پایش تغییرات مکانی غلظت رسوب معلق (SCC) با کاربرد مدلهای رگرسیونی خطی و غیرخطی اطلاعات طیفی ماهوارهای در رودخانه سفیدرود در شمال ایران
محمد رضا سلامی
1
,
ابراهیم فتائی
2
,
فاطمه ناصحی
3
,
بهنام خانی زاده
4
,
حسین سعادتی
5
1 - دانشجوی دکتری رشته علوم و مهندسی محیط زیست، گروه علوم و مهندسی محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
2 - استاد گروه علوم و مهندسی محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
3 - استاد گروه علوم و صنایع چوب و كاغذ، واحد كرج، دانشگاه آزاد اسلامی، كرج، ایران.
4 - استادیار گروه شیمی، واحد سراب، دانشگاه آزاد اسلامی، سراب، ایران.
5 - استاد گروه علوم و صنایع چوب و كاغذ، واحد كرج، دانشگاه آزاد اسلامی، كرج، ایران.
کلید واژه: سفیدرود, غلظت رسوب معلق, لندست 8, نسبت باندی B4/B3, TSM.,
چکیده مقاله :
سفیدرود یکی از پرآب‌ترین رودخانه‌های شمال ایران است که نقش بسیار مهمی در تولیدات کشارزی، دامی، شیلات و تامین انرژی برقآبی استان گیلان دارد. در پژوهش حاضر طی دوره سال 2020-2013، با استفاده دادههای نمونه‌برداری چهار ایستگاه رسوب‌سنجی بر روی رودخانه سفیدرود و همچنین تصاویر ماهوارهای لندست 8، به پایش تغییرات غلظت رسوب معلق (SCC) پرداخته شد. برای این منظور روابط رگرسیون چندگانه خطی بازتاب طیفی 7 تک باند و 21 نسبت باندی با SCC مشاهداتی و همچنین رگرسیون‌های خطی ساده، لگاریتمی، توانی و نمایی شاخص TSM با SCC مورد بررسی قرار گرفت و از بین مدلهای رگرسیونی، مدلی که دارای بیشترین R2 با SCC بود، به عنوان مناسب‌ترین مدل برای تهیه نقشه تغییرات مکانی SCC استفاده شد. نتایج نشان داد که شاخص TSM (نسبت B4/B3) با SCC مشاهداتی دارای بیشترین همبستگی بوده، به طوری که مقدار R2 رابطه نمایی TSM با SCC مشاهداتی 74/0 میباشد. در ادامه با استفاده از مدل نمایی مذکور، نقشه تغییرات مکانی SCC تهیه شد و تغییرات SCC در طول بازهای رودخانه مورد بررسی قرار گرفت. نتایج نشان داد که مقدار SCC در دو سرشاخه سفیدرود (قزلاوزن و شاهرود) بیشتر است، اما پس ورود این رودخانه‌ها به مخزن سد منجیل (سفیدرود) مقادیر SCC در داخل مخزن به سبب ته نشین شدن SCC ;کاهش یافته و مقادیر آن در پایین دست مخزن در طول رودخانه سفیدرود نیز نسبت به سرشاخه‌ها کمتر است. یافته‌ها حاکی از آن است که از بین دو سر شاخه سفیدرود، رودخانه قزلاوزن با مقدار SCC بیشتر، نقش بیشتری در تهنشین شدن رسوبات در مخزن سد منجیل و کاهش ظرفیت ذخیره این سد دارد. به طور کلی نتایج این پژوهش نشان داد که با استفاده از اطلاعات ماهواره ای به ویژه شاخص TSM، امکان پایش تغییرات SCC در طول رودخانه با هزینه و فواصل زمانی کوتاه به طور بسیار کارآمدی امکان‌پذیر است.
Sefidroud is one of the wateriest rivers in the north of Iran, which plays a very important role in the production of agriculture, livestock, fisheries and the supply of hydroelectric energy in Gilan province. In the current research, during the period of 2013-2020, the changes in suspended sediment concentration (SCC) were monitored using the sampling data of four sediment measuring stations on the Sefidroud River as well as Landsat 8 satellite images. For this purpose, the relationships of linear multiple regression of spectral reflectance of 7 single bands and 21 band ratios with observational SCC as well as simple, logarithmic, power and exponential linear regressions of TSM index with SCC were investigated and among the regression models, the model with the highest R2 with was SCC, it was used as the most appropriate model to prepare the map of spatial changes of SCC. The results showed that the TSM index (B4/B3 ratio) had the highest correlation with observed SCC, so that the R2 value of the exponential relationship between TSM and observed SCC was 0.74. In the following, using the mentioned exponential model, a map of spatial changes of SCC was prepared and SCC changes along the river openings were investigated. The results showed that the amount of SCC is higher in the two main branches of Sefidroud (Qezaluzen and Shahroud), but after these rivers enter the reservoir of Manjil Dam (Safiroud), the SCC values inside the reservoir decreased due to the sedimentation of SCC and its values in the downstream. The reservoir along the Sefidroud river is also less than the main branches. The findings indicate that among the two branches of Sefidroud, the Qezaluzen river with higher SCC plays a greater role in settling sediments in the reservoir of Manjil dam and reducing the storage capacity of this dam. In general, the results of this research showed that by using satellite information, especially the TSM index, it is possible to monitor SCC changes along the river at a cost and in short time intervals very efficiently.
1- Abbasi, A., Taghavi, L., & Sarai Tabrizi, M. (2021). Qualitative Zoning of Groundwater to Assessment Suitable Drinking Water Using GIS Software in Mohammad Shahr, Meshkinshahr, and Mahdasht in Alborz Province. Anthropogenic Pollution, 5(1), 138-149. doi: 10.22034/ap.2021.1907787.1076
2- Adjovu, G.E., Stephen, H., James, D. and Ahmad, S., 2023. Overview of the Application of Remote Sensing in Effective Monitoring of Water Quality Parameters. Remote Sensing, 15(7): 1938.
3- Chelotti, G.B., Martinez, J.M., Roig, H.L. and Olivietti, D., 2019. Space-Temporal analysis of suspended sediment in low concentration reservoir by remote sensing. RBRH, 24: e17.
4- Cremon, É.H., da Silva, A.M.S. and Montanher, O.C., 2020. Estimating the suspended sediment concentration from TM/Landsat-5 images for the Araguaia River–Brazil. Remote Sensing Letters, 11(1): 47-56.
5- da Cunha, E.R., Santos, C.A.G., da Silva, R.M., Panachuki, E., de Oliveira, P.T.S., de Souza Oliveira, N. and dos Santos Falcão, K., 2022. Assessment of current and future land use/cover changes in soil erosion in the Rio da Prata basin (Brazil). Science of The Total Environment, 818: 151811.
6- Das, S., Kaur, S. and Jutla, A., 2021. Earth observations-based assessment of impact of COVID-19 lockdown on surface water Quality of Buddha Nala, Punjab, India. Water, 13(10): 1363.
7- Dodangeh, E., Soltani, S., Sarhadi, A. and Shiau, J.T., 2014. Application of L‐moments and Bayesian inference for low‐flow regionalization in Sefidroud basin, Iran. Hydrological Processes, 28(4): 1663-1676.
8- dos Santos, F.M., de Souza Pelinson, N., de Oliveira, R.P. and Di Lollo, J.A., 2023. Using the SWAT model to identify erosion prone areas and to estimate soil loss and sediment transport in Mogi Guaçu River basin in Sao Paulo State, Brazil. Catena, 222: 106872.
9- Du, Y., Song, K., Liu, G., Wen, Z., Fang, C., Shang, Y., Zhao, F., Wang, Q., Du, J. and Zhang, B., 2020. Quantifying total suspended matter (TSM) in waters using Landsat images during 1984–2018 across the Songnen Plain, Northeast China. Journal of environmental management, 262: 110334.
10- Efthimiou, N., 2019. The role of sediment rating curve development methodology on river load modeling. Environmental monitoring and assessment, 191: 1-19.
11- Fensholt R, Sandholt I, Pround SR, 2010. Assessment of MODIS sun-sensor geometry variations effect on observed NDVI using MSG SEVIRI geostationary data. International Journal of Remote Sensing, 31(23): 6163–6187.
12- Gao, B.C. 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3): 257–266.
13- Ghaffari, A., Nasseri, M., and Pasebani Someeh, A. (2022). Assessing the economic effects of drought using Positive Mathematical Planning model under climate change scenarios. Heliyon 8: e11941.
14- Hadiyan, P.P., Moeini, R. and Ehsanzadeh, E., 2020. Application of static and dynamic artificial neural networks for forecasting inflow discharges, case study: Sefidroud Dam reservoir. Sustainable Computing: Informatics and Systems, 27: 100401.
15- Hajiabadi, R. and Zarghami, M., 2014. Multi-objective reservoir operation with sediment flushing; case study of Sefidrud reservoir. Water resources management, 28 :5357-5376.
16- Hariyanto, T., Krisna, T.C., Pribadi, C.B. and Anwar, N., 2017. Development of total suspended sediment model using Landsat-8 OLI and in-situ data at the Surabaya Coast, East Java, Indonesia. The Indonesian Journal of Geography, 49(1): 73.
17- Im, J. Jensen, and J. Tullis, 2008. "Object‐based change detection using correlation image analysis and image segmentation," International Journal of Remote Sensing, vol. 29: 399-423.
18- Jaelani, L.M., Limehuwey, R., Kurniadin, N., Pamungkas, A., Koenhardono, E.S. and Sulisetyono, A., 2016. Estimation of Total Suspended Sediment and Chlorophyll-A Concentration from Landsat 8-Oli: The Effect of Atmospher and Retrieval Algorithm. IPTEK The Journal for Technology and Science, 27(1).
19- Jally, S.K., Mishra, A.K. and Balabantaray, S., 2021. Retrieval of suspended sediment concentration of the Chilika Lake, India using Landsat-8 OLI satellite data. Environmental Earth Sciences, 80: 1-18.
20- Jayaram, C., Patidar, G., Swain, D., Chowdary, V.M. and Bandyopadhyay, S., 2021. Total suspended matter distribution in the Hooghly river estuary and the Sundarbans: a remote sensing approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 9064-9070.
21- Jin, F., Yang, W., Fu, J. and Li, Z., 2021. Effects of vegetation and climate on the changes of soil erosion in the Loess Plateau of China. Science of the Total Environment, 773: 145514.
22- Kantakumar, L.N., Neelamsetti, P. 2015. Multi-temporal land use classification using hybrid approach. The Egyptian Journal of Remote Sensing and Space Science, 18(2): 289-295.
23- Kavzoglu, T. and Colkesen, I., 2009. A Kernel function analysis for support vector machines for land cover classification. International Journal of Applied earth observation and Geoinformation 11, 352-359.
24- Khosravi, K., Rostaminejad, M., Cooper, J.R., Mao, L. and Melesse, A.M., 2019. Dam break analysis and flood inundation mapping: The case study of Sefid-Roud Dam, Iran. In Extreme hydrology and climate variability (395-405). Elsevier.
25- Kwon, S., Noh, H., Seo, I.W. and Park, Y.S., 2023. Effects of spectral variability due to sediment and bottom characteristics on remote sensing for suspended sediment in shallow rivers. Science of The Total Environment, 878: 163125.
26- Lei, S., Xu, J., Li, Y., Li, L., Lyu, H., Liu, G., Chen, Y., Lu, C., Tian, C. and Jiao, W., 2021. A semi-analytical algorithm for deriving the particle size distribution slope of turbid inland water based on OLCI data: A case study in Lake Hongze. Environmental Pollution, 270: 116288.
