Investigating the surface changes of Urmia Lake using the integration of Landsat-8 and Sentinel-2 satellite data

Amir Ghayebi ¹ (Civil Engineering/Faculty of Civil Engineering/Shahroud University of Technology/Shahroud/Iran)
Ahmad Ahmadi ² (Dept of Civil Engineering, Shahrood University of Technology, Shahrood, Iran)
Behnaz Bigdeli ³ (Dept of Civil Engineering, Shahrood University of Technology)

Submited date : 2022-06-03 accepted date : 2022-09-23

Keywords: Supervised classification, Data Fusion, Surface water, Urmia Lake, Change detection, remote sensing,

Abstract :

Among environmental changes, water plays a very vital role in the political, social and economic issues of countries, which can be used as one of the most practical sources of water supply available to humans and animals. Investigating the fluctuations of the water level of the lakes in terms of the importance, location and nature of these water bodies has become especially important in recent years. Lake Urmia with an area of 51200 square kilometers is of special importance as the largest internal lake of Iran and the 20th lake in the world. Landsat-8 and Sentinel-2 satellite data for the years 2013 to 2021 were used to investigate and evaluate changes in the water level of Lake Urmia, vegetation and soil around it. First, radiometric and atmospheric corrections were made on the images, and then, while using Gram Schmidt and LMVM integrators to increase spatial resolution, NDWI, AWEI, WI2015 and NDVI indices were extracted in order to differentiate the lake water level from non-water. paid. Finally, by combining the indicators with each other and by sampling the training and test samples, in order to classify the images, supervised classifiers such as Maximum Likelihood, Support Vector Machine, Neural Network and Minimum Distance to Mean were used. Also, in order to improve the results, the output of the classifiers was merged using the majority voting method. The results of the research showed that the majority voting method was chosen as the most suitable classification method with the highest level of accuracy. The water level of Lake Urmia, the vegetation and soil around it have also undergone significant changes during the years 2013 to 2021, so that in 2021, compared to 2020, the water level decreased by 29.89%, and the vegetation increased by 16.08%. And the soil has increased by 17.50%.

Full-Text:



 

بررسی تغییرات­سطحی آب دریاچه ­ارومیه با استفاده از ادغام داده­های­ ماهواره لندست-8 و سنتینل-2

چکیده

در بین تغییرات زیست­محیطی، آب­ نقش بسیار حیاتی را در مسائل سیاسی، اجتماعی و اقتصادی کشور­ها ایفا می­­کند که می­توان از آب­های سطحی به ‌عنوان یکی از کاربردی­ترین منابع تأمین آب در دسترس انسان­ها و حیوانات استفاده کرد. بررسی نوسانات سطح آب دریاچه­ها به لحاظ اهمیت، موقعیت ­و ماهیت این مجموعه­های آبی، در سال­های اخیر اهمیت ویژه­ای پیداکرده است. دریاچه ارومیه با وسعت 51200 کیلومترمربع به‌ عنوان بزرگ­ترین دریاچه داخلی ایران و بیستمین دریاچه جهان از اهمیت ویژه­ای برخوردار ­است. جهت بررسی و ارزیابی تغییرات سطح آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن از داده‌های ماهواره لندست-8 و سنتینل-2 برای سال­های 2013 تا 2021 استفاده شد. ابتدا بر روی تصاویر، تصحیحات رادیومتریک و اتمسفریک صورت گرفت و سپس ضمن استفاده از ادغام­گرهای Gram Schmidt و LMVM  جهت افزیش توان تفکیک مکانی، به استخراج شاخص­های NDWI، AWEI، WI2015 و NDVI به ‌منظور متمایز کردن سطح آب دریاچه از غیر-آب پرداخته شد. در نهایت با ترکیب شاخص­ها با یکدیگر و با انجام نمونه­برداری نمونه­های آموزشی و آزمایشی، به ‌منظور طبقه­بندی تصاویر، از طبقه‌بندی­کننده‌های نظارت‌شده همچون حداکثر ­احتمال (Maximum Likelihood)، ماشین بردار ­پشتیبان (Support Vector Machine)، شبکه عصبی (Neural Network) و حداقل فاصله از میانگین (Minimum Distance to Mean) استفاده شد. همچنین جهت بهبود نتایج، خروجی ‌طبقه‌بندی­کننده­ها به روش رأی‌گیری اکثریت (Majority Voting) ادغام شد. نتایج تحقیق نشان داد که روش رأی‌گیری اکثریت با بیشترین میزان دقت به عنوان مناسب‌ترین روش طبقه‌بندی­کننده انتخاب شد. میزان سطح آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن نیز طی سال‌های 2013 تا 2021 تغییرات چشم­گیری داشته است، به طوری که در سال 2021 نسبت به سال 2020 میزان سطح آب 89/29 درصد کاهش، پوشش گیاهی 08/16 درصد افزایش و خاک 50/17 درصد افزایش ‌یافته است.

 

واژه‌های کلیدی: آب­های سطحی، دریاچه ارومیه، سنجش‌ازدور، طبقه­بندی نظارت­شده، ادغام داده، شناسایی تغییرات

 

 

 

 

 

 

 

 

 

 

 

