Manuscript ID : 140311191198920 Visit : 9 Page: 176 - 195

Article Type: Original Research

Assessment of changes in Landscape Structure of Anzali international wetland based on Trophic index and GA-GMDH model

Subject Areas :

Robab Ahmadzadeh ¹ , محمد دهدار درگاهی ^{2
*} , Nematollah Khorasani ³ , forough farsad ⁴ , M. R. Rahimibashar ⁵ , علیرضا میرزاجانی ⁶

1 - Ph.D. Student of Environment, Department of Environmental Science, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 - Assistant Professor of Environment, La.C, Islamic Azad University, Lahijan, Iran. *Corresponding Author Email Address: dehdardargahi@iau.ac.ir
3 - Professor of Environment, Department of Environment, Faculty of Natural Resources, University of Tehran, Tehran, Iran
4 - Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.
5 - Assistant Professor, Department of Marine Biology, La.C, Islamic Azad University, Lahijan, Iran.
6 - Associate Professor, Department of Ecology, Inland Water Aquaculture Research Center of Iran, Inzali, Iran

Received: 2025-02-07 Accepted : 2025-07-03 Published : 2025-03-17

Keywords: Caspian Sea, International Wetland Anzali, Landscape, Trophy,

Abstract :

Wetlands support several plant and animal species as an irreplaceable habitat, and these valuable ecosystems are suffering from a decline in habitat quality due to human activities. Eutrophication due to enrichment with organic matter is one of the most important in changes of landscape structure. This study aims to investigate the eutrophication process on the landscape of Anzali Wetland. In this study, physical and chemical factors of water including temperature, electrical conductivity (EC), pH, dissolved oxygen (DO), total nitrogen (TN), total phosphorus (TP), and chlorophyll a were measured at 5 stations seasonally and annually, and then the trophic level (TSI) was determined using the variables total phosphate TP, total nitrogen TN, depth of view SD, and chlorophyll a. Satellite data was used to examine land cover changes in the periods of 1994, 2002, 2014 and 2018, and then landscape metrics were calculated, Next, the GMDH neural network method was used for modeling to predict the trend of TSI changes and its relationship with landscape changes. The research results show that the total TSI is in the eutrophic level in all four periods of the wetland. The results of the landscape metrics show that the lowest area of the water area was 4183.92 hectares and the highest area of vegetation cover was 11696.31 hectares in 2018. The mean patch shape index shows that the highest numerical value of this index in the water area it was 1.49 in 1994 and the highest value for vegetation cover was 1.35 in 1994 and 2014. The output of the indicators from modeling with the help of the GA-GMDH algorithm shows a decrease in the area of the water area, Also the area of the vegetation cover does not show a significant difference.

References:

پورکی، ه. (1395) امکان‌سنجی بهره‌گیری از پساب تصفیه‌خانه فاضلاب شهر رشت به‌عنوان يکی از منابع آب تجديدشونده برای مصارف کشاورزی. کنگره علوم و مهندسی آب و فاضلاب ایران (تهران)، دوره اول، تهران، صفحات 1-9.
جایکا (آژانس همکاری‌های بین‌المللی ژاپن، شرکت نیپون کوئه). (1398) طرح میان‌مدت حفاظت از تالاب انزلی از سال 2020 تا 2030، تهیه شده در پروژه مدیریت اکولوژیک تالاب انزلی- فاز دوم، اداره کل حفاظت محیط‌زیست استان گیلان، جمهوری اسلامی ایران، غیر قابل‌انتشار.
جما‌ل‌زاده، ف.، صفت، ع.ا.د. و نظامی، ش. (۱۳۷۸) بررسی وضعیت تروفی تالاب انزلی با استفاده از GIS، شاخص تروفی (TSI). نشریه محیط‌شناسی، 25(23): 1-10.
جمشیدی‌زنجانی، ا. و سعیدی، م. (1392) ارزیابی آلودگی و پهنه‌بندی کیفی رسوبات سطحی تالاب انزلی بر اساس نتایج شاخص‌های سنجش آلودگی فلزات سنگین. محیط‌شناسی، 39(4): 157-170.
زبردست، ل. و جعفری، ح. (1390) ارزيابي روند تغييرات تالاب انزلي با استفاده از سنجش از دور و ارايه راه‌حل مديريتي. نشریه محیط‌شناسی، 57(37): 57-64.
عاشوری، ع. و وارسته‌مرادای، ح. (1393) بررسی تنوع گونه‌ای پرندگان آبزی و کنار آبزی مهاجر زمستان گذران در تالاب بین‌المللی انزلی. اکوبیولوژی تالاب، 6(20): 55-66.
مجنونیان، ه. (1377) تالاب‌ها، طبقه‌بندی و حفاظت تالاب‌ها. تهران: انتشارات سازمان حفاظت محیط زیست، ۱۰۰-۱۱۰ صفحه.
معاونت پژوهشی دانشگاه تهران. (1395) بررسی ترکیب رسوبات در سطح و عمق استاندارد تالاب انزلی، اداره کل حفاظت محیط زیست استان گیلان، صفحات 20-80.
میرروشندل، ا.، خاوندکار، ا. و البنین، ا. (۱۳۹۲) بررسی میزان ازت و فسفر تالاب انزلی در ایجاد پدیده شکوفایی جلبکی. فصلنامه علوم و مهندسی محیط زیست، 2(5): 11-18.
میرزاجانی، ع.، خداپرست، ح.، بابایی، ه.، عابدینی، ع. و ‌دادی‌قندی، ع. (۱۳۸۸) روند فراغنی‌شدن تالاب انزلی با استفاده از اطلاعات ده‌ساله 1371-1381. محیط‌شناسی، 35(52): 65-74.
Abedini, A. and Mirzajani, A. (2018) Physicochemical status of water and nutritional level of Anzali wetland. Iranian Scientific Fisheries Journal, 26(6): 113-123. Retrieved from https://doi.org/10.22092/ISFJ.2018.115765/
Ahmadzadeh, R., Dehdar Dargahi, M., Khorasani, N., Farsad, F. and Rahimibashar, M.R. (2021) Evaluation of changes in physico-chemical parameters and trophic state of Anzali International Wetland based on Carlson Index. Journal of Environmental Science and Technology, 23(10): 261-276.
Aldous, A., Schill, S., Raber, G., Paiz, M.-C., Mambela, E. and Stévart, T. (2021) Mapping complex coastal wetland mosaics in Gabon for informed ecosystem management: use of object-based classification. Remote Sensing in Ecology and Conservation, 7(1): 64-79. Retrived from https://doi.org/https://doi.org/10.1002/rse2.161/
APHA. (American Public Health Association) (2005) Standard Methods for the Examination of Water and Wastewater. Washington DC.
Ashok, A. (2021) Monitoring of dynamic wetland changes using NDVI and NDWI based Landsat imagery. Remote Sensing Applications: Society and Environment, 23: 100547.
Bastami, K.D., Neyestani, M.R., Molamohyedin, N., Shafeian, E., Haghparast, S., Shirzadi, I.A. and Baniamam, M. (2018) Bioavailability, mobility, and origination of metals in sediments from Anzali Wetland, Caspian Sea. Marine pollution bulletin, 136: 22-32.
Bohn, V.Y., Carmona, F., Rivas, R., Lagomarsino, L., Diovisalvi, N. and Zagarese, H.E. (2018) Development of an empirical model for chlorophyll-a and Secchi Disk Depth estimation for a Pampean shallow lake (Argentina). The Egyptian Journal of Remote Sensing and Space Science, 21(2): 183-191.
Březinová, T. and Vymazal, J. (2014) Competition of Phragmites australis and Phalaris arundinacea in constructed wetlands with horizontal subsurface flow – does it affect BOD5, COD and TSS removal. Ecological Engineering, 73: 53–57. Retrieved from https://doi.org/10.1016/j.ecoleng.2014.09.022/
Cadavid-Florez, L., Laborde, J. and Zahawi, R.A. (2019) Using landscape composition and configuration metrics as indicators of woody vegetation attributes in tropical pastures. Ecological Indicators, 101: 679-691.
Carlson, R.E. (1977) A trophic state index for lakes1. Limnology and Oceanography, 22(2): 361-369.
Carlson, R.E. and Simpson, J. (1996) A coordinator’s guide to volunteer lake monitoring methods. North American Lake Management Society, 96: 305-305.
Cigagna, C., Bonotto, D.M., Camargo, A.F.M. and Sturaro, J.R. (2016) Trophic state index (TSI) and physico-chemical characteristics of a shallow reservoir in southeast Brazil. Environmental Earth Sciences, 75(2): 102-102.
Congalton , R.G. and Green, K. (2019) Assessing the accuracy of remotely sensed data: Principles and practices, CRC Press. pp: 50-120.
Cutrim, M.V.J., Ferreira, F.S., Dos Santos, A.K.D., et al. (2019) Trophic state of an urban coastal lagoon (Northern Brazil), seasonal variation of the phytoplankton community and environmental variables, Estuarine. Coastal and Shelf Science, 216: 98-109.
Esmaeilzadeh, M., Karbassi, A. and Moattar, F. (2016) Heavy metals in sediments and their bioaccumulation in Phragmites australis in the Anzali wetland of Iran. Chinese Journal of Oceanology and Limnology, 34(4): 810-820.
Fallah, M., Pirali Zefrehei, A.R. and Hedayati, A. (2021) Evaluating limnological condition of Anzali international wetland during 32 years period using nutrient parameters and TSI indices. Iranian Journal of Fisheries Sciences, 20(2): 370-384.
Foody, G.M. (2020) Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment, 239: 111630/ Retrieved from https://doi.org/10.1016/j.rse.2019.111630/
Guo, H., Cai, Y., Yang, Z., Zhu, Z. and Ouyang, Y. (2021) Dynamic simulation of coastal wetlands for Guangdong-Hong Kong-Macao Greater Bay area based on multi-temporal Landsat images and FLUS model. Ecological Indicators, 125: 107559.
Hargalani, F.Z., Karbassi, A., Monavari, S.M. and Azar, P.A. (2014) A novel pollution index based on the bioavailability of elements: A study on Anzali wetland bed sediments. Environmental monitoring and assessment, 186(4): 2329-2348.
Inkoom, J.N., Frank, S., Greve, K., Walz, U. and Fürst, C. (2018).. Suitability of different landscape metrics for the assessments of patchy landscapes in West Africa. Ecological Indicator, 85: 117-127.
JICA, D. (2005) The study on integrated management for ecosystem conservation of the Anzali Wetland in the Islamic Republic of Iran, Draft Final Report, pp. 2-2.
Jie, W.H., Xiao, C.L., Zhang, C., Zhang, E., Li, J.Y., Wang, B., Niu, H.W. and Dong, S.F. (2021) Remote sensing-based dynamic monitoring and environmental change of wetlands in southern Mongolian Plateau in 2000–2018. China Geology, 4(2): 353-363.
Kumar, P., Mahajan, A.K. and Meena, N.K. (2019) Evaluation of trophic status and its limiting factors in the Renuka Lake of the Lesser Himalaya, India. Environmental Monitoring and Assessment, 191(2): 3-11.
Lin, W., Cen, J., Xu, D., Du, S. and Gao, J. (2018) Wetland landscape pattern changes over a period of rapid development (1985-2015) in the ZhouShan Islands of Zhejiang province, China. Estuarine, Coastal and Shelf Science, 213: 148-159. DOI:10.1016/j.ecss.2018.08.024/
Lopes, O.F., Rocha, F.A., de Sousa, L.F., da Silva, D.M.L., Amorim, A.F., Gomes, R.L., Sampaio da Silva Junior, A.L. and de Jesus, R.M. (2019) Influence of land use on trophic state indexes in northeast Brazilian river basins. Environmental Monitoring and Assessment, 191(2): 77-77. DOI: 10.1007/s10661-019-7188-7/
Madanian, M., Soffianian, A.R., Koupai, S.S., Pourmanafi, S. and Momeni, M. (2018) Analyzing the effects of urban expansion on land surface temperature patterns by landscape metrics: a case study of Isfahan city, Iran. Environmental Monitoring and Assessment, 190(189): 1-11.
Mamun, M. and An, K.G. (2017) Major nutrients and chlorophyll dynamics in Korean agricultural reservoirs along with an analysis of trophic state index deviation. Journal of Asia-Pacific Biodiversity, 10(2): 183-191.
Ni, M., Ge, Q., Li, S., Wang, Z. and Wu, Y. (2021) Trophic state index linked to partial pressure of aquatic carbon dioxide in a typical karst plateau lake. Ecological Indicators, 120: 106912. Retrieved from https://doi.org/10.1016/j.ecolind.2020.106912/
Pal, S. and Debanshi, S. (2021) Developing wetland landscape insecurity and hydrological security models and measuring their spatial linkages. Ecological Informatics, 66: 101461. Retrived from https://doi.org/https://doi.org/10.1016/j.ecoinf.2021.101461/
Pedram Jarf, M., Kamali, A., Khara, H., Pourang, N. and Shekarabi, S.P.H. (2024) Microplastic pollution and heavy metal risk assessment in Perca fluviatilis from Anzali wetland: Implications for environmental health and human consumption. Science of The Total Environment, 907: 167978. Retrived from https://doi.org/https://doi.org/10.1016/j.scitotenv.2023.167978/
Penfound, E. and Vaz, E. (2024) Modelling future wetland loss with land use landcover change simulation in the Greater Toronto and Hamilton Area: The importance of continued greenbelt development restrictions. Habitat International, 143: 102974. Retrived from https://doi.org/https://doi.org/10.1016/j.habitatint.2023.102974/
Ramsar List. (2021) The List of Wetlands of International Importance. Retrerived from https://www.ramsar.org/
Stehman, S.V. (1997) Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment, 62(1): 77-89.
Singh, R., Saritha, V. and Pande, C.B. (2024) Monitoring of wetland turbidity using multi-temporal Landsat-8 and Landsat-9 satellite imagery in the Bisalpur wetland, Rajasthan, India. Environmental Research, 241: 117638. Retrived from https://doi.org/https://doi.org/10.1016/j.envres.2023.117638/
Wetzel, R.G. (2001) Limnology: lake and river ecosystems. Gulf Professional Publishing, pp: 220-267.
Wu, C., Chen, B., Huang, X. and Dennis Wei, Y.H. (2020) Effect of land-use change and optimization on the ecosystem service values of Jiangsu province, China. Ecological Indicators, 117: 106507. Retrived from https://doi.org/https://doi.org/10.1016/j.ecolind.2020.106507/
Wu, J. and Hobbs, R. (2002) Key issues and research priorities in landscape ecology: an idiosyncratic synthesis, Landscape Ecology, 17(4): 355-365.
Yan, F., Zhang, S., Liu, X., Yu, L., Chen, D., Yang, J., Yang, C., Bu, K. and Chang, L. (2017) Monitoring spatiotemporal changes of marshes in the Sanjiang Plain, China. Ecological Engineering, 104(A): 184-194.
Yohannes, H., Soromessa, T., Argaw, M. and Dewan, A. (2020) Changes in landscape composition and configuration in the Beressa watershed, Blue Nile basin of Ethiopian Highlands: Historical and future exploration. Heliyon, 6(9): e04859. Retrieved from https://doi.org/10.1016/j.heliyon.2020.e04859/
Zhang, Y., Wang, X., Yan, S., Zhu, J., Liu, D., Liao, Z., Li, C. and Liu, Q. (2021) Influences of Phragmites australis density and groundwater level on soil water in semiarid wetland, North China: Which is more influential. Ecohydrology & Hydrobiology, 22(1): 85-95.
Zhu, L., Zhu, K. and Zeng, X. (2023) Evolution of landscape pattern and response of ecosystem service value in international wetland cities: A case study of Nanchang City. Ecological Indicators, 155: 110987. Retrived from https://doi.org/https://doi.org/10.1016/j.ecolind.2023.110987/