27- Lei, S., Xu, J., Li, Y., Li, L., Lyu, H., Liu, G., Chen, Y., Lu, C., Tian, C. and Jiao, W., 2021. A semi-analytical algorithm for deriving the particle size distribution slope of turbid inland water based on OLCI data: A case study in Lake Hongze. Environmental Pollution, 270: 116288.
28- Manoppo, A.K. and Budhiman, S., 2017. Estimation on the concentration of total suspended matter in Lombok Coastal using Landsat 8 OLI, Indonesia. In IOP Conference Series: Earth and Environmental Science (54(1): 012073). IOP Publishing.
29- Martinez, J.M., Espinoza‐Villar, R., Armijos, E. and Silva Moreira, L., 2015. The optical properties of river and floodplain waters in the Amazon River Basin: Implications for satellite‐based measurements of suspended particulate matter. Journal of Geophysical Research: Earth Surface, 120(7): 1274-1287.
30- Martinez, M.J. and Cox, A.L., 2023. Remote‐Sensing Method for Monitoring Suspended‐Sediment Concentration on the Middle‐Mississippi and Lower‐Missouri Rivers. Journal of Contemporary Water Research & Education, 177(1): 17-30.
31- Mohammadi, J., Fataei, E., Aghchekandi, A. O., & Taghavi, L. (2023). Investigation and determination of land use effects on surface water quality in semi-arid areas: Case study on Qarasu River in Iran. Anthropogenic Pollution (Anthropog. pollut),7(2):1-7.
32- Nukapothula, S., Yunus, A.P., Chuqun, C. and Lin, X., 2023. Impact of extreme climatic events on the total suspended matter concentrations in coastal waters using OceanSat-2 observations. Physics and Chemistry of the Earth, Parts A/B/C, 131: 103435.
33- Othman, F., Sadeghian, M.S., Ebrahimi, F. and Heydari, M., 2013. A study on sedimentation in sefidroud dam by using depth evaluation and comparing the results with USBR and FAO methods. Int. Proc. Chem. Biol. Environ. Eng, 51(9): 6.
34- Patel, B., Prajapati, A., Sarangi, R.K., Devliya, B. and Patel, H., 2023. Validation of the Total Suspended Matter (TSM) algorithm using in situ datasets over the Bay of Bengal Coastal Water. Marine Geodesy, 46(6):548-561.
35- Paulista, R.S.D., de Almeida, F.T., de Souza, A.P., Hoshide, A.K., de Abreu, D.C., da Silva Araujo, J.W. and Martim, C.C., 2023. Estimating Suspended Sediment Concentration using Remote Sensing for the Teles Pires River, Brazil. Sustainability, 15(9): 7049.
36- Peterson, K.T., Sagan, V., Sidike, P., Cox, A.L. and Martinez, M., 2018. Suspended sediment concentration estimation from landsat imagery along the lower missouri and middle Mississippi Rivers using an extreme learning machine. Remote Sensing, 10(10): 1503.
37- Pham, Q.V., Ha, N.T.T., Pahlevan, N., Oanh, L.T., Nguyen, T.B. and Nguyen, N.T., 2018. Using Landsat-8 images for quantifying suspended sediment concentration in Red River (Northern Vietnam). Remote Sensing, 10(11): 1841.
38- Pushparaj, J., Hegde, A.V. (2017), Evaluation of pan-sharpening methods for spatial and spectral quality. Applied Geomatics, 9(1): 1-12.
39- Qiu, Z., Xiao, C., Perrie, W., Sun, D., Wang, S., Shen, H., Yang, D. and He, Y., 2017. Using L andsat 8 data to estimate suspended particulate matter in the Y ellow R iver
estuary. Journal of Geophysical Research: Oceans, 122(1): 276-290. 40- Quang, N.H., Sasaki, J., Higa, H. and Huan, N.H., 2017. Spatiotemporal variation of turbidity based on landsat 8 OLI in Cam Ranh Bay and Thuy Trieu Lagoon, Vietnam. Water, 9(8): 570.
41- Riquetti, N.B., Mello, C.R., Leandro, D., Guzman, J.A. and Beskow, S., 2022. Assessment of the soil-erosion-sediment for sustainable development of South America. Journal of Environmental Management, 321: 115933.
42- Sa’ad, F.N.A., Tahir, M.S., Jemily, N.H.B., Ahmad, A. and Amin, A.R.M., 2021. Monitoring total suspended sediment concentration in spatiotemporal domain over Teluk Lipat utilizing Landsat 8 (OLI). Applied Sciences, 11(15): 7082.
43- Safizadeh, E., Karimi, D., Gahfarzadeh, H. R., & Pourhashemi, S. A. (2021). Investigation of physicochemical properties of water in downstream areas of selected dams in Aras catchment and water quality assessment (Case study: Aras catchment in the border area of Iran and Armenia). Anthropogenic Pollution, 5(1), 41-48. doi:
10.22034/ap.2021.1912491.1082 44- Toming, K., Kutser, T., Uiboupin, R., Arikas, A., Vahter, K. and Paavel, B., 2017. Mapping water quality parameters with sentinel-3 ocean and land colour instrument imagery in the Baltic Sea. Remote Sensing, 9(10): 1070.
45- Womber, Z.R., Zimale, F.A., Kebedew, M.G., Asers, B.W., DeLuca, N.M., Guzman, C.D., Tilahun, S.A. and Zaitchik, B.F., 2021. Estimation of suspended sediment concentration from remote sensing and in situ measurement over Lake Tana, Ethiopia. Advances in Civil Engineering, 2021: 1-17.
46- Xiao, Y., Chen, J., Xu, Y., Guo, S., Nie, X., Guo, Y., Li, X., Hao, F. and Fu, Y.H., 2023. Monitoring of chlorophyll-a and suspended sediment concentrations in optically complex inland rivers using multisource remote sensing measurements. Ecological Indicators, 155: 111041.
47- Xu, H. 2006. Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int. J. Remote Sens, 27(14): 3025–3033.
48- Xu, S., Ehlers, M. (2017), HYPERSPECTRAL IMAGE SHARPENING BASED ON EHLERS FUSION. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W7: 941-947.
49- Yang, H., Kong, J., Hu, H., Du, Y., Gao, M. and Chen, F., 2022. A review of remote sensing for water quality retrieval: progress and challenges. Remote Sensing, 14(8): 1770.
50- Yepez, S., Laraque, A., Martinez, J.M., De Sa, J., Carrera, J.M., Castellanos, B., Gallay, M. and Lopez, J.L., 2018. Retrieval of suspended sediment concentrations using Landsat-8 OLI satellite images in the Orinoco River (Venezuela). Comptes Rendus Geoscience, 350(1-2): 20-30.
51- Yia, L. Binga, L. Qian-lia, P. Chenc, and L. Yuana, 2012. "A Change Detection Method for Remote Sensing Image Based on Multi-Feature Differencing Kernel Svm," ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 1: 227-235.
52- Yu, Z., Wang, J., Li, Y., Shum, C.K., Wang, B., He, X., Xu, H., Xu, Y. and Zhou, B., 2022. Remote sensing of suspended sediment in high turbid estuary from sentinel-3A/OLCI: A case study of Hangzhou Bay. Frontiers in Marine Science, 9: 1008070.
53- Zeng, M., Peng, J. and Liu, F., 2022. Research on Inversion of Suspended Sediment Concentration in Estuary Surface Based on Remote Sensing and GIS. Security and Communication Networks, 2022.
54- Zhang, J., Yang, J., Reinartz, P. (2016), The optimized block-regression-based fusion algorithm for pan sharpening of very high-resolution satellite imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B7, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic.
55- Zhang, Y., Zhang, Y., Shi, K., Zha, Y., Zhou, Y. and Liu, M., 2016. A Landsat 8 OLI-based, semianalytical model for estimating the total suspended matter concentration in the slightly turbid Xin’anjiang Reservoir (China). IEEE journal of selected topics in applied earth observations and remote sensing, 9(1): 398-413.
56- Zhu, W., Huang, L., Sun, N., Chen, J. and Pang, S., 2020. Landsat 8‐observed water quality and its coupled environmental factors for urban scenery lakes: A case study of West Lake. Water Environment Research, 92(2): 255-265.
مجله تحقیقات منابع طبیعیتجدیدشونده، سال پانزدهم، شماره1بهار وتابستان1403(پیاپی چهل و یک)، ص 139-123، نوع مقاله: علمی پژوهشی/1
پایش تغییرات مکانی غلظت رسوب معلق (SCC) با کاربرد مدلهای رگرسیونی خطی و غیرخطی اطلاعات طیفی ماهوارهای در رودخانه سفیدرود در شمال ایران
محمدرضا سلامی1، ابراهیم فتائی2*، فاطمه ناصحی3، بهنام خانیزاده4 و حسین سعادتی3
1) دانشجوی دکتری رشته علوم و مهندسی محیط زیست، گروه علوم و مهندسی محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
2) استاد گروه علوم و مهندسی محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
*رایانامه نویسنده مسئول مکاتبات: eb.fataei@iau.ac.ir
3) استاد گروه علوم و صنایع چوب و كاغذ، واحد كرج، دانشگاه آزاد اسلامی، كرج، ایران.
4) استادیار گروه شیمی، واحد سراب، دانشگاه آزاد اسلامی، سراب، ایران.
تاریخ دریافت: 18/02/1403 تاریخ پذیرش: 21/05/1403
چکیده
سفیدرود یکی از پرآب‌ترین رودخانه‌های شمال ایران است که نقش بسیار مهمی در تولیدات کشارزی، دامی، شیلات و تامین انرژی برقآبی استان گیلان دارد. در پژوهش حاضر طی دوره سال 2020-2013، با استفاده از دادههای نمونه‌برداری چهار ایستگاه رسوب‌سنجی بر رودخانه سفیدرود و همچنین تصاویر ماهوارهای لندست 8، به پایش تغییرات غلظت رسوب معلق (SCC) پرداخته شد. برای این منظور روابط رگرسیون چندگانه خطی بازتاب طیفی 7 تک باند و 21 نسبت باندی با SCC مشاهداتی و همچنین رگرسیون‌های خطی ساده، لگاریتمی، توانی و نمایی شاخص TSM با SCC مورد بررسی قرار گرفت و از بین مدلهای رگرسیونی، مدلی که دارای بیشترین R2 با SCC بود، بهعنوان مناسب‌ترین مدل برای تهیه نقشه تغییرات مکانی SCC استفاده شد. نتایج نشان داد شاخص TSM (نسبت B4/B3) با SCC مشاهداتی دارای بیشترین همبستگی بوده، بهطوریکه مقدار R2 رابطه نمایی TSM با SCC مشاهداتی 74/0 بود. در ادامه با استفاده از مدل نمایی مذکور، نقشه تغییرات مکانی SCC تهیه و تغییرات SCC در طول بازهای رودخانه مورد بررسی قرار گرفت. نتایج نشان داد مقدار SCC در دو سرشاخه سفیدرود (قزلاوزن و شاهرود) بیشتر بود، اما پس از ورود این رودخانه‌ها به مخزن سد منجیل (سفیدرود) مقادیر SCC در داخل مخزن به سبب تهنشین شدن SCC کاهش یافت و مقادیر آن در پایین دست مخزن در طول رودخانه سفیدرود نیز نسبت به سرشاخه‌ها کمتر شد. یافته‌ها حاکی از آن بود که از بین دو سر شاخه سفیدرود، رودخانه قزلاوزن با مقدار SCC بیشتر، نقش بیشتری در تهنشین شدن رسوبات در مخزن سد منجیل و کاهش ظرفیت ذخیره این سد داشت. بهطور کلی نتایج این پژوهش نشان داد با استفاده از اطلاعات ماهوارهای بهویژه شاخص TSM، امکان پایش تغییرات SCC در طول رودخانه با هزینه و فواصل زمانی کوتاه بهطور بسیار کارآمدی امکان‌پذیر است.
