پایش تغییرات تالاب بختگان با استفاده از سری زمانی دادههای ماهوارهای در پلتفرم گوگل ارث انجین و پیشبینی پارامترها با مدل Facebook’s Prophet
محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطیمحسن دستاران 1 , شاهین جعفری 2 , حسین مسلمی 3 , سارا عطارچی 4 , سید کاظم علوی پناه 5
1 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران
2 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
3 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران
4 - استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
5 - استاد گروه سنجش از دور و سیستم اطلاعات جغرافیایی ، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
کلید واژه: آزمون من-کندال, تالاب بختگان, مدل پیشبینی Prophet, گوگل ارث انجین,
چکیده مقاله :
پیشینه و هدف تالابها زیستگاه پوشش گیاهی و حیاط وحش هستند و به همین دلیل دارای ارزش زیستمحیطی بالایی میباشند. همچنین تالابها در هنگام وقوع حوادث ناگوار طبیعی باعث کاهش فرسایش خاک، بازیابی سفرههای زیرزمینی و ذخیره آب حاصل از بارش می شوند و در فراهم کردن آب جهت کشاورزی و یا استفاده دام نقش دارند. این مناطق در برابر دخالتها و تغییرات انسانی مانند زهکشی، گسترش شهر و توسعه زیرساختها و بهرهبرداری بیشازحد از منابع آبهای زیرزمینی آسیبپذیر هستند. پیشبینی وضعیت تالاب ها در آینده، نیازمند داشتن درک درست از سیر تحول تالابها و تعیین روند تغییرات آنها است. امروزه فناوری سنجشازدور برای نگاشت تالابها بهطور گسترده ای مورداستفاده قرار میگیرد و توانایی آن در پایش تغییرات تالابها به دلیل وسعت متغیر و پویایی تالاب، ارزش این علم را در این زمینه دوچندان کرده است. سنجشازدور با تأمین تصاویر در زمانهای مختلف و از طریق مدلسازی فضایی پویا میتواند ابزاری مؤثر برای شبیهسازی و پیشبینی فرایندهای تخریب تالاب باشد. در این مطالعه به دلیل اهمیت بالای زیستمحیطی و گردشگری تالاب بختگان و اثرات خشک شدن تالاب بر شرایط زیستی و سلامت افراد بومی و همچنین گردشگری منطقه به پایش تغییرات این تالاب پرداختهشده است و پیشبینی پارامترهای بارش، سطح آبهای زیرزمینی و دما انجامگرفته است. برای این امر پلتفرم گوگل ارث انجین برای اخذ و پردازش تصاویر مورداستفاده قرار گرفت. پلتفرم گوگل ارث انجین پلتفرمی است که در کمترین زمان و با سرعتبالا میتوان اقدام به اخذ و پردازش تصاویر کرد. بر این اساس با استفاده از پلتفرم گوگل ارث انجین تغییرات پهنه آبی دریاچه به همراه تغییرات دما، سطح آبهای زیرزمینی و بارش استخراج و مورد پایش قرارگرفته شد. همچنین مقایسهای بین این پارامترها صورت گرفت تا مشخص شود چه تغییراتی طی دو دهه در این دریاچه اتفاق افتاده است. برای پیشبینی پارامترها با استفاده از مدل Prophet اقدام به پیشبینی و تحلیل روند تغییرات شد. مهمترین مزیت مدل Prophet توانایی در تبدیل دادههای گسسته به دادههای پیوسته است تا پیشبینی به بهترین شکل انجام پذیرد. این روش در شناسایی روند فصلی بودن دادهها بهصورت خودکار عمل میکند و در صورت وجود روند تغییرات فصلی آنها را نمایش میدهد.مواد و روش ها برای انجام پایش تالاب اقدام به اخذ تصاویر از پلتفرم گوگل ارث انجین شد. از تصاویر لندست 7 و 8 برای استخراج پهنه آبی، برای استخراج تغییرات سطح آبهای زیرزمینی از دادههای گریس، برای استخراج پوشش گیاهی و دمای سطح تالاب از پروداکت مادیس و برای استخراج مقادیر بارش از پروداکت تصاویر TRMM استفاده شد. برای استخراج پهنه آبی تالاب از شاخص استخراج خودکار آب (Automated water extraction index) استفاده شد. برای استخراج سطح آبهای زیرزمینی از سنجنده گریس استفاده شد. برای به دست آوردن سری زمانی دمای سطح زمین برای منطقه موردمطالعه از پروداکت سنجنده مادیس استفاده شد. برای استخراج سری زمانی بارش، از دادههای تجمعی ماهانه ماهواره TRMM (3B43V7) باقدرت تفکیک مکانی 25/0 درجه جغرافیایی با استفاده از گوگل ارث انجین استخراج و روند تغییرات مورد ارزیابی و تحلیل قرار گرفت. آزمون Mann-Kendall یکی از پرکاربردترین آزمونهای غیر پارامتری برای تشخیص روند دادههای آب و هواشناسی و زیستمحیطی است که برای تشخیص خط روند یکنواخت به کار میرود، این آزمون ازآنجاکه روشی غیر پارامتری است نیازی نیست از دادههایی با توزیع نرمال پیروی کند. مدل پیشبینی Prophet، کتابخانۀ پیشبینی کنندۀ Prophet که توسط فیسبوک توسعهیافته است در زبانهای برنامهنویسی R و Python در دسترس است. این کتابخانه از روشهای (Additive model) پشتیبانی میکند و مقادیر گسسته را میتواند بهخوبی و بهصورت مقادیر پیوسته پیشبینی کند. نام این قابلیت تعطیلات است. از دیگر قابلیتهای این کتابخانه شناسایی خودکار روندهای روزانه هفتگی، فصلی و سالانه است. میانگین خطای مطلق یا بهاختصار (MAE) بهصورت پیشفرض در کتابخانهی Prophet وجود دارد. این خطا معیار طبیعیتری از خطای متوسط را نشان میدهد و برخلاف خطای RMSE بدون ابهام است.نتایج و بحث در این مطالعه روند تغییرات سطح آب تالاب بختگان بین سالهای 2000 تا 2020 با استفاده از پلتفرم گوگل ارث انجین پایش شد. همچنین با استفاده از روش پیشبینی Prophet که توسط فیسبوک توسعه و منتشرشده است، اقدام بهپیش بینی پارامترهای موثر گردید. بررسی روند تغییرات نشان داد که سطح آب تالاب در طی دو دهه کاهش چشمگیری داشته است. در همین راستا، روند سطح آبهای زیرزمینی، دما و بارش منطقه موردبررسی قرار گرفت. با بررسی این عوامل مشخص شد هم زمان با کاهش 58.3% سطح آب تالاب، کاهش 260% نیز در سطح آب های زیرزمینی منطقه رخ داده است. با این حال تغییرات مقدار بارش منطقه در مقایسه با پارامترهای دیگر کمتر بوده است و حدود 29% کاهش داشته است. این روند کاهش با استفاده از آزمون آماری من-کندال نیز اثبات شد. برای پیشبینی پارامترها نیز، مدل Prophet با استفاده از دادهای گسسته توانسته است برای 1500 روز پیشبینی را بهصورت دادهی پیوسته انجام دهد. خروجی مدل نشان داد که برای پارامترهای بارش و سطح آبهای زیرزمینی یکروند نزولی در طی 1500 روز آینده قابل پیش بینی است که این روند کاهشی برای مقادیر بارش با شدت کم اما برای سطح آبهای زیرزمینی با شدت زیاد هست. پیشبینی دما نشان داد که دما دارای الگوی فصلی است و نوسان زیادی در طول یک سال دارد، اما روند سالیانهی آن نشان از ثبات در سالهای پیش رو دارد. نتایج مدل برای سطح آب تالاب نیز نشان از یکروند صعودی نسبتاً کم دارد که دارای احتمال تغییر ±12.5 کیلومترمربعی است. همچین خطای پارامترها در سطح معنیداری 95٪ دارای مقادیر قابل قبول هستند که نشان از صحت پیشبینی دارد. از شاخص خودکار آب بهمنظور استخراج سری زمانی پهنه آبی تالاب موردنظر استفاده شد. با استفاده از میانگین سری زمانی استخراجشده بیشترین و کمترین مساحت پهنه آبی تالاب به ترتیب به سال 2006 با 629.23 کیلومترمربع و سال 2014 با 156.82 کیلومترمربع تعلق دارد. سری زمانی تغییرات این تالاب نشان میدهد که وضعیت آب تالاب طی دو دهه سیر نزولی را طی کرده است. براساس این مطالعه می توان نتیجه گرفت که روند تغییرات سطح آب تالاب روبه کاهش بوده است. تغییرات دریاچه براساس روند تغییرات سطح آب های زیرزمینی که به صورت نزولی می باشد گویای کاهش آب منطقه است. بدلیل اینکه روند تغییرات بارش دارای یک ثباتی بوده، مدیریت نامناسب می تواند دلیلی بر کاهش سطح آب دریاچه و استفاده بی رویه از آب های زیرزمینی باعث کاهش سطح آب های زیرزمینی باشد. بدلیل همین کاهش سطح آب دریاچه، دما هم تا 3 درجه سانتی گراد کاهش داشته استنتیجه گیری بر اساس این مطالعه میتوان نتیجه گرفت که سطح آبهای زیرزمینی و بارش در آینده روندی نزولی خواهند داشت که باعث میشود سطح آب تالاب - که خود دارای احتمال نوسان در آینده است - کاهش یابد و روند بهصورت نزولی ادامه یابد. با روند پیش رو، تنها راه، برنامهریزیهای مناسب در جهت حفظ تالاب است. در صورت ادامه این روند، شاهد نابودی تالاب خواهیم بود. پیشنهاد میشود با توجه به روند ماهانهی سطح تالاب در فصل تابستان بهرهبرداری بیشازحد از منابع آبهای زیرزمینی صورت نگیرد. جهت بررسیهای بیشتر میتوان از پلتفرم گوگل ارث انجین بدون نیاز به اخذ تصاویر و صرف زمان و هزینه زیاد، اقدام به فراخوانی سری زمانی تصاویر کرده و پردازشهایی در این پلتفرم انجام داد. در بحث پیشبینی نیز در مطالعات آتی میتوان از مدل Prophet به دلیل استفاده از دادههای گسسته و درعینحال ارائه دقت مطلوب، استفاده کرد.