Full-Text:

CLEI 2002

مجله تحقیقات منابع طبیعی تجدیدشونده، سال پانزدهم، شماره 2 پاییز وزمستان1403(پیاپی چهل ودو)، ص 176-195، نوع مقاله:علمی پژوهشی/1

ارزیابی تغییرات ساختار سیمای سرزمین تالاب بین‌المللی انزلی بر مبنای شاخص تروفی و ارایه

مدل GA-GMDH

رباب احمدزاده1، محمد دهداردرگاهی2*، نعمت‌اله خراسانی3، فروغ فرساد4، محمدرضا رحیمی‌بشر5 و علی‌رضا میرزاجانی6

1) دکتری محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2) استادیار گروه محیط زیست، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. *رایانامه نویسنده مسئول مکاتبات: dehdardargahi@iau.ac.ir

3) استاد گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تهران، ایران.

4) دانشیار گروه محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

5) استادیار گروه بیولوژی دریا، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.

6) دانشیار گروه اکولوژی، سازمان ترویج آموزش و تحقیقات کشاورزی، موسسه تحقیقات علوم شیلاتی کشور، پژوهشکده آبزی‌پروری آب‌های داخلی کشور، بندرانزلی، ایران.

تاریخ دریافت: 19/11/1403 تاریخ پذیرش: 12/04/1404

چکیده

تالاب‌ها به‌عنوان زیستگاهی بدون جایگزین بسیاری از گونه‌های گیاهی و جانوری را حمایت می‌کنند و این بوم‌سازگان‌های ارزشمند به‌واسطه فعالیت‌های انسانی دچار افت کیفیت زیستگاه می‌شوند. پرغذایی ناشی از ورود مواد آلی یکی از عوامل مهم تغییر ساختار سیمای سرزمین تالاب‌ها است. این پژوهش با هدف بررسی روند پرغذایی بر سیمای سرزمین تالاب انزلی صورت گرفت. در این تحقیق فاکتورهاي فیزیکی و شیمیایی آب شامل دما، هدایت الکتریکی (EC)، pH و اکسیژن محلول (DO)، نیتروژن کل (TN)، فسفر کل (TP) و کلروفیلa ، در 5 ایستگاه به‌صورت فصلی و سالانه اندازه‌گیری شد و سپس سطح تروفی (TSI) با استفاده از متغیرهای فسفات کل (TP)، نیتروژن کل (TN)، عمق دید سکشی (SD) و کلروفیل a تعیین شد. جهت بررسی تغییرات پوشش زمین از داده‌های ماهواره‌ای در بازه‌های زمانی 1994، 2002، 2014 و 2018 و سپس متریک‌های سیمای سرزمین محاسبه شد و در ادامه جهت مدل‌سازی جهت پیش‌بینی روند تغییراتTSI و ارتباط آن با تغییرات سیمای سرزمین از روش شبکه عصبیGMDH استفاده گردید. نتایج پژوهش نشان دادTSI کل در تمام چهار دوره مورد نظر تحقیق در مرحله یوتروف قرار دارد. نتایج بررسی متریک‌های سیمای سرزمین نشان داد کمترین مساحت پهنه آبی 92/4183 هکتار و بیشترین مساحت پوشش گیاهی برابر با 31/11696 هکتار در سال 2018 بوده است. شاخص شکل لکه نشان داد بیشترین مقدار عددی این شاخص در پهنه آبی برابر با 49/1 در سال 1994 بوده و بیشترین مقدار در خصوص پوشش گیاهی مربوط به 1994 و 2014 برابر با 35/1 است. در خروجی سنجه‌ها از مدل‌سازی با کمک الگوریتمGA-GMDH نشان‌دهنده کاهش مساحت پهنه آبی بوده و مساحت پوشش گیاهی تفاوت محسوسی را نشان نمی‌دهد.

واژه‌های کلیدی: تالاب بین‌المللی انزلی، تروفی، دریای کاسپین، سیمای سرزمین.

مقدمه

برای بسیاری از موجودات زنده، بوم‌سازگان آبی زیستگاهی بدون جایگزین بوده و در میان آنها تالاب‌ها نقش بسیار بااهمیتی داشته و گونه‌های گیاهی و جانوری متعددی را حمایت می‌کنند (مجونیان، 1377). تمامی بوم‌سازگان دارای شرایط بوم‌شناختی ویژه بوده و فعالیت‌ها و دخالت‌های انسانی از عوامل مهم و تاثیرگذار بر کاهش کیفیت خدمات ارایه شده توسط اکوسیستم‌های طبیعی شناخته شده است (Penfound & Vaz, 2024; Zhu et al., 2023). از سوی دیگر این دخالت‌ها به اشکال مختلف باعث تخریب ساختار سیمای سرزمین اکوسیستم‌ها می‌گردد که به دنبال خود می‌تواند تغییرات عملکردی آنها را سبب شود (Wu et al., 2020). در این بین تالاب‌ها به‌عنوان اکوسیستم‌های ارزشمند، زیستگاهی بینابینی و تعاملی بین خشکی‌ها و پهنه‌های آبی شناخته می‌شوند (Singh et al., 2024). همچنین باید در نظر داشت که تالاب‌های ساحلی نقش مهمی در تبادل آب و مواد مغذی، مهاجرت موجودات زنده خشکی با رودخانه‌ها و دریاها و همچنین حفاظت از خطوط ساحلی و تعادل شرایط اقلیمی و تنظیمات هیدرولوژیکی ایفا می‌کنند (Aldous et al., 2021; Guo et al., 2021).

ورود پساب‌های حاوی مواد آلی اثرات ناخوشایندی بر گیاهان و جوامع زیستی آنها داشته و به وسیله غنی‌سازی محتوی مواد آلی در آنها باعث تسریع روند پرغذایی می‌گردد (Abedini & Mirzajani, 2018). پرغذایی¹ پیکره آبی جریانی است که در آن مواد غذایی در محیط آبی غنی شده است که این غنی‌شدگی می‌تواند منشا انسانی و یا طبیعی داشته باشد (Cigagna et al., 2016). البته باید در نظر داشت که در شرایط طبیعی، چند صد سال طول می‌کشد تا سطح پرغذایی یک دریاچه افزایش یابد و فشارهای وارده از سوی دخالت‌های انسانی این روند را تسریع می‌کند. مهمترین فاکتورهای موثر که باعث پرغذایی دریاچه‌ها می‌شوند نیتروژن و فسفر هستند که بر جامعه فیتوپلانکتونی تاثیر گذاشته و باعث شکوفایی آنها می‌شود. ارزیابی روند و شرایط پرغذایی در اکوسیستم‌های آبی توسط روش‌های متعددی بررسی می‌گردد و شاخصTSI شاخصی بر پایه تولید است که در آن زی‌توده فیتوپلانکتونی پایه و اساس سطح تروفیک دریاچه‌ها، مخازن سدها و محیط آبی بسته بر مبنای عوامل مغذی و غیرمغذی می‌باشد. ز‌‌ی‌توده جلبکی می‌تواند به‌طور مستقل بر اساس غلظت کلروفیل، عمق دید سکشی و غلظت فسفر کلTP تخمین زده شود (Wetzel, 2001).