واژه‌های کلیدی: سفیدرود، غلظت رسوب معلق، لندست 8، نسبت باندی B4/B3، TSM.
مقدمه
فرسایش و رسوب ذرات پدیده‌های طبیعی هستند، اما اقدامات انسانی می‌تواند این فرآیندها را افزایش داده و باعث از دست دادن کیفیت آب، لجن‌زدایی بدنه‌های آبی و کاهش عمر مفید مخازن شود (Chelotti et al., 2019; Martinez et al., 2015). فرآیندهای فرسایشی می‌توانند پیامدهای مختلفی ایجاد کنند و با توجه به ویژگی حوضه‌های آبخیز، مانند پوشش گیاهی، توپوگرافی، رژیم بارش و ویژگیهای خاک متفاوت باشند (Abbasi et al., 2021; dos Santos et al., 2023). فرسایش در حوضه‌های آبخیز دارای کاربری کشاورزی و یا مناطق جنگل‌زدایی شده، تشدید میشود (Mohammadi et al., 2023; da Cunha et al., 2022). فرسایش آبی با کاهش مواد مغذی و مواد آلی منجر به تخریب خاک شده و به انتقال کودها و آفت‌کشها کمک می‌کند و به همین سبب بهطور مستقیم بر فعالیت‌های اقتصادی در حوضه‌های آبخیز تاثیر می‌گذارد (Riquetti et al., 2022). تشدید فرسایش به محیط زیست و تولیدات کشاورزی آسیب وارد کرده و امنیت غذایی را تحت تاثیر قرار می‌دهد (Jin et al., 2021).
بار رسوبی در رودخانه‌ها عمدتا از رسوب معلق1 و بار رسوب بستر2 تشکیل شده که SLL شامل ذرات ریزی معلقی است که در نتیجه تلاطم رودخانه منتقل میشود و SBL دارای ذرات درشتری است که در بستر رودخانه جریان مییابد. SSL یا غلظت رسوب معلق3 یکی از عوامل اصلی اخلال در جریان طبیعی آب بوده (Efthimiou, 2019) و تغییرات مکانی و زمانی غلظت آن در ارتباط با عوامل انسانی و طبیعی است (Sa’ad et al., 2021)، بهطوریکه افزایش جمعیت به همراه تغییر اقلیم، سبب بهره‌برداری بیش از حد از زمین شده و در نتیجه کمیت و کیفیت آب در مخازن سدها تحت تاثیر قرار می‌گیرد (Safizadeh et al., 2021). بنابراین، به دست آوردن دادههای SSC و در نتیجه، دادههای فرسایش برای مدیریت صحیح خاک و آب در چنین حوضه‌هایی ضروری است.
بهطور معمول پایش و ارزیابی رسوبات معلق با استفاده از مشاهدات درجا دنبال میشود، درحالی‌که رویکردهای مبتنی بر دادههای درجا برای تخمین دینامیک پیچیده رسوبات معلق بهدلیل پوشش مکانی و زمانی محدود آنها کافی نیست، چرا که غلظت رسوبات معلق از نظر زمانی و مکانی بسیار متفاوت بوده (Du et al., 2020) و به سبب این ناهمگنی طبیعی، دشوار است که بتوان با نمونه‌برداری درجا از غلظت رسوبات معلق، بتوان به یک نمای همدیدی4 از رسوبات معلق دست یافت (Lei et al., 2021). اگرچه روش‌های سنتی برای دستیابی به دادههای رسوب‌شناسی قابل اعتماد هستند، اما تکنیک‌های جایگزینی برای سرعت بخشیدن و بهبود کمیت SSC مورد نیاز است که هزینه آن را کمتر می‌کند. از سوی دیگر یکی از مشکلات روش‌های سنتی ایجاد مشاهدات مستمر است که ارزیابی‌های SSC درازمدت را مختل می‌کند (Nukapothula et al., 2023). علاوه بر آن، ماهیت مکان خاص نمونه‌برداری، این روش‌ها را برای برون‌یابی مقادیر به مکان‌های دیگر در امتداد بدنه آبی دشوارتر می‌کند (Martinez et al., 2015). این محدودیت را می‌توان با استفاده از دادههای سنجش از راه دور چند زمانی که در وضوحهای مکانی و زمانی بالا با پوشش خوب در دسترس هستند، برطرف کرد (Jayaram et al., 2021) و علاوه بر آن امکان بررسی سوابق گذشته SCC در پهنه آبی مورد بررسی را فراهم کرد (Womber et al., 2021). در واقع رسوب معلق در آب بیانگر کیفیت آب است که بهطور مستقیم خواص نوری مانند شفافیت آب، کدورت و رنگ آب را منعکس می‌کند. بنابراین این ویژگیهای فیزیکی مبنایی مناسب برای بازیابی دقیق غلظت رسوب معلق (SSC) با استفاده از اندازه‌گیری‌های رنگ آب با دادههای سنجش از دور فراهم می‌کند (Yu et al., 2022). اگرچه سنجش از دور بهطور گسترده در تحقیقات قبلی برای بازیابی اطلاعات در مورد کیفیت آب در اقیانوس‌ها، نواحی ساحلی و دریاچه‌های داخلی استفاده شده است، اما برای رودخانه‌ها، کاربرد این روش نسبتا محدود بوده است. چرا که ویژگیهای نوری رودخانه‌ها و رفتارهای رسوب معلق در رودخانه پیچیده‌تر است، مانند اختلاط در تلاقی رودخانه‌ها و کانال‌های پرپیچ‌وخم (Kwon et al., 2023). علاوه بر این، عرض یک رودخانه بهطور کلی باریک است و وضوح فضایی سنسورهای ماهوارهای معمولی کم بوده و بنابراین، تاثیر پیکسلهای مخلوط اغلب قابل توجه است (Xiao et al., 2023).
برای نقشه‌برداری و پایش SSC، مدلهای تجربی مبتنی بر رگرسیون در اقصی نقاط جهان توسعه داده شده است، چنان که Hariyanto و همکاران (2017) در شرق Jawa در اندونزی، Quang و همکاران (2017) در جنوبشرق ویتنام، Yepez و همکاران (2018) در رودخانه Orinoco در ونزوئلا با استفاده از تک باند مادون قرمز لندست 8 و Paulista و همکاران (2023) در رودخانه Teles Pires در آمازون برزیل با استفاده از تصاویرSentinel-2 مدل نمایی بازتاب باند قرمز به برآورد SCS دست یافتند. Zhang و همکاران (2016) در سد مخزنی Xin'anjiang در چین و Manoppo و Budhiman (2017) در شرق اندونزی با بهکارگیری چند باند لندست 8 به مدل رگرسیونی مناسب جهت برآورد SCC دست یافتند. Jaelaniو همکاران (2016) در اندونزی با استفاده از نسبتهای باندی لندست 8، مدل رگرسیونی مناسب را برای برآورد SCC تعیین کردند. Qiu و همکاران (2017) در مصب رودخانه زرد5 در چین، Pham و همکاران (2018) در رودخانه قرمز 6 در شمال ویتنام با استفاده از تصاویر ماهوارهای لندست 8 نشان دادند نسبت باندی B4/B3 از توانایی بالایی برای برآورد SCC برخوردار است. نسبت باندی B4/B3 بهعنوان شاخص کل مواد معلق7 شناخته میشود (Toming et al., 2017; Zhu et al., 2020; Das et al., 2021). مقدار TSM فراتر از یک آستانه معین شفافیت آب را مختل کرده، مانع از نفوذ نور و مهار فتوسنتز شده که این موارد می‌تواند به گیاهان آبزی و جلبکها آسیب برساند. TSM ممکن است آلایندهها و مواد مغذی را انتقال دهد و بنابراین باعث عدم تعادل اکولوژیکی و بدتر شدن کیفیت آب شود (Patel et al., 2023). با نقشه برداری TSM می‌توان برای بررسی توزیع و تغییر غلظت رسوب معلق در طول رودخانه استفاده کرد. در مطالعات متعددی از این شاخص جهت بررسی رسوبات معلق استفاده شده است، چنانکه Zhu و همکاران (2020) در پژوهشی بر روی دریاچه غربی8 (Xi Hu) در شرق چین با استفاده از تصاویر Landsat 8 با مقایسه TSM و CDOM9 نشان دادند توابع نمایی نسبتهای باند سبز/قرمز (TSM) بهتر می‌توانند کیفیت آب را پایش کنند. Patel و همکاران (2023) با اعتبارسنجی نیز TSM تصاویر ماهواره OLCI10 استنباط کردند که TSM در خلیج بنگال جنوبشرقی هند می‌تواند برای نقشه‌برداری TSM سینوپتیکی مبتنی بر ماهواره مفید باشد. Nukapothula و همکاران (2023) نیز در مطالعه‌ای در سواحل Kerala در جنوبشرقی هند با تجزیه و تحلیل تصاویر OceanSat-2 نشان دادند مقدار TSM در طول مراحل سیل بیش از دو برابر دوره‌های عادی بوده است.
بررسی سوابق مطالعاتی نشان داد با توجه به ویزگی‌ها و محدودیت‌های هر کدام از مناطق مورد مطالعه، غالبا از روابط رگرسیون ساده خطی و غیرخطی برای بررسی همبستگی بین SCC و بازتاب طیفی باندها و نسبتهای باند تصاویر ماهوارهای استفاده شده است و رگرسیون خطی چندگانه کمتر مورد توجه قرار گرفته است. از سوی دیگر بسیاری از رودخانه‌های ایران دارای عرض کمتر از 30 متر بوده و استفاده از تصاویر ماهوارهای لندست 8 با باندهای طیفی 30*30 متری، برای آنها امکان تفکیک بازتاب طیفی آب فراهم نمیباشد. براي غلبه بر اين مشكل محققان بسیاری از فرآيند ادغام تصاوير11 استفاده کردهاند. در فرآيند ادغام تصاویر ماهوارهای، اطلاعات مكاني از تصاوير با قدرت تفكيك مكاني بالا و اطلاعات طيفي از تصاوير با قدرت تفكيك طيفي بالا استخراج و با يكپارچه كردن آنها، تصويري با دقت مكاني و طيفي بالا ايجاد مي‌شود. ادغام اطلاعات موجب افزايش كاربري آن شده، به نحوي كه ميتوان به تصوير جديد با اطلاعات جامعتر دسترسي پيدا كرد (Fensholt et al., 2010). بنابراین در پژوهش پیش‌رو در رودخانه سفیدرود در شمال ایران، 7 باند طیفی 30*30 متری با باند پانکروماتیک 15*15 متری لندست 8 ادغام گردید، سپس روابط رگرسیونی خطی و غیرخطی ساده و خطی چندگانه باندها و نسبتهای باندی ماهواره لندست 8 با SCC مورد تجزیه و تحلیل قرار گرفت و علاوه بر آن با تمرکز بر کارایی شاخص TSM به تهیه نقشه تغییرات SCC در طول رودخانه مورد مطالعه پرداخته شد.
