برآورد رسوبات معلق با استفاده از تکنیک‌های سنجش از دور در سواحل شمال-غربی خلیج‌فارس

الموضوعات :

هیوا علمیزاده ¹ (استادیار ژئومورفولوژی، دانشکده منابع طبیعی دریا، دانشگاه علوم و فنون دریایی خرمشهر *(مسوول مکاتبات))
خسرو فاضل پور ² (کارشناس ارشد محیط زیست دریا، دانشگاه علوم و فنون دریایی خرمشهر)

تاريخ الإرسال : 02 الجمعة , جمادى الثانية, 1437 تاريخ التأكيد : 20 الأربعاء , رجب, 1437 تاريخ الإصدار : 04 الأربعاء , رجب, 1439

الکلمات المفتاحية: سنجش‌ازدور, رسوبات معلق, مواد جامد معلق (SS), مجموع مواد معلق (TSS), مودیس,

ملخص المقالة :

زمینه و هدف: در این مقاله با هدف برآورد رسوبات معلق با استفاده از تکنیک های سنجش از دور در سواحل شمال غربی خلیج‌فارس، از دو شاخص SS[1] و TSS[2]استفاده شده است. داده‌های مورد استفاده در این تحقیق از داده‌های سنجنده مودیس با استفاده از ماهواره آکوا گردآوری‌ شده است. روش بررسی: جهت شناسایی و تعیین رسوبات معلق، با شناساندن متغیرها، داده‌های مورد نیاز از تصاویر استخراج و تصحیح رادیومتریک و اتمسفری بر اساس برنامه‌نویسی در نرم افزار MATLAB کد نویسی شده است، بدین صورت که تصویر ماهواره‌ای با فرمت HDF به برنامه وارد می گردد، سپس در بخش Modis_Swach_Type_L1B ، با تغییر و شناساندن متغیرها، خروجی ماتریس حاوی اطلاعات دریافت می گردد. در نهایت با وارد نمودن فایل ماتریس و اعمال فیلترهای متناسب به نرم‌افزار ArcGIS نقشه نهایی و میزان آن در نقاط مورد نظر حاصل شده است. یافته ها: نتایج RMSE برای هر مدل نشان می‌دهد که با روش رگرسیون ترکیبی با استفاده از تصاویر ماهواره‌ای با به کارگیری باندهای500 متری و با به دست آوردن ضریب تعیین بالاتری (82/0= ) و نیز کمترین RMSE ( RMSE=0.88 mg/l)، استفاده از باندهای 500 متری و 250 متری) برای ترسیم نقشه‌ رسوبات معلق در خلیج‌فارس مناسب‌تر می‌باشد. بحث و نتیجه گیری: نتایج نشان‌دهنده‌ی رابطه‌ی خطی بسیار بالایی بین متغیر وابسته (داده‌های میدانی TSSو SS) و داده‌های باندهای 1 تا 7 و زاویه سنجنده (بسته به الگوریتم و مدل استفاده‌شده) به‌عنوان متغیرهای مستقل می‌باشد و مشاهده گردید بین داده‌های میدانی و داده‌های استخراجی از تصاویر ماهواره‌ای رابطه معناداری وجود دارد. این‌ موارد پتانسیل تکنیک سنجش ‌از دور برای سنجش و بررسی پارامترهای دریایی را نشان می‌دهند. [1]- suspended solid [2]- total suspended sediment

المصادر:

Reference

1. Smith, G. M. and E. J. Milton, 1999. The use of the empirical line method to calibrate remotely sensed data to reflectance, International Journal of remote sensing, 20(13): 2653-2662.


2. Justice, C. O., J. R. G. Townshend, E. F. Vermote, E. Masuoka, R. E Wolfe, N. Saleous, D. P. Roy, and J. T. Morisette, 2002. An overview of MODIS land data processing and product status, Remote Sensing of Environment, 83: 3-15.


3. Mueller, J. L., Morel, A., Frouin, 2003. Ocean optics protocols for Satellite Ocean Color validation, Revision 4, Volume III: Radiometric Measurements and Data Analysis Protocols, (Eds.). NASA/TM 2003-21621 (pp. 28-29) Greenbelt, MD: NASA Goddard Space Flight Center.


4. Aghighi, H.,1973. Assessment of MODIS data for mapping water turbidity in the Caspian Sea South Coasts , a master's thesis, Tehran, Tarbiat Modares University, 144 p. (in Persian)


5. Dekker, A. G., Vos, R. J., Peters, S. W. M., 2001. Comparison of remote sensing data, model results and in situ data for total suspended matter (TSM)  in the southern Frisian lakes. Science of the Total Environment, 268, 197−214.


6. Yang, M.D., Merry S.M, 1996. Adaptive short_term water quality forecasts using remote sensing and GIS; RWRA symposium on GIS and water resources research center symposium procedings, september 22-26, Fort Lauderdale Florida, pp. 109-118, 1996.


7. Miller, R. L. & McKee, B. A., 2004. Using MODIS Terra 250 m imagery to map concentration of total suspended matter in coastal waters, Remote Sensing of Environment, Vol. 93, 259-366.


8. Chen, X. L., Li, Z. G. Liu, K.D. Yin, Z. Li, and W. H. King, 2004. Integration of multi-source data for water quality classification in the Pearl River Korean Journal of Remote Sensing, Vol.23, No.3, 2007–168–estuary and its adjacent coastal waters of Hong Kong, Continental Shelf Research, 24:1827-1843.


9. Mohammed, F., Khattab, O. And Border, J. M. 2014. Application of Landsat 5 and Landsat 7 Images Data for Water Quality Mapping in Mosul Dam Lake, Northern Iraq. Arabian Journal of Geosciences. September 2014. 7(9): 3557-3573


10. Chang, N., Imen, S. And Vannah, B. 2015. Remote Sensing for Monitoring Surface Water Quality Status and Ecosystem State in Relation to the Nutrient Cycle: A 40-Year Perspective. Critical Reviews in Environmental Science and Technology. 45(2): 101-166.


11. Roberts, D., K. Halligan, and P. Dennison, 2007. Combined use of remote sensing and continuous monitoring to analyze the variability of suspended-sediment concentrations in San Francisco Bay, California, Estuarine, Coastal Shelf Sci., 53, 801–812.