خشک شدن و از بین رفتن تالاب‌های با ارزش کشور و در سطح جهان، یکی از تراژدی‌های تکرارشونده در دهه‌های اخیر بوده است. در سال‌های گذشته و در حال حاضر به‌دلیل عوامل مختلف و بنیادین و مدیریت نادرست منابع آب در کشور، به‌صورت پرتکرار کشور با این مشکل اساسی و مهم روبه‌رو بوده است. در این بین تالاب بین‌المللی انزلی مهمترین تالاب حوضه جنوبی دریای کاسپین است که با دارا بودن ارزش‌ها و نقش عملکردی مهم، دهه‌ها است که فکر و دانش محققان را جهت حفظ و احیا آن به خود مشغول کرده است (Pedram Jarf et al., 2024). افزایش میزان بار ورودی رودخانه‌ها، گسترش صنایع و حضور صنایع آلاینده و آب‌بر، کشاورزی ناپایدار، تغییر کاربری زمین‌ها، عدم نظارت اصولی بر صنایع فعال و گردشگری‌های غیراصولی در حوضه تالاب باعث سرعت بخشیدن به روند نابودی تالاب انزلی گردیده است (Ahmadzadeh et al., 2021).

امروزه تغییرات ناشی از پوشش زمین و نوسانات مساحت پوشش گیاهی و پهنه آبی در طول زمان با بررسی تصاویر ماهواره‌ای قابل بررسی است و باید در نظر داشت که در نتیجه دگرگونی‌های پوشش زمین در حوضه تالاب، تالاب‌ها می‌توانند دچار از هم گسیختگی و تکه تکه شدن زیستگاه‌ها شده و در سیمای سرزمین ایجاد تزلزل و در پی آن عدم ثبات گردد (Pal & Debanshi, 2021). تالاب انزلی در بخش جنوب‌غربی دریای کاسپین از مهمترین اکوسیستم‌های تالابی کشور به‌شمار رفته و از نظر زمین‌شناسی بسیار جوان محسوب می‌گردد (JICA, 2005). این تالاب مهمترین زایشگاه جنوبی دریای کاسپین و بزرگترین حوضه آب شیرین در بخش محسوب می‌گردد. منابع عمده آلاینده تالاب انزلي عبارتند از: شهرها، صنايع، فعاليت‌هاي تجاري، معادن، فعاليت‌‌هاي كشاورزي و آلودگي‌هاي بيمارستاني، شیرابه شهرک‌های صنعتی و لندفیل سراوان. رودخانه‌هاي ورودي به تالاب، پساب‌هاي صنایع و بيمارستاني را با خود به تالاب وارد مي‌كنند. اين پساب‌ها شامل همة انواع آلاينده‌ها مانند مواد شیمیایی فرآیندی، مواد پتروشیمی، فلزات سنگين، مواد مغذی و مواد معلق هستند. زهاب‌هاي ناشي از مزارع برنج نيز حاوي مواد مغذي و سموم كشاورزي هستند كه باعث افزايش پديده پرغذایی يا پير شدن تدريجي تالاب می‌شود و ورود رسوبات جامد و بار مواد معلق به تالاب نيز باعث كاهش عمق تالاب و مرگ زودرس آن خواهد شد (جمال‌زاد و همکاران، ۱۳۷۸). تالاب که يك بستر آبي و يك تصفيه‌كننده طبيعي است، نقش پالايندگي دارد و مانع انتشار آلودگي آب رودخانه‌ها به آب دريا است. این ویژگی، يكي از نشانه‌هاي پرارزش و مهم تالاب انزلي است. روش شاخص سطح تروفیک کارلسون² (Carlson, 1977) بر اساس فسفر کل³، نیتروژن کل⁴، کلروفیلa و بر اساس عمق دید سکشی (شاخص شفافیت)، برای ارزیابی پدیده پرغذایی استفاده می‌شوند. از سوی دیگر ارتباط معنی‌داری بین ویژگی‌های ساختاری سیمای سرزمین و عملکردهای زیست محیطی آن وجود دارد که سنجه‌های سیمای سرزمین می‌توانند ابزارهای مفید برای برنامه‌ریزی در این خصوص محسوب شوند. سنجه‌های سيماي سرزمين، ساختار فضايي و طبقات لكه‌ها و كل قطعات يا موزائيك‌هاي لكه‌ها را اندازه‌گيري و توصيف مي‌نمايد. اين متريك‌ها اطلاعات مناسبي درباره تركيب و چيدمان فضايي در سطح سيماي سرزمين توليد مي‌نمايد.

در این پژوهش وضعیت تروفی تالاب انزلی از طریق روش کارلسون و با پارامترهای شفافیت (عمق دید سکشی)، نیتروژن کل، فسفر کل، کلروفیل a در سه دهه متولی 1373، 1381، 1393 و همچنین در سال 1397 اندازه‌گیری شده و شرایط تروفیک مورد مقایسه قرار گرفت. میزان نیتروژن و فسفر تالاب انزلی (میرروشندل و همکاران، ۱۳۹۲) اندازه‌گیری شده و گرایش به سمت یوتروف شدن در بیشتر بخش‌های تالاب دیده شده است. در سال 1390 روند تغییرات تالاب انزلی با استفاده از سنجش از دور توسط زبردست و جعفری (1390) انجام گردید که طی دوره ده ساله از 1986 تا 2002 میلادی مورد مطالعه قرار گرفت و میزان تخریب و تغییرات ناشی از مساحت و پوشش گیاهی مورد مطالعه قرار داده شد (میرزاجانی و همکاران، ۱۳۸۸). به‌منظور کاربردی‌تر شدن نتایج حاصل از این پژوهش و به‌منظور قابلیت بخشیدن برای پیش‌بینی کردن شرایط آتی تالاب با توجه به این دستاوردها، تغییرات ساختار سیمای سرزمین بر اساس نوسانات سطح تروفیک آن، بر اساس الگوریتم GMDH (روش گروهی مدل‌سازی داده‌ها⁵) مدل‌سازی گردید.

مواد و روش‌ها

منطقه مورد مطالعه: تالاب بین‌المللی انزلی در شمال ایران، در استان گیلان و در جنوب دریای کاسپین در مختصات عرض جغرافیای 55′ ° 36 و ′ 32 ° 37 شمالی و طول جغرافیایی ′ 45 ° 48 و ′ 42 49 شرقی قرار گرفته است (Fallah et al., 2021). دوره زمین‌شناسی شکل‌گیری تالاب به اواخر پلیوسن و یا هولوسن باز می‌گردد (Bastami et al., 2018). مساحت تالاب، 193 کیلومترمربع بوده و این مساحت بسته به شرایط اقلیمی و ارتفاع آب دریا بین 150 تا 200 کیلومترمربع نوسان می‌کند (Esmaeilzadeh et al., 2016). تالاب انزلی در سال 1975 در کنوانسیون تالاب‌های رامسر به ثبت رسیده و به‌دلیل فعالیت‌های انسانی و پیشرفت‌های فناوری در حوضه آبخیز آن در سال 1993 در لیست مونترو قرار گرفته است (Ramsar List, 2021). این تالاب دارای چهار بخش غربی، مرکزی، شرقی و سیاه کشیم است.

[1] . Eutrophication

[2] . TSI

[3] . Total Phosphorus(TP)

[4] . Total Nitrogen (TN)

[5] . Group Method of Data Handling

شکل 1. موقعیت قرارگیری محدوده مطالعاتی، تالاب بین‌المللی انزلی

تالاب انزلي جزء تالا‌ هاي طبيعي و آب شيرين كشور بوده و داراي ۱۱ رود اصلي و ۳۰ رود فرعي است كه رودخانه‌ها پس از آبياري شاليزارهای برنج به همراه جريان‌هاي سطحي حوزة آبريز وارد تالاب مي‌شوند (Hargalani et al., 2014). حجم زیادی از آلودگی‌ها از فعالیت‌های صنعتی و کشاورزی اطراف تالاب به‌ویژه از طریق رودخانه پیربازار¹ در این تالاب تخلیه می‌گردد (Bastami et al., 2018) که باعث تغییراتی در ساختار و عملکرد تالاب شده است. چهار منطقه تحت مدیریت سازمان حفاظت محیط زیست در محدوده تالاب انزلی واقع شده است که عبارتند از: منطقه حفاظت شده سیاه‌کشیم و سه پناهگاه حیات وحش سرخانکل، سلکه و چوکام. لازم به ذکر است که تالاب انزلی طی سال‌های متمادی همیشه تحت تاثیر نوسانات تراز آب دریای کاسپین بوده که این امر بر ساختار تالاب نقش به‌سزایی داشته است.

محاسبه سطح تروفیک تالاب انزلی: اندازه‌گیری سطح تروفیک تالاب در این مطالعه در 5 ایستگاه (شکل ۲) در مناطق مختلف تالاب صورت گرفت. ایستگاه یک منطقه تالاب غربی (آبکنار)، ایستگاه 2 منطقه سیاه‌کشیم، ایستگاه 3 و 4 در بخش مرکزی تالاب و پاسگاه منطقه سرخانکل و محدوده گل و ایستگاه 5 در بخش شرقی تالاب (منطقه شیجان) قرار دارند.

[1] 1. Pir Bazar River

شکل 2. ایستگاه‌های نمونه‌برداری تالاب انزلی (بخش‌های غربی، جنوبی، مرکزی و شرقی)

جهت سنجش فاکتورهاي فیزیکی و شیمیایی آب شامل: دما ، هدایت الکتریکی (EC)، pH و اکسیژن محلول (DO)، نیتروژن کل (TN)، فسفر کل TP)) و کلروفیلa ، نمونه‌برداری توسط روتنر انجام و به‌منظور اندازه‌گیری شفافیت آب از سکشی دیسک استفاده شد (Carlson, 1977; Bohn et al., 2018, Kumar et al., 2019).

دمای هوا و آب با استفاده از دماسنج جیوه‌ای در محل اندازه‌گیری و نمونه‌های آب جهت سنجش مقادیر کلروفیل a ،TN و TP توسط ظروف یک لیتری به آزمایشگاه منتقل و با روش‌های استاندارد مورد سنجش قرار گرفتند (APHA, 2005). سنجش اکسیژن محلول آب به روش وینکلر و pH به روش الکترومتری با دستگاه مولتی‌متر شرکت WTW اندازه‌گیری و سنجش نیتروژن کل و فسفر کل به روش هضم پرسولفات پتاسیم به‌وسیله دستگاه اتوکلاو صورت گرفت.