مواد و روش‌ها
منطقه مورد مطالعه
حوضه آبخیز سپیدرود یکی از بزرگ‌ترین حوضه‌های آبی ایران و زیر مجموعه‌ای از حوضه آبریز دریای خزر است که حدود 73 درصد آن در مناطق کوهستانی رشته کوه‌های البرز و زاگرس و بقیه در دشت و کوهپایه ها قرار گرفته است (Othman et al., 2013). پهنه این حوضه در شمال و شمالغرب ایران 8 استان زنجان، کردستان، آذربایجانشرقی، قزوین، اردبیل، همدان، گیلان و البرز را در برمی‌گیرد. مساحت این حوضه 59,217 کیلومترمربع و رودخانه اصلی آن سپیدرود است (Ghaffari et al., 2022). متوسط بارش این حوزه بین 400 میلی‌متر در غرب تا 500 میلی‌متر در شرق تغییر می‌کند (Dodangeh et al., 2014). سپیدرود بهعنوان دومین رودخانه بزرگ ایران با به هم پیوستن دو رود شاهرود از جنوبشرق و قزلاوزن از شمالشرق در نزدیکی شهر منجیل تشکیل شده (Khosravi et al., 2019) و پس از پیمودن عرض استان گیلان در نزدیکی شهر آستانه به دریای خزر می‌ریزد. دبی متوسط شاهرود و قزلاوزن بهترتیب 7/29 و 8/96 مترمکعب بر ثانیه است که در سال‌های اخیر کمی کاهش یافته است (Hadiyan et al., 2020). آبدهی سالانه این سفیدرود هم بهطور متوسط 3998 میلیون مترمکعب است. بر روی سپیدرود در شهر منجیل، سد منجیل قرار گرفته است که با ظرفیت ذخیره اولیه 76/1 میلیارد مترمکعبی در تراز عادی مخزن در سال 1963 به بهره‌داری رسید. هدف از ساخت این سد توسعه عمرانی و اقتصادی، کنترل سیلاب، ساماندهی رودخانه سفیدرود، ایجاد منبع آبی مناسب و مطمئن برای تامین آب ۲۴,۰۰۰ هکتار از اراضی کشاورزی استان گیلان و استفاده از انرژی پتانسیل برق آبی بوده است (Othman et al., 2013). پس از ساخت سد سفیدرود، اراضی زراعی از حدود 90 هزار هکتار به بیش از 90 هزار هکتار افزایش یافت که محصول اصلی این مزارع برنج بوده که به آب زیادی نیاز دارد، بنابراین مخزن سفیدرود نقش موثری در اقتصاد منطقه دارد (Hajiabadi & Zarghami, 2014).
در این مطالعه از اطلاعات چهار ایستگاه رسوب‌سنجی آب منطقهای گیلان استفاده گردید. ایستگاه گیلوان بر روی رود قزلاوزن قرار دارد. قزلاوزن اصلی‌ترین سرشاخه سپیدرود است که مساحت حوضه آن بالادست ایستگاه گیلوان در حدود 49,236 کیلومترمربع میباشد ((Dodangeh et al., 2014). سپیدرود). ایستگاه لوشان بر روی رودخانه شاهرود، ایستگاه میانراه رودبار پس از سد منجیل نرسیده به شهر رودبار بر روی سفیدرود و ایستگاه آستانه در شهر آستانه در نزدیکی سواحل دریای خزر بر روی سفیدرود قرار گرفته است. موقعیت ایستگاههای مورد مطالعه در شکل (1) نشان داده شده است.
دادههای مورد استفاده
بهمنظور پایش غلظت رسوب معلق (SCC) آب سفیدرود، از دادههای سال 2020-2013 چهار ایستگاه رسوب‌سنجی گیلوان، لوشان، بین راه رودبار و آستانه آب منطقهای استان گیلان استفاده شد. در این ایستگاه‌ها طی دوره مذکور در هر ایستگاه در هر سال حداقل 10 بار دادههای SCC و دبی متناظر با آن اندازهگیری شد، بهطوریکه طی دوره هشت سال در مجموع در ایستگاه گیلوان 122، لوشان 174، بین راه رودبار 80 و آستانه 140 داده ثبت شد که در پژوهش حاضر از 31 داده رسوب معلق متناظر با زمان تصویربرداری ماهواره ای استفاده گشت. در این پژوهش از اطلاعات باندهای طیفی تصاویر ماهوارهای لندست 8 سطح 1 TP استفاده گردید. TP بالاترین کیفیت محصول سطح 1 است که برای تجزیه و تحلیل سری‌های زمانی در سطح پیکسل مناسب است (Sa’ad et al., 2021). برای این منظور 31 تصویر از سال 2013 تا 2020 سنجنده OLI12 با گذر13 166 و ردیف14 34 از سایت نقشه‌برداری زمین‌شناسی آمریکا15 دریافت گردید. تصاویر استخراج شده همزمان با برداشت نمونه‌های SCC (در یک روز) بوده و انتخاب این تصاویر با توجه به میزان ابرناکی و کیفیت مناسب انجام شد.
[1] . Suspended Sediment Load (SSL)
[2] . Sediment Bed Load (SBL)
[3] . Suspended Sediment Concentration (SSC)
[4] . synoptic
[5] . Yellow River estuary
[6] . Red River
[7] . Total Suspended Matter (TSM)
[8] . West Lake
[9] . Colored dissolved organic matter
[10] 6. Ocean and Land Colure Instruments from ESA-European Space Agency
[11] . Fusion of satellite images
[12] 1. The Operational Land Imager
[13] 2. Path
[14] 3. Row
[15] 4. The United States Geological Survey (USGS)
شکل 1. موقعیت رود سفیدرود و ایستگاههای هیدرومتری مورد مطالعه
پیش‌پردازش تصاویر ماهوارهای
پس از دریافت تصاویر ماهوارهای مذکور، جهت کنترل کیفیت داده‌ها، وجود خطاهای اتمسفری، هندسی و رادیومتری با برنامه ENVI 5.3 مورد بررسی قرار گرفت. با توجه به اینکه غالب تصاویر دریافتی دارای سیستم مختصات بود، بنابراین نیازی به تصحیح هندسی نبود. یکی از چالش‌های مهم دادههای سنجش از دور در بررسی پهنه‌های آبی تصحیح اتمسفری یعنی چگونگی حذف دقیق اثرات جوی از اندازه‌گیری‌های ماهوارهای کالیبره‌شده در بالای جو1 و وضوح تصاویر ماهواره است (Yang et al., 2022). اتمسفر زمین از ذرات مایع، جامد و گاز تشکیل شده است که بسیاری از این ذرات سبب جذب2، انتشار3 و پراکندگی4 اپتیکی میشوند. سیگنال دریافتی در ماهواره، تابش نوری5 از سطح زمین و اتمسفر است که بهصورت مستقیم از طریق سنسور ثبت شده است. تابش اندازهگیری شده در سنسور به تابش TOA معروف است. هدف از تصحیح اتمسفری تبدیل تابش TOA اشیا به بازتاب از سطح زمین است، بنابراین ابتدا جهت تصحیح رادیومتریکی، مقادیر DN 6 تصویر به تابش7 کالیبره شد (Cremon et al., 2020; Jally et al., 2021; Adjovu et al., 2023)، سپس با استفاده از ماژول8 FLAASH9 تصحیح اتمسفری گردید. این ماژول توانایی اصلاح طول موج در ناحیه مرئی و مادون قرمز نزدیک10و مادون قرمز نزدیک موج کوتاه11 تا بالای 3 میکرومتر را دارا میباشد (Kantakumar & Neelamsetti, 2015). پارامترهای مورد نیاز برای تصحیح اتمسفری از اطلاعات فایل متنی MTL و همچنین ازDEM 30 متری سنجده ASTER12 استخراج گردید.
ادغام تصاویر
در مطالعات سنجش از دور، ادغام در سطح پیکسل بیشتر مورد توجه است (Xu & Ehlers, 2017). الگوریتم‌های ادغام تصاویر ماهوارهای بر پایه پیکسل، جزییات هندسی تصویر پانکروماتیک با وضوح بالا ((PAN13 و اطلاعات طیفی از یک تصویر چند طیفی14 با قدرت تفکیک مکانی کم را برای تولید تصویر MS با قدرت تفکیک مکانی بالا استفاده می‌کنند ( Xu & Ehlers, 2017؛Pushparaj & Hegde, 2017 Zhang et al., 2016;). در سال‌های اخیر تلاش‌های زیادی جهت ارایه الگوریتم‌های مناسب برای ادغام اطلاعات طیفی و مکانی تصاویر ماهوارهای صورت گرفته است
(Kavzoglu & Colkesen, 2009; Im et al., 2008; Yia et al., 2012). در پژوهش حاضر از الگوریتم Gram-Schmidt استفاده گردید. در الگوریتم Gram-Schmidt یک باند PAN با استفاده از باندهای طیفی تصویر MS، شبیه‌سازی میشود. بهطور کلی در این الگوریتم، باند PAN شبیه‌سازی شده از طریق میانگین‌گیری از باندهای تصویر MS، حاصل میشود و بهعنوان باند اول در نظر گرفته میشود. در مرحله بعد، تبدیل Gram-Schmidt برای باند PAN شبیه‌سازی میشود و باندهای MS بر آن اعمال میشود. سپس باند PAN تصویر با وضوح بالا، با باند اول Gram-Schmidt جایگزین میشود (Pushparaj & Hegde, 2017).
جداسازی پهنه آب
بهمنظور جداسازی پهنه آب از شاخص MNDWI استفاده شد. شاخص تفاوت نرمال شده آب15 (Gao, 1996) برای تشخیص محتوی آب برگها طراحی شده است و برای برجسته کردن بهتر اطلاعات آب در باندهای لندست به MNDWI اصلاح شده است (Xu, 2006) که از طریق رابطه (1) محاسبه میشود.
رابطه (1)
شاخص کل مواد معلق (TSM)
کل جامدات معلق16، علاوه بر کل مواد معلق17 و ذرات معلق18 (Peterson et al., 2018) اصطلاحاتی هستند که برای توصیف SSC (TSS) استفاده میشوند (Farhadi et al., 2020). TSM معیار اندازهگیری مقدار ذرات جامد آلی و معدنی معلق مانند رسوب، سیلت، خاک رس، پلانکتون یا سایر مواد ذرات معلق در یک توده آب است (Patel et al., 2023). TSM با استفاده از بازتاب طیفی تصاویر ماهوارهای لندست 8، از طریق رابطه (2) محاسبه میشود (Toming et al., 2017; Zhu et al., 2020; Das et al., 2021).