مقدمه

یکی از مهم­ترین مسائل در ارتباط با جامعه بشری در دهه­های اخیر، تأثیر مستقیم تغییرات­محیطی بر اکوسیستم طبیعت است که علاوه بر به خطر انداختن چرخه اکوسیستم، موجب کاهش منابع انسانی و حیوانی می­شود (3). به‌عنوان یکی از مهم­ترین تغییرات زیست‌محیطی در چند دهه­ی اخیر، می­توان به تغییرات آب­های سطحی همچون دریاچه، رودخانه، باتلاق و اقیانوس و اهمیت آن بر جامعه بشری و اکوسیستم اشاره کرد. بررسی نوسانات سطح­ آب دریاچه­ها به لحاظ اهمیت، موقعیت و ماهیت این مجموعه­های آبی در سال­های اخیر اهمیت ویژه­ای پیداکرده است. اخیراً نظارت بر آب‌های سطحی برای فرآیندهای سیاست‌گذاری و تصمیم‌گیری در بسیاری از کشورها ضروری بوده است (13). امروزه نیز به دلیل گستردگي موارد استفاده از آب در مسائل شرب، صنعت، كشاورزي، اقتصادي، اجتماعي، امنيتي و سياسي بدیهی است كه با حداقل صرفه‌جویی در هزينه و زمان و عدم دخيل بودن اشتباهات ميداني كارشناسان، به شناسايي خصوصيات پهنه‌های آبي با روش‌های مختلف پرداخت كه ازجمله اين روش‌ها، استفاده از تصاوير ماهواره‌ای در فناوری سنجش‌ازدور(Remote Sensing) ‌است. به‌کارگیری سنجش­از­دور به دلیل ویژگی­های خاص خود مانند دید وسیع، یکپارچگی، استفاده از قسمت­های مختلف طیف انرژی الکترومغناطیسی برای ثبت خصوصیات پدیده­ها، امکان به‌کارگیری سخت­افزارها و نرم­افزارها و کم­هزینه و سریع بودن تجزیه‌وتحلیل در جمع­آوری اطلاعات، جهت شناسایی و پایش پدیده‌ها و عوارض سطح زمین ازجمله آب­های سطحی در زمان کوتاه و در محدوده­های وسیع با قابلیت محاسبه شاخص­های مرتبط با مطالعات آب­شناسی راهکاری بسیار مناسب و مؤثر است (14). ازاین‌رو شاخص‌ها از مقدار راديانس و بازتابندگي عوارض زمین، براي شناسايي در باندهاي طيفي مختلف امواج الكترومغناطيس استفاده می‌کنند. اخیراً سنجنده­های متنوعی از سنجش‌ازدور جهت شناسایی برخی مشخصه­های آب­های سطحی روی زمین همچون دریاچه و ارزیابی منابع آب که رابطه مستقیمی با جامعه بشری و اکوسیستم دارد، به کار گرفته‌شده است. سنجنده‌های غیرفعال (Passive) اشعه الکترومغناطیسی خورشید را که از پدیده­های مختلف سطح زمین منعکس­ می‌شود را جمع­آوری نموده و به شکلی مناسب، برای کسب اطلاعات از محیط اطراف ارائه می­دهد.

از گذشته تاکنون تحقیقات مختلفی درزمینه­ی استفاده از داده­های سنجش‌ازدور به‌منظور مطالعات منابع آب و بررسی تغییرات این منابع انجام‌شده است. در این راستا با توجه به اهمیت موضوع، بهره‌برداری از تصاویر ماهواره‌ای برای بررسی تغییرات سطحی آب دریاچه ارومیه دلیل این تحقیق است. دریاچه ارومیه (Urmia Lake) با وسعت 51200 کیلومترمربع بزرگ­ترین دریاچه داخلی ایران و ششمین دریاچه بزرگ آب ­شور جهان است که از دیدگاه­های مختلف به‌خصوص زیست­محیطی حائز اهمیت است (16). پژوهش­های پیشین، نشان­دهنده­ی اهمیت دریاچه‌ها ارومیه به‌ عنوان یکی از مهم­ترین زیستگاه­های طبیعی در سطح منطقه است که متأسفانه در سال­های اخیر از سطح و وسعت آن کاسته شده است. جمعه و همکاران (18) در سال 2022 با استفاده از فناوری‌ سنجش‌ازدور به پایش و ارزیابی تغییرات خط ساحلی و سطح آب دریاچه الرزازه در کشور عراق از سال 1989 تا 2020 پرداختند. آن­ها بر اساس شش تصویر ماهواره‌ای لندست-8 و سنتینل-1 از منطقه مورد مطالعه در سال­های 1989، 1999، 2002، 2015، 2019 و 2020 تغییرات را ارزیابی و با استفاده از الگوریتم نظارت‌شده ماشین بردار پشتیبان (SVM) برای طبقه‌بندی و استخراج سطح آب استفاده کردند. نتایج حاکی از آن بود که با تغییر چشم‌گیری که سطح دریاچه داشت، مساحت آب دریاچه با کاهش 1/84 درصدی از 72/1631 کیلومترمربع در سال 1989 به 65/259 کیلومترمربع در سال 2019 روبه‌رو شده بود. کِشتا و همکاران (20) در سال 2022 دریاچه بورولوس، دومین دریاچه بزرگ در قسمت شمالی دلتای نیل در کشور مصر را در 35 سال گذشته از سال 1985 تا 2020 مورد بررسی قرار دادند. آن‌ها از تصاویر چند­طیفی ماهواره‌های لندست-8 و سنتینل-2 با وضوح متوسط مکانی 10 متر برای طبقه‌بندی منطقه دریاچه بورولوس به چهار کلاس اصلی، آب، مرداب، سطوح زمین بدون پوشش گیاهی (جاده‌ها، مسیرها، ورقه‌های شنی و تپه‌های شنی) و زمین‌های کشاورزی استفاده کردند.  در این طبقه‌بندی، اندازه دقت­کلی 96 درصد و ضریب کاپا 95/0 برآورد شد. نتایج نشان داد که این دریاچه بین سال‌های 1985 تا 2020 تلفات قابل‌توجهی داشته و تبدیل تالاب‌ها به زمین‌های کشاورزی عمدتاً در بخش غربی و جنوبی دریاچه متمرکز شده است که در آن مساحت زمین‌های کشاورزی دو برابر شده است. هلالی و همکاران (17) در سال 2022 با استفاده از داده‌های ماهواره‌های لندست-8 و مودیس به بررسی تغییرات مساحت دریاچه ارومیه در شمال غرب ایران طی 20 سال (2000 تا 2020) پرداختند. آن‌ها جهت شناسایی و آشکارسازی پهنه آب دریاچه ارومیه و ایجاد تمایز بین آب و غیر-آب از شاخص‌هایی همچون شاخص گیاهی تفاوت نرمال شده  (NDVI)، شاخص گیاهی تقویت‌شده (EVI)، شاخص تفاوت نرمال شده آب  (NDWI)استفاده کردند. نتایج نشان داد که NDVI  و NDWI شاخص‌های مناسب­تری برای پایش تغییرات سطحی آب دریاچه بودند. همچنین بیشترین مساحت دریاچه ارومیه در سال 2000 و کمترین آن در سال 2014 بوده است. هراتی و همکاران (12) در سال 2021 با هدف شناسایی تغییرات مساحت آب دریاچه ارومیه و پوشش گیاهی اطراف آن به دلیل تغییرپذیری سالانه و بلندمدت طی سال‌های 2011 تا 2016 به تحقیق پرداختند. آن‌ها در تحقیق خود  با ادغام  تصاویر لندست-7 و سنتینل-2 توانستند شاخص  تفاوت نرمال شده آب (NDWI)، شاخص تفاوت نرمال شده پوشش گیاهی (NDVI) و شاخص آب (WI2015) را استخراج کنند. در نتیجه با ادغام داده‌ها و افزایش توان تفکیک مکانی به 15متر و بهره‌مندی از الگوریتم‌های نظارت‌شده ماشین بردار پشتیبان، شبکه عصبی و حداکثر احتمال به طبقه‌بندی تصاویر پرداختند. نتایج مطالعه نشان داد که اولاً سطح دریاچه ارومیه به طور مستقیم و قابل توجهی کاهش یافته و از سوی دیگر، تغییرات سطح آب دریاچه ارومیه منجر به روند کاهشی کلی پوشش گیاهی در منطقه شده است. تغییرات پهنه آبی دریاچه ارومیه به عنوان یک محرک بسیار قوی منجر به افزایش شدت و فراوانی طوفان‌های گردوغبار در قسمت شرقی دریاچه و تشدید شرایط گردوغبار در منطقه می‌شود. آن‌ها توصیه کردند که در صورت تشدید روند کاهشی دریاچه ارومیه در محدوده مورد مطالعه، خشک‌سالی جبران‌ناپذیر و طوفان‌های گردوغبار شدیدی در منطقه رخ خواهد داد. با توجه به پژوهش‌های انجام‌شده طی سال‌های اخیر، نتیجه گرفته شد که استفاده از داده­های لندست-8 و سنتینل-2 و همچنین ادغام داده‌ها جهت افزایش توان تفکیک مکانی و استفاده از شاخص­ها مورد تأکید پژوهشگران بوده است و کمک بسزایی در ایجاد تمایز بین آب و غیر- آب می‌کنند. همچنین در صورت بی‌توجهی سیاست‌گذاران و سازمان‌های دولتی محیط‌زیست به پیامدهای هشداردهنده خشک‌سالی و بحران آبی دریاچه ارومیه و ادامه روند نزولی سطح آب، خطراتی همچون خشک‌سالی، کاهش سطح زیر کشت محصولات کشاورزی، از بین رفتن منابع طبیعی و غیره، تهدیدی برای مردم منطقه خواهد بود.