سطح تروفی از روش کارلسون (Carlson,1977) با استفاده از متغیرهای فسفات کل (TP)، نیتروژن کل (TN)، عمق دید سکشی (SD) و کلروفیل a تعیین شد. سطح تروفی تالاب انزلی در این بازه زمانی با استفاده از رابطه‌های زیر محاسبه گردید:

TSI (Chl) = 9/81 Ln (chl) +30/6 ) میکروگرم بر لیترchl. a( رابطه (1) غلظت کلروفیل

TSI (TP) = 14/42 Ln (TN) + 4/15 ) میکروگرم بر لیتر TP( رابطه (2) فسفات کل

TSI (SD) = 60-14.41 Ln (SD) ، متر SD رابطه (3) عمق دید سکشی

TSI (TN) = 14/43 Ln (TN) + 54/45 ) میلی گرم بر لیترTN( رابطه (4) نیتروژن کل

جدول 1. سطوح تروفیک بر مبنای جدول کارلسون

TSI	Chl.a (μgL−1)	SD (m)	TP (μgL−1)	سطح تروفیک
<30	<0/95	>8	<6	الیگوتروف
30-40	0/95-2/6	4-8	6-12	الیگوتروف
40-50	6/2-3/7	2-4	12-24	مزوتروف
50-60	3/7-20	1-2	24-48	یوتروف
60-70	20-56	5/0-1	48-96	یوتروف
70-80	56-155	۵/۰-۲۵/۰	96-192	هایپریوتروف
>80	>155	<0/25	192-384	هایپریوتروف

منبع: Carlson & Simpson, 1996

طبقه‌بندی پوشش زمین¹: در این پژوهش از تصاویر ماهواره‌ای در دسترس با وضوح متوسط Landsat 5 سنجنده ² TM برای سال 1994 و از تصاویر ماهواره‌ای Landsat7 سنجنده ³ ETM برای سال 2002 و همچنین برای سال‌های 2014 و 2018 از تصاویر ماهواره‌ای Landsat 8 سنجنده ⁴ OLI استفاده شد. به‌منظور اطمینان از صحت نقشه‌های تعیین شده از طریق طبقه‌بندی، ضریب كاپا يك (Stehman, 1997) و ضریب صحت کلی محاسبه گردید. جهت پردازش و طبقه‌بندی (کلاسه‌بندی) تصاویر ماهواره‌ای از نرم‌افزارENVI 4.8 استفاده شد و همچنین فرآیند تحلیل و خروجی گرفتن از نقشه‌ها در محیط نرم‌افزارArc GIS 10.3 صورت گرفت. کاربری‌ها و پوشش زمین به چهار طبقه پوشش گیاهی، پهنه آبی، ساختمانی و زراعی تفکیک شدند.

محاسبه متریک‌ها: برای محاسبه از تصاویر ماهواره‌ای رستری کلاسه‌بندی‌شده در محیطArc GIS استفاده شد و توسط نرم‌افزار Patch analyst 5.2 متریک‌ها انتخاب و محاسبه شدند. برای محاسبه شاخص‌های تصاویر ماهواره‌ای رستری از بخشpatch gride در نرم‌افزارPatch analyst استفاده شد. شاخص‌های سیمای سرزمین محاسبه شده در این مطالعه عبارتند از (جدول 2): مساحت طبقه (کلاس)CA ، متوسط اندازه لکه (MPS)، شاخص شکل لکه (MSI)، تعداد لکه‌ها (NP) بر اساس مطالعات مشابه پیشین در زمینه بررسی ساختار سیمای سرزمین در بازه‌های زمانی مشخص انتخاب شدند (Cadavid-Florez et al., 2019; Inkoom et al., 2018; Lin et al., 2018; Madanian et al., 2018; Wu and Hobbs, 2002; Yohannes et al., 2020).

جدول 2. مربوط به توضیح متریک‌های سیمای سرزمین محاسبه شده

توضیحات	سنجه⁵
میانگین مساحت لکه‌ها بر اساس هر طبقه یا کلاس پوشش زمین (هکتار)	مساحت کلاس⁶
تعداد لکه‌ها در هر طبقه یا کلاس پوشش زمین	تعداد لکه‌ها⁷
میانگین اندازه لکه‌ها در هر طبقه یا کلاس از پوشش زمین (هکتار)	متوسط اندازه لکه⁸
شاخص پیچیدگی شکل لکه در هر طبقه یا کلاس از پوشش زمین (هرچه این عدد به یک نزدیک‌تر باشد شکل لکه به دایره یا مربع نزدیک‌تر است و هرچه پیچیدگی شکل لکه افزایش یابد، این عدد از یک بیشتر خواهد شد.	شاخص میانگین شکل لکه⁹

منبع: Yan et al., 2017; Lin et al., 2018

مدل‌سازی: به‌منظور مدل‌سازی و شبیه‌سازی جهت پیش‌بینی روند تغییراتTSI و ارتباط آن با تغییرات سیمای سرزمین تالاب انزلی از روش شبکه عصبیGMDH (روش کنترل گروهی داده‌ها) استفاده گردید. این روش یک رویکرد خودسازماندهی داده بوده و به تدریج مدل‌های پیچیده‌تری در طول ارزیابی عملکرد مجموعه داده‌های ورودی و خروجی تولید می‌کند. الگوریتم GMDH برای سیستم‌های پیچیده بسیار مناسب است و می‌تواند به‌طور مستقیم اطلاعات را در مورد تابع هدف، از نمونه‌برداری داده‌ها استخراج نماید. جهت اجرای فرآیند بهینه‌سازی ساختار شبکه GMDH از الگوریتم ژنتیک¹⁰ استفاده شد که اين امر موفقيت امتيازدهي هماهنگ اثرات را به ميزان زيادی افزايش خواهد داد. در مدل‌سازی ارایه شده، داده‌های ناشی از سنجش شاخص TSI آب تالاب انزلی به‌عنوان ورودی به مدل ارایه شده و سنجه‌های سیمای سرزمین توسط مدل به عنوان خروجی ارایه می‌گردد.

نتایج و آنالیز داده‌ها

کلاسه‌بندی پوشش زمین و نتایج محاسبه متریک‌ها: به‌منظور بررسی دقت و صحت نقشه‌های حاصل از طبقه‌بندی، ضریب صحت کلی و ضریب کاپا محاسبه شد، مقدار دقت کلی طبقه‌بندی برای سال‌های 1994 برابر با 5/91، سال 2002 برابر با 7/98، سال 2014 برابر 5/96 و در سال 2018 معادل 5/97 درصد برآورد گردید که در حد بسیار مطلوب می‌باشد (Congalton & Green , 2019) که پس از انجام مراحل طبقه‌بندی در نرم‌افزار و تهیه نقشه خروجی انجام گرفت.

همچنین مقایسه پس از طبقه‌بندی انجام شد و ضریب کاپا برای سال 1994 برابر با 85/0، سال 2002 برابر با 90/0، سال 2014 برابر با 86/0 و برای سال 2018 برابر با 87/0 به‌دست آمد که با توجه به اینکه به يك نزديك شود، اين حالت ايده‌ال می‌باشد (Foody, 2020). پس از کلاسه‌بندی تصاویر ماهواره‌ای چهار طبقه پوشش زمین در شکل (3)، مربوط به چهار دوره مورد مطالعه قابل مشاهده است. همچنین نتایج حاصل از محاسبه متریک‌ها در پهنه آبی و پوشش گیاهی (بخش طبیعی تالاب) در جدول (3) آورده شده است.

بررسی تغییرات ساختار پوشش گیاهی و پهنه آبی: کمترین مساحت پهنه آبی 92/4183 هکتار در سال 2018 به ثبت رسیده و بیشترین مساحت پوشش گیاهی برابر با 31/11696 هکتار نیز در همین سال محاسبه شد. درصد اشغال شده توسط پوشش گیاهی در سال‌های 2014 تا 2018 ثابت بوده است.

شکل 3. نقشه‌های حاصل از کلاسه‌بندی تصاویر ماهواره‌ای بر اساس پوشش سطح زمین

متریک تعداد لکه‌ها در تمامی کلاسه‌ها نوسانات مدام را مشخص می‌کند، آنچه مشخص است تعداد لکه‌های پهنه آبی از سال 1994 تا سال 2002 روند افزایشی داشته و بیشترین تعداد لکه‌ها این پوشش زمین در سال 2002 معادل 866 لکه می‌باشد (بیشترین مساحت پهنه آبی نیز مربوط به سال 2002 بوده و برابر با 79/6365 هکتار می‌باشد). از سال 2002 تا 2018 روند کاهشی تعداد لکه‌های آبی نشان داده شده و کمترین تعداد لکه‌ها در سال 2018 معادل 280 لکه بوده است (در این بازه مساحت کل پهنه آبی نیز کاهش را نشان داده است). از سوی دیگر بیشترین تعداد لکه‌های پوشش گیاهی در سال 2018 برابر 448 بوده و کمترین تعداد لکه‌های پوشش گیاهی در سال 2014 برابر 292 ثبت گردیده است. نتایج حاصل از متریک MPS نشان می‌دهد این شاخص در خصوص پهنه آبی از سال1994 تا 2002 کاهش داشته و از 23/15 هکتار به 35/7 هکتار رسیده است. البته بین سال‌های 2002 تا 2018 متوسط اندازه لکه‌های آبی افزایش نشان می‌دهد و در سال 2018 این شاخص برابر 94/14 هکتار می‌باشد که البته از سال 1994 کمتر می‌باشد. بیشترین مقدارMPS در سال 2014 برابر با 60/39 هکتار ثبت شده است. این شاخص در سال 2018 کاهش یافته و به 11/26 هکتار رسیده است. شاخصMSI بیانگر شکل لکه‌ها است، هرچه این شاخص به عدد 1 نزدیک‌تر باشد، آن لکه به شکل دایره نزدیک‌تر می‌باشد و هرچه شکل از دایره فاصله بگیرد، مقدار کمی این شاخص افزایش پیدا خواهد کرد. کمترین مقدار عددی این شاخص در خصوص پوشش گیاهی در سال 2018 برابر با 29/1 می‌باشد و همچنین کمترین مقدار این شاخص در کلاس پهنه آبی نیز در سال 2018 و برابر با 29/1 ثبت شده است. بیشترین مقدار عددی این شاخص در پهنه آبی برابر با 49/1 در سال 1994 بوده و بیشترین مقدار در خصوص پوشش گیاهی مربوط به 1994 و 2014 برابر با 35/1 می‌باشد.