رابطه (2)
تجزیه و تحلیل آماری
پس از انجام پردازش‌های اولیه بر تصاویر ماهوارهای، رابطه تغییرات SCC با تغییرات بازتاب طیفی مورد تجزیه و تحلیل قرار گرفت. بهمنظور بررسی بازتاب طیفی رواناب رودخانه سفید رود، قزل اوزن و شاهرود، ابتدا پنج پیکسل 15 متری ثابت در تمامی تصاویر از محل ایستگاه‌ها تا 150 متری بالادست ایستگاه در نظر گرفته شد. سپس مقادیر متوسط بازتاب طیفی هفت باند تصاویر در این پنج پیکسل محاسبه گردید. به نظر می‌رسد متوسط بازتاب طیفی 5 پیکسل ثابت در نزدیک‌ترین نقطه به ایستگاههای هیدرومتری در مقایسه با بازتاب طیفی یک پیکسل، به دلیل احتمال وجود خطاهای ناشی از ویژگیهای هندسی و رادیومتریکی تصاویر جهت بررسی SCC مناسب‌تر باشند. پس از استخراج مقادیر بازتاب طیفی باندهای تصاویر، رابطه همبستگی چندگانه خطی میان SCC و بازتاب طیفی 7 باند و 21 نسبت باندی مورد بررسی قرار گرفت. در بررسی‌های این چنینی، بهطور معمول نسبت باند بزرگ‌تر به باند کوچکتر ملاک واقع میشود. به این ترتیب در مجموع از 28 پارامتر طیفی شامل باندها و نسبتهای باندی، جهت بررسی رابطه بین پارامترهای کیفی و بازتاب طیفی تصاویر بهکار گرفته شد. در رگرسیون تک متغیره مقدار همبستگی هر کدام از متغیرهای مستقل بازتاب طیفی (باندها و نسبتهای باندی) با متغیر وابسته (SCC) بررسی شد، درحالی‌که در رگرسیون چندگانه، رابطه خطی بین مجموعه متغیرهای مستقل بازتاب طیفی (باندها و نسبتهای باندی) با متغیر وابسته SCC مورد بررسی قرار گرفت. برای این منظور از رگرسیون گام به گام19 استفاده شد.
انجام هر مدل همبستگی مستلزم مفروضاتی است که تا این مفروضات برقرار نباشند، اعتبار مدل خدشه‌دار خواهد بود. از جمله این مفروضات در مدل همبستگی، مستقل بودن خطاها از یکدیگر و عدم همخطی بین متغیرهای مستقل میباشد. جهت انجام آزمون استقلال خطاها از آزمون دوربین-واتسون20 استفاده شد. از آنجایی که در این آزمون، فرض H0 بر عدم همبستگی بین خطاها تاکید دارد، چنانچه این آماره در بازه 5/1-5/2 قرار گیرد، فرض H0 پذیرفته میشود، در غیر اینصورت، فرض H0 رد میشود، یعنی بین خطاها همبستگی وجود دارد. خروجی آزمون همخطی چهار پارامتر ضریب تولرانس21، ضریب عامل تورم واریانس22، شاخص وضعیت23 و مقدار ویژه24 می‌باشند که هرچه مقدار تولرانس کم باشد، اطلاعات مربوط به متغیرها کم بوده و مشکلاتی در استفاده از رگرسیون ایجاد میشود. عامل تورم واریانس نیز معکوس تولرانس بوده و هر چقدر افزایش یابد باعث میشود واریانس ضرایب رگرسیون افزایش یافته و رگرسیون را برای پیش‌بینی نامناسب سازد. مقادیر ویژه نزدیک به صفر نشان می‌دهد همبستگی داخلی پیش‌بینی‌ها زیاد است و تغییرات کوچک در مقادیر داده‌ها به تغییرات بزرگ در برآورد ضرایب معادله رگرسیون منجر میشود. شاخص‌های وضعیت با مقدار بیشتر از 15 نشان‌دهنده احتمال همخطی بین متغیرهای مستقل میباشد و مقدار بیشتر از 30، بیانگر مشکل جدی در استفاده از رگرسیون در وضعیت موجود است.
همچنین به بررسی رابطه همبستگی تک متغیره میان SCC و شاخص TSM پرداخته شد. جهت انتخاب مناسب‌ترین معادله همبستگی میان SCC و TSM در محیط برنامه Excel از بین چهار معادله رگرسیونی نمایی25، خطی26، لگاریتمی27 و توانی28 معادله‌ای که دارای مقادیر همبستگی بالاتر بود، بهعنوان بهترین معادله انتخاب گردید.
نقشه تغییرات مکانی SCC
پس از انتخاب مناسب‌ترین مدل رگرسیونی، با استفاده از اطلاعات تصویر ماهوارهای مربوط به سال 2016 نقشه تغییرات مکانی غلظت رسوب معلق (SCC) با استفاده از ابزار calculator raster در محیط برنامه ArcMap محاسبه و ترسیم شد. در این سال در تاریخ برداشت نمونه‌های پارامترهای کیفی (20 جولای) سفیدرود در وضعیت پرآبی قرار داشت، بهطوریکه دبی آب در حدد 289 مترمکعب بر ثانیه بود. همچنین بهمنظور بررسی تغییرات غلظت رسوب معلق (SCC) آب در محل ورود رود قزلاوزن و شاهرود به سد منجیل و سفیدرود پس از خروج از سد در محل ایستگاه بین راه رودبار و ایستگاه آستانه (نزدیک دریای خزر) از تحلیل نقشه‌های تهیه شده استفاده گردید.
نتایج
پس از بررسی کیفی دادههای ایستگاههای رسوب‌سنجی، مقادیر SCC (Qs) ثبت شده متناظر با تاریخ تصویربرداری لندست 8 استخراج گردید. به این ترتیب از مجموع 31 داده نمونه‌برداری شده SCC در 4 ایستگاه رسوب‌سنجی، 14 نمونه برای ایستگاه لوشان، 11 نمونه برای گیلوان، 4 نمونه برای آستانه و 2 نمونه برای رودبار می‌باشند (جدول 1).
[1] . Top of Atmosphere (TOA)
[2] . Absorption
[3] . Dffusion
[4] . Scattering
[5] . Emergent Radiation
[6] . Digital Numbers
[7] . Radiance
[8] . Module
[9] . Fast Line of sight Atmospheric Analysis of Spectral Hyper cubes
[10] . Near-Infrared
[11] 10. Shortwave Infrared
[12] 11. Advanced Spaceborne Thermal Emission and Reflection Radiometer
[13] 12. High-Resolution Panchromatic
[14] 13. Multispectral (MS)
[15] 14. Normalized Difference Water Index (NDWI)
[16] 15. Total suspended solids (TSS)
[17] 16. Total suspended matter (TSM)
[18] 17. Suspended particulate matter (SPM)
[19] 1. Step Wise
[20] 2. Durbin-Watson Test
[21] 3. Tolerance
[22] 4. VIF
[23] 5. Condition Index
[24] 6. Eigenvalue
[25] 7. Exponential
[26] 8. Linear
[27] 9. Logarithmic
[28] 10. Power
جدول 1. مقادیر رسوب معلق (SCC) در هر کدام از ایستگاههای رسوب‌سنجی متناظر با تاریخ تصویربرداری ماهواره لندست 8
تاریخ شمسی | نام ایستگاه | رودخانه | دبی روزانه (m3/s) | SCC (Qs) (mg/liter) |
|---|---|---|---|---|
20/3/1392 | گیلوان | قزلاوزن | 898/5 | 792/369 |
20/3/1392 | لوشان | شاهرود | 354/12 | 629/664 |
22/5/1392 | لوشان | شاهرود | 9/6 | 157/317 |
12/9/1392 | گیلوان | قزلاوزن | 103/16 | 518/908 |
18/12/1392 | گیلوان | قزلاوزن | 964/50 | 343/3327 |
6/2/1393 | رودبار | سفیدرود | 161/87 | 256/2766 |
24/4/1393 | آستانه | سفیدرود | 847/8 | 798/15 |
9/2/1394 | گیلوان | قزلاوزن | 544/43 | 138/4201 |
9/2/1394 | لوشان | شاهرود | 694/18 | 117/1341 |
10/3/1394 | گیلوان | قزلاوزن | 092/3 | 897/152 |
2/9/1394 | گیلوان | قزلاوزن | 06/55 | 919/48451 |
29/3/1395 | لوشان | شاهرود | 26/18 | 522/1564 |
30/4/1395 | لوشان | شاهرود | 755/7 | 892/685 |
30/4/1395 | گیلوان | قزلاوزن | 555/1 | 569/435 |
31/5/1395 | لوشان | شاهرود | 441/4 | 487/236 |
29/1/1396 | لوشان | شاهرود | 175/132 | 239/54370 |
14/2/1396 | آستانه | سفیدرود | 127/205 | 76/1234 |
30/2/1396 | گیلوان | قزلاوزن | 34/43 | 037/7750 |
30/2/1396 | لوشان | شاهرود | 069/77 | 268/18025 |
30/2/1396 | آستانه | سفیدرود | 046/18 | 551/27 |
15/3/1396 | گیلوان | قزلاوزن | 785/8 | 425/1465 |
31/3/1396 | لوشان | شاهرود | 076/21 | 805/1025 |
2/3/1397 | لوشان | شاهرود | 106/40 | 763/4117 |
18/3/1397 | گیلوان | قزلاوزن | 056/31 | 141/22545 |
3/4/1397 | لوشان | شاهرود | 665/15 | 485/914 |
20/5/1397 | لوشان | شاهرود | 881/2 | 295/162 |
21/6/1397 | لوشان | شاهرود | 993/13 | 213/1480 |
21/6/1397 | رودبار | سفیدرود | 993/13 | 213/1480 |
11/8/1398 | لوشان | شاهرود | 566/45 | 15/97 |
13/9/1398 | آستانه | سفیدرود | 378/153 | 836/1797 |
17/11/1398 | گیلوان | قزلاوزن | 185/12 | 59/0 |
پس از پیش‌پردازش تصاویر ماهوارهای، مقادیر 7 باند طیفی سنجنده OLI لندست 8 در محل استقرار ایستگاههای رسوب‌سنجی محاسبه شد. در جدول (2) مقادیر باندهای طیفی OLI متناظر با تاریخ نمونه‌برداری SCC هر کدام از ایستگاههای رسوب سنجی ارایه شده است.