مواد و روش‌ها

منطقه موردمطالعه

دریاچه ارومیه در شمال غربی ایران با وسعت 51200 کیلومترمربع معادل بیش از ۳٪ مساحت کل کشور ایران و مختصات ˝59 ´42 ˚37 شمالی و ˝ 17´19 ˚45 شرقی بین استان­هاى آذربایجان غربی و آذربایجان شرقی قرار دارد (1). موقعيت جغرافيايي منطقه موردمطالعه در شكل 1 نشان داده‌ شده است. در این تحقیق سعی شده تا میزان تغییرات سطحی آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن طی سال­های 2013 تا 2021 مورد بررسی قرار گیرد. 

 

شکل1. موقعیت جغرافیایی منطقه مورد مطالعه

Fig 1. Geographical location of the study area

داده­های مورداستفاده

در ايــن تحقيــق، از تصــاوير چند­طیفی لندست-8 و سنتینل-2 به‌ منظور استخراج نقشـه پهنه آبی دریاچه ارومیه و عوارض اطراف آن براي سال‌های 2013 تا 2021 با دانلود رایگان از وب­سایت سازمان زمین‌شناسی ایالت متحده آمریکا (USGS) استفاده شده است. مشخصات داده‌های مورد استفاده در جدول 1 ارائه ‌شده است. 

جدول1. اطلاعات تصاویر ماهواره لندست-8 و سنتینل-2

Table 1. Landsat-8 and Sentinel-2 satellite image information

ماهواره	سنجنده	باندهای مورداستفاده	ردیف	گذر	تاریخ اخذ تصویر
لندست-8	OLI	2، 3، 4، 5، 6، 7 و 8	35-34	169	03/09/2013
					06/09/2014
					09/09/2015
					11/09/2016
					14/09/2017
سنتینل-2	MSI	2، 3، 4، 8، 11 و 12	38 SNH 38 SNG	135	14/09/2017
					01/09/2018
					04/09/2019
					06/09/2020
					09/09/2021

 

روش پیشنهادی

با توجه به شكل 2 مراحل مختلـف رویکرد پیشـنهادي جهت استخراج تغییرات سطحی آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن را نمایش می‌دهد.