[1] . Land cover

[2] . Thematic Mapper

[3] . Enhanced Thematic Mapper Plus

[4] . Operational Land Imager

[5] . Metric

[6] . Class Area (CA)

[7] . Number of Patches (NumP)

[8] . Mean Patch Size (MPS)

[9] . Mean Shape Index (MSI)

[10] . Genetic Algorithm (GA)

جدول 3. نتایج حاصل از محاسبه متریک‌های سیمای سرزمین مربوط به پوشش گیاهی و پهنه آبی

نوع پوشش زمین	سال	CA	NUMP	MPS	MSI
پوشش گیاهی	۱۹۹۴	۱۱۰۸۳/۶۸	۳۸۵	۲۸/۷۹	۱/۳۵
	۲۰۰۲	۱۰۲۴۵/۳۳	۴۳۰	۲۳/۸۳	۱/۳۴
	۲۰۱۴	۱۱۵۶۲/۳	۲۹۲	۳۹/۶۰	۱/۳۵
	۲۰۱۸	۱۱۶۹۶/۳۱	۴۴۸	۲۶/۱۱	۱/۲۹
پهنه آبی	۱۹۹۴	۵۲۸۳/۹۰	۳۴۷	۱۵/۲۳	۱/۴۹
	۲۰۰۲	۶۳۶۵/۷۹	۸۶۶	۷/۳۵	۱/۳۴
	۲۰۱۴	۵۴۷۹/۳۸	۴۹۰	۱۱/۱۸	۱/۴۰
	۲۰۱۸	۴۱۸۳/۹۲	۲۸۰	۱۴/۹۴	۱/۲۹

شکل 4. تغییرات متریک‌های سیمای سرزمین در چهار دوره زمانی 1994، 2002، 2014 و 2018 در طبقات پوشش گیاهی

و پهنه آبی

نتایج حاصل از شاخص سطح تروفی TSI : بر طبق نمونه‌برداری‌های سال 2018 و داده‌های سال‌های 1994، 2002 و 2014 شاخص‌های تروفی کارلسون به صورت TSI فصلی وTSI سالانه به تفکیک در جدول (4) آورده شده است. بر اساس نمودار شکل (5)، TSI کل در تمام چهار دوره مورد نظر تالاب در مرحله یوتروف قرار دارد. این در حالی است که در صورت بررسی فصل به فصل مشاهده می‌گردد تالاب در تابستان 2014 در حالت هایپرتروف بوده است. این در حالی است که در بررسی ایستگاه به ایستگاه تالاب (نمودارهای شکل (6)) در سال‌های 2014 و 2018 در فصول بهار و تابستان در بسیاری از مناطق از جمله منطقه سرخانکل (ایستگاه 3)، گل لاله (ایستگاه 4) و شیجان (ایستگاه 5)، تالاب در مرحله هایپرتروف قرار دارد. تمایل به هایپرتروف شدن در بهار 2014 (41/67 TSI=) و در سال 2018 در بهار (9/66=TSI ) و تابستان (65/66=TSI ) نیز مشاهده می‌گردد.

جدول 4. نتایج حاصل از سنجش تروفی در چهار دوره زمانی سال‌های 1994، 2002، 2014 و 2018

(هایپرتروف= H ، یوتروف= U)

وضعیت تروفی	TSI کل	فصل	سال
U	۵۷/۷۵	بهار	1994
U	00/59	تابستان
U	۴۶/۶۱	پاییز
U	۸۲/۵۹	زمستان
U	۵۱/۵۹	کل سال
U	۹۷/۶۳	بهار	2002
U	۶۲/۶۷	تابستان
U	۵۱/۶۴	پاییز
U	۹۲/۶۰	زمستان
U	۲۶/۶۴	کل سال
U	۴۱/۶۷	بهار	2014
H	۰۵/۷۲	تابستان
U	۶۵/۵۸	پاییز
U	۴۶/۶۱	زمستان
U	۸۹/۶۴	کل سال
U	۹۰/۶۶	بهار	2018
U	۶۵/۶۶	تابستان
U	۹۴/۶۱	پاییز
U	۹۷/۶۲	زمستان
U	۱۰/۶۵	کل سال

شکل 5. نمودار تغییرات سطح تروفی تالاب در بازه زمانی مورد مطالعه

شکل 6. نوسانات تغییر سطح تروفی به تفکیک ایستگاه‌ها و در فصول مختلف سال‌های 1994، 2002، 2014 و 2018

نتایج حاصل از مدل‌سازی: داده های ورودی در این مرحلهTSI کل محاسبه شده می‌باشد که برای هر دوره نمونه‌برداری یک‌ساله 20 ورودی TSI کل را شامل می‌گردد و خروجی‌ها نیز متریک‌های مساحت کل، تعداد لکه‌ها، متوسط اندازه لکه و شاخص شکل لکه بوده است که به تفکیک طبقات و سنجه‌ها برای پوشش سرزمینی پهنه آبی و پوشش گیاهی در نظر گرفته شده است. مدل‌سازی برای هر سنجه از هر پوشش سرزمین به‌طور جداگانه استخراج گردیده و به تعداد خروجی‌ها شبکه آموزش دیده و از کلیه ورودی‌ها برای به‌دست آورن تک تک خروجی‌ها استفاده می‌گردد. مدل‌سازی در بستر الگوریتم ژنتیکGA برقرار شده که در درون خود GMDH در حال انجام می‌باشد و به‌طور تداخلی انجام شده است. در واقع GA سعی می‌کندGMDH را بهبود بخشد. با توجه به ورودی‌ها و به‌منظور حصول کمترین خطا در مدل‌سازی، تعداد نرون‌ها و لایه‌ها برای استخراج خروجی‌های تعلیم داده شده مشخص گردید.

بررسی گردید که در نمودارها خروجی و هدف¹ مشخص می‌گردد که آیا هدف، خروجی را پوشش می‌دهد یا خیر. در هر دو این نمودارهای نمونه خط قرمز و آبی رو هم افتاده و این بدان معنی است که اهداف و خروجی کاملا روی هم قرار گرفته‌اند و خطای کمی را نشان می‌دهند. در حقیقت خروجی، هدف را دنبال نموده و شبکه توانسته با خطای بسیار کم به نتیجه مطلوب برسد. دو نمودارErrors به دو صورت میانگین خطا² و خطا فاصله از خط³ نشان داده شده که این خطا همان‌طور که مشخص است 10-10 و در شکل (۷) عدد 8-10 را که خطا بسیار ناچیزی است، نشان می‌دهد.

شکل (7) خروجی آخر برای مدل‌سازی هر کدام از سنجه‌های استخراج شده را نشان می‌دهد. در نهایت می‌توان بیان نمود با توجه به اینکهGA-GMDH با داده‌های کم توانسته به خروجی‌های مورد نظر برسد، بنابراین این شبکه آموزش‌دیده توانایی محاسبه و پیش‌بینی سنجه‌های مورد نظر ساختاری سیمای سرزمین را با توجه به فاکتور شاخص تروفی کل⁴ دارا می‌باشد. به‌منظور پیش‌بینی شرایط آینده، از روش برون‌یابی استفاده شده (به‌عنوان نمونه سال 1405) که با توجه به داده‌های ارا‌یه شده نخست TSI کل مربوط به سال 1405 پیش‌بینی گردیده است.

با توجه به جدول (5)، پیش‌بینی‌ها نشان می‌دهد مساحت پوشش گیاهی نسب به سال 1397 از 31/11696 هکتار به 48/11483 هکتار کاهش داشته و سنجه تعداد لکه‌های پوشش گیاهی از 448 به 423 کاهش داشته است. مساحت پهنه آبی از 92/4183 به 51/2657 هکتار کاهش و تعداد لکه‌ها از 280 به 43/90 کاهش را نشان می‌دهد. شاخص متوسط اندازه لکه‌هاMPS پوشش گیاهی از 11/26 هکتار در سال 1397 به 84/19 هکتار خواهد رسید و در خصوص پهنه آبی از این شاخص از 94/14 هکتار افزایش خواهد داشت و به 59/20 هکتار خواهد رسید.

شکل 7. نمونه‌ای از نمودار رگرسیون و نمودار میزان خطا حاصل از آموزش داده‌های ورودی جهت اخذ خروجی

جدول 5. پیش‌بینی تغییرات متریک‌های سیمای سرزمین در سال ۱۴۰۵

طبقات پوشش زمین

مساحت طبقه (هکتار) CA

متوسط اندازه لکه (MPS)

شاخص شکل لکه (MSI)

تعداد لکه‌ها

(NP)

پوشش گیاهی

۴۸/۱۱۴۸۳

۲۴/۱

۸۴/۱۹

۵۸/۴۳۲

پهنه آبی

۵۱/۲۶۵۷

۱/۱

۵۹/۲۰

۴۳/۹۰

[1] . Out put and Target

[2] . MSE

[3] . StD

[4] . Total TSI

بحث و نتیجه‌گیری

با توجه به نتایج حاصله، بیشترین مساحت پوشش گیاهی و کمترین میزان مساحت لکه‌های آبی در سال 2018 به ثبت رسیده است، از طرفی مساحت پوشش گیاهی در سال‌های 2014 تا 2018 افزایش نامحسوسی داشته است، اما کاهش سطح پهنه آبی در این دو سال قابل ملاحظه بوده است. در کنار کاهش سطح پهنه آبی افزایش سطح نیزارها مشاهده می‌شود که گسترش پوشش گیاهی در تمامی ادوار نمونه‌برداری در قسمت شرقی، مرکزی و بخش سیاه‌کشیم (ایستگاه 2) شدت داشته و لکه آبی بزرگ آبکنار (ایستگاه 1) در قسمت غربی تالاب بخش اعظم مساحت تالاب را به خود اختصاص داده است.

بار ورودی فاضلاب شهرستان رشت به قسمت‌های شرقی و مرکزی (پورکی، 1395؛ جمشیدی‌زنجانی و سعیدی، 1392) بستر مناسبی برای رشد گیاهان در این مناطق فراهم نموده است. روند افزایشی مساحت پوشش گیاهی در دوره زمانی مورد نظر با افزایش سطحTSI کل در همین دوره ارتباط مستقیمی را نشان می‌دهد و بر اساس ضریب همبستگی اسپیرمن، افزایش سطح تروفی با افزایش مساحت پوشش گیاهی و تعداد لکه همبستگی دارد (ضریب همبستگی مساحت لکه پوشش گیاهی و تروفی برابر 80/0 و ضریب همبستگی تعداد لکه‌های پوشش گیاهی و تروفی 40/0 می‌باشد). بر اساس ضریب همبستگی اسپیرمن سنجه مساحت پهنه‌های آبی و تعداد لکه‌ها در این طبقه با شاخص تروفیTSI همبستگی منفی (40/0-) داشته است. یکی از عوامل مهم کاهش پهنه‌های آبی و افزایش مساحت پوشش گیاهی را می‌توان به افزایش روند تروفی در این دوره زمانی نسبت داد. متریک تعداد لکهNUMP می‌تواند میزان تکه‌تکه شدن مربوط به آن پوشش زمین را نشان دهد. در بین سال‌های 2002 تا 2014 میزان این سنجه در پوشش گیاهی کاهش یافته، اما این شاخص در سال 2018 بیشترین مقدار خود را نشان داده است. این در حالی است که میزان این سنجه بین سال‌های 2002 تا 2018 در پهنه‌های آبی روند نزولی داشته و البته متوسط اندازه لکه‌های آبی MPS افزایشی بوده است و احتمالا یکی از دلایل آن خشک شدن لکه‌های کوچک و ناپدید شدن آنها می‌باشد که می‌تواند به‌دلیل بار آلی ورودی به تالاب به‌ویژه TN در این بازه زمانی افزایش داشته باشد. همچنین به‌دلیل افزایش بار رسوبات ورودی (معاونت پژوهشی دانشگاه تهران، 1395) به تالاب شاخص شفافیت آب (عمق دید سکشی) روند کاهشی را نشان می‌دهد که حجم رسوبات و مواد مغذی باعث کاهش عمق آب و خشکیدگی پهنه آبی کوچک شده و می‌تواند باعث محو شدن لکه‌های آبی گردد. در کلاس پهنه آبی، تعداد لکه‌ها در سال 2002 برابر 866 بوده و نسبت به سایر دوره‌ها بسیار بیشتر بوده است. شایان ذکر است این افزایش تعداد لکه‌ها ناشی از افزایش مساحت پهنه‌ها آبی در سال 2002 می‌باشد. البته در کنار این افزایش تعداد لکه بر اساس سنجه متوسط اندازه لکه‌هاMPS مشخص می‌گردد که این شاخص در سال 2002 به عدد 35/7 هکتار رسیده است، بنابراین در کنار افزایش تعداد لکه‌ها، اندازه لکه‌ها کاهش یافته است. بررسی سنجه تغییرات تعداد لکه‌های پوشش گیاهی نشان می‌دهد نوسان تعداد لکه‌های پوشش گیاهی به مراتب کمتر از پهنه‌های آبی است، زیرا تغییرات رویشگاهی در طول یک یا چند سال به تدریج صورت می‌گیرد و گسترش جوامع و تیپ‌های گیاهی یا عقب‌نشینی آنها با تاخیر زمانی بیشتری نسبت به پهنه‌های آبی رخ خواهد داد.