Background and Objective Wetlands are habitats for vegetation and wildlife and because of this, they have a high environmental value. Also, wetlands reduce soil erosion, restore aquifers, store rainwater in a flood event, and provide water for agriculture or livestock. Wetlands are vulnerable to human interventions and changes such as drainage, urban sprawl, infrastructure development, and over-exploitation of groundwater resources. Prediction of the condition of wetlands in the future requires a correct understanding of the evolution of wetlands and identifying their trend of change. Nowadays, Remote Sensing technology is widely used for mapping wetlands, and its ability to monitor the changes in wetlands regardless of the diversity of wetlands has significantly increased the value of this science in this field. Remote Sensing can be an effective means of simulating and predicting wetland degradation processes by providing images at different times and through dynamic spatial modeling. In this study, the changes in the Bakhtegan wetland have been monitored. This wetland has high environmental and tourism importance and its drying affects negatively the living conditions and health of local people as well as tourism in the region. In addition, predictions of precipitation parameters, groundwater level, and temperature have been conducted. For this purpose, the Google Earth Engine platform was used to capture and process images. Google Earth Engine is a platform that can capture and process images in the shortest time and at high speed. In this regard, using Google Earth Engine, changes in the lake water area along with changes in temperature, groundwater level, and precipitation were extracted and monitored. Moreover, a comparison took place between these parameters to determine the changes that have taken place in the lake over the past two decades. To predict the parameters, the changing pattern was predicted and analyzed using the Prophet model. The most important advantage of the Prophet model is its ability to convert discrete data to continuous data to make the best predictions. This method automatically detects the trend of seasonal data and displays the trend of seasonal changes.Materials and Methods Satellite images were acquired from the Google Earth Engine platform to monitor the wetland. Landsat 7 and 8 images were used for water body extraction, GRACE Data were used for extraction of groundwater level changes, MODIS product was used for extraction of vegetation and wetland surface temperature, and TRMM image product was used to extract precipitation values. An automated water extraction index was used to extract the wetland body water. The groundwater level was extracted from the GRACE sensor. MODIS sensor product was used to obtain the surface temperature time series for the study area. For the extraction of precipitation time series, the monthly cumulative data of the TRMM (3B43V7) satellite with a spatial resolution of 0.25°C was extracted using Google Earth Engine and the trend of changes was evaluated and analyzed. The Mann-Kendall test is one of the most widely used non-parametric tests for detecting meteorological and environmental data trends, which is used to detect a monotonic trend line since this test is a non-parametric method, it does not need that the data follow a normal distribution. The Prophet predictive model is a predictive library developed by Facebook and is available in R and Python programming languages. This library supports additive modeling methods and can properly predict discrete values continuously. This feature is called "Holiday". Another feature of this library is the automatic detection of daily, weekly, seasonal and annual trends. The mean absolute error (MAE), by default, exists in the Prophet library. This error represents a more natural standard than the mean error and unlike the RMSE error, it is unambiguous.Results and Discussion In the present study, we monitored the Bakhtegan wetland using the Google Earth Engine platform to observe the trend of water level changes in this wetland from 2000 to 2020. In addition, Parameters were also predicted using the Prophet Prediction method which is developed and published by Facebook. By examining this trend, it can be observed that the water level of the wetland has been significantly reduced during two decades. In this regard, the trend of groundwater level, temperature, and precipitation in the area was investigated. Examining these factors, it was found that along with a 58.3% decrease in the water level of the wetland, there was a 260% decrease in the groundwater level of the region, although the amount of rainfall in the region has been less compared to other factors and has been decreased about 29%. Using Mann-Kendall statistical test, the trend of this decline was proved. To predict the parameters, the Prophet model has been able to make predictions for 1500 days as continuous data using discrete data. The output of the model has shown that for rainfall parameters and groundwater level a downward trend is predictable over the next 1500 days which is low intensity for precipitation but with high intensity for groundwater level. Temperature prediction indicated that it has a seasonal trend, and has a high amount of fluctuation within a year, but its annual trend indicates stability in the coming years. The results of the model for the water level of the wetland also show a relatively low upward trend that has a probability of change of ±12.5 Square kilometers. Also, the error of the parameters at the 95% significant level has acceptable accuracy, which indicates the validity of the prediction. An automated water extraction index was used in this study to extract the time series of the water body of the wetland. Using the mean time series extracted, the maximum and minimum wetland’s water body area belongs to 2006 with 629.23 square kilometers and 2014 with 156.82 square kilometers, respectively. The time series of changes in this wetland indicates that the water volume of the wetland has been declining in the last two decades. According to this study, it can be concluded that the trend of changes in the water level of the wetland has been decreasing. The descending changes in the lake based on the trend of changes in groundwater levels indicates a decrease in water volume in the area. Considering that the trend of precipitation changes has been stable, it can have assumed that improper management and excessive use of groundwater may be a reason for lowering the water level of the wetland. Due to the same decrease in the water level of the lake, the temperature has also decreased by about 3°C.Conclusion According to this study, it can be concluded that groundwater levels and precipitation will have a downward trend in the future, which will lead to a decrease in the water level of the wetland, which itself has the potential to fluctuate in the future, and the downward trend continues. With the current trend, the only solution is to plan properly to preserve the wetland. If this trend continues, we will face the destruction of the wetland. Given the monthly trend of the wetland surface, it is suggested not to over-exploit groundwater resources, especially in the summer. For further research, the Google Earth Engine platform can be used without the need to download the images and spend a lot of time and money, to obtain the time series of images. Regarding the prediction, in future studies, the Prophet model can be applied, since it uses discrete data and at the same time provides the desired accuracy.
Alic E, Das M, Kaska O (2019) Heat flux estimation at pool boiling processes with computational intelligence methods. Processes 7(5):293
Bagheri M H, Bagheri A, Sohooli GA (2016) Analysis of changes in the Bakhtegan lake water body under the influence of natural and human factorse. Iran - Water Resources Research 12(3):1–11 (In Persian)
Bagherpour M, Seyedian M, Fathabadi A, Mohamadi A (2017) Study of Mann-Kendall test performance in detecting the series of autocorrelation. Iranian Journal of Watershed Management Science&Engineering 11(36):11–21(In Persian)
Chen L, Jin Z, Michishita R, Cai J, Yue T, Chen B, Xu B (2014) Dynamic monitoring of wetland cover changes using time-series remote sensing imagery. Ecological Informatics 24:17–26
Endter-Wada, J., Kettenring, K. M., & Sutton-Grier, A. (2020). Protecting wetlands for people: Strategic policy action can help wetlands mitigate risks and enhance resilience. Environmental Science & Policy, 108, 37-44.