 

شکل2. رویکرد کلی تحقیق برای منطقه دریاچه ارومیه با استفاده از داده­های لندست-8 و سنتینل-2

 Fig 2. The general research approach for Urmia Lake area using Landsat-8 and Sentinel-2 data

 

نخست تصاویر ماهواره لندست-8 برای سال‌های 2013 تا 2017 و تصاویر سنتینل-2 برای سال‌های 2017 تا 2021 از وب­سایت سازمان زمین‌شناسی ایالت متحده آمریکا (USGS) به صورت رایگان دانلود شده است. سپس تصحيحات رادیومتریک و اتمسفريک بر روی تصاویر جهت دستيابي به بازتاب واقعي زمين در نرم‌افزارENVI5.3 انجام می­شود. سپس مقادير راديانس ثبت‌شده توسط سنجنده لندست-8 و سنتینل-2 به ترتیب با استفاده از الگوريتم­های FLAASH و Sen2cor255 به مقادير انعكاس واقعي پدیده‌ها از سطح زمين تبديل می‌شوند. در ادغام تصاویر ماهواره‌ای بر پایه­ی پیکسل، جزئیات هندسی تصویر پانکروماتیک با وضوح بالا (PAN) و اطلاعات طیفی از یک تصویر چند­طیفی(MS) با قدرت تفکیک مکانی کم با هم تلفیق شده و یک تصویر چند­طیفی با قدرت تفکیک مکانی بالا را ایجاد می‌کنند (24). از همین رو با شیوه پن شارپ­کردن به روش‌های  Gram-schmidtو LMVM، به ترتیب تصاویر لندست-8 را از30 متر به 15 متر و تصاویر سنتینل-2 را از 20متر به 10متر ارتقا می‌دهیم. در نهایت جهت ایجاد تمایز بین آب و غیر- آب به آشکارسازي سطح آب درياچه ارومیه و سایر عوارض با استخراج چهار شاخص مهم همچون شاخص اختلاف نرمال آب (NDWI)، شاخص نرمال شده اختلاف پوشش گیاهی (NDVI)،  شاخص استخراج خودکار آب (AWEI) و شاخص آب (WI2015) بر روی تصاویر 15 متری لندست-8 و 10متری سنتینل-2 می‌پردازیم. شاخص‌های مذکور طبق جدول 2 معرفی شده‌اند.

جدول2. لیست  شاخص‌های مورد استفاده

Table 2. List of indicators used

روش­های طبقه­بندی تصاویر

طبقه­بندی­کننده حداکثر­احتمال (Maximum Likelihood Classification) 

الگوریتم حداکثراحتمال (ML) از شناخته­شده­ترین و پرکاربردترین روش‌های طبقه‌بندی اطلاعات در زمره روش‌های طبقه‌بندی نظارت‌شده است. این الگوریتم بر مبناي احتمالات استوار است و احتمال اینکه یک پیکسل به تمامی کلاس‌ها تعلق داشته باشد محاسبه‌ شده و به کـلاس بـا بیشـترین احتمـال تعلق می‌گیرد (10). در اين روش همبستگي ارزش‌های طيفي باندهاي مختلف براي مناطق نمونه محاسبه می‌شود و از همين خاصيت براي ارتباط يك پيكسل طبقه‌بندی نشده به يكي از گروه‌ها يا نمونه‌های طيفي نيز استفاده می‌شود. در نتیجه، هر يك از پیکسل‌های تصوير پس از آزمون آماري و محاسبه احتمال تعلق آن‌ها به گروه‌های طيفي نمونه، به گروه مربوطه تعلق می‌گیرد (2).

 طبقه­بندی­کننده شبکه عصبی(Neural Network Classification)

 الگوریتم شبکه عصبی (NN)، اولین بار توسط روسن بلات در سال 1985 طراحی شد. این الگوریتم الگویی محاسباتی براي پردازش اطلاعات است که با تقلید از شبکه‌های عصبی بیولوژیکی همانند مغز انسان ساخته شده‌اند. این الگوریتم بر اساس مجموعه‌ای از گره‌های متصل به نام نورون تشکیل شده‌اند که این نورون‌ها به عنوان کوچک‌ترین واحد پردازشگر اطلاعات، اساس عملکرد شبکه‌های عصبی را تشکیل می‌دهند (19). هر اتصال همانند سیناپس‌های مغز، می‌تواند سیگنالی را به سایر نورون­ها منتقل کند. به عنوان مثال با اعمال ورودي p به نورون، از طریق ضرب ‌در وزن w، وزن‌دار می‌شود و با مقدار بایاس که یک پارامتر قابل تنظیم نورون‌ها است، جمع شده و حاصل آن به تابع انتقال f به عنوان ورودي اعمال شده و خروجی نهایی حاصل می‌گردد. خروجی نورون به صورت رابطه 1 محاسبه می‌شود (25).

[1]    

طبقه­بندی ماشین­بردار­پشتیبان (Support Vector Machine Classification)

 الگوريتم ماشین بردار پشتیبان (SVM) اوليه در سال ۱۹۶۳ توسط وپنیک ابداع شد. این الگوریتم از جمله روش‌هاي نسبتاً جديدي است که در سال‌هاي اخير کارايي خوبي نسبت به روش‌هاي قديمي‌تر براي طبقه‌بندي نشان داده است (4). در طبقه‌بندی خطی داده‌ها، خطی که از حاشیه اطمینان بالاتری برخوردار است، انتخاب می­شود. با توجه به اینکه SVM، طبقه‌بندی خطی است، می­توان ضرب اسکالر را برای آن از رابطه   تعریف کرد. این رابطه را بر روی مجموعه داده    که X، برداری با اجزای (i امین نمونه مجموعه داده) و  کلاس تعریف‌ شده برای نمونه ورودی باشد، می­توان تعریف کرد. رابطه 2 معادله کلی طبقه‌بندی­کننده‌های خطی را نشان می‌دهد.

[2]    در این رابطه، w نشان‌دهنده بردار وزن و b بایاس است. در این روش هدف این است که w و b طوری انتخاب شوند که بیشترین فاصله بین ابر صفحه‌های موازی که داده‌ها را از هم جدا می‌کنند ایجاد شود (8).  