مساحت لکه های آبی با روند کاهشی مطمئنا بستر مناسبی برای زیست ماهیان و زادآوری آنها نخواهد بود. باید توجه داشت که گونه Phragmites australis از انواع نی می‌باشد که با گسترش بسیار بخش عمده پوشش گیاهی اکوسیستم‌های تالابی را به خود اختصاص داده و نقش مهمی در جریانات اکوهیدرولوژیکی محیط آبی بازی می‌کند. همچنین تبخیر و تعرق در دریاچه‌ها و تالاب‌های کم عمق تحت سلطه این گیاه یک تا هفت برابر از تبخیر پهنه‌های آبی بدون پوشش گیاهی بیشتر است (Zhang et al., 2021). این گیاه توانایی رشد در محدوده زیستگاهی تالابی الیگوتروف تا دریاچه‌ها و تالاب‌هایی با سطح آلودگی بالا را دارا است (Březinová & Vymazal, 2014). گونه نی عمده پهنه پوشش گیاهی را به خود اختصاص داده است. البته این افزایش مساحت در پوشش گیاهی یکی از بسترهای مناسب جهت ایجاد امنیت برای پرندگان آبزی و کنار آبزی را فراهم می‌نماید (عاشوری و وارسته‌مرادی، 1393)، البته در صورت تراکم بیش از حد نیزارها این کارآیی از دست خواهد رفت. با توجه به اینکه تعداد لکه‌های آبی روند کاهشی را نشان داده‌اند و شاخص متوسط اندازه لکهMPS در سال 1393 و 1397 به افزایش روبه‌رو بوده و نشان‌دهنده حذف لکه‌های آبی کوچک است. شاخصMPS نیز از شاخص‌های مناسب تکه‌تکه شدن زیستگاه است. از سوی دیگر افزایش این شاخص می‌تواند موجب افزایش خوشه‌ای تدریجی لکه‌ها و همچنین افزایش اندازه لکه‌ها در طول زمان شود و کاهش این شاخص نیز تکه‌تکه شدن و از هم‌گسیختگی را نشان می‌دهد (Yohannes et al., 2020). افزایش متوسط اندازه لکه‌های آبی به تدریج به منزله حذف لکه‌های کوچک و آبگیرهای کوچک و جایگزینی با پوشش گیاهی است و این امر باعث شده اگرچه تعداد لکه‌ها کمتر شده ولی لکه‌های باقی‌مانده آبی بزرگتری ایجاد کنند. افزایش شاخصMPS یکی از شاخص‌های کاهش تکه‌تکه شدن یا تکه‌تکه شدن می‌باشد و در مسیر توالی با گسترش و تاج پوشش گیاهان قطعا لکه‌های کوچک به هم ملحق شده و لکه‌های بزرگ‌تر را می‌سازد، لکه‌های آبی در مابین لکه‌های گیاهی نیز به تدریج محو شده و در نتیجه با حذف لکه‌های کوچک، لکه‌های آبی با مساحت‌های بزرگ‌تر باقی می‌مانند و این فرآیند می‌تواند تا مراحل پایانی توالی این اکوسیستم ادامه پیدا کنند. شاخص شکل لکهMSI تغییرات زیاد را در ادوار مورد بررسی نشان نمی‌دهد، اما پیچیدگی شکل لکه‌ها همان‌طور که می‌تواند میزان تماس را با محیط اطراف افزایش دهد. از سوی دیگر کنج‌هایی ایجاد می‌کند که می‌تواند پناهگاه یا محل زادآوری و زیستی گونه‌های مختلف جانوری (مانند پناه و منطقه امن، لانه‌سازی پرندگان و تخم‌گذاری و یا تخم‌ریزی ماهیان و دوزیستان) باشد. هر چه شاخصMSI به عدد یک نزدیک‌تر باشد، شکل لکه‌ها به دایره نزدیک‌تر بوده و از نظر گشت‌زنی‌های حفاظتی شرایط مناسب‌تر می‌باشد و از سوی دیگر پیچیدگی در شکل لکه می‌تواند فرآیندهای نظارتی و حفاظتی را با مشکلاتی روبه‌رو نماید.

Ashok (2021) تغییرات و پویایی ساختار تالاب Renuka در هندوستان را با کمک تصاویر ماهوارهای در بازه زمانی 1984 تا 2019 با استفاده ازGIS و RS مطالعه و تغییرات فضایی- زمانی پهنه آبی و پوشش گیاهی را بررسی نموده‌اند. نتایج این تحقیق نشان داد مساحت کل تالاب کاهشی بوده و همچنین تصاویر ماهواره‌ای را برای پیگیری و پایش تغییرات ساختاری تالاب ابزار مناسب و پرکاربردی معرفی می‌کنند. در پژوهش حاضر از داده‌های ماهواره‌های لندست برای طبقه‌بندی پوشش زمین استفاده شده است. در همین زمینه پژوهش دیگری نیز ازJie و همکاران (2021) که بر تغییرات تالاب‌های واقع درMongolian plateau در جنوب مغولستان صورت گرفته، پژوهشگران با استفاده از سنجش از دور وGIS روند تغییرات را در بازه سال‌های2000 تا 2018 بررسی کردند. همچنین با بررسی تعداد لکه‌های آبی مشخص نمودند که آنها در بازه زمانی مد نظر تقریبا نصف شده است. این پژوهش نشان می‌دهد تغییرات رخ داده شده بر اقلیم بخش شمالی کشور (از لحاظ دما و بارش) تاثیرگذار بوده است، بنابراین در مقایسه پژوهشJie و همکاران (2021) و تحقیق حاضر می‌تواند اشاره کرد که تالاب‌ها در سال‌های اخیر در اقصی نقاط جهان دستخوش تغییرات و آسیب‌های شدید بوده‌اند. یکی از نکاتی که وی در مقاله اشاره کرده کاهش مساحت تالاب‌های طبیعی و افزایش مساحت تالاب‌های انسان‌ساخت است که این در مورد در پژوهش Lin و همکاران (2018) نیز بررسی و مطرح گردیده است. دخالت‌های انسانی نقش پررنگی در حیات رو به زوال اکوسیستم‌های تالابی داشته است. Lin و همکاران (2018) تغییرات الگوی سیمای سرزمین تالاب در جزیره ZhouShan واقع در چین در بازه زمانی 1985 تا 2015 را بررسی کردند. با کمک سنجه‌های سیمای سرزمین به ویژه با توجه به آنالیز مساحت مشخص گردید مساحت تالاب‌های طبیعی به دلیل فعالیت‌های انسانی کاهش نشان داشته و در این بازه زمانی تالاب‌های مصنوعی و انسان‌ساخت افزایش مساحت داشته است. سناریو تکرارشونده کاهش مساحت پهنه‌های آبی که ناشی از فعالیت‌های انسان‌محور در حاشیه تالاب‌ها بوده و در کنار گرمایش جهانی، روند توالی تالاب را تسریع می‌نمایند.

در طول دوره نمونه‌برداری در سال 2018 و استخراج داده‌های موجود از دوره‌های پیشین سنجش سطح تروفی در راستای تخمین شاخصTSI ، تالاب انزلی به‌طور کلی در شرایط یوتروف قرار داشته و در بررسی انجام شده، مشخص شد که در فصول گرم سال (بهار و تابستان) در محدوده ایستگاه پاسگاه سرخانکل (ایستگاه 3) و ایستگاه شیجان (ایستگاه 5) در سال 2014 و 2018، دچار هایپرتروفی گردیده است. میل به هایپرتروف شدن در سایر بخش‌های تالاب به‌ویژه بخش‌های مرکزی و شرقی در سال 2018 مشهود است. فاکتورTP در سال 2018 در فصول پاییز و زمستان به‌ویژه در نواحی مرکزی و شرقی افزایش داشته است. از طرفی غلظت TN در سال 2018 با افزایش قابل توجهی به نسبت سال 2014 روبه‌رو بوده است. روند افزایشی در سه دهه کاملا ملموس می‌باشد و این امر به‌دلیل اثرات بار ورودی توسط پیربازار روگاست (جایکا، 1398) که حجم زیادی از آلودگی‌ها را از شهرستان رشت و حومه وارد تالاب انزلی می‌نماید و محدوده شرق و جنوب‌شرقی تالاب به شدت تحت تاثیر آلودگی‌های آن قرار می‌گیرد و روند خشک شدن در این قسمت با شدت بیشتری اتفاق افتاده است. با بررسی تصاویر ماهواره‌ای به روشنی مشخص است که لکه‌های آبی از سال‌های 1994 و 2002 به سمت سال‌های 2014 و 2018 در قسمت شرقی و جنوبی کاهش چشمگیر داشته و در سال 2018 لکه‌ها آبی در این محدوده به کلی ناپدید گردیده‌اند. بیشترین مقادیر مربوط با کلروفیلa در بهار و تابستان به ثبت رسیده است. در سال 2018 به نسبت سال 2014 کاهش در غلظت میانگین سالانه قابل مشاهده است و بیشترین غلظت‌های مربوط به این فاکتور در سال 2014 در قسمت‌های مرکزی و شرقی تالاب ثبت گردیده است که این افزایش غلظت به‌دلیل ورود مواد مغذی ناشی از فعالیت‌های کشاورزی حاشیه تالاب و ورود پساب‌های حاوی کود به تالاب می‌باشد. در پژوهشNi و همکاران (2021) در دریاچهAha چین مشخص شد شاخصTSI در دوران پس از بارندگی و رطوبت، مقادیر کمتری را نشان می‌دهد که در تالاب بین‌المللی انزلی نیز در فصول پر باران به ویژه پاییز و زمستان با توجه به رقیق شدن عناصر شیمیایی ورودی به تالاب، مقادیر کمتری از شاخصTSI مشاهده شد. تاثیر رقیق‌سازی بر کاهش سطح تروفی در تحقیقLopes (2019) در خصوص حوضه‌های آبخیر رودخانه‌های شمالی کشور برزیل بوده نیز مشخص گردیده است. در پژوهش‌هایی که در حوزه شاخص تروفی انجام می‌شود، شاخصTN ،TP و کلروفیلa از اهمیت بیشتری برخوردار است، به‌طوری‌که در پژوهشCutrim و همکاران (2019)، Mamun و An (2017)، از این شاخص‌ها برای سنجش تروفی استفاده شده است. البته در تحقیق حاضر علاوه بر این سه پارامتر مهم، شاخص عمق دید سکشی (شفافیت) نیز به‌منظور تعیین سطح تروفی در هر چهار دوره مد نظر قرار گرفت. از سال 1994 تا 2014 عمق دید سکشی با کاهش قابل ملاحظه‌ای مواجه بوده و این می‌تواند ارتباط معنی‌داری را با میزان غلظت کلروفیلa نیز نشان دهد. در سال 2018 میزان میانگین کلروفیل a کاهش سالانه را نشان می‌دهد و عمق دید سکشی میانگین سالانه نیز تا حدودی به نسبت سال 2014 افزایش یافته است. بیشترین عمق دید سکشی در سال 2018 مربوط به محدوده غربی (ایستگاه شماره 1) می‌باشد.

