد که احتمالا ناشی از عدم ارتباط هیدرولیکی کامل بین دو سوی میانگذر از طریق بازه موجود می‌باشد. نتایج نشان می‌دهد که هم باندهای انعکاسی و هم باند حرارتی توانایی زیادی برای تشخیص اثر گل‌آلودگی و شوری دارند. باندهای 3TM و6 TM در مقایسه با باندهای دیگر انعکاسی نقش مهم تری در بازتاب های طیفی آب‌های شور و محتوی رسوب دارند. واژگان کلیدی: میانگذر دریاچه ارومیه، داده های ماهواره ای، پارامترهای کیفی آب.

با توجه به وسعت جهانی منابع آب، اندازه گیری های زمینی از پارامترهای کیفی امکان پذیر نیست، همچنین نمونه برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به عنوان مهم ترین پارامترهای کیفی آب با استفاده از شبکه های عصبی مصنوعی با دقت مناسب توسط پژوهشگران انجام شده است. با توجه به مشکلاتی که در تهیه تعداد بالایی از داده های آموزشی در محیط های آبی وجود دارد استفاده از شبکه های ترکیبی مقاوم تری نظیر شبکه عصبی موجکی پیشنهادشده است. در این تحقیق انواع مختلفی از توابع موجک به عنوان تابع محرک شبکه مورداستفاده قرار گرفت و بهترین شبکه به منظور برآورد غلظت کلروفیل آ و کدورت به ترتیب شبکه های عصبی موجکی با تابع محرک مورلت و کلاه مکزیکی به دست آمد، داده های مورداستفاده محصول بازتاب اقیانوسی سنجنده مادیس است، به دلیل به کارگیری تصاویر چند زمانه نرمال سازی رادیومتریک داده ها انجام شد و نتایج نسبت به زمانی که از تصاویر نرمال نشده استفاده شده است، به صورت قابل توجهی بهبود یافت. در حالت چندزمانه علاوه بر افزایش تعداد داده های آموزشی، قابلیت تعمیم پذیری شبکه به سایر روزهایی که در آن تعداد داده میدانی کافی موجود نیست، فراهم شده است و دقت شبکه در این حالت در مقایسه باحالت تک زمانه افزایش یافت، درنهایت RMSE برای بهترین مدل به منظور برآورد کدورت و غلظت کلروفیل به ترتیب 047/0 و 071/0 به دست آمد که در مقایسه با دقت اندازه گیری میدانی 1/0، قابل قبول بوده و می تواند جایگزین مناسبی برای اندازه گیری های میدانی باشد.