Journal of Rainwater Catchment Systems

fa پایش تراز آب مخزن سد جره با تلفیق تصاویر سنتینل-۲ و الگوریتم جنگل تصادفی Monitoring the water level of Jareh Dam reservoir by integrating Sentinel-2 images and Random Forest algorithm تخصصي Special پژوهشي Research <table align="right" class="Table" dir="rtl" style="width:100.0%; border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px dashed #4bacc6; width:69%; padding:0cm 7px 0cm 7px; height:19px; border-top:1px dashed #4bacc6; border-right:1px dashed #4bacc6; border-left:1px dashed #4bacc6" valign="top">مخازن با امکان ذخیره، تنظیم و توزیع آب شیرین، نقش کلیدی در تأمین آب شرب، کشاورزی، تولید برق‌آبی و کنترل سیلاب ایفا می‌کنند. با این حال، بهره‌برداری پایدار از مخازن به داده‌های دقیق تراز آب و مساحت سطح مخزن وابسته است. روش‌های سنتی اندازه‌گیری میدانی علی‌رغم دقت بالا، به دلیل هزینه زیاد، محدودیت‌های لجستیکی و عدم دسترسی به مناطق دورافتاده، برای پایش گسترده و مداوم مخازن به‌ویژه در مناطق خشک و نیمه‌خشک کارآمد نیستند. در این پژوهش، یک چارچوب یکپارچه برای تخمین روزانه تراز سطح آب مخزن سد جره با تلفیق تصاویر سنتینل-۲، مدل رقومی ارتفاعی ALOS PALSAR و الگوریتم جنگل تصادفی توسعه داده شد. شاخص‌های طیفی NDWI و MNDWI برای استخراج پهنه آبی و محاسبه مساحت سطح آب به کار رفتند. ارتفاع لبه آب با اعمال مدل رقومی ارتفاع بر روی پیکسل‌های مرزی مخزن استخراج گردید. سه سناریوی متفاوت شامل داده‌های ماهواره‌ای (تراز آب مدل‌سازی شده، NDWI، MNDWI و مساحت مخزن)، همراه با داده‌های تراز آب اندازه‌گیری‌شده با ۵ روز و ۱۰ روز قبل طراحی شد. داده‌ها با نسبت ۸۰ به ۲۰ درصد به دو مجموعه آموزش و آزمون تقسیم و سپس استاندارد شدند. نتایج نشان داد مدل جنگل تصادفی در سناریوی اول عملکرد قابل قبولی داشت (RMSE آزمون 33/1 متر)، اما افزودن داده‌های تراز آب 5 روز پیش (سناریوی دوم) بهبود چشمگیری ایجاد کرد و RMSE مجموعه آزمون را به 74/0 متر کاهش داد و ضریب نش-ساتکلیف را به 92/0 رساند. سناریوی سوم بهبود معناداری نسبت به سناریوی دوم نداشت. ارزیابی عدم قطعیت با استفاده از خطای برون‌کیسه‌ای نشان داد که سناریوی دوم و سوم از پهنای باند عدم قطعیت باریک‌تری (حدود 40/1 متر برای بازه اطمینان 90%) در مقایسه با سناریو اول (65/1 متر) برخوردار هستند. با این حال، سناریوی اول امکان برآورد تراز سطح آب مخزن تنها بر اساس داده‌های سنجش‌ازدور و بدون استفاده از داده‌های میدانی را فراهم می‌کند و بنابراین از نظر کاربردی برای مناطق فاقد ایستگاه اندازه‌گیری از اهمیت ویژه‌ای برخوردار است. نتایج تحلیل حساسیت نشان داد که مدل بیش از همه به پارامترهای تراز آب اندازه‌گیری‌شده وابسته است. پس از آن، پارامترهای تراز آب و مساحت مخزن استخراج‌شده از تصاویر ماهواره‌ای، بیشترین نقش را در تعیین خروجی مدل دارند. پژوهش حاضر نشان می‌دهد که تلفیق داده‌های سنتینل-۲، مدل رقومی ارتفاعی و جنگل تصادفی می‌تواند ابزاری کارآمد، کم‌هزینه و قابل دسترس برای پایش پیوسته تراز آب مخازن مورد استفاده قرار گیرد.</td> </tr> </tbody> </table> <table class="Table" style="border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px dashed #0070c0; width:65%; padding:0cm 2px 0cm 2px; height:19px; border-top:1px dashed #0070c0; border-right:1px dashed #0070c0; border-left:1px dashed #0070c0" valign="top">Reservoirs play a key role in providing drinking water, agriculture, hydropower generation, and flood control by enabling the storage, regulation, and distribution of freshwater. However, sustainable reservoir operation depends on accurate data on water level and surface area. Traditional field measurement methods, despite their high accuracy, are not efficient for widespread and continuous reservoir monitoring—especially in arid and semi-arid regions—due to high costs, logistical constraints, and lack of access to remote areas. In this study, an integrated framework was developed for daily reservoir water level estimation at the Jarreh Dam reservoir by combining Sentinel-2 imagery, the ALOS PALSAR Digital Elevation Model (DEM), and the Random Forest algorithm. The NDWI and MNDWI spectral indices were used to extract the water body and calculate surface water area. Water edge elevation was extracted by applying the DEM to the reservoir boundary pixels. Three different scenarios were designed: satellite-derived features (modeled water level from DEM, NDWI, MNDWI, and reservoir area), along with measured water level data from 5 days and 10 days prior. The data were split into training (80%) and testing (20%) sets and then standardized. Results showed that the Random Forest model in the first scenario achieved acceptable performance (test RMSE = 1.33 m). However, adding water level data from 5 days prior (second scenario) significantly improved performance, reducing the test RMSE to 0.74 m and achieving NSE value of 0.92. The third scenario showed no meaningful improvement over the second scenario. Uncertainty assessment using out-of-bag error indicated that the second and third scenarios had narrower uncertainty bands (approximately 1.40 m for the 90% confidence interval) compared to the first scenario (1.65 m). However, the first scenario enables reservoir water level estimation using solely remote sensing data, without the need for in-situ measurements, and thus holds particular practical significance for regions lacking gauge stations. The sensitivity analysis revealed that the model is most dependent on measured water levels, followed by water level and reservoir area extracted from satellite imagery, which play the most substantial role in determining model outputs. This study demonstrates that integrating Sentinel-2 data, a DEM, and the Random Forest algorithm can provide an efficient, low-cost, and accessible tool for continuous monitoring of reservoir water levels.</td> </tr> </tbody> </table> تحلیل عدم قطعیت، سنجش از دور، شاخص‌های طیفی، مدیریت منابع آب، یادگیری ماشین Machine Learning, Remote Sensing, Spectral Indices, Uncertainty Analysis, Water Resources Management. 0 0 http://jircsa.ir/browse.php?a_code=A-10-2431-1&slc_lang=fa&sid=1 javad zahiri جواد ظهیری zahiri_javad@yahoo.com 10031947532846006328 10031947532846006328 Yes Agricultural Sciences and Natural Resources University of Khuzestan دانشگاه علوم کشاورزی و منابع طبیعی خوزستان