در خصوص سطح تروفی تالاب انزلی پژوهش‌های مختلفی به انجام رسیده به‌ویژه در پژوهشکده آبزی‌پروری توسط گروه تحقیقاتی در دوره‌های پیشین این روند ادامه داشته است. از آن دست می‌توان به پژوهش میرزاجانی و همکاران (۱۳۸۸) اشاره نمود که روند فراغنی شدن تالاب را در بازه سال‌های 1992 لغایت 2002 مورد بررسی قرار دادند. آنها فاکتورهای نیتروژن کل، فسفر کل و کلروفیل a را اندازه‌گیری کردند و بر اساس پژوهش آنها نیز تالاب در بازه زمانی مورد بررسی در مرحله یوتروف قرار داشته است. البته آنها مشخص کردند درصد یوتروف شدن بخش‌های مختلف تالاب انزلی روند رو به رشدی داشته است. بر اساس مشابهت نتایج حاصله توسط ایشان و تحقیق حاصل باید بیان نمود بیشتر بخش‌های تالاب با توجه به شاخصTSI در حالت یوتروف قرار داشته و دارد.

ارایه مدل‌سازی می‌تواند به‌طور موثری در کاهش زمان اجرا و سرعت بالا در پاسخگویی به‌کار گرفته شود و از این ابزارها می‌توان به‌طور گسترده به‌منظور پایش محیط‌های آبی و با اهداف مختلف استفاده نمود. همچنین با توجه به اینکه مدل‌سازی انجام شده قابلیت این را دارد که با ورود داده‌های تعلیمی در سال‌های آتی بتوان بر قدرت پیش‌بینی‌کنندگی مدل توسعه‌یافتهGA-GMDH افزود. در خروجی سنجه‌ها از مدل‌سازی ارایه شده در پژوهش حاضر با کمک الگوریتمGA-GMDH نشان‌دهنده کاهش مساحت پهنه آبی بوده و همچنین مساحت پوشش گیاهی تفاوت محسوسی را نشان نمی‌دهد و تعداد لکه‌های پوشش گیاهی افزایشی بوده و تعداد لکه‌های پهنه آبی با کاهش مواجه شده است. از سوی دیگر شاخص متوسط اندازه لکهMPS برای لکه‌های پوشش گیاهی کاهشی بوده و در لکه‌های پهنه آبی افزایش را نشان می‌دهد. همچنین شاخصMSI تفاوت معنی‌داری را مشخص نمی‌کند. این امر نشان‌دهنده آن است که در صورت ادامه دار بودن شرایط متحمل‌شده بر پیکره اکوسیستم تالاب بین‌المللی انزلی تغییرات سیمای سرزمین تالاب و همچنان به سوی مراحل پایانی توالی شده و افزایش روند فراغنی شدن که بررسی شده است از عوامل شاخص و بسیار تاثیرگذار در این خصوص خواهد بود.

نتیجه‌گیری نهایی

ارزیابی روند پرغذایی و طبقه‌بندی آن در تالاب‌های ساحلی به‌دلیل تغییرات آنها از نظر زمانی و مکانی، کار دشواری است. تالاب انزلی در طی سالیان گذشته و به‌دلیل تغییرات مختلف پیرامونی از قبیل تغییرات کاربری زمین، تغییرات اقلیمی، بار رسوبات و آلودگی‌های صنعتی و کشاورزی و خانگی و ورودی به آن، هجوم گونه‌های مهاجم، نوسانات سطح آب دریای کاسپین و برداشت آب به‌منظور کشاورزی، در شرایطی به سر می‌برد که مدیریت و احیا این اکوسیستم با ارزش را با دشواری روبه‌رو کرده و تا حدودی غیرممکن می‌نماید. بر اساس نتایج حاصل شده در طول دوره نمونه‌برداری در سال 2018 و استخراج داده‌های موجود از دوره‌های پیشین سنجش سطح تروفی در راستای تخمین شاخصTSI ، تالاب انزلی به‌طور کلی در شرایط یوتروف قرار داشته و در بررسی انجام شده مشخص شد که در فصول گرم سال (بهار و تابستان) در محدوده ایستگاه سرخانکل و ایستگاه شیجان در سال 2018 و 2014، دچار هایپرتروفی گردیده است. در خصوص تغییرات ساختار سیمای سرزمین همانطور که در نمودارهای حاصل از محاسبات سنجه‌ها مشاهده می‌شود، بیشترین مساحت پوشش گیاهی در سال 2018 به ثبت رسیده است. همچنین کمترین میزان مساحت لکه‌های آبی نیز در سال 2018 به ثبت رسیده است. در کنار کاهش سطح پهنه آبی افزایش سطح نیزارها مشاهده می‌شود که با هم رابطه معکوسی را نشان می‌دهند. گسترش پوشش گیاهی در تمامی ادوار نمونه‌برداری در قسمت شرقی، مرکزی و بخش سیاه‌کشیم شدت داشته و لکه آبی بزرگ آبکنار در قسمت غربی تالاب بخش اعظم مساحت را به خود اختصاص داده است. به‌طور کلی می‌توان بیان نمود افزایش تروفی یکی از دلایل افزایش سطح پوشش گیاهی به‌ویژه نیزارها شده و همچنین با کاهش سطح پهنه آبی حذف لکه‌های آبی کوچک و کم عمق شدن تالاب میزان اختلاط رسوبات با لایه‌های فوقانی آب بیشتر شده و عمق دید سکشی کاهش یافته و این خود بر روند افزایشی سطح تروفی کل موثر خواهد بود. نیزارها و پوشش گیاهی متراکم، کارآیی این پهنه گیاهی را جهت لانه گزینی و زادآوری ماهیان و پرندگان مختل خواهد نمود. همچنین با توجه به عمق کم تالاب در بسیاری از بخش‌ها و فاصله ایجاد شده بین پهنه آبی توسط نیزارها، بنابراین فعالیت‌های گردشگری و تفرجی و همچنین گشت‌زنی‌های حفاظتی داخل تالاب دچار مشکل گردیده است. آب‌های کم‌عمق بستر نامناسبی برای پرندگان غواص خواهد بود و اکوسیستم کیفیت مطلوب را برای ادامه حیات و مهاجرت این پرندگان از دست می‌دهد. در پژوهش حاضر می‌توان انتظار داشت که مدل توسعه‌یافته GA-GMDH با کمترین خطا خروجی‌های مناسبی برای پیش‌بینی تغییرات ساختاری سیمای سرزمین بر مبنای ورودیTSI محاسبه شده در اختیار قرار دهد.

اگرچه احیا تالاب بین‌المللی انزلی هم اکنون نیز با مشکلاتی همراه است، اما ادامه این روند می‌تواند به مرور جبران‌ناپذیر شده و باعث از بین رفتن پهنه‌های آبی و از دست رفتن چرخه طبیعی اکوسیستم تالاب بین‌المللی انزلی و جایگزینی کامل پوشش گیاهی و خشک شدن تالاب گردد که این امر صدمات بزرگی بر میکروکلیما منطقه و شرایط اقتصادی، فرهنگی و اجتماعی آن خواهد داشت و حیات وحش باارزش محدوده تالاب با خطر جدی مواجه خواهد شد.

منابع

پورکی، ه. (1395) امکان‌سنجی بهره‌گیری از پساب تصفیه‌خانه فاضلاب شهر رشت به‌عنوان يکی از منابع آب تجديدشونده برای مصارف کشاورزی. کنگره علوم و مهندسی آب و فاضلاب ایران (تهران)، دوره اول، تهران، صفحات 1-9.

جایکا (آژانس همکاری‌های بین‌المللی ژاپن، شرکت نیپون کوئه). (1398) طرح میان‌مدت حفاظت از تالاب انزلی از سال 2020 تا 2030، تهیه شده در پروژه مدیریت اکولوژیک تالاب انزلی- فاز دوم، اداره کل حفاظت محیط‌زیست استان گیلان، جمهوری اسلامی ایران، غیر قابل‌انتشار.

جما‌ل‌زاده، ف.، صفت، ع.ا.د. و نظامی، ش. (۱۳۷۸) بررسی وضعیت تروفی تالاب انزلی با استفاده از GIS، شاخص تروفی (TSI). نشریه محیط‌شناسی، 25(23): 1-10.

جمشیدی‌زنجانی، ا. و سعیدی، م. (1392) ارزیابی آلودگی و پهنه‌بندی کیفی رسوبات سطحی تالاب انزلی بر اساس نتایج شاخص‌های سنجش آلودگی فلزات سنگین. محیط‌شناسی، 39(4): 157-170.

زبردست، ل. و جعفری، ح. (1390) ارزيابي روند تغييرات تالاب انزلي با استفاده از سنجش از دور و ارايه راه‌حل مديريتي. نشریه محیط‌شناسی، 57(37): 57-64.

عاشوری، ع. و وارسته‌مرادای، ح. (1393) بررسی تنوع گونه‌ای پرندگان آبزی و کنار آبزی مهاجر زمستان گذران در تالاب بین‌المللی انزلی. اکوبیولوژی تالاب، 6(20): 55-66.

مجنونیان، ه. (1377) تالاب‌ها، طبقه‌بندی و حفاظت تالاب‌ها. تهران: انتشارات سازمان حفاظت محیط زیست، ۱۰۰-۱۱۰ صفحه.

معاونت پژوهشی دانشگاه تهران. (1395) بررسی ترکیب رسوبات در سطح و عمق استاندارد تالاب انزلی، اداره کل حفاظت محیط زیست استان گیلان، صفحات 20-80.

میرروشندل، ا.، خاوندکار، ا. و البنین، ا. (۱۳۹۲) بررسی میزان ازت و فسفر تالاب انزلی در ایجاد پدیده شکوفایی جلبکی. فصلنامه علوم و مهندسی محیط زیست، 2(5): 11-18.

میرزاجانی، ع.، خداپرست، ح.، بابایی، ه.، عابدینی، ع. و ‌دادی‌قندی، ع. (۱۳۸۸) روند فراغنی‌شدن تالاب انزلی با استفاده از اطلاعات ده‌ساله 1371-1381. محیط‌شناسی، 35(52): 65-74.

Abedini, A. and Mirzajani, A. (2018) Physicochemical status of water and nutritional level of Anzali wetland. Iranian Scientific Fisheries Journal, 26(6): 113-123. Retrieved from https://doi.org/10.22092/ISFJ.2018.115765/

Ahmadzadeh, R., Dehdar Dargahi, M., Khorasani, N., Farsad, F. and Rahimibashar, M.R. (2021) Evaluation of changes in physico-chemical parameters and trophic state of Anzali International Wetland based on Carlson Index. Journal of Environmental Science and Technology, 23(10): 261-276.

Aldous, A., Schill, S., Raber, G., Paiz, M.-C., Mambela, E. and Stévart, T. (2021) Mapping complex coastal wetland mosaics in Gabon for informed ecosystem management: use of object-based classification. Remote Sensing in Ecology and Conservation, 7(1): 64-79. Retrived from https://doi.org/https://doi.org/10.1002/rse2.161/

APHA. (American Public Health Association) (2005) Standard Methods for the Examination of Water and Wastewater. Washington DC.