جدول 2. مقادیر باندهای طیفی سنجنده OLI در محل استقرار ایستگاههای رسوب‌سنجی متناظر
تاریخ میلادی | Band 1 | Band 2 | Band 3 | Band 4 | Band 5 | Band 6 | Band 7 |
|---|---|---|---|---|---|---|---|
20/3/1392 | 050/0 | 050/0 | 067/0 | 073/0 | 082/0 | 065/0 | 051/0 |
20/3/1392 | 090/0 | 088/0 | 123/0 | 151/0 | 209/0 | 131/0 | 107/0 |
22/5/1392 | 079/0 | 076/0 | 109/0 | 138/0 | 222/0 | 113/0 | 088/0 |
12/9/1392 | 020/0 | 023/0 | 047/0 | 060/0 | 036/0 | 023/0 | 020/0 |
18/12/1392 | 049/0 | 049/0 | 070/0 | 086/0 | 077/0 | 039/0 | 032/0 |
6/2/1393 | 066/0 | 066/0 | 093/0 | 078/0 | 078/0 | 064/0 | 052/0 |
24/4/1393 | 147/0 | 131/0 | 147/0 | 134/0 | 230/0 | 125/0 | 092/0 |
9/2/1394 | 031/0 | 033/0 | 055/0 | 070/0 | 059/0 | 029/0 | 022/0 |
9/2/1394 | 064/0 | 065/0 | 102/0 | 133/0 | 160/0 | 100/0 | 085/0 |
10/3/1394 | 038/0 | 039/0 | 059/0 | 067/0 | 057/0 | 060/0 | 052/0 |
2/9/1394 | 030/0 | 032/0 | 063/0 | 092/0 | 097/0 | 015/0 | 011/0 |
29/3/1395 | 082/0 | 082/0 | 118/0 | 141/0 | 192/0 | 145/0 | 118/0 |
30/4/1395 | 067/0 | 068/0 | 104/0 | 117/0 | 185/0 | 137/0 | 108/0 |
30/4/1395 | 053/0 | 057/0 | 084/0 | 103/0 | 090/0 | 087/0 | 073/0 |
31/5/1395 | 046/0 | 046/0 | 075/0 | 083/0 | 178/0 | 120/0 | 090/0 |
29/1/1396 | 061/0 | 061/0 | 101/0 | 142/0 | 187/0 | 064/0 | 052/0 |
14/2/1396 | 167/0 | 153/0 | 240/0 | 284/0 | 227/0 | 049/0 | 031/0 |
30/2/1396 | 045/0 | 047/0 | 069/0 | 081/0 | 070/0 | 044/0 | 033/0 |
30/2/1396 | 079/0 | 080/0 | 115/0 | 143/0 | 201/0 | 117/0 | 095/0 |
30/2/1396 | 073/0 | 070/0 | 094/0 | 084/0 | 092/0 | 061/0 | 043/0 |
15/3/1396 | 057/0 | 059/0 | 087/0 | 115/0 | 111/0 | 067/0 | 060/0 |
31/3/1396 | 072/0 | 073/0 | 111/0 | 125/0 | 186/0 | 130/0 | 106/0 |
2/3/1397 | 081/0 | 078/0 | 111/0 | 141/0 | 240/0 | 127/0 | 100/0 |
18/3/1397 | 051/0 | 054/0 | 089/0 | 123/0 | 134/0 | 031/0 | 024/0 |
3/4/1397 | 068/0 | 070/0 | 110/0 | 131/0 | 209/0 | 140/0 | 111/0 |
20/5/1397 | 058/0 | 054/0 | 079/0 | 082/0 | 186/0 | 122/0 | 086/0 |
21/6/1397 | 054/0 | 052/0 | 082/0 | 087/0 | 188/0 | 117/0 | 083/0 |
21/6/1397 | 054/0 | 054/0 | 088/0 | 069/0 | 075/0 | 061/0 | 048/0 |
11/8/1398 | 046/0 | 044/0 | 077/0 | 098/0 | 133/0 | 094/0 | 071/0 |
13/9/1398 | 072/0 | 069/0 | 103/0 | 124/0 | 093/0 | 041/0 | 034/0 |
17/11/1398 | 034/0 | 036/0 | 059/0 | 057/0 | 024/0 | 017/0 | 016/0 |
نتایج مدل رگرسیونی چندگانه خطی (گام‌به‌گام) SCC با باندها و نسبتهای باندی
پس از ورود 28 پارامتر طیفی (شامل 7 باند و 21 نسبت باندی) به مدل رگرسیون گام‌به‌گام و اجرای این مدل، نتایج نشان داد (جدول 3) در بین تمامی باندها و نسبتهای باندی، باند Band 1 و Band6/Band5، در رگرسیون چندگانه خطی به طور معنی‌دار وارد شدند. در مدل 1، Band6/Band5 در سطح معنی‌داری 1 درصد با SCC، دارای ضریب تعیین (R2) حدود 35/0 است. در مدل 2 مقدار R2 با ورود Band 1 به مدل و همراهی با Band6/Band5، در سطح معنی‌داری 5 درصد در حدود 11/0 افزایش پیدا کرده و در مجموع مقدار R2 مدل 2 به 47/0 رسید. در جدول (4) مقادیر مربوط به آزمون استقلال داده‌ها و همخطی نشان داده شد. همان‌گونه که مشاهده میشود، مقدار آزمون دوربین- واتسون در حدود 2 است. بنابراین فرض H0 یعنی عدم همبستگی بین خطاها پذیرفته شده و مقادیر شاخص وضعیت کمتر از 15 بوده است (42/6 و 4)، به همین سبب احتمال همخطی بین متغیرهای مستقل بسیار کم است. نتایج سایر پارامترها (مقدار ویژه، تولرانس و VIF) نیز نشان می‌دهد مشکل جدی در استفاده از رگرسیون چندگانه خطی وجود ندارد (جدول 3).
جدول 3. تحلیل رگرسیون خطی چندگانه گام به گام بین بازتاب طیفی و SCC
سطح معنی داری | تغییرات ضریب تشخیص | ضریب تشخیص | مجموع مربعات | معادله رگرسیون | بازتاب طیفی (x) | مدل |
000/0 | 353/0 | 353/0 | 594/0 | y = -679/39264x + 484/29993 | Band6/Band5 | 1 |
021/0 | 114/0 | 467/0 | 684/0 | y = -448/45380x1 -276/152726x2 + 386/43520
| X1: Band6/Band5 X2: Band 1 | 2 |
جدول 4. آزمون استقلال خطا و هم خطی مدل رگرسیونی چندگانه خطی بین بازتاب طیفی و SCC
دامنه تغییرات مجاز | مقدار VIF | مقادیر ویژه | شاخص شرایط | آزمون دوربین-واتسون | معادله رگرسیون | بازتاب طیفی (x) | مدل |
1 | 1 | 047/0 | 420/6 | 005/2 | y = -679/39264x + 484/29993
| Band6/Band5 | 1 |
930/0 | 075/1 | 175/0 | 002/4 |
| y = -45380.448x1 -152726.276x2 + 43520.386 | X1: Band6/Band5 X2: Band 1 | 2 |
نتایج مدل رگرسیونی خطی و غیرخطی شاخص TSM با SCC
پس از محاسبه TSM (Band4/Band3) و بررسی رابطه رگرسیون خطی و غیرخطی آن با SCC نتایج حاکی از آن بود که که TSM با SCC (Qs) در سطح معنی‌داری 1 درصد دارای همبستگی بالای توانی و نمایی میباشد، بهطوریکه رابطه نمایی با مقدار R2 حدود 74/0 بهترین رابطه TSM با SCC میباشد (شکل 2). یافته‌ها نشان داد TSM با SCC اگرچه دارای روابط رگرسیونی خطی و لگاریتمی با R2 بهترتیب 26/0 و 21/0 میباشد، اما روابط نمایی و توانی از همبستگی بسیار مطلوبی برای برآورد مقادیر SCC برخوردار میباشد.
پهنهبندی SCC
یافته‌های پژوهش حاضر نشان داد رگرسیون نمایی شاخص TSM با SCC دارای بیشترین مقدار همبستگی بوده و بنابراین از توان بسیار بالایی برای برآورد SCC برخوردار میباشد. به همین سبب با استفاده از این رابطه نمایی نقشه تغییرات مکانی SCC در 20 جولای سال 2016 در محیط برنامه Arcgis تهیه شد (شکل 3). بررسی نقشه تغییرات SCC نشان داد مقدار SCC بین 7 تا 6246 میلی‌گرم بر لیتر در طول رودخانه سفیدرود و سرشاخه‌های آن متغیر بوده و مقدار آن در دو سرشاخه سفیدرود یعنی قزلاوزن و شاهرود زیاد بوده و پس از ورود این سرشاخه‌ها به سد منجنیل، مقدار SCC بهطور قابل ملاحظه‌ای کاهش مییابد. مقدار SCC در محل ایستگاه گیلوان در شاخه قزلاوزن در حدود 1209 میلی‌گرم بر لیتر است، درحالی‌که در محل ایستگاه لوشان در سرشاخه شاهرود مقدار آن در حدود 814 میلی‌گرم بر لیتر میباشد. همچنین مقدار SCC در داخل مخزن سد در نزدیکی تاج سد در حدود 26 میلی‌گرم بر لیتر بوده و در محل ایستگاه رودبار بر روی سفیدرود در نزدیکی خروجی سد مقدار آن در حدود 91 میلی‌گرم بر لیتر تغییر می‌کند. سپس با عبور از زمینهای کشاورزی مقدار SCC در ایستگاه آستانه بر روی سفیدرود در نزدیکی دریای خزر به حدود 127 میلی‌گرم بر لیتر می‌رسد. اگرچه مقدار SCC سفیدرود نسبت به قزلاوزن و شاهرود کاهش یافته است، اما با عبور از زمینهای کشاورزی مقدار آن در نزدیکی ایستگاه آستانه اندکی افزایش یافته است.
|
|
|
|
شکل 2. مدل رگرسیون خطی (A)، لگاریتمی (B)، توانی (C) و نمایی (D) شاخص TSM (B4/B3) با دبی رسوب معلق (Qs) یا SCC
بحث و نتیجه‌گیری
در پژوهش حاضر طی دوره سال 2020-2013، با استفاده از دادههای نمونه‌برداری چهار ایستگاه رسوب‌سنجی بر روی رودخانه سفیدرود در شمال ایران و همچنین تصاویر ماهوارهای لندست 8، به پایش تغییرات غلظت رسوب معلق (SCC) پرداخته شد. برای این منظور پس از کنترل کیفی دادههای ایستگاههای رسوب‌سنجی و پیش‌پردازش تصاویر ماهوارهای، روابط رگرسیون چندگانه خطی بازتاب طیفی 7 تک باند و 21 نسبت باندی با SCC و همچنین رگرسیون‌های خطی و غیرخطی شاخص TSM با SCC مورد بررسی قرار گرفت و از بین مدلهای رگرسیونی، مدلی که دارای بیشترین R2 با SCC بود، بهعنوان مناسب‌ترین مدل برای تهیه نقشه تغییرات مکانی SCC استفاده شد. نتایج نشان داد رابطه نمایی TSM (B4/B3) با SCC دارای بیشترین مقدار R2 است (74/0). پایش TSM برای درک و مدیریت منابع آب، بهویژه از نظر رسوب‌گذاری، فرسایش و مدیریت آلودگی حیاتی است. TSM با استفاده از روش‌های مختلفی از جمله روش‌های گرانشی، اندازهگیری کدورت و فناوری سنجش از دور اندازهگیری میشود (Patel et al., 2023). نسبت باندی B4/B3 یا TSM در مطالعات متعددی برای بررسی SCC مورد توجه قرار گرفت و غالبا مقادیر R2 این شاخص بالا بود،
شکل 3. نقشه تغییرات مکانی SCC در طول رودخانه سفیدرود، قزلاوزن و شاهرود در 20 جولای 2016
چنانکه Qiu و همکاران (2017) در مصب رودخانه زرد در چین با استفاده از سنجنده OLI لندست 8، مقدار R2 مواد ذرات معلق1 مشاهداتی و رگرسیون نمایی نسبت باندی B4/B3 را حدود 92/0 بهدست آوردند. Pham و همکاران (2018) در رودخانه قرمز در شمال ویتنام با استفاده از تصاویر ماهوارهای لندست 8 مقدار R2 رابطه نمایی نسبت باندی B4/B3 با SCC را در حدود 75/0 بهدست آوردند که با مقدار بهدست آمده در پژوهش حاضر بسیار مطابقت دارد. Patel و همکاران (2023) نیز با اعتبارسنجی نیز TSM تصاویر ماهواره OLCI2 در خلیج بنگال در جنوبشرقی هند به این نتیجه رسیدند که میزان R2 بین TSM اندازهگیری شده و بهدست آمده از نسبت باندی Rrs681/Rrs490 در حدود 87/0 است.
بهطور کلی استفاده از مدل نمایی و توانی نسبت باندی در مقایسه با مدلهای خطی ساده برای برآورد مقدار SCC از همبستگی بالایی برخوردار است، بهطوریکه Zhu و همکاران(2020) در پژوهشی بر روی دریاچه غربی3 (Xi Hu) در شرق چین نیز با استفاده از تصاویر لندست 8 مقدار R2 رابطه نمایی نسبت باندی B4/B3 را با پارامتر TSM 82/0 بهدست آوردند و به این نتیجه رسیدند که مدل نمایی مبتنی بر باندهای B4 و B3 لندست 8 برای تخمین TSM از کارآیی بالایی برخوردار است.