الگوریتم حداقل فاصله از میانگین (Minimum Distance to Mean)

این روش طبقه‌بندی مبتنی بر فاصله‌ای است که مرکز خوشه‌ها از یکدیگر در فضا دارند. در این الگوریتم فاصله هریک از پیکسل‌ها با مرکز خوشه‌ها محاسبه می‌شود و سپس آن پیکسل به کلاسی اختصاص می‌یابد که از کمترین فاصله تا مرکز آن برخوردار باشد. ايــن نــوع طبقه‌بندی­کننده از نظـر رياضـي سـاده و از نظـر محاسـباتي کاراست ولي مبناي نظـري آن بـه انـدازه طبقه‌بندی­کننـده حداکثر احتمال قوي نيست. یکی از مهم‌ترین مشکلاتی که در این روش طبقه‌بندی وجود دارد آن است که برخی از پیکسل‌هایی که در فاصله بسیار دوری از مرکز خوشه قرار دارند نیز ممکن است به یک کلاس اختصاص پیدا کنند. البته این مشکل را می‌توان با تعریف حد آستانه برای فاصله پیکسل‌ها از مرکز خوشه‌ها جبران نمود. حد آستانه فاصله تا مرکز خوشه با استفاده از یک دایره نشان داده شده است (9). 

روش رأی‌گیری اکثریت (Majority Voting Method)

 با ادغام نقشه‌های طبقه‌بندی‌شده می‌توان نقاط ضعف روش‌های مختلف را حذف کرد و نقاط قوت هر دسته داده را در نقشه تغییرات نهايي مشاهده کرد. در اين تحقیق براي ادغام نقشه‌های تغییرات به دست آمده از روش رأی‌گیری اکثریت استفاده شد. رأی‌گیری یک روش ادغام رایج تصمیم‌گیری است که برای ترکیب نتایج خروجی پردازنده‌های مختلف مانند نتایج طبقه‌بندی و یا نتایج نقشه‌های تغییرات طراحی شده است. ایده اصلی این روش این است که نتایج مشخص‌شده توسط برخی از قوانین خاص رأی‌دهی، نظیر رأی‌گیری اکثریت و قوانین رأی‌گیری وزنی، سازمان‌دهی می‌شود (5). رابطه 3 به تشریح الگوریتم به­کار رفته در این رویکرد می­پردازد.

[3]                                                                                                                  

       

مطابق رابطه 3،  تصویر تلفیق‌شده را در مختصات ( c,l) نشان می­دهد. همچنین  مقدار تصویر با دقت تفکیک مکانی بالا را در مختصات (c,l) نشان می­دهد.  بیانگر مقدار متوسط محلی تصویر با دقت تفکیک مکانی بالا در مرکز مختصات (c,l) است.   بیانگر مقدار متوسط محلی تصویر با دقت تفکیک مکانی پایین در مرکز مختصات (c,l) است.  نشان­‌دهنده میانگین محلی تصویر با دقت تفکیک مکانی بالا متمرکز بر مختصات (c,l) است.  مقدار انحراف معیار محلی استاندارد تصویر با دقت تفکیک مکانی پایین، متمرکز بر مختصات (c,l) را نشان می­دهد (15).

اعتبار سنجی و ارزیابی صحت        

جهت ارزيابي دقت نتایج و نقشه‌های طبقه‌بندی‌شده با استفاده از ماتريس خطا (Error Matrix)، پارامترهاي صحت­كلي (Overall Accuracy) و ضريب­كاپا (Kappa Coefficient)  محاسبه گردید. صحت­كلي از نسبت تعداد پیکسل‌های درست طبقه‌بندی‌شده به كل پیکسل‌های طبقه‌بندی‌شده در تمامي طبقات به دست می‌آید که معادله آن طبق به رابطه­ 4 محاسبه گردید.

[4]                                                                                                                                   

در اين رابطه؛ OA نشان‌دهنده صحت­كلي و N تعداد كل پیکسل‌های معلوم طبقه‌بندی‌شده و  مجموع پیکسل‌های قطر اصلي ماتريس خطا (تعداد كل پیکسل‌های درست طبقه‌بندی‌شده) است. ضریب کاپا، دقت طبقه‌بندی را نسبت به یک طبقه‌بندی کاملاً تصادفی محاسبه می‌کند (23). این ضریب با استفاده از درایه‌های ماتریس خطا، طبق رابطه 5 محاسبه گردید.

[5]                                                                                                                                       

که در آن  rمجموع حاصل جمع سطرها یا ستون‌ها در ماتریس ابهام،  قطر اصلی ماتریس ابهام، عناصر و به ترتیب مجموع کل سطر i و کل ستون j و N تعداد کل پیکسل‌ها است (22).

 

نتایج

تصاویر طبقه­بندی­شده و ارزیابی صحت­کلی و ضریب­کاپا

در رویکرد پیشنهادی از داده­های رایگان سنجنده­های لندست-8 و سنتینل-2 و از شیوه ادغام داده­ها به ‌منظور افزایش دقت توان تفکیک مکانی استفاده گردید. علاوه بر آن با افزودن شاخص­های آب و ترکیب آن­ها با یکدیگر و قراردادن در یک ‌لایه هدف، دقت در شناسایی و استخراج آب­های سطحی تا حد بسیار مطلوبی بهبود یافت. با توجه به آغاز فعالیت ماهواره سنتینل-2 از سال 2015 به بعد و برخورداری از داده‌هایی با قدرت تفکیک مکانی 10متر، جهت کسب اطمینان بابت استفاده از ماهواره سنتینل-2 به جای لندست-8 از سال 2017 به بعد، با محاسبه صحت­کلی و ضریب کاپا طبقه‌بندی­کننده‌های موردنظر و همچنین روش ادغام رأی‌گیری­ اکثریت برای هر دو سنجنده در سال مشترک 2017، به مقایسه آن‌ها می‌پردازیم. مطابق جدول 3 مقادیر صحت­کلی و ضریب­کاپا برای تصاویر طبقه‌بندی‌شده 15متری لندست-8 و 10­متری سنتینل-2 برای سال مورد بررسی 2017 را نشان داده شده است.