Ashok, A. (2021) Monitoring of dynamic wetland changes using NDVI and NDWI based Landsat imagery. Remote Sensing Applications: Society and Environment, 23: 100547.

Bastami, K.D., Neyestani, M.R., Molamohyedin, N., Shafeian, E., Haghparast, S., Shirzadi, I.A. and Baniamam, M. (2018) Bioavailability, mobility, and origination of metals in sediments from Anzali Wetland, Caspian Sea. Marine pollution bulletin, 136: 22-32.

Bohn, V.Y., Carmona, F., Rivas, R., Lagomarsino, L., Diovisalvi, N. and Zagarese, H.E. (2018) Development of an empirical model for chlorophyll-a and Secchi Disk Depth estimation for a Pampean shallow lake (Argentina). The Egyptian Journal of Remote Sensing and Space Science, 21(2): 183-191.

Březinová, T. and Vymazal, J. (2014) Competition of Phragmites australis and Phalaris arundinacea in constructed wetlands with horizontal subsurface flow – does it affect BOD5, COD and TSS removal. Ecological Engineering, 73: 53–57. Retrieved from https://doi.org/10.1016/j.ecoleng.2014.09.022/

Cadavid-Florez, L., Laborde, J. and Zahawi, R.A. (2019) Using landscape composition and configuration metrics as indicators of woody vegetation attributes in tropical pastures. Ecological Indicators, 101: 679-691.

Carlson, R.E. (1977) A trophic state index for lakes1. Limnology and Oceanography, 22(2): 361-369.

Carlson, R.E. and Simpson, J. (1996) A coordinator’s guide to volunteer lake monitoring methods. North American Lake Management Society, 96: 305-305.

Cigagna, C., Bonotto, D.M., Camargo, A.F.M. and Sturaro, J.R. (2016) Trophic state index (TSI) and physico-chemical characteristics of a shallow reservoir in southeast Brazil. Environmental Earth Sciences, 75(2): 102-102.

Congalton , R.G. and Green, K. (2019) Assessing the accuracy of remotely sensed data: Principles and practices, CRC Press. pp: 50-120.

Cutrim, M.V.J., Ferreira, F.S., Dos Santos, A.K.D., et al. (2019) Trophic state of an urban coastal lagoon (Northern Brazil), seasonal variation of the phytoplankton community and environmental variables, Estuarine. Coastal and Shelf Science, 216: 98-109.

Esmaeilzadeh, M., Karbassi, A. and Moattar, F. (2016) Heavy metals in sediments and their bioaccumulation in Phragmites australis in the Anzali wetland of Iran. Chinese Journal of Oceanology and Limnology, 34(4): 810-820.

Fallah, M., Pirali Zefrehei, A.R. and Hedayati, A. (2021) Evaluating limnological condition of Anzali international wetland during 32 years period using nutrient parameters and TSI indices. Iranian Journal of Fisheries Sciences, 20(2): 370-384.

Foody, G.M. (2020) Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment, 239: 111630/ Retrieved from https://doi.org/10.1016/j.rse.2019.111630/

Guo, H., Cai, Y., Yang, Z., Zhu, Z. and Ouyang, Y. (2021) Dynamic simulation of coastal wetlands for Guangdong-Hong Kong-Macao Greater Bay area based on multi-temporal Landsat images and FLUS model. Ecological Indicators, 125: 107559.

Hargalani, F.Z., Karbassi, A., Monavari, S.M. and Azar, P.A. (2014) A novel pollution index based on the bioavailability of elements: A study on Anzali wetland bed sediments. Environmental monitoring and assessment, 186(4): 2329-2348.

Inkoom, J.N., Frank, S., Greve, K., Walz, U. and Fürst, C. (2018).. Suitability of different landscape metrics for the assessments of patchy landscapes in West Africa. Ecological Indicator, 85: 117-127.

JICA, D. (2005) The study on integrated management for ecosystem conservation of the Anzali Wetland in the Islamic Republic of Iran, Draft Final Report, pp. 2-2.

Jie, W.H., Xiao, C.L., Zhang, C., Zhang, E., Li, J.Y., Wang, B., Niu, H.W. and Dong, S.F. (2021) Remote sensing-based dynamic monitoring and environmental change of wetlands in southern Mongolian Plateau in 2000–2018. China Geology, 4(2): 353-363.

Kumar, P., Mahajan, A.K. and Meena, N.K. (2019) Evaluation of trophic status and its limiting factors in the Renuka Lake of the Lesser Himalaya, India. Environmental Monitoring and Assessment, 191(2): 3-11.

Lin, W., Cen, J., Xu, D., Du, S. and Gao, J. (2018) Wetland landscape pattern changes over a period of rapid development (1985-2015) in the ZhouShan Islands of Zhejiang province, China. Estuarine, Coastal and Shelf Science, 213: 148-159. DOI:10.1016/j.ecss.2018.08.024/

Lopes, O.F., Rocha, F.A., de Sousa, L.F., da Silva, D.M.L., Amorim, A.F., Gomes, R.L., Sampaio da Silva Junior, A.L. and de Jesus, R.M. (2019) Influence of land use on trophic state indexes in northeast Brazilian river basins. Environmental Monitoring and Assessment, 191(2): 77-77. DOI: 10.1007/s10661-019-7188-7/

Madanian, M., Soffianian, A.R., Koupai, S.S., Pourmanafi, S. and Momeni, M. (2018) Analyzing the effects of urban expansion on land surface temperature patterns by landscape metrics: a case study of Isfahan city, Iran. Environmental Monitoring and Assessment, 190(189): 1-11.

Mamun, M. and An, K.G. (2017) Major nutrients and chlorophyll dynamics in Korean agricultural reservoirs along with an analysis of trophic state index deviation. Journal of Asia-Pacific Biodiversity, 10(2): 183-191.

Ni, M., Ge, Q., Li, S., Wang, Z. and Wu, Y. (2021) Trophic state index linked to partial pressure of aquatic carbon dioxide in a typical karst plateau lake. Ecological Indicators, 120: 106912. Retrieved from https://doi.org/10.1016/j.ecolind.2020.106912/

Pal, S. and Debanshi, S. (2021) Developing wetland landscape insecurity and hydrological security models and measuring their spatial linkages. Ecological Informatics, 66: 101461. Retrived from https://doi.org/https://doi.org/10.1016/j.ecoinf.2021.101461/

Pedram Jarf, M., Kamali, A., Khara, H., Pourang, N. and Shekarabi, S.P.H. (2024) Microplastic pollution and heavy metal risk assessment in Perca fluviatilis from Anzali wetland: Implications for environmental health and human consumption. Science of The Total Environment, 907: 167978. Retrived from https://doi.org/https://doi.org/10.1016/j.scitotenv.2023.167978/

Penfound, E. and Vaz, E. (2024) Modelling future wetland loss with land use landcover change simulation in the Greater Toronto and Hamilton Area: The importance of continued greenbelt development restrictions. Habitat International, 143: 102974. Retrived from https://doi.org/https://doi.org/10.1016/j.habitatint.2023.102974/

Ramsar List. (2021) The List of Wetlands of International Importance. Retrerived from https://www.ramsar.org/

Stehman, S.V. (1997) Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment, 62(1): 77-89.

Singh, R., Saritha, V. and Pande, C.B. (2024) Monitoring of wetland turbidity using multi-temporal Landsat-8 and Landsat-9 satellite imagery in the Bisalpur wetland, Rajasthan, India. Environmental Research, 241: 117638. Retrived from https://doi.org/https://doi.org/10.1016/j.envres.2023.117638/

Wetzel, R.G. (2001) Limnology: lake and river ecosystems. Gulf Professional Publishing, pp: 220-267.

Wu, C., Chen, B., Huang, X. and Dennis Wei, Y.H. (2020) Effect of land-use change and optimization on the ecosystem service values of Jiangsu province, China. Ecological Indicators, 117: 106507. Retrived from https://doi.org/https://doi.org/10.1016/j.ecolind.2020.106507/

Wu, J. and Hobbs, R. (2002) Key issues and research priorities in landscape ecology: an idiosyncratic synthesis, Landscape Ecology, 17(4): 355-365.

Yan, F., Zhang, S., Liu, X., Yu, L., Chen, D., Yang, J., Yang, C., Bu, K. and Chang, L. (2017) Monitoring spatiotemporal changes of marshes in the Sanjiang Plain, China. Ecological Engineering, 104(A): 184-194.

Yohannes, H., Soromessa, T., Argaw, M. and Dewan, A. (2020) Changes in landscape composition and configuration in the Beressa watershed, Blue Nile basin of Ethiopian Highlands: Historical and future exploration. Heliyon, 6(9): e04859. Retrieved from https://doi.org/10.1016/j.heliyon.2020.e04859/

Zhang, Y., Wang, X., Yan, S., Zhu, J., Liu, D., Liao, Z., Li, C. and Liu, Q. (2021) Influences of Phragmites australis density and groundwater level on soil water in semiarid wetland, North China: Which is more influential. Ecohydrology & Hydrobiology, 22(1): 85-95.

Zhu, L., Zhu, K. and Zeng, X. (2023) Evolution of landscape pattern and response of ecosystem service value in international wetland cities: A case study of Nanchang City. Ecological Indicators, 155: 110987. Retrived from https://doi.org/https://doi.org/10.1016/j.ecolind.2023.110987/

Assessment of changes in Landscape Structure of Anzali international wetland based on Trophic index and GA-GMDH model

Robab Ahmadzadeh1, Mohammad Dehdar Dargahi2*, Nematollah Khorasani3, Fourogh Farsad4, Mohammad Reza Rahimibashar5, and Alireza Mirzajani6

1) Ph.D. Student of Environment, Department of Environmental Science, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.

2) Assistant Professor of Environment, La.C, Islamic Azad University, Lahijan, Iran. *Corresponding Author Email Address: dehdardargahi@iau.ac.ir

3) Professor of Environment, Department of Environment, Faculty of Natural Resources, University of Tehran, Tehran, Iran.

4) Assistant Professor, Department of Environmental Sciences, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.

5) Assistant Professor, Department of Marine Biology, La.C, Islamic Azad University, Lahijan, Iran.

6) Associate Professor, Department of Ecology, Inland Water Aquaculture Research Center of Iran, Inzali, Iran.

Date of Submission: 2025/02/07 Date of Acceptance: 2025/07/03

Abstract

Keywords: Caspian Sea, International Wetland Anzali, Landscape, Trophy.

Identifying economic and cultural criteria affecting aesthetic values using Delphi approach and public questionnaire in Gorgan city
Print Date : 2023-02-20
Analysis of spatial heterogeneity and driving factors of land surface temperature using spatial regression models
Print Date : 2023-02-20
Evaluating the coagulant efficiency of functionalized magnetite nanoparticles in removing some pollutants from aquatic ecosystems
Print Date : 2024-08-16
Detecting of spatio-temporal relationship between drought and fire events in the fields of natural resources in Lorestan province
Print Date : 2023-08-23
The potential of compost-based organic nano-adsorbent (Compost/Fe3O4NPs) for contaminated soil remediation
Print Date : 2023-08-23
Identification and comparison of citizens' climate perception in different temperature strata of Isfahan city
Print Date : 2024-03-24

Share To

Article Url

Assessment of changes in Landscape Structure of Anzali international wetland based on Trophic index and GA-GMDH model