با استفاده از رگرسیون نمایی بین شاخص TSM و SCC نقشه تغییرات مکانی SCC تهیه و نتایج بهدست آمده مورد تجزیه تحلیل قرار گرفت. یافته‌ها نشان داد مقادیر SCC در دو سرشاخه بالادست سفیدرود یعنی قزلاوزن و شاهرود بیشتر است، اما پس ورود به سد مخزنی منجنیل مقادیر SCC کاهش مییابد و با ادامه رودخانه سفیدرود در پایین‌دست مقدار آن بهطور قابل ملاحظه افزایش نمی‌یابد. در واقع در نتیجه تهنشین شدن رسوبات معلق در بستر سد، کیفیت آب بهبود مییابد، چرا که رسوبات معلق به ویژه ذرات ریز به سبب حمل مواد شیمیایی، خود بهعنوان آلاینده فیزیکی نیز محسوب میشوند (Aires et al., 2022). اما با تهنشین شدن رسوبات در پشت سد، منجر به کاهش ظرفیت مخزن سدها میشود. چنان که Kavian و همکاران (2018) عنوان کردند به سبب تغیرات اقلیم و دخالت‌های انسانی ظرفیت دریاچه سد منجیل به شدت کاهش یافته است، بهطوریکه در اثر سیلتاسیون مخزن4، هر سال در مجموع 32 میلیون تن رسوب در داخل دریاچه سد تهنشین شده است و اکنون حجم مخزن به نصف آن در زمان ساخت رسیده است (حجم دریاچه در زمان ساخت 8/1 میلیارد مترمکعب به 900 میلیون مترمکعب در حال حاضر رسید) (Kavian et al., 2018). یافته‌های این پژوهش نشان داد بیشترین مقدار SCC از رودخانه قزلاوزن وارد مخرن میشود. این نتیجه با یافته‌های Hajiabadi و Zarghami (2014) مطابقت دارد، چنان که محققان مذکور بیان کردند بهدلیل پوشش گیاهی ضعیف و فرسایش زیاد خاک، سالانه مقدار زیادی رسوب وارد مخزن سد منجیل میشود که متوسط بار رسوب ورودی سالانه 43 میلیون تن در سال (Mton/Y) بوده است که از این میزان، 35 میلیون تن از رودخانه قزلاوزن، 6 میلیون تن از رودخانه شاهرود و 2 میلیون تن از منابع دیگر تامین میشود.
یافته‌های این پژوهش نشان داد امکان برآورد غلظت رسوبات معلق از تصاویر ماهوارهای به ویژه با شاخص TSM (نسبت B4/B3) بهطور مطلوبی وجود دارد. با توجه به اینکه در بسیاری از ایستگاههای رسوب‌سنجی ایران امکان پایش مداوم غلظت رسوبات معلق، بهویژه در شرایط سیلابی و دبی‌های بالا بهدلیل محدودیت‌های فنی و هزینه‌های نمونه‌برداری بسیار بعید است، بنابراین دادههای ماهوارهای با توجه به پیشرفت و توسعه روزافزون این فناوری، امکان پایش رسوبات معلق با تفکیک زمانی مناسب را فراهم می‌کند. بهعنوان مثال امروزه تصاویر ماهوارهای لندست بهطور متوسط در هر 8 روز یکبار، امکان تصویربرداری از یک محدوده را فراهم می‌کند. از سوی دیگر حتی در صورت امکان رفع محدودیت‌های فنی جهت نمونه‌برداری از غلظت رسوبات معلق از رودخانه‌ها در مواقع سیلابی، باز هم عملیات نمونه‌برداری هزینههایی را متحمل متولیان امر می‌کند. به همین سبب دسترسی رایگان به منابع اطلاعاتی ماهوارهای می‌تواند در جهت کاهش هزینه‌های کنونی مثمرثمر واقع گردد. از طرف دیگر در بسیاری از حوزه‌های آبخیز ایران، بهویژه در مناطق صعب‌العبور و کوهستانی، کمبود ایستگاههای رسوب‌سنجی وجود دارد. بنابرای می‌توان با استفاده از تصاویر ماهوارهای، الگوریتم‌هایی را جهت برآورد غلظت رسوبات معلق در حوزه‌های آبخیز دارای ایستگاه رسوب‌سنجی تدوین کرد و روابط رگرسیونی بهدست آمده از این الگوریتم‌ها را به حوزه‌های فاقد اطلاعات رسوب‌سنجی زمینی، تعمیم داد.
علاوه بر موارد فوق، نمونه‌برداری در ایستگاههای رسوب‌سنجی به صورت نقطه‌ای و درجا بوده، درحالی‌که SCC با توجه به شرایط رودخانه در مناطق مختلف و در طول بازه‌های مختلف آن متفاوت است (Du et al., 2020). بنابراین با استفاده از منحنی‌های سنجه رسوب، نمی‌توان تغییرات مکانی غلظت رسوبات معلق را در طول بازه رودخانه یا پهنه آبی، پایش کرد (Lei et al., 2021). به همین سبب با کاربرد مدلهای رگرسیونی مبتنی بر اطلاعات ماهوارهای، امکان تهیه تغییرات مکانیSCC وجود دارد. این امر علاوه بر کمک به شناسایی محدوده‌ها و بازه‌های فرسایش‌پذیر رودخانه می‌تواند با سایر اطلاعات محیطی مانند دمای آب، غلظت کلروفیل-آ ادغام شده و درک گسترده‌ای از پویایی اکوسیستم، چرخه مواد مغذی و سلامت اکوسیستم آبی را امکان‌پذیر کند. در واقع نقشه‌برداری SCC مبتنی بر سنجش از دور ابزار مفیدی برای بررسی و کنترل کیفیت آب، اکوسیستم‌های آبی و فرآیندهای زیست محیطی مرتبط در مقیاس منطقهای و جهانی بوده که دارای مزایایی چون پوشش گسترده، نظارت مکرر و دادههای با وضوح بالا است.
منابع
Abbasi, A., Taghavi, L. and Sarai Tabrizi, M. (2021) Qualitative zoning of groundwater to assessment suitable drinking water using GIS software in Mohammad Shahr, Meshkinshahr, and Mahdasht in Alborz Province. Anthropogenic Pollution, 5(1), 138-149. doi: 10.22034/ap.2021.1907787.1076/
Adjovu, G.E., Stephen, H., James, D. and Ahmad, S. (2023) Overview of the application of remote sensing in effective monitoring of water quality parameters. Remote Sensing, 15(7): 1938-1938.
Chelotti, G.B., Martinez, J.M., Roig, H.L. and Olivietti, D. (2019) Space-Temporal analysis of suspended sediment in low concentration reservoir by remote sensing. RBRH, 24(14): e17.
Cremon, É.H., da Silva, A.M.S. and Montanher, O.C. (2020) Estimating the suspended sediment concentration from TM/Landsat-5 images for the Araguaia River–Brazil. Remote Sensing Letters, 11(1): 47-56.
da Cunha, E.R., Santos, C.A.G., da Silva, R.M., Panachuki, E., de Oliveira, P.T.S., de Souza Oliveira, N. and dos Santos Falcão, K. (2022) Assessment of current and future land use/cover changes in soil erosion in the Rio da Prata basin (Brazil). Science of The Total Environment, 818(2017): 151811.
Das, S., Kaur, S. and Jutla, A. (2021) Earth observations-based assessment of impact of COVID-19 lockdown on surface water Quality of Buddha Nala, Punjab, India. Water, 13(10): 1363-1363.
Dodangeh, E., Soltani, S., Sarhadi, A. and Shiau, J.T. (2014) Application of L‐moments and Bayesian inference for low‐flow regionalization in Sefidroud basin, Iran. Hydrological Processes, 28(4): 1663-1676.
dos Santos, F.M., de Souza Pelinson, N., de Oliveira, R.P. and Di Lollo, J.A. (2023) Using the SWAT model to identify erosion prone areas and to estimate soil loss and sediment transport in Mogi Guaçu River basin in Sao Paulo State, Brazil. Catena, 222(10): 106872.
Du, Y., Song, K., Liu, G., Wen, Z., Fang, C., Shang, Y., Zhao, F., Wang, Q., Du, J. and Zhang, B. (2020) Quantifying total suspended matter (TSM) in waters using Landsat images during 1984–2018 across the Songnen Plain, Northeast China. Journal of environmental management, 262(15): 110334.
Efthimiou, N. (2019) The role of sediment rating curve development methodology on river load modeling. Environmental Monitoring and Assessment, 191(2): 1-19.
Fensholt, R., Sandholt, I. and Pround, S.R. (2010) Assessment of MODIS sun-sensor geometry variations effect on observed NDVI using MSG SEVIRI geostationary data. International Journal of Remote Sensing, 31(23): 6163–6187.
Gao, B.C. (1996) NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3): 257–266.
Ghaffari, A., Nasseri, M. and Pasebani Someeh, A. (2022) Assessing the economic effects of drought using Positive Mathematical Planning model under climate change scenarios. Heliyon, 8(12): 11941.
Hadiyan, P.P., Moeini, R. and Ehsanzadeh, E. (2020) Application of static and dynamic artificial neural networks for forecasting inflow discharges, case study: Sefidroud Dam reservoir. Sustainable Computing: Informatics and Systems, 27(2): 100401.
Hajiabadi, R. and Zarghami, M. (2014) Multi-objective reservoir operation with sediment flushing; case study of Sefidrud reservoir. Water Resources Management, 28(15): 5357-5376.
Hariyanto, T., Krisna, T.C., Pribadi, C.B. and Anwar, N. (2017) Development of total suspended sediment model using Landsat-8 OLI and in-situ data at the Surabaya Coast, East Java, Indonesia. The Indonesian Journal of Geography, 49(1): 73-73.
Im, J., Jensen, R. and Tullis, J.A. (2008) Object‐based change detection using correlation image analysis and image segmentation. International Journal of Remote Sensing, 29(2): 399-423.
Jaelani, L.M., Limehuwey, R., Kurniadin, N., Pamungkas, A., Koenhardono, E.S. and Sulisetyono, A. (2016) Estimation of Total Suspended Sediment and Chlorophyll-A Concentration from Landsat 8-Oli: The Effect of Atmospher and Retrieval Algorithm. IPTEK The Journal for Technology and Science, 27(1): 16-23.
Jally, S.K., Mishra, A.K. and Balabantaray, S. (2021) Retrieval of suspended sediment concentration of the Chilika Lake, India using Landsat-8 OLI satellite data. Environmental Earth Sciences, 80(8): 1-18.
Jayaram, C., Patidar, G., Swain, D., Chowdary, V.M. and Bandyopadhyay, S. (2021) Total suspended matter distribution in the Hooghly River estuary and the Sundarbans: a remote sensing approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14(1): 9064-9070.
Jin, F., Yang, W., Fu, J. and Li, Z. (2021) Effects of vegetation and climate on the changes of soil erosion in the Loess Plateau of China. Science of the Total Environment, 773: 145514.
Kantakumar, L.N. and Neelamsetti, P. (2015) Multi-temporal land use classification using hybrid approach. The Egyptian Journal of Remote Sensing and Space Science, 18(2): 289-295.
Kavzoglu, T. and Colkesen, I. (2009) A Kernel function analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation 11(5): 352-359.