 

جدول3. مقادیر صحت­کلی و ضریب­کاپا تصاویر سنجنده لندست-8 و سنتینل-2 برای سال 2017

Table 3. Overall accuracy values ​​and Kappa coefficient of Landsat-8 and Sentinel-2 sensor images for 2017

نام شاخص	علامت اختصاری	گردآورنده	سال	باندهای مورد استفاده	رابطه‌ها	منبع
شاخص اختلاف نرمال آب	NDWI	McFeeters	1996	3 و 5		(21)
شاخص نرمال شده اختلاف پوشش گیاهی	NDVI	Kriegler	1969	4 و 5		(11)
شاخص استخراج خودکار آب	AWEI_nsh	Feyisa	2014	3، 5، 6 و 7	AWEI_nsh= 4×(GREEN-SWIR1)-(0.25×NIR+2.75×SWIR2)	(6)
شاخص آب	WI2015	Fisher	2016	3، 4، 5، 6 و 7	WI2015=1.7204+171×GREEN+3× RED-70×NIR-45×SWIR1-71×SWIR2	(7)

نام سنجنده	لندست-8 (15متری)		سنتینل-2 (10متری)
نام روش	صحت­کلی (درصد)	ضریب­کاپا	صحت­کلی (درصد)	ضریب­کاپا
حداقل فاصله از میانگین	94/78	762/0	85/79	799/0
حداکثر احتمال	18/87	899/0	36/91	891/0
شبکه عصبی	91/94	853/0	40/96	937/0
ماشین بردار پشتیبان	85/95	944/0	58/97	983/0
رأی‌گیری­حداکثری	98/96	989/0	15/99	995/0

  

با توجه به جدول 3 نتیجه می‌شود که با استفاده از سنجنده سنتینل-2 می‌توان عوارض سطح زمین را با دقت بالاتری شناسایی کرد و به دنبال آن میزان تغییرات سطحی آب دریاچه نیز با دقت بالاتری محاسبه و برآورد می‌شود. در ادامه شاخص­های به دست آمده هر دو سنجنده به طور جداگانه، در یک لایه ادغام شده و در نهایت با انجام نمونه‌برداری نمونه‌های آموزشی (Train) و نمونه‌های آزمایشی (Test)، طبقه‌بندی تصاویر با الگوریتم‌های موردنظر انجام شد. نتایج تصاویر طبقه­بندی­شده الگوریتم­های ماشین بردار پشتیبان، شبکه عصبی، حداکثر احتمال، حداقل فاصله از میانگین و همچنین نتایج ادغام طبقه­بندی­کننده­ها طی سال‌های 2013 تا 2021 به ترتیب در شکل‌های 3، 4، 5، 6 و 7 نشان داده شده است.

الف-a	ب-b	ج-c
د-d	هـ-e	و-f
ز-g	ح-h	ط-i

شکل3. تصاویر طبقه‌بندی‌شده توسط الگوریتم ماشین بردار پشتیبان طی سال‌های 2013 تا 2021. الف) سال 2013؛ ب) سال 2014؛ ج) سال 2015؛ د) سال 2016؛ هـ) سال 2017؛ و) سال 2018؛ ز) سال 2019؛ ح) سال 2020؛ ط) سال 2021  

Fig 3. Images classified by Support Vector Machine algorithm during the years 2013 to 2021. a) Year 2013; b) Year 2014; c) Year 2015; d) Year 2016; e) Year 2017; f) Year 2018; g) Year 2019; h) Year 2020; i) Year 2021

 

 

 

الف-a	ب-b	ج-c
د-d	هـ-e	و-f
ز-g	ح-h	ط-i

شکل4. تصاویر طبقه‌بندی‌شده توسط الگوریتم شبکه عصبی طی سال‌های 2013 تا 2021. الف) سال 2013؛ ب) سال 2014؛ ج) سال 2015؛ د) سال 2016؛ هـ) سال 2017؛ و) سال 2018؛ ز) سال 2019؛ ح) سال 2020؛ ط) سال 2021  

Fig 4. Images classified by Neural Network algorithm during the years 2013 to 2021. a) Year 2013; b) Year 2014; c) Year 2015; d) Year 2016; e) Year 2017; f) Year 2018; g) Year 2019; h) Year 2020; i) Year 2021

 

 

الف-a	ب-b	ج-c
د-d	هـ-e	و-f
ز-g	ح-h	ط-i

شکل5. تصاویر طبقه‌بندی‌شده توسط الگوریتم حداکثر احتمال طی سال‌های 2013 تا 2021. الف) سال 2013؛ ب) سال 2014؛ ج) سال 2015؛ د) سال 2016؛ هـ) سال 2017؛ و) سال 2018؛ ز) سال 2019؛ ح) سال 2020؛ ط) سال 2021  

Fig 5. Images classified by Maximum Likelihood algorithm during the years 2013 to 2021. a) Year 2013; b) Year 2014; c) Year 2015; d) Year 2016; e) Year 2017; f) Year 2018; g) Year 2019; h) Year 2020; i) Year 2021

 

 

الف-a	ب-b	ج-c
د-d	هـ-e	و-f
ز-g	ح-h	ط-i

شکل6. تصاویر طبقه‌بندی‌شده توسط الگوریتم حداقل فاصله از میانگین طی سال‌های 2013 تا 2021. الف) سال 2013؛ ب) سال 2014؛ ج) سال 2015؛ د) سال 2016؛ هـ) سال 2017؛ و) سال 2018؛ ز) سال 2019؛ ح) سال 2020؛ ط) سال 2021

Fig 6. Images classified by Minimum Distance to Mean algorithm during the years 2013 to 2021. a) Year 2013; b) Year 2014; c) Year 2015; d) Year 2016; e) Year 2017; f) Year 2018; g) Year 2019; h) Year 2020; i) Year 2021

 

 

 

الف-a	ب-b	ج-c
د-d	هـ-e	و-f
ز-g	ح-h	ط-i

شکل7. ادغام نتایج طبقه­بندی­کننده­ها به روش رأی‌گیری اکثریت. الف) سال 2013؛ ب) سال 2014؛ ج) سال 2015؛ د) سال 2016؛ هـ) سال 2017؛ و) سال 2018؛ ز) سال 2019؛ ح) سال 2020؛ ط) سال 2021

Fig 7. Fusioning the results of classifiers by Majority Voting method. a) Year 2013; b) Year 2014; c) Year 2015; d) Year 2016; e) Year 2017; f) Year 2018; g) Year 2019; h) Year 2020; i) Year 2021

 

 با توجه به جدول‌ 4 و 5 به ترتیب نتايج مقادیر صحت­کلی و ضریب کاپا و میزان تغییرات مساحت بـرآورد شـده تحت پوشش کلاس‌ها و درصد تغییرات آن بـراي روش‌های طبقه‌بندی­کننده مورد استفاده نشان داده شده است. 

