پایش تراز آب مخزن سد جره با تلفیق تصاویر سنتینل-۲ و الگوریتم جنگل تصادفی

مخازن با امکان ذخیره، تنظیم و توزیع آب شیرین، نقش کلیدی در تامین آب شرب، کشاورزی، تولید برق آبی و کنترل سیلاب ایفا می کنند. با این حال، بهره برداری پایدار از مخازن به داده های دقیق تراز آب و مساحت سطح مخزن وابسته است. روش های سنتی اندازه گیری میدانی علی رغم دقت بالا، به دلیل هزینه زیاد، محدودیت های لجستیکی و عدم دسترسی به مناطق دورافتاده، برای پایش گسترده و مداوم مخازن به ویژه در مناطق خشک و نیمه خشک کارآمد نیستند. در این پژوهش، یک چارچوب یکپارچه برای تخمین روزانه تراز سطح آب مخزن سد جره با تلفیق تصاویر سنتینل-۲، مدل رقومی ارتفاعی ALOS PALSAR و الگوریتم جنگل تصادفی توسعه داده شد. شاخص های طیفی Normalized Difference Water Index (NDWI) و Modified Normalized Difference Water Index (MNDWI) برای استخراج پهنه آبی و محاسبه مساحت سطح آب به کار رفتند. ارتفاع لبه آب با اعمال مدل رقومی ارتفاع بر روی پیکسل های مرزی مخزن استخراج شد. سه سناریوی متفاوت شامل داده های ماهواره ای (تراز آب مدل سازی شده، NDWI، MNDWI و مساحت مخزن)، همراه با داده های تراز آب اندازه گیری شده با ۵ روز و ۱۰ روز قبل طراحی شد. داده ها با نسبت ۸۰ به ۲۰ درصد به دو مجموعه آموزش و آزمون تقسیم و سپس استاندارد شدند. نتایج نشان داد مدل جنگل تصادفی در سناریوی اول عملکرد قابل قبولی داشت (RMSE آزمون ۳۳/۱ متر)، اما افزودن داده های تراز آب ۵ روز پیش (سناریوی دوم) بهبود چشمگیری ایجاد کرد و RMSE مجموعه آزمون را به ۷۴/۰ متر کاهش داد و ضریب نش-ساتکلیف را به ۹۲/۰ رساند. سناریوی سوم بهبود معناداری نسبت به سناریوی دوم نداشت. ارزیابی عدم قطعیت با استفاده از خطای برون کیسه ای نشان داد که سناریوی دوم و سوم از پهنای باند عدم قطعیت باریک تری (حدود ۴۰/۱ متر برای بازه اطمینان ۹۰ درصد) در مقایسه با سناریو اول (۶۵/۱ متر) برخوردار هستند. با این حال، سناریوی اول امکان برآورد تراز سطح آب مخزن تنها بر اساس داده های سنجش از دور و بدون استفاده از داده های میدانی را فراهم می کند و بنابراین از نظر کاربردی برای مناطق فاقد ایستگاه اندازه گیری از اهمیت ویژه ای برخوردار است. نتایج تحلیل حساسیت نشان داد که مدل بیش از همه به پارامترهای تراز آب اندازه گیری شده وابسته است. پس از آن، پارامترهای تراز آب و مساحت مخزن استخراج شده از تصاویر ماهواره ای، بیش ترین نقش را در تعیین خروجی مدل دارند.

کلیدواژه ها:

Machine Learning ، Remote Sensing ، Spectral Indices ، Uncertainty Analysis ، Water Resources Management. ، تحلیل عدم قطعیت ، سنجش از دور ، شاخص های طیفی ، مدیریت منابع آب ، یادگیری ماشین