Kavian, A., Saleh, I., Habibnejad, M., Brevik, E.C., Jafarian, Z. and Rodrigo‐Comino, J. (2018) Effectiveness of vegetative buffer strips at reducing runoff, soil erosion, and nitrate transport during degraded hillslope restoration in northern Iran. Land Degradation and Development, 29(9): 3194-3203.
Khosravi, K., Rostaminejad, M., Cooper, J.R., Mao, L. and Melesse, A.M. (2019) Dam break analysis and flood inundation mapping: The case study of Sefid-Roud Dam, Iran, In Extreme hydrology and climate variability (395-405), Elsevier.
Kwon, S., Noh, H., Seo, I.W. and Park, Y.S. (2023) Effects of spectral variability due to sediment and bottom characteristics on remote sensing for suspended sediment in shallow rivers. Science of the Total Environment, 878: 163125.
Lei, S., Xu, J., Li, Y., Li, L., Lyu, H., Liu, G., Chen, Y., Lu, C., Tian, C. and Jiao, W. (2021) A semi-analytical algorithm for deriving the particle size distribution slope of turbid inland water based on OLCI data: A case study in Lake Hongze. Environmental Pollution, 1(270):116288.
Manoppo, A.K. and Budhiman, S. (2017) Estimation on the concentration of total suspended matter in Lombok Coastal using Landsat 8 OLI, Indonesia. In IOP Conference Series: Earth and Environmental Science (54(1): 012073). IOP Publishing.
Martinez, J.M., Espinoza‐Villar, R., Armijos, E. and Silva Moreira, L. (2015) The optical properties of river and floodplain waters in the Amazon River Basin: Implications for satellite‐based measurements of suspended particulate matter. Journal of Geophysical Research: Earth Surface, 120(7): 1274-1287.
Mohammadi, J., Fataei, E., Aghchekandi, A.O. and Taghavi, L. (2023) Investigation and determination of land use effects on surface water quality in semi-arid areas: Case study on Qarasu River in Iran. Anthropogenic Pollution (Anthropog. pollut), 7(2): b1-7.
Nukapothula, S., Yunus, A.P., Chuqun, C. and Lin, X. (2023) Impact of extreme climatic events on the total suspended matter concentrations in coastal waters using OceanSat-2 observations. Physics and Chemistry of the Earth, Parts A/B/C, 131(4): 103435.
Othman, F., Sadeghian, M.S., Ebrahimi, F. and Heydari, M. (2013) A study on sedimentation in sefidroud dam by using depth evaluation and comparing the results with USBR and FAO methods. International Proceedings of Chemical, Biological and Environmental Engineering, 51(9): 6-6.
Patel, B., Prajapati, A., Sarangi, R.K., Devliya, B. and Patel, H. (2023) Validation of the Total Suspended Matter (TSM) algorithm using in situ datasets over the Bay of Bengal Coastal Water. Marine Geodesy, 46(6): 548-561.
Paulista, R.S.D., de Almeida, F.T., de Souza, A.P., Hoshide, A.K., de Abreu, D.C., da Silva Araujo, J.W. and Martim, C.C. (2023) Estimating Suspended Sediment Concentration using Remote Sensing for the Teles Pires River, Brazil. Sustainability, 15(9): 7049-7049.
Peterson, K.T., Sagan, V., Sidike, P., Cox, A.L. and Martinez, M. (2018) Suspended sediment concentration estimation from landsat imagery along the lower missouri and middle Mississippi Rivers using an extreme learning machine. Remote Sensing, 10(10): 1503-1503.
Pham, Q.V., Ha, N.T.T., Pahlevan, N., Oanh, L.T., Nguyen, T.B. and Nguyen, N.T. (2018) Using Landsat-8 images for quantifying suspended sediment concentration in Red River (Northern Vietnam). Remote Sensing, 10(11): 1841-1841.
Pushparaj, J. and Hegde, A.V. (2017) Evaluation of pan-sharpening methods for spatial and spectral quality. Applied Geomatics, 9(1): 1-12.
Qiu, Z., Xiao, C., Perrie, W., Sun, D., Wang, S., Shen, H., Yang, D. and He, Y. (2017) Using L andsat 8 data to estimate suspended particulate matter in the Y ellow R iver estuary. Journal of Geophysical Research: Oceans, 122(1): 276-290.
Quang, N.H., Sasaki, J., Higa, H. and Huan, N.H. (2017) Spatiotemporal variation of turbidity based on landsat 8 OLI in Cam Ranh Bay and Thuy Trieu Lagoon, Vietnam. Water, 9(8): 570-570.
Riquetti, N.B., Mello, C.R., Leandro, D., Guzman, J.A. and Beskow, S. (2022) Assessment of the soil-erosion-sediment for sustainable development of South America. Journal of Environmental Management, 321(1): 115933.
Sa’ad, F.N.A., Tahir, M.S., Jemily, N.H.B., Ahmad, A. and Amin, A.R.M. (2021) Monitoring total suspended sediment concentration in spatiotemporal domain over Teluk Lipat utilizing Landsat 8 (OLI). Applied Sciences, 11(15): 7082.
Safizadeh, E., Karimi, D., Gahfarzadeh, H.R. and Pourhashemi, S.A. (2021) Investigation of physicochemical properties of water in downstream areas of selected dams in Aras catchment and water quality assessment, Case study Aras catchment in the border area of Iran and Armenia. Anthropogenic Pollution, 5(1), 41-48. doi: 10.22034/ap.2021.1912491.1082/
Toming, K., Kutser, T., Uiboupin, R., Arikas, A., Vahter, K. and Paavel, B. (2017) Mapping water quality parameters with sentinel-3 ocean and land colour instrument imagery in the Baltic Sea. Remote Sensing, 9(10): 1070-1070.
Womber, Z.R., Zimale, F.A., Kebedew, M.G., Asers, B.W., DeLuca, N.M., Guzman, C.D., Tilahun, S.A. and Zaitchik, B.F. (2021) Estimation of suspended sediment concentration from remote sensing and in situ measurement over Lake Tana, Ethiopia. Advances in Civil Engineering, 2021(9948780): 1-17.
Xiao, Y., Chen, J., Xu, Y., Guo, S., Nie, X., Guo, Y., Li, X., Hao, F. and Fu, Y.H. (2023) Monitoring of chlorophyll-a and suspended sediment concentrations in optically complex inland rivers using multisource remote sensing measurements. Ecological Indicators, 155: 111041.
Xu, H. (2006) Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14): 3025–3033.
Xu, S. and Ehlers, M. (2017) Hyperspectral image sharpening based on Ehlers fusion. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W7: 941-947.
Yang, H., Kong, J., Hu, H., Du, Y., Gao, M. and Chen, F. (2022) A review of remote sensing for water quality retrieval: Progress and challenges. Remote Sensing, 14(8): 1770-1770.
Yepez, S., Laraque, A., Martinez, J.M., De Sa, J., Carrera, J.M., Castellanos, B., Gallay, M. and Lopez, J.L. (2018) Retrieval of suspended sediment concentrations using Landsat-8 OLI satellite images in the Orinoco River (Venezuela). Comptes Rendus Geoscience, 350(1-2): 20-30.
Yia, L., Binga, L., Qian-lia, P., Chenc P. and Yuan, L. (2012) A change detection method for remote sensing image based on multi-feature differencing Kernel Svm. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences, 1(1): 227-235.
PAN Chenc, LU Yuan
Yu, Z., Wang, J., Li, Y., Shum, C.K., Wang, B., He, X., Xu, H., Xu, Y. and Zhou, B. (2022) Remote sensing of suspended sediment in high turbid estuary from sentinel-3A/OLCI: A case study of Hangzhou Bay. Frontiers in Marine Science, 9(1008070): 1008070.
Farhadi, H., Fataei, E., Kharrat Sadeghi M. (2020) The Relationship between Nitrate Distribution in Groundwater and Agricultural Landuse (Case Study: Ardabil Plain, Iran), Journal Anthropogenic Pollution, 4(1): 50-56.
Zhang, J., Yang, J. and Reinartz, P. (2016) The optimized block-regression-based fusion algorithm for pan sharpening of very high-resolution satellite imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B7, 2016 XXIII ISPRS Congress, 12–19 July 2016, Prague, Czech Republic.
Zhang, Y., Zhang, Y., Shi, K., Zha, Y., Zhou, Y. and Liu, M. (2016) A Landsat 8 OLI-based, semianalytical model for estimating the total suspended matter concentration in the slightly turbid Xin’anjiang Reservoir (China). IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(1): 398-413.
Zhu, W., Huang, L., Sun, N., Chen, J. and Pang, S. (2020) Landsat 8‐observed water quality and its coupled environmental factors for urban scenery lakes: A case study of West Lake. Water Environment Research, 92(2): 255-265.
[1] . Suspended Particulate Matter (SPM)
[2] 2. Ocean and Land Colour Instruments from ESA-European Space Agency.
[3] . West Lake
[4] . Reservoir siltation
Monitoring spatial changes of suspended sediment concentration (SCC) using linear and non-linear regression models of satellite spectral data in Sefidroud River in northern Iran
Mohammad Reza Salami1, Ebrahim Fatai2*, Fateme Nasahi3, Behnam Khanizadeh4, Hossein Saadati3
1) Ph.D. Student, of Environmental Sciences and Engineering, Department to Environmental Sciences and Engineering, Ardabil Branch Islamc Azad Universit\y, Ardabil. Iran.
2) Professor, Department of Environmental, Ardabil Branch, Islamic Azad University, Ardabil, Iran.*Corresponding Author Email Address: eb.fataei@iau.ac.ir
3) Assistant Professor, Department of Environmental, Ardabil Branch, Islamic Azad University, Ardabil, Iran.
4) Assistant Professor, Department of Chemistry, Sarab Branch, Islamic Azad University, Sarab, Iran.
Date of Submission: 2024/05/07 Date of Acceptance: 2024/08/11
Abstract
Sefidroud is one of the wateriest rivers in the north of Iran, which plays a very important role in the production of agriculture, livestock, fisheries and the supply of hydroelectric energy in Gilan province. In the current research, during the period of 2013-2020, the changes in suspended sediment concentration (SCC) were monitored using the sampling data of four sediment measuring stations on the Sefidroud River as well as Landsat 8 satellite images. For this purpose, the relationships of linear multiple regression of spectral reflectance of 7 single bands and 21 band ratios with observational SCC as well as simple, logarithmic, power and exponential linear regressions of TSM index with SCC were investigated and among the regression models, the model with the highest R2 with was SCC, it was used as the most appropriate model to prepare the map of spatial changes of SCC. The results showed that the TSM index (B4/B3 ratio) had the highest correlation with observed SCC, so that the R2 value of the exponential relationship between TSM and observed SCC was 0.74. In the following, using the mentioned exponential model, a map of spatial changes of SCC was prepared and SCC changes along the river openings were investigated. The results showed that the amount of SCC is higher in the two main branches of Sefidroud (Qezaluzen and Shahroud), but after these rivers enter the reservoir of Manjil Dam (Safiroud), the SCC values inside the reservoir decreased due to the sedimentation of SCC and its values in the downstream. The reservoir along the Sefidroud river is also less than the main branches. The findings indicate that among the two branches of Sefidroud, the Qezaluzen river with higher SCC plays a greater role in settling sediments in the reservoir of Manjil dam and reducing the storage capacity of this dam. In general, the results of this research showed that by using satellite information, especially the TSM index, it is possible to monitor SCC changes along the river at a cost and in short time intervals very efficiently.
Keywords: Band ratio B4/B3, Landsat 8, Sefidroud, Suspended sediment concentration, TSM.