ارزیابی رابطه بین تغییرپذیری زمانی- مکانی پوشش اراضی با آلودگی آب های سطحی با بکارگیری تحلیل های سری زمانی در حوضه آبخیز سد لتیان

تصمیم گیری در خصوص کنترل و مدیریت آلودگی آب های سطحی، متاثر از مولفه های محیطی، از پیچیدگی های بسیار بالایی برخوردار است. این پیچیدگی ناشی از پویایی محیط و تغییر پذیری مکانی-زمانی بسیار بالا، ابهام و عدم قطعیت در ساختار مفهومی و متغیرهای مورد استفاده در آلودگی، ماهیت غیرمتمرکز آلودگی، ساختار ضعیف و عدم اطمینان در پیش بینی این پدیده، می باشد. در همین راستا در این تحقیق با استفاده از روش های گوناگون مدل سازی از جمله شبکه های عصبی مصنوعی به تعیین ارتباط بین تغییرپذیری زمانی- مکانی پوشش اراضی و پارامترهای آلودگی آب رودخانه جاجرود مورد بررسی قرار گرفته است. داده های پارامترهای آلودگی آب مورد استفاده در تحقیق شامل نیترات و اکسیژن محلول، حاصل نمونه برداری از رودخانه در طول 9 سال(2002-2010) به صورت ماهانه در 22 زیرحوضه بوده است. این داده ها به عنوان داده های هدف در مدل های شبکه ی عصبی و رگرسیون چندمتغیره استفاده شدند. محصول ndvi سنجنده ی مادیس نیز در سال های 2002-2010 به صورت 16روزه در دسترس قرار گرفت. این محصول در کنار متغیرهایی مانند رواناب، ارتفاع و شیب متوسط هر زیرحوضه و داده های زمین شناسی، به عنوان متغیرهای محیطی موثر در فرایند آلودگی مدنظر قرار گرفتند. این داده ها به عنوان داده های ورودی به مدل معرفی شدند. برای ارائه تصویری روشن تر از الگوهای آلودگی و تحلیل ارتباط کمی بین پارامترهای آلودگی موردنظر و متغیرهای محیطی از داده های محاسبه شده از تحلیل سری های زمانی ndvi شامل متغیرهای دامنه و فاز، شیب تغییرات زمانی مکانی محاسبه شده از آزمون mann-kendall و عملگر median trend، ضریب همبستگی پیرسون، نیز استفاده گردید. سه ورودی مختلف در مدل سازی به صورت سه سناریو مورد استفاده قرار گرفته، که این سناریوها با استفاده از مدل ffbp شبکه ی عصبی در فصول و ماه های مختلف با هم مقایسه شدند. نتیجه ی این مدل با خروجی های حاصل از مدل رگرسیون چندمتغیره مقایسه شد که منجر به اثبات برتری مدل شبکه ی عصبی مذکور شد. نتایج و اعتبارسنجی نتایج، نشان داد در سناریوی دوم که به ورودی های مدل، داده های محاسبه شده از تحلیل های سری زمانی ndvi اضافه گردید، به عنوان بهترین سناریو و تیرماه برای نیترات و اردیبهشت ماه برای اکسیژن محلول مدل از دقت بالایی برخوردار بوده است. بنابراین برای دو ماه منتخب از سناریوی دوم، پنج مدل شبکه ی عصبی شامل ffbp، narx، elbp، ffdtd، cfbp، با هم مقایسه شدند و در نهایت مدل ffbp و narx برای نیترات با ضریب همبستگی 0. 98 و خطای 0. 1 و مدل ffbp وelbp برای اکسیژن محلول با ضریب همبستگی 0. 97 و میانگین خطای مطلق 0. 6 بالاترین دقت تخمین و پیش بینی پارامترهای کیفی مورد نظر را به خود اختصاص داد.