FacebookResearch (2017) Prophet: forecasting at scale. [Online]. Available at: https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/
Fan D, Wu H, Dong G, Jiang X, Xue H (2019) A Temporal Disaggregation Approach for TRMM Monthly Precipitation Products Using AMSR2 Soil Moisture Data. Remote Sensing 11(24):2962
Feyisa G L, Meilby H, Fensholt R, Proud SR (2014) Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment 140:23–35
Gulácsi A, Kovács F (2020) Sentinel-1-Imagery-Based High-Resolution Water Cover Detection on Wetlands, Aided by Google Earth Engine. Remote Sensing 12(10):1614
Halabian, A. h., & Shabankari, M. (2016). Study the Trend of Temporal- Spatial Variation in Mesopotamian Marshlands and Effective Factors. Human & Environment, 14(4), 9-24 (In Persian)
Hu T, Liu J, Zheng G, Zhang D, Huang K (2020) Evaluation of historical and future wetland degradation using remote sensing imagery and land use modeling. Land Degradation & Development 31(1):65–80
Iguchi, T., Kozu, T., Meneghini, R., Awaka, J., & Okamoto, K. I. (2000). Rain-profiling algorithm for the TRMM precipitation radar. Journal of Applied Meteorology and Climatology, 39(12), 2038-2052.
Joodaki G (2014) Earth mass change tracking using GRACE satellite gravity data.. Available at: http://hdl.handle.net/11250/232785
Kaplan G, Avdan U (2018) Monthly analysis of wetlands dynamics using remote sensing data. ISPRS International Journal of Geo-Information 7(10):411
Kendall MG (1948) Rank correlation methods. ISPRS International Journal of Geo-Information
Klemas, V. (2011). Remote sensing of wetlands: case studies comparing practical techniques. Journal of Coastal Research, 27(3), 418-427.
Liu Y, Hu Y, Long S, Liu L, Liu X (2017) Analysis of the effectiveness of urban land-use-change models based on the measurement of spatio-temporal, dynamic urban growth: A cellular automata case study. Sustainability 9(5):796
Mann HB (1945) Nonparametric tests against trend. Econometrica: Journal of the econometric society 245–259
Neteler M (2005) Time series processing of MODIS satellite data for landscape epidemiological applications. International Journal of Geoinformatics 1(1):133–138
Patakamuri S K, Muthiah K, Sridhar V (2020) Long-term homogeneity, trend, and change-point analysis of rainfall in the arid district of ananthapuramu, Andhra Pradesh State, India. Water 12(1):211
Saha, T. K., Pal, S., & Sarkar, R. (2021). Prediction of wetland area and depth using linear regression model and artificial neural network based cellular automata. Ecological Informatics, 62, 101272.
Sahay A, Amudha J (2020) Integration of Prophet Model and Convolution Neural Network on Wikipedia Trend Data. Journal of Computational and Theoretical Nanoscience 17(1):260–266
Salmanpour A, Salehi M H, Mohammadi J, Naderi M (2016) Monitoring Soil salinity around Bakhtegan lake, Fars province, Iran, using Landsat data. Electronic Journal of Soil Management and Sustainable Production 6(1):177–190(In Persian)
Tabouzadeh, S., Zarei, H., & Bazrafshan, O. A. (2016). Analysis of severity, duration, frequency and zoning map of meteorological drought of Bakhtegan river basin. Irrigation Sciences and Engineering, 38(4), 109-123. (In Persian)
Vishwas B, Patel A (2020) Hands-on Time Series Analysis with Python. Apress
Willmott C J, & Matsuura K (2005) Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research 30(1):79–82
Winter TC (2000) The vulnerability of wetlands to climate change: a hydrologic landscape perspective 1. JAWRA Journal of the American Water Resources Association 36(2):305–311
Zunic E, Korjenic K, Hodzic K, Donko D (2020) Application of Facebook’s Prophet Algorithm for Successful Sales Forecasting Based on Real-world Data. arXiv preprint arXiv:2005.07575
_||_Alic E, Das M, Kaska O (2019) Heat flux estimation at pool boiling processes with computational intelligence methods. Processes 7(5):293
Bagheri M H, Bagheri A, Sohooli GA (2016) Analysis of changes in the Bakhtegan lake water body under the influence of natural and human factorse. Iran - Water Resources Research 12(3):1–11 (In Persian)
Bagherpour M, Seyedian M, Fathabadi A, Mohamadi A (2017) Study of Mann-Kendall test performance in detecting the series of autocorrelation. Iranian Journal of Watershed Management Science&Engineering 11(36):11–21(In Persian)
Chen L, Jin Z, Michishita R, Cai J, Yue T, Chen B, Xu B (2014) Dynamic monitoring of wetland cover changes using time-series remote sensing imagery. Ecological Informatics 24:17–26
Endter-Wada, J., Kettenring, K. M., & Sutton-Grier, A. (2020). Protecting wetlands for people: Strategic policy action can help wetlands mitigate risks and enhance resilience. Environmental Science & Policy, 108, 37-44.
FacebookResearch (2017) Prophet: forecasting at scale. [Online]. Available at: https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/
Fan D, Wu H, Dong G, Jiang X, Xue H (2019) A Temporal Disaggregation Approach for TRMM Monthly Precipitation Products Using AMSR2 Soil Moisture Data. Remote Sensing 11(24):2962
Feyisa G L, Meilby H, Fensholt R, Proud SR (2014) Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment 140:23–35
Gulácsi A, Kovács F (2020) Sentinel-1-Imagery-Based High-Resolution Water Cover Detection on Wetlands, Aided by Google Earth Engine. Remote Sensing 12(10):1614
Halabian, A. h., & Shabankari, M. (2016). Study the Trend of Temporal- Spatial Variation in Mesopotamian Marshlands and Effective Factors. Human & Environment, 14(4), 9-24 (In Persian)
Hu T, Liu J, Zheng G, Zhang D, Huang K (2020) Evaluation of historical and future wetland degradation using remote sensing imagery and land use modeling. Land Degradation & Development 31(1):65–80
Iguchi, T., Kozu, T., Meneghini, R., Awaka, J., & Okamoto, K. I. (2000). Rain-profiling algorithm for the TRMM precipitation radar. Journal of Applied Meteorology and Climatology, 39(12), 2038-2052.
Joodaki G (2014) Earth mass change tracking using GRACE satellite gravity data.. Available at: http://hdl.handle.net/11250/232785
Kaplan G, Avdan U (2018) Monthly analysis of wetlands dynamics using remote sensing data. ISPRS International Journal of Geo-Information 7(10):411
Kendall MG (1948) Rank correlation methods. ISPRS International Journal of Geo-Information
Klemas, V. (2011). Remote sensing of wetlands: case studies comparing practical techniques. Journal of Coastal Research, 27(3), 418-427.
Liu Y, Hu Y, Long S, Liu L, Liu X (2017) Analysis of the effectiveness of urban land-use-change models based on the measurement of spatio-temporal, dynamic urban growth: A cellular automata case study. Sustainability 9(5):796
Mann HB (1945) Nonparametric tests against trend. Econometrica: Journal of the econometric society 245–259
Neteler M (2005) Time series processing of MODIS satellite data for landscape epidemiological applications. International Journal of Geoinformatics 1(1):133–138
Patakamuri S K, Muthiah K, Sridhar V (2020) Long-term homogeneity, trend, and change-point analysis of rainfall in the arid district of ananthapuramu, Andhra Pradesh State, India. Water 12(1):211
Saha, T. K., Pal, S., & Sarkar, R. (2021). Prediction of wetland area and depth using linear regression model and artificial neural network based cellular automata. Ecological Informatics, 62, 101272.