جدول4. مقادیر صحت­کلی و ضریب­کاپا برای سال 2013 تا 2021 

Table 4. Total accuracy values ​​and Kappa coefficient for 2013 to 2021

سال مورد مطالعه	نام روش	صحت کلی (درصد)	ضریب کاپا
2013	حداقل فاصله از میانگین	65/78	762/0
	حداکثر احتمال	12/88	853/0
	شبکه عصبی	17/92	899/0
	ماشین بردار پشتیبان	61/96	944/0
	رأی‌گیری اکثریت	59/97	982/0
2014	حداقل فاصله از میانگین	31/77	783/0
	حداکثر احتمال	57/89	862/0
	شبکه عصبی	03/93	927/0
	ماشین بردار پشتیبان	63/98	985/0
	رأی‌گیری اکثریت	25/99	997/0
2015	حداقل فاصله از میانگین	59/76	705/0
	حداکثر احتمال	65/82	827/0
	شبکه عصبی	46/91	912/0
	ماشین بردار پشتیبان	88/95	931/0
	رأی‌گیری اکثریت	10/97	972/0
2016	حداقل فاصله از میانگین	39/78	798/0
	حداکثر احتمال	28/88	890/0
	شبکه عصبی	68/94	929/0
	ماشین بردار پشتیبان	07/97	961/0
	رأی‌گیری اکثریت	94/98	987/0
2017	حداقل فاصله از میانگین	94/78	774/0
	حداکثر احتمال	18/87	869/0
	شبکه عصبی	91/94	926/0
	ماشین بردار پشتیبان	85/95	975/0
	رأی‌گیری اکثریت	98/96	989/0
2018	حداقل فاصله از میانگین	57/79	799/0
	حداکثر احتمال	31/92	891/0
	شبکه عصبی	66/93	934/0
	ماشین بردار پشتیبان	31/98	983/0
	رأی‌گیری اکثریت	30/99	956/0
2019	حداقل فاصله از میانگین	23/78	820/0
	حداکثر احتمال	75/92	903/0
	شبکه عصبی	52/94	945/0
	ماشین بردار پشتیبان	05/99	991/0
	رأی‌گیری اکثریت	25/99	988/0
2020	حداقل فاصله از میانگین	52/77	741/0
	حداکثر احتمال	81/89	865/0
	شبکه عصبی	95/92	950/0
	ماشین بردار پشتیبان	25/98	984/0
	رأی‌گیری اکثریت	34/99	972/0
2021	حداقل فاصله از میانگین	30/79	825/0
	حداکثر احتمال	43/91	928/0
	شبکه عصبی	18/96	967/0
	ماشین بردار پشتیبان	14/99	989/0
	رأی‌گیری اکثریت	99/98	991/0

 

جدول5.  میزان تغییرات مساحت و درصد تغییر کلاس‌ها

Table 5. The amount of area changes and the percentage of class changes

سال­های متوالی	کلاس­ها	مساحت(کیلومترمربع)	درصد تغییر
2014-2013	آب	750/955-	691/52-
	پوشش گیاهی	400/49	055/10
	خاک	350/906	830/14
2015-2014	آب	172/109-	091/13-
	پوشش گیاهی	535/78-	423/13-
	خاک	71/187	665/2
2016-2015	آب	34/1324	409/178
	پوشش گیاهی	915/143-	56/24-
	خاک	420/1180-	467/16-
2017-2016	آب	912/479-	094/23-
	پوشش گیاهی	202/127	498/33
	خاک	710/352	391/4
2018-2017	آب	150/129	594/4
	پوشش گیاهی	590/30-	396/6-
	خاک	557/98-	580/1-
2019-2018	آب	918/1492	381/90
	پوشش گیاهی	705/69-	853/11-
	خاک	212/1423-	806/22-
2020-2019	آب	027/105-	310/3-
	پوشش گیاهی	772/40-	223/8-
	خاک	800/145	762/2
2021-2020	آب	445/931-	398/29-
	پوشش گیاهی	995/68	083/16
	خاک	45/862	508/17

 

همچنین با نقطه­یابی بر روی تصاویر ادغام­شده و تخمین مساحت در نرم­افزار ENVI 5.3، نمودار مقدار مساحت کلاس­های آب، پوشش گیاهی و خاک به ترتیب در شکل­های 9، 10 و 11 از سال­های 2013 تا 2021 نشان داده شده است.

 

 

شکل8. مقدار مساحت آب برای منطقه دریاچه ارومیه در سال­های 2013 تا 2021

Fig 8. The amount of water area for Urmia Lake in the years 2013 to 2021

 

 

شکل9. مقدار مساحت پوشش گیاهی برای منطقه دریاچه ارومیه در سال­های 2013 تا 2021

Fig 9. The amount of vegetation area for Urmia Lake in the years 2013 to 2021

 

 

