Monitoring and Predicting Temporal Changes of Urmia Lake and its Basin Using Satellite Multi-Sensor Data and Deep-Learning Algorithms

Abstract

In this study, Urmia lake and its basin, which are vital regions in the northwest of Iran, were monitored using satellite data and modeling methods. Monthly precipitation was computed using TRMM satellite dataset. Terrestrial Water Storage (TWS), evaporation, temperature, and TWS Anomaly (TWSA) were estimated from GLDAS dataset and GRACE missions. Moreover, Jason satellite altimetry series and MODIS were used to assess the lake Water Level (WL) and area variations. These seven parameters were estimated from April 2002 to June 2019. This study adopted and evaluated four deep-learning methods based on feed-forward and recurrent architectures for data modeling, and, subsequently, predicting the water area variations. According to the obtained results, Recurrent Neural Network (RNN) and Convolutional Neural Network (CNN) models had some malfunctions in predicting lake area, while Multi-Layer Perceptron (MLP) and Long Short-Term Memory (LSTM) acquired results close to real variations of Urmia lake area. Taking Mean Absolute Error, Mean Relative Error, Root Mean Squared Error (RMSE), and correlation coefficient (r) as evaluation parameters, LSTM achieved the superior quantities, 175.07 km², 18.87%, 231.7 km², and 0.83, respectively. Results also indicate that LSTM is more accurate while predicting the variation of critical situations.

Zusammenfassung

Überwachung und Vorhersage zeitlicher Veränderungen im Urmia-See und seinem Einzugsgebiet unter Verwendung von Multisensor-Satellitendaten und Deep-Learning-Algorithmen In dieser Studie wurden der Urmia-See und sein Einzugsgebiet, die lebenswichtige Regionen im Nordwesten des Iran sind, mit Hilfe von Satellitendaten und Modellierungsmethoden überwacht. Der monatliche Niederschlag wurde anhand des TRMM-Satellitendatensatzes berechnet. Terrestrische Wasserspeicherung (TWS), Verdunstung, Temperatur und TWS-Anomalie (TWSA) wurden aus dem GLDAS-Datensatz und den GRACE-Missionen geschätzt. Darüber hinaus wurden Jason-Satellitenaltimetrie-Serien und MODIS verwendet, um Schwankungen des Wasserstands (WL) und der Seefläche zu bewerten. Diese sieben Parameter wurden von April 2002 bis Juni 2019 geschätzt. In dieser Studie wurden vier Deep-Learning-Methoden auf der Grundlage von Feed-Forward- und rekurrenten Architekturen für die Datenmodellierung und anschließend für die Vorhersage der Wasserflächenschwankungen verwendet und bewertet. Die Ergebnisse zeigen, dass die Modelle des rekurrenten neuronalen Netzes (RNN) und des konvolutionären neuronalen Netzes (CNN) bei der Vorhersage der Seefläche einige Fehler aufweisen, während die Modelle des mehrschichtigen Perzeptrons (MLP) und des Langzeitgedächtnisses (LSTM) Ergebnisse erzielen, die den tatsächlichen Veränderungen der Urmia-Seefläche nahe kommen. Unter Berücksichtigung des mittleren absoluten Fehlers, des mittleren relativen Fehlers, des mittleren quadratischen Fehlers (RMSE) und des Korrelationskoeffizienten (r) als Bewertungsparameter erzielte das LSTM die besten Werte: 175,07 km2, 18,87%, 231,7 km2 bzw. 0,83. Die Ergebnisse zeigen auch, dass das LSTM bei der Vorhersage der Veränderung kritischer Situationen genauer ist.