Sahay A, Amudha J (2020) Integration of Prophet Model and Convolution Neural Network on Wikipedia Trend Data. Journal of Computational and Theoretical Nanoscience 17(1):260–266
Salmanpour A, Salehi M H, Mohammadi J, Naderi M (2016) Monitoring Soil salinity around Bakhtegan lake, Fars province, Iran, using Landsat data. Electronic Journal of Soil Management and Sustainable Production 6(1):177–190(In Persian)
Tabouzadeh, S., Zarei, H., & Bazrafshan, O. A. (2016). Analysis of severity, duration, frequency and zoning map of meteorological drought of Bakhtegan river basin. Irrigation Sciences and Engineering, 38(4), 109-123. (In Persian)
Vishwas B, Patel A (2020) Hands-on Time Series Analysis with Python. Apress
Willmott C J, & Matsuura K (2005) Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research 30(1):79–82
Winter TC (2000) The vulnerability of wetlands to climate change: a hydrologic landscape perspective 1. JAWRA Journal of the American Water Resources Association 36(2):305–311
Zunic E, Korjenic K, Hodzic K, Donko D (2020) Application of Facebook’s Prophet Algorithm for Successful Sales Forecasting Based on Real-world Data. arXiv preprint arXiv:2005.07575
پایش تغییرات تالاب بختگان با استفاده از سری زمانی دادههای ماهوارهای در پلتفرم گوگل ارث انجین و پیشبینی پارامترها با مدل Facebook’s Prophet
چکیده
در این مطالعه روند تغییرات سطح آب تالاب بختگان بین سالهای 2000 تا 2020 با استفاده از پلتفرم گوگل ارث انجین پایش شد. همچنین با استفاده از روش پیشبینی Prophet که توسط فیسبوک توسعه و منتشرشده است، اقدام بهپیش بینی پارامترهای موثر گردید. بررسی روند تغییرات نشان داد که سطح آب تالاب در طی دو دهه کاهش چشمگیری داشتهاست. در همین راستا، روند سطح آبهای زیرزمینی، دما و بارش منطقه موردبررسی قرار گرفت. با بررسی این عوامل مشخص شد هم زمان با کاهش 58.3% سطح آب تالاب، کاهش 260% نیز در سطح آب های زیرزمینی منطقه رخ داده است. با این حال تغییرات مقدار بارش منطقه در مقایسه با پارامترهای دیگر کمتر بوده است و حدود 29% کاهش داشته است. این روند کاهش با استفاده از آزمون آماری من-کندال نیز اثبات شد. برای پیشبینی پارامترها نیز، مدل Prophet با استفاده از دادهای گسسته توانسته است برای 1500 روز پیشبینی را بهصورت دادهی پیوسته انجام دهد. خروجی مدل نشان داد که برای پارامترهای بارش و سطح آبهای زیرزمینی یکروند نزولی در طی 1500 روز آینده قابل پیش بینی است که این روند کاهشی برای مقادیر بارش با شدت کم اما برای سطح آبهای زیرزمینی با شدت زیاد هست. پیشبینی دما نشان داد که دما دارای الگوی فصلی است و نوسان زیادی در طول یک سال دارد، اما روند سالیانهی آن نشان از ثبات در سالهای پیش رو دارد. نتایج مدل برای سطح آب تالاب نیز نشان از یکروند صعودی نسبتاً کم دارد که دارای احتمال تغییر ±۱۲.۵ کیلومترمربعی است. همچین خطای پارامترها در سطح معنیداری ۹۵٪ دارای مقادیر قابل قبول هستند که نشان از صحت پیشبینی دارد.
کلمات کلیدی: آزمون من-کندال ، شاخص AWEI، بارش، دما و سطح آب های زیرزمینی.
مقدمه
تالابها زیستگاه پوشش گیاهی و حیات وحش هستند و به همین دلیل دارای ارزش زیستمحیطی بالایی میباشند (10). همچنین تالابها در هنگام وقوع حوادث ناگوار طبیعی باعث کاهش فرسایش خاک، بازیابی سفرههای زیرزمینی و ذخیره آب حاصل از بارش میشوند و در فراهم کردن آب جهت کشاورزی و یا استفاده دام نقش دارند. این مناطق در برابر دخالتها و تغییرات انسانی مانند زهکشی، گسترش شهر و توسعه زیرساختها و بهرهبرداری بیشازحد از منابع آبهای زیرزمینی آسیبپذیر هستند (27). تالابها نقشی حیاتی در چشمانداز هیدرولوژی منطقه ایفا میکنند. وجود تالابها باعث کاهش خطر سیل، جلوگیری از خشکسالی و در برخی موارد جلوگیری از آتشسوزی می شود (5). پیشبینی وضعیت تالابها در آینده، نیازمند داشتن درک درست از سیر تحول تالابها و تعیین روند تغییرات آنها است. امروزه فناوری سنجشازدور برای بررسی تغییرات تالابها بهطور گستردهای مورداستفاده قرار میگیرد و توانایی آن در پایش تغییرات تالابها به دلیل وسعت متغیر و پویایی تالاب، از اهمیت بالایی برخوردار است (14). سنجشازدور با تأمین تصاویر در زمانهای مختلف و از طریق مدلسازی فضایی پویا میتواند ابزاری مؤثر برای شبیهسازی و پیشبینی وضعیت تالاب باشد (11و 17). مطالعات گستردهای شرایط تالابها را با استفاده از تصاویر ماهوارهای بررسی کردهاند. چن و همکاران (4) در تحقیقی با نام نظارت پویا بر تغییرات پوشش تالاب با استفاده از تصاویر سری زمانی مودیس (Moderate Resolution Imaging Spectroradiometer)، روشی را برای طبقهبندی انواع پوشش تالاب بر اساس زمان طغیان آن توسعه دادهاند. گولاچی و کوواکس (9) در تحقیق آشکارسازی و پایش تالابها در محیط گوگل ارث انجین (Google Earth Engine) با استفاده از تصاویر سنتینل 1 و اعمال شاخص MNDVI(Modified Normalized Difference Water Index) از تصاویر لندست 8 و سنتینل 2 اقدام به پایش تالاب در تیزا کردند. آنها با استفاده از دو روش کاملاً مجزا در محدودههای طیفی مختلف توانستند نتایجی با مطابقت بالادست آورند که ضریب همبستگی پیرسن (Pearson) آن بین 0.54 تا 0.84 بوده است. کلماس (16) در مقالهی سنجش از دور تالابها: مطالعه موردی مقایسه تکنیکهای علمی، با استفاده از تصاویر لندست به مطالعهی حوضه آبریز خلیج چساپیک پرداختند و دریافتند که استفاده از تصاویر ماهوارهای همراه با مشاهدات زمینی، به محققان اجازه میدهد تا روندهای بلند مدت و تغییرات کوتاه مدت پوشش گیاهی و هیدرولوژی تالابها را به طور موثری تعیین کنند. ساها و همکاران (21) در تحقیقی با عنوان پیش بینی مساحت و عمق تالاب با استفاده از مدل رگرسیون خطی و شبکه عصبی مصنوعی توانستند با استفاده از تصاویر لندست و روش Cellular Automata (ANN-CA) به پیش بینی شرایط تالاب در حوضه آبریز رودخانهی Atreye بپردازند. بر اساس نتایج این تحقیق پیشبینی شد که در بیست سال آینده ۱۶۴ کیلومترمربع از مساحت تالاب کاهش مییابد.
بر همین اساس، پیش بینی و پایش شرایط تالابها با استفاده از سنجش ازدور در سال های گذشته رشد فزایندهای داشته و روش های متنوعی برای این امر توسعه داده شده است. در این مطالعه نیز به دلیل اهمیت بالای زیستمحیطی و گردشگری تالاب بختگان و اثرات خشک شدن تالاب بر شرایط زیستی و سلامت افراد بومی به پایش تالاب و پیشبینی پارامترهای موثر سطح آب، بارش، سطح آبهای زیرزمینی و دما پرداخته شده است.
روش تحقیق
منطقه موردمطالعه
تالاب بختگان در قسمت شمال غربی و غرب شهر نیریز استان فارس واقع شده است. این تالاب در محدوده بین طول جغرافیایی 53 درجه و 24 دقیقه تا 54 درجه و 16 دقیقه شرقی و عرضهای جغرافیایی 29 درجه و 14 دقیقه تا 29 درجه و 42 دقیقه شمالی قرار دارد. دریاچه بختگان از نظر وسعت دومین دریاچه داخلی کشور محسوب می شود (24). در این تالاب، دامنه تغییرات دما بین 28- درجه سانتی گراد (در قسمت شمال و شمال غربی) و 45 درجه سانتی گراد (در جنوب و جنوب شرقی) در نوسان است(24). متوسط بارندگی سالانه 210 میلیمتر در سال است و حداقل ارتفاع منطقه 1555 متر و ارتفاع حداکثر آن 3270 متر می باشد. این منطقه دارای پوشش گیاهی ایرانی-تورانی است و درمنه و گون از مهمترین گیاهان این منطقه است. گونههای گیاهی و جانوری این محدوده به دلیل جاذبههای گردشگری و تحقیقاتی دارای ارزش زیادی هست (2). در دهههای اخیر، بهرهبرداری بیرویه در بخش کشاورزی و همچنین کاهش بارش، این تالاب را رو به خشکی کشانده است (23).
شکل 1. نقشه تالاب بختگان (لندست 8)
Fig. Bakhtegan Wetland Area (Landsat 8)
دادههای مورداستفاده
برای پایش تالاب اقدام به اخذ تصاویر از پلتفرم گوگل ارث انجین شد. برای استخراج پهنه آبی از تصاویر لندست 7 و 8 ، برای استخراج تغییرات سطح آبهای زیرزمینی از دادههای GRACE (Gravity Recovery and Climate Experiment)، برای استخراج پوشش گیاهی و دمای سطح تالاب از تصاویر مادیس و برای استخراج مقادیر بارش از تصاویر TRMM (Tropical Rainfall Misurment Mission) استفاده شد (جدول 1).
جدول 1. مشخصات تصاویر مورداستفاده
Table 1. Specifications of the images used in this artice
| دما | سطح آب | بارش | آب زیرزمینی |
ماهواره | MODIS/MOD11A2 | Landsat7/8 | TRMM/3B43V7 | GRACE |
دوره زمانی | 2000-2020 | 2000-2020 | 2000-2020 | 2002-2017 |
دقت مکانی | 1000 متر | 30 متر | 0.25 درجه (27.75 کیلومتر) | 0.5 درجه (55.5 کیلومتر) |
دقت زمانی | چندروزه | 16 روزه | ماهانه | ماهانه |
روش کار
با استفاده از پلتفرم گوگل ارث انجین تغییرات پهنه آبی تالاب به همراه تغییرات دما، سطح آبهای زیرزمینی و بارش در دو دهه گذشته استخراج شد. همچنین تغییرات این پارامترها در مقایسه با تغییرات پهنه آبی تحلیل شد. سپس با استفاده از مدل Prophet که توسط فیسبوک در سال 2017 منتشرشده است، روند تغییرات تالاب در آینده پیشبینی و تحلیل شد.
برآورد استخراج پهنه آبی
برای استخراج پهنه آبی تالاب از شاخص استخراج خودکار آب (Automated water extraction index) استفاده شد. شاخص استخراج خودکار آب یک شاخص مؤثر برای شناسایی پیکسلهای غیر آب بهخصوص پیکسلهای سایه و تیره در نواحیای مانند مناطق شهری و کوهستانی است و با حذف پیکسلهای سایه، دقت استخراج پیکسلهای آب را بالا میبرد. شاخص AWEI_sh (Automated water extraction index _ shadow)، ضعفهای شاخص AWEI_nsh (Automated water extraction index _ no shadow) را پوشانده و دقت استخراج پیکسلهای آب را بالا میبرد (8). این شاخص برای استخراج نواحی آبی بهخصوص در نواحی کوهستانی که سایههای عمیق سبب خطا در طبقهبندی میشوند، کارا است. شاخص AWEI_sh بر اساس رابطه 1 به دست میآید: باند 1، 2، 4، 5 و 7 به ترتیب باندهای آبی، سبز، مادونقرمز نزدیک، مادونقرمز موجکوتاه 1 و مادونقرمز موجکوتاه 2 است (8).
[1]
برای بررسی روند تغییرات سطح آب، این شاخص در پلتفرم گوگل ارث انجین از 236 تصویر لندست 7 و لندست 8 بین سالهای 2000 تا 2020 استخراج شد.
استخراج سطح آبهای زیرزمینی
برای استخراج سطح آبهای زیرزمینی از سنجنده GRACE استفاده شد. برای به دست آوردن تغییرات سطح آب زیرزمینی، تغییرات ذخیره آب معادل برف، آب سطحی، رطوبت خاک از تغییرات ذخایر آب مشاهدات GRACE کسر میشود (رابطه 2).
]2[
در این رابطه G سطح آب زیرزمینی، S ذخایر آب مشاهدات GRACE، SWE آب معادل برف، SW آب سطحی و SM رطوبت خاک است. برای بررسی روند تغییرات در بازه زمانی 2002 تا 2017 - تصاویر این سنجنده در این بازه فقط قابلدسترسی است- از 163 تصویر در داخل گوگل ارث انجین استفاده شد (13).
استخراج دما
برای مطالعه دمای سطح زمین از پروداکت (MOD/11A2) سنجنده مادیس (913 تصویر) بین سالهای 2000 تا 2020 استفاده شد ( 19).
استخراج بارش
برای استخراج سری زمانی بارش، با استفاده از گوگل ارث انجین از دادههای تجمعی ماهانه ماهواره TRMM (3B43V7) باقدرت تفکیک مکانی 0.25 درجه جغرافیایی استفاده شد و روند تغییرات مورد ارزیابی و تحلیل قرار گرفت. محصول داده 2A12 ماهواره TRMM، تخمینهای لحظهای بارندگی را از TMI (TRMM Microwave Image) و با استفاده از الگوریتم GPROF (The Goddard Profiling Algorithm استخراج میکند (7).
[3]
در این رابطه Prob (RR)، احتمال مشاهده بارندگی، Prob(BT I RR)، احتمال مشاهده دمای درخشندگی بهشرط داشتن پروفایل باران و Prob (RP I BT) احتمال مشاهده پروفایل باران بهشرط داشتن دمای درخشندگی است (12).
تحلیل روند با آزمون من-کندال
آزمون من-کندال یکی از آزمونهای پرکاربرد غیر پارامتریک است که برای تشخیص وجود یا عدم وجود روند یکنواخت دادههای آب و هواشناسی و زیستمحیطی به کار میرود. ازآنجاکه این آزمون روشی غیر پارامتریک است به دادههایی با توزیع نرمال نیاز ندارد (3). فرضیهی صفر این آزمون H0 دادهها را بدون روند و فرضیه جایگزین یعنی HA، روند افزایشی یا کاهشی برای دادهها فرض میکند و از طریق رابطه 4 محاسبه میشود (18 و 15):
[4]
که در آن N تعداد نقاط داده، xi و xj به ترتیب مقادیر دادهها در دفعات استفاده از i و j (j>i) و (xj-xi) است و از طریق رابطهی 5 به دست میآیند:
[5]
آمارهی S بهطورمعمول با پارامترهای (S) E و واریانس (S) V به شرح روابط 6 و 7 توزیع میشود:
[6]
[7]
که در آن n تعداد نقاط داده، m تعداد گروههای گرهخورده و tk تعداد پیوندهای اندازهی k را نشان میدهد و آمار آزمون استاندارد Z با استفاده از رابطه 8 محاسبه میشود:
[8]
برای آزمایش روند یکنواخت در سطح معناداری α، اگر مقدار مطلق آماری آزمون استاندارد Z بیش از مقدار Z1 - α / 2 بهدستآمده از جداول توزیع تجمعی نرمال باشد، فرضیه جایگزین روند پذیرفته میشود. علامت مثبت آماره آزمون نشاندهنده روند افزایشی و علامت منفی نشاندهنده روند کاهشی است (20).
مدل پیشبینی Prophet
کتابخانهی پیشبینی کنندهی Prophet که توسط فیسبوک توسعهیافته است، در زبانهای برنامهنویسی R و Python در دسترس است. این کتابخانه از روشهای (additive model) پشتیبانی میکند و مقادیر گسسته را میتواند بهخوبی و بهصورت مقادیر پیوسته پیشبینی کند. نام این قابلیت «تعطیلات(Holiday)» است. Prophet مدل مناسبی برای مدیریت دادههای ازدسترفته (Missing Data) است و دادههای پرت (Outlier) را بهخوبی از دادههای استاندارد جدا میکند (25). این قابلیت در مطالعات سنجشازدوری بسیار حائز اهمیت است؛ زیرا اطلاعات استخراجشده از تصاویر ماهوارهای اغلب دارای دادههای پرت هستند. از دیگر قابلیتهای این کتابخانه شناسایی خودکار روندهای روزانه هفتگی، فصلی و سالانه است. این مدل همانند مدل (generalized additive model) از زمان بهعنوان متغیر مستقل استفاده میکند و با استفاده از رابطه 9 پیشبینی را انجام میدهد:
[9]
در این فرمول g(t) روند تغییرات غیر دورهای، s(t) تغییرات دورهای فصلی، h(t) دادههای گسسته بیشتر از یک روز (قابلیت تعطیلات) را نشان میدهد و e(t) تغییرات ناگهانی در دادهها را نادیده میگیرد (6). مطالعهی منابع نشان داد که تعداد مقادیر پیش بینیشده مدل Prophet میتواند بین ۱۵-۲5 درصد دادههای اولیه است. در این تحقیق، تعداد روزهای پیش بینیشده ۱۵۰۰ روز معادل 20% کل روزهای بازه زمانی مورد مطالعه در نظر گرفته شده است (22 و 28).
ارزیابی کار
میانگین خطای مطلق یا بهاختصار (MAE) (رابطه 10) بهصورت پیشفرض در کتابخانهی Prophet وجود دارد. این خطا برخلاف خطای RMSE بدون ابهام است (26). به همین دلیل در این پژوهش، این خطا محاسبهشده است. برای ارزیابی اعتبار پیشبینی و مقایسهی آن با معیارهای دیگر از MAPE (Mean Absolute Percentage Error) استفاده شد (رابطه 11). این خطا، MAE را بهصورت درصدی نشان میدهد (1).
[10] [11]
مقدار Ft: مقدار واقعی و At: تعداد دفعاتی که عملیات جمع اتفاق میافتد، N: میانگین خطای درصد مطلق، MAPE: در این رابطه، پیشبینی هست. در شکل (2) مراحل انجام کار آورده شده است.
شکل 2. مراحل انجام کار
Fig 2. Article flowchart
نتایج و بحث
در این مطالعه از شاخص خودکار آب برای استخراج پهنه آبی تالاب استفاده شد. با استفاده از میانگین سری زمانی استخراجشده (جدول 2) بیشترین و کمترین مساحت پهنه آبی تالاب به ترتیب مریوط به سالهای 2006 با 629.23 کیلومترمربع و 2014 با 156.82 کیلومترمربع است. سری زمانی تغییرات این تالاب نشان میدهد که وضعیت آب تالاب طی دو دهه سیر نزولی را طی کرده است (جدول 2). میانگین 5 ساله اول مساحت تالاب 488.8 کیلومترمربع است و در 5 ساله آخر مقدار میانگین 257.8 کیلومتر است که نشاندهنده کاهش مساحت آب تالاب در طی این سالها است. طبق نتایج آزمون من-کندال (جدول 3) p value (0.001) از alpha (0.05) کوچکتر است و در نتیجه فرض H0 رد میشود و فرض Ha پذیرفته میشود. این بدان معنی که روند تغییرات در سطح پهنه آبی منطقه، معنادار است و با گذشت زمان، مساحت تالاب کاهش مییابد.
جدول2. مقادیر پارامترهای موردبررسی
Table 2. Parameters examined
سال | بارش (mm/h) | سطح آب (Km2) | آب زیرزمینی (cm) | دما (K) |
2000 | 0.028 | 526 | - | 307.52 |
2001 | 0.016 | 420 | - | 302.65 |
2002 | 0.029 | 629 | 1.67 | 303.76 |
2003 | 0.037 | 388 | 1.24 | 301.64 |
2004 | 0.058 | 481 | 3.26 | 301.61 |
2005 | 0.032 | 527 | 5.97 | 302.87 |
2006 | 0.026 | 449 | 3.8 | 303.83 |
2007 | 0.016 | 376 | 0.88 | 306.16 |
2008 | 0.01 | 313 | -4.62 | 306.45 |
2009 | 0.022 | 213 | -6.95 | 306.87 |
2010 | 0.006 | 190 | -8.22 | 306.87 |
2011 | 0.022 | 237 | -8 | 305.47 |
2012 | 0.021 | 204 | -10.12 | 305.32 |
2013 | 0.023 | 287 | -9.33 | 305.3 |
2014 | 0.021 | 157 | -9.08 | 306.51 |
2015 | 0.026 | 269 | -10.86 | 305.54 |
2016 | 0.009 | 236 | -10.5 | 307.6 |
2017 | 0.045 | 334 | -10.2 | 305.73 |
2018 | 0.013 | 192 | - | 307.14 |
2019 | 0.031 | 258 | - | 305.8 |
جدول 3. نتایج آزمون من- کندال بر روی پارامترها
Table 3. Mann-Kendall test results on parameters
متغیر | Kendall's tau | alpha | P value | روند؟ |
آب زیرزمینی | -0.750 | 0.05 | < 0.0001 | þ |
بارش | -0.137 | 0.05 | 0.417 | ý |
دما | 0.364 | 0.05 | 0.027 | þ |
سطح آب | -0.467 | 0.05 | 0.003 | þ |
بررسی سطح آبهای زیرزمینی در منطقه نشاندهنده تغییرات شدید در بازه زمانی مورد مطالعه است. قبل از سال 2008 مقادیر سطح آبهای زیرزمینی مثبت بوده، اما بعد از سال 2008 تا سال 2017 تغییرات سطح آب زیرزمینی روند نزولی داشته و مقدار آن تا 10- سانتیمتر هم رسیده است که نشان از افت قابلتوجه سطح آبهای زیرزمینی منطقه موردمطالعه است. در ارزیابی نتایج آزمون من-کندال بر روی میانگین سالیانهی سطح آب زیرزمینی فرض H0 رد میشود. با پذیرفته شدن فرض Ha در آزمون من-کندال وجود روند نزولی در این دادهها اثبات میشود (جدول 3).
با بررسی روند تغییرات دمای سطح زمین، یک افزایش جزئی دما برای منطقه موردمطالعه نمایان میشود. دادههای دما نشان میدهد که در 5 سال اول تحقیق، میانگین دما 303 کلوین و در 5 سال آخر میانگین دما برابر 306 کلوین است که نشاندهنده افزایش 3 درجه کلوین در طی این سال بهصورت میانگین 5 ساله است. بر اساس ارزیابی آزمون من-کندال دما (جدول 3)- به دلیل کوچکتر بودن p value از alpha در سطح معنیدار 95 درصد فرض H0 رد میشود و فرض Ha پذیرفته میشود که این به معنای وجود روند صعودی در دادههای دما است.
. آزمون من کندال (جدول 3) بر رویدادههای بارندگی نشان میدهد که روند معنادار در تغییرات بارندگی وجود ندارد. در این آزمون، در سطح معنیدار 95٪ به دلیل بزرگتر بودن p value از alpha ، فرض H0 رد نمیشود و مقدار ریسک آزمون برای رد فرض H0 معادل 41.73٪ است.
در شکلهای (3 و 4) خروجی پیشبینی مدل Prophet برای سطح آبهای زیرزمینی و بارش در 1500 روز، نمایش داده شده است. این مدل دادهها را بهصورت داده گسسته دریافت کرده و بهصورت دادهی پیوسته پیشبینی کرده است. این شکلها نشان میدهند که دادههای پرت نادیده گرفتهشدهاند و مدل، پیشبینی را بدون در نظر گرفتن آنها انجام داده است. تاریخ پیش بینی شده (شکل 3) از سال 2017 تا اواسط سال 2021 می باشد.
شکل 3. نمودار پیشبینی مدل Prophet برای سطح آبهای زیرزمینی
Fig 3. Prediction chart of the Prophet model for groundwater level
شکل 4. روند تغییرات سالانه و ماهانه سطح آبهای زیرزمینی با مدل Prophet
Fig 4. Trend of annual and monthly changes in groundwater level with the Prophet model
شکل (4 الف) نشاندهندهی ثبات درروند نزولی سالانه هست و روند تغییرات در یکسال (در شکل (4 ب)) نشان میدهد که حدفاصل خرداد تا شهریور سطح آب زیرزمینی به کمترین میزان و در اسفند و فروردین به ميزان حداكثر میرسد.
مقادیر محور عمودی در نمودارهای روند فصلی (هفتگی یا ماهانه) نشاندهندهی مقداری است که در هر گام به روند افزوده یا از آن کاسته میشود. لذا تمامی واحدهای محور عمودی در این نمودارها، با نمودار پیشبینی خود واحدی یکسان دارند. تاریخ پیش بینی شده (شکل 5) از سال 2020 تا سال 2024 می باشد.
شکل 5. نمودار پیشبینی مدل Prophet برای بارش
Fig 5. Prediction chart of the Prophet model for precipitation
شکل (6 الف) نشاندهندهی روند نزولی بارش با شیب کم در سالهاي مورد بررسي است و شکل (6 ب) نشان ميدهد که بين ماههاي خرداد تا مهر مقدار بارش به کمترین میزان میرسد و در ماههای آتي تا اواسط دی، مقدار بارش روند صعودی دارد.
شکل 6. روند تغییرات سالانه و ماهانه بارش با مدل Prophet
Fig 6. Trend of annual and monthly changes in precipitation with the Prophet model
شکل (7) خروجی مدل Prophet را برای مقادیر دما در 1500 روز آینده (از سال 2020 تا سال 2024) نشان میدهد که دارای روند فصلی است و مقدار نوسان نسبتاً بالایی دارند. در این پیشبینی نیز دادههای پرت در نظر گرفته نشدهاند. حاشیه خطای این پیشبینی متغیر است و بهطور میانگین 5± کلوین هست.
شکل 7. نمودار پیشبینی مدل Prophet برای دما
Fig 7. Prediction chart of the Prophet model for Land surface temperature
در شکل (8 الف) روند سالانه دما بعد از سال ۲۰۱۶ تغييرات زيادي ندارد، بااينحال مدل Prophet حاشیه خطای بالایی را برای آن در نظر گرفته است که ناشی از نوسان شدید دادههای دما است. خروجی این مدل روند هفتگی را نیز نشان میدهد (شکل (8 ب))، اما با توجه به نوسان نامفهوم آن و منطقی نبودن روند هفتگی میتوان آن را تصادفی دانست. درروند ماهانه (شکل 8 ج)، مقدار دما در حدفاصل خرداد تا مهر زیاد شده و در ماههای بعدی روند نزولی دارد. روند ماهانهی دما تقريبا برعكس روند ماهانهی بارش است.
شکل 8. روند تغییرات سالانه، ماهانه و هفتگی دما با مدل Prophet
Fig 8. Trend of annual and monthly and weekly changes in for LST with the Prophet model
برای شاخص آب باوجود دادههای پرت مدل Prophet توانسته، پیشبینی نسبتاً دقیقی انجام دهد که فصلی بودن تغییرات مقدار این شاخص در آن قابلمشاهده است (شکل (9)). رنگ آبی کمرنگ احتمال نوسان در پیشبینی را نشان میدهد. در شکل 9، مقادیر شاخص از سال 2020 تا سال 2024 پیشبینی شده است.
شکل 9. نمودار پیشبینی مدل Prophet برای شاخص آب
Fig 9. Prediction chart of the Prophet model for Water area
در شکل( 10الف) نشان داده شده است که مقادیر شاخص آب تا سال ۲۰۱۲ روند نزولی شدید داشته است و این روند در همین سال متوقف شده و سپس با شیب کم صعودی میشود. میزان خطای مدل پیشبینی ±۱۲.۵ کیلومترمربع است. بررسی روند تغییرات در طی یک سال نشان میدهد که مساحت پهنهی آبی در فصل تابستان هرسال به کمترین میزان خود میرسد و حداکثر مساحت در فصل بهار دیده میشود.
شکل 10. روند تغییرات سالانه و ماهانه شاخص آب با مدل Prophet
Fig 10. Trend of annual and monthly changes in Water area with the Prophet model
طبق جدول (4) پیشبینی پهنهی آبی داراي 24.85٪ خطا است و این خطا نشاندهنده این است که مدل توانسته در حد قابل قبولی مساحت را متناسب با مقادیر واقعی پیشبینی کند. خطای پیشبینی مقادیر آب زیرزمینی 19.8٪ است. میزان خطا در پیش بینی دما، 0.61٪ است. میزان خطای پایین به دلیل وجود دادههای دقیق و همچنین عملکرد مناسب مدل Prophet در تشخیص فصلی بودن پارامتر دما است. شایان ذکر است که به دلیل وجود مقادیر صفر در دادههای بارش، امکان درصدگیری و مقایسهی این معیار وجود ندارد؛ اما در شکل (14) میتوان میزان تناسب مدل را مشاهده کرد.
جدول 4. خطای MAE و MAPE پارامترها
Table 4. MAE & MAPE Errors
خطا | بارش | سطح آب | آب زیرزمینی | دما |
MAE | 0.021 | 60.310 | 1.566 | 1.856 |
MAPE | - | 24.855 | 19.895 | 0.610 |
نمودار تناسب مقادیر پیشبینیشده در مقابل مقادیر واقعی در شکل (15) نمايش داده شده است. یکی از ویژگیهای مدل Prophet، ارزیابی پیشبینی با استفاده از دادههای موجود است، بهطوریکه نتایج را بر اساس دادههای موجود سالم ارزیابی کرده و بعدازآن خطای پیشبینی را موردبررسی قرار میدهد. تفاوت این روش با سایر مدلها تفکیک دقیق دادههای سالم با دادههای پرت است. بر اساس این پیشبینی، دما تناسب بسیار بالایی دارد. پهنهی آبی و GRACE توانستهاند تناسب قابل قبولی را ارائه دهند. به دلیل نبود خطای MAPE برای TRMM از نمودار آن برای تحلیل استفاده میشود. الگوریتم خطای MAPE حاصل تقسیم خطا بر y true (مقادیر واقعی) * 100 است که برای مجموعه دادههایی خطا در آنها 0 یا نزدیک به 0 است فرآیند تقسیم در آنها اتفاق نمیافتد. مدل Prophet تناسب نسبتاً بالایی را با در نظر نگرفتن مقادیر پرت نشان میدهد که بهخوبی توانسته الگوهای فصلی بودن دادههای بارش را در نظر بگیرد. در ارزیابی مدل Prophet مقادیر حداقل با درصد خطای کمتری پیشبینیشدهاند و بیشتر خطاهای مشاهدهشده در مقادیر حداکثر است. این مسئله میتواند ناشی از این علت باشد که بیشتر دادههای پرت دارای مقادیر بالا هستند.
شکل 11. روند تغییرات پارامترها (آبی) و پیشبینی مدل Prophet (نارنجی)
Fig 11. Trend of parameter changes (blue) and Prophet model prediction (orange)
نتیجهگیری
نتایج این تحقیق نشان داد که در طی سالهای موردمطالعه، سطح آب تالاب کاهشیافته است و در سالهای آخر با ثبات نسبی همراه بوده است. کاهش چشمگیر سطح آبهای زیرزمینی هم در طی این دوره، کاهش سطح آب تالاب را توجیه میکند. جالبتوجه است که در این بازه مقادیر بارش کاهش نداشته است و دارای ثبات بوده است. در نتیجه، علت اصلی کاهش سطح تالاب، کاهش سطح آب زیرزمینی است که بر اثر برداشت بیرویه از آب زیرزمینی بوجود آمده است. این امکان وجود دارد که کاهش سطح آب تالاب سبب افزایش دمای سطح منطقه شده باشد. پیشبینی پارامترهای موردبررسی نشان داد که پارامترهای بارش و سطح آبهای زیرزمینی یکروند نزولی در طی 1500 روز آینده خواهند داشت، مقادیر بارش تغییرات کمتر اما سطح آبهای زیرزمینی تغییرات شدیدتری را تجربه خواهند کرد. روند تغییرات این دو پارامتر در یک سال گویای آن است که کاهش و افزایش سطح آبهای زیرزمینی وابستگی شدیدی به بارش داشته و در ماههایی که بارش کم است، سطح آبهای زیرزمینی به کمترین مقدار خود میرسد. بر اساس این مدل، دما دارای یکروند ثابتی است اما در 1500 روز آینده احتمال تغییرات وجود دارد. مدل سطح آب تالاب را با یکروند صعودی کند برآورد کرده است. لازم به ذکر است تفاوت میان روند در دو روش ذکرشده ناشی از در نظر گرفتن مقادیر پیشبینیشده در مدل Prophet است. خطای پیشبینی پارامترها،قابل قبول هستند که نشان از صحت پیشبینی دارد. دما تناسب بسیار بالایی را نشان داده است. پهنهی آبی و GRACE توانستهاند تناسب قابل قبولی را ارائه دهند. تناسب TRMM با توجه به نمودار آن خوب است. بر اساس این مطالعه میتوان نتیجه گرفت که سطح آبهای زیرزمینی و بارش در آینده روندی نزولی خواهند داشت که باعث میشود سطح آب تالاب - که خود دارای احتمال نوسان در آینده است - کاهش یابد و روند بهصورت نزولی ادامه یابد. با روند پیش رو، تنها راه حفظ تالاب با برنامهریزیهای مناسب است. پیشنهاد میشود با توجه به روند ماهانهی سطح تالاب در فصل تابستان بهرهبرداری بیشازحد از منابع آبهای زیرزمینی صورت نگیرد. نتايج اين تحقيق همچنين نشان داد كه پلتفرم گوگل ارث انجین با فراخوانی سری زمانی تصاویر بدون نیاز به اخذ تصاویر و صرف زمان و هزینه زیاد، ابزار موثري در پايش تالاب است. در مطالعات آتی میتوان از مدل Prophet به دلیل استفاده از دادههای گسسته و درعینحال ارائه دقت مطلوب در پیشبینیها استفاده کرد.
2. Bagheri M H, Bagheri A, Sohooli GA (2016) Analysis of changes in the Bakhtegan lake water body under the influence of natural and human factorse. Iran - Water Resources Research 12(3):1–11 (In Persian)
3. Bagherpour M, Seyedian M, Fathabadi A, Mohamadi A (2017) Study of Mann-Kendall test performance in detecting the series of autocorrelation. Iranian Journal of Watershed Management Science&Engineering 11(36):11–21(In Persian)
4. Chen L, Jin Z, Michishita R, Cai J, Yue T, Chen B, Xu B (2014) Dynamic monitoring of wetland cover changes using time-series remote sensing imagery. Ecological Informatics 24:17–26
5. Endter-Wada, J., Kettenring, K. M., & Sutton-Grier, A. (2020). Protecting wetlands for people: Strategic policy action can help wetlands mitigate risks and enhance resilience. Environmental Science & Policy, 108, 37-44.
6. FacebookResearch (2017) Prophet: forecasting at scale. [Online]. Available at: https://research.fb.com/blog/2017/02/prophet-forecasting-at-scale/
7. Fan D, Wu H, Dong G, Jiang X, Xue H (2019) A Temporal Disaggregation Approach for TRMM Monthly Precipitation Products Using AMSR2 Soil Moisture Data. Remote Sensing 11(24):2962
8. Feyisa G L, Meilby H, Fensholt R, Proud SR (2014) Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment 140:23–35
9. Gulácsi A, Kovács F (2020) Sentinel-1-Imagery-Based High-Resolution Water Cover Detection on Wetlands, Aided by Google Earth Engine. Remote Sensing 12(10):1614
10. Halabian, A. h., & Shabankari, M. (2016). Study the Trend of Temporal- Spatial Variation in Mesopotamian Marshlands and Effective Factors. Human & Environment, 14(4), 9-24 (In Persian)
11. Hu T, Liu J, Zheng G, Zhang D, Huang K (2020) Evaluation of historical and future wetland degradation using remote sensing imagery and land use modeling. Land Degradation & Development 31(1):65–80
12. Iguchi, T., Kozu, T., Meneghini, R., Awaka, J., & Okamoto, K. I. (2000). Rain-profiling algorithm for the TRMM precipitation radar. Journal of Applied Meteorology and Climatology, 39(12), 2038-2052.
13. Joodaki G (2014) Earth mass change tracking using GRACE satellite gravity data.. Available at: http://hdl.handle.net/11250/232785
14. Kaplan G, Avdan U (2018) Monthly analysis of wetlands dynamics using remote sensing data. ISPRS International Journal of Geo-Information 7(10):411
15. Kendall MG (1948) Rank correlation methods. ISPRS International Journal of Geo-Information
16. Klemas, V. (2011). Remote sensing of wetlands: case studies comparing practical techniques. Journal of Coastal Research, 27(3), 418-427.
17. Liu Y, Hu Y, Long S, Liu L, Liu X (2017) Analysis of the effectiveness of urban land-use-change models based on the measurement of spatio-temporal, dynamic urban growth: A cellular automata case study. Sustainability 9(5):796
18. Mann HB (1945) Nonparametric tests against trend. Econometrica: Journal of the econometric society 245–259
19. Neteler M (2005) Time series processing of MODIS satellite data for landscape epidemiological applications. International Journal of Geoinformatics 1(1):133–138
20. Patakamuri S K, Muthiah K, Sridhar V (2020) Long-term homogeneity, trend, and change-point analysis of rainfall in the arid district of ananthapuramu, Andhra Pradesh State, India. Water 12(1):211
21. Saha, T. K., Pal, S., & Sarkar, R. (2021). Prediction of wetland area and depth using linear regression model and artificial neural network based cellular automata. Ecological Informatics, 62, 101272.
22. Sahay A, Amudha J (2020) Integration of Prophet Model and Convolution Neural Network on Wikipedia Trend Data. Journal of Computational and Theoretical Nanoscience 17(1):260–266
23. Salmanpour A, Salehi M H, Mohammadi J, Naderi M (2016) Monitoring Soil salinity around Bakhtegan lake, Fars province, Iran, using Landsat data. Electronic Journal of Soil Management and Sustainable Production 6(1):177–190(In Persian)
24. Tabouzadeh, S., Zarei, H., & Bazrafshan, O. A. (2016). Analysis of severity, duration, frequency and zoning map of meteorological drought of Bakhtegan river basin. Irrigation Sciences and Engineering, 38(4), 109-123. (In Persian)
25. Vishwas B, Patel A (2020) Hands-on Time Series Analysis with Python. Apress
26. Willmott C J, & Matsuura K (2005) Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research 30(1):79–82
27. Winter TC (2000) The vulnerability of wetlands to climate change: a hydrologic landscape perspective 1. JAWRA Journal of the American Water Resources Association 36(2):305–311
28. Zunic E, Korjenic K, Hodzic K, Donko D (2020) Application of Facebook’s Prophet Algorithm for Successful Sales Forecasting Based on Real-world Data. arXiv preprint arXiv:2005.07575
Change Detection of Bakhtegan wetland using a time series of satellite data on the Google Earth Engine platform and predicting parameters with Facebook’s Prophet Model
Abstract
In the present study, we monitored the Bakhtegan wetland using the Google Earth Engine platform to observe the trend of water level changes in this wetland from 2000 to 2020. In addition, Parameters were also predicted using the Prophet Prediction method which is developed and published by Facebook. By examining this trend, it can be observed that the water level of the wetland has been significantly reduced during two decades. In this regard, the trend of groundwater level, temperature, and precipitation in the area was investigated. Examining these factors, it was found that along with a 58.3% decrease in the water level of the wetland, there was a 260% decrease in the groundwater level of the region, although the amount of rainfall in the region has been less compared to other factors and has been decreased about 29%. Using Mann-Kendall statistical test, the trend of this decline was proved. To predict the parameters, the Prophet model has been able to make predictions for 1500 days as continuous data using discrete data. The output of the model has shown that for rainfall parameters and groundwater level a downward trend is predictable over the next 1500 days which is low intensity for precipitation but with high intensity for groundwater level. Temperature prediction indicated that it has a seasonal trend, and has a high amount of fluctuation within a year, but its annual trend indicates stability in the coming years. The results of the model for the water level of the wetland also show a relatively low upward trend that has a probability of change of ±12.5 Square kilometers. Also, the error of the parameters at the 95% significant level has acceptable accuracy, which indicates the validity of the prediction.
Keywords: Mann-Kendall test, AWEI Index, Precipitation, Temperature and groundwater level
-
بررسی منشأ و نحوه گسترش مکانی غلظت های بالای گردوغبار و تحلیل همدیدی آن در حوزه گاوخونی
تاریخ چاپ : 1399/10/01 -