شکل10. مقدار مساحت خاک برای منطقه دریاچه ارومیه در سال­های 2013 تا 2021

Fig 10. The amount of soil area for Urmia Lake in the years 2013 to 2021

بحث و نتیجه­گیری

در این تحقیق، سطح آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن برای سال­های 2013 تا 2021 با پردازش تصاویر ماهواره‌ای لندست-8 و سنتینل-2 و با استفاده از طبقه­بندی­کننده­های نظارت‌شده و روش ادغام داده­ها مورد بررسی و شناسایی قرار گرفت. با توجه به تنوع و پیچیدگی محیط، شیوه ادغام طبقه‌بندی­کننده‌ها به روش رأی‌گیری اکثریت توانسته است نسبت به چهار روش دیگر، ضرایب صحت کلی و ­کاپای بالاتری داشته ­باشد و در مقابل نیز روش حداقل فاصله از میانگین کمترین میزان دقت را در طبقه‌بندی داده‌ها داشته است. ایـن دریاچـه در دهه اخیر شاهد تغییرات سطحی زیادي بوده است. نتایج حاکی از آن است که روند نزولي سطح آب دریاچه بین سال‌های 2013 تا 2015، کارشناسان و دوستداران محیط‌زیست را نگران کرده بود که با هشدار کارشناسان در رابطه با وضعیت نامطلوب آب دریاچه روبه­رو شد. از سال 2015 خوشبختانه سطح آب دریاچه ارومیه رشد چشم‌گیری داشته است و مساحت دریاچه با توجه به بارش سالیانه و تمهیدات اندیشیده شده رو به رشد بوده که این مقدار در سال 2019 به اوج خود رسید. در حالی که از سال 2019 تا 2021 با روند نزولی دوباره، مشاهده می‌شود که تغییرات سطحی آب، پوشش گیاهی و خاک نیز در سال 2021 نسبت به سال 2020 به ترتیب به میزان 89/29 درصد کاهش، 08/16 درصد افزایش و 50/17 درصد افزایش داشته است. نتایج این تحقیق برای برنامه ریزان و کارشناسان می‌تواند جهت کسب اطلاعات از وضعیت سطح آب دریاچه ارومیه، پوشش گیاهی و خاک و همچنین ارتباط آن‌ها با یکدیگر، راه گشای تصمیم­های مدیریتی برای حفظ بیشتر از منابع طبیعی کشورمان باشد.

 

منابع مورد استفاده ­

Ahmadi A, Tatian M, Tamrtash R, Yeganeh H, Asri Y. 2016. Investigating vegetation of saline lands around Urmia Lake using satellite images. Remote Sensing and Geographic Information System in Natural Resources, 7 (1), 1-12. (In Persian).          

Ahmadpour A, Solaimani K, Shokri M, Ghorbani J. 2014. Comparison of three common methods in supervised classification of satellite data for vegetation studies. Remote Sensing and Geographic Information System in Natural Resources, 5 (3), 77-89. (In Persian).

Alderman K, Turner L, Tong S. 2012. Floods and human health: a systematic review. Environment international, 47, 37-47. doi:‏https://doi.org/10.1016/j.envint.2012.06.003.

C. Yves, D. B. Stanislas, B. Marc, M. Fabrice, and L. Gauthier, “RS Data Fusion by Local Mean and Variance Matching Algorithms : their Respective Efficiency in a Complex Urban Context,” no. V, pp. 105–109, 2001.

Du, P., Liu, S., Xia, J., & Zhao, Y. 2013. Information fusion techniques for change detection from multi-temporal remote sensing images. Information Fusion, 14(1), 19-27.‏ doi:https://doi.org/10.1016/j.inffus.2012.05.003  

Feyisa G, Meilby H, Fensholt R, Proud S. 2014. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23-35.‏ doi:https://doi.org/10.1016/j.rse.2013.08.029.

Fisher A, Flood N, Danaher T. 2016. Comparing Landsat water index methods for automated water classification in eastern Australia. Remote Sensing of Environment, 175, 167182.‏ doi:https://doi.org/10.1016/j.rse.2015.12.055.

Foody G, Arora M. 1996. Incorporating mixed pixels in the training, allocation and testing stages of supervised classifications. Pattern Recognition Letters, 17(13), 1389-1398.‏ doi: https://doi.org/10.1016/S0167-8655(96)00095-5.

Ghasemi A, Fallah A, Shataee Joibari Sh. 2016. Evaluation of four algorithms for estimation of canopy cover of mangrove forests by using aerial imagery. Remote Sensing and Geographic Information System in Natural Resources, 7 (2), 1-16. (In Persian). 

Giardino C, Bresciani M, Villa P, Martinelli A. 2010. Application of remote sensing in water resource management: the case study of Lake Trasimeno, Italy. Water resources management, 24(14), 3885-3899.‏ doi: 10.1007/s11269-010-9639-3.

Gillespie, T. W., Ostermann-Kelm, S., Dong, C., Willis, K. S., Okin, G. S., & MacDonald, G. M. (2018). Monitoring changes of NDVI in protected areas of southern California. Ecological Indicators, 88, 485-494.‏ doi:https://doi.org/10.1016/j.ecolind.2018.01.031.

Harati, H., Kiadaliri, M., Tavana, A. et al. Urmia Lake dust storms occurrences: investigating the relationships with changes in water zone and land cover in the eastern part using remote sensing and GIS. Environ Monit Assess 193, 70 (2021). https://doi.org/10.1007/s10661-021-08851-3 .(In Persian).

Hester, D. B. 2008. Land cover mapping and change detection in urban watersheds using Quickbird high spatial resolution satellite imagery. PhD. dissertation, North Carolina State University, Carolina.

Huang C, Chen Y, Zhang S, Wu J. 2018. Detecting, extracting, and monitoring surface water from space using optical sensors: A review. Reviews of Geophysics, 56(2), 333-360.‏ doi:https://doi.org/10.1029/2018RG000598.

Jalil Helali, Shahab Asaadi, Teimour Jafarie, Maral Habibi, Saadoun Salimi, Seyed Erfan Momenpour, Salah Shahmoradi, Seyed Asaad Hosseini, Behzad Hessari, Vahideh Saeidi; Drought monitoring and its effects on vegetation and water extent changes using remote sensing data in Urmia Lake watershed, Iran. Journal of Water and Climate Change 1 May 2022; 13 (5): 2107–2128. doi: https://doi.org/10.2166/wcc.2022.460.

Jawak S, Kulkarni K, Luis A. 2015. A review on extraction of lakes from remotely sensed optical satellite data with a special focus on cryospheric lakes. Advances in Remote Sensing, 4(03), 196.‏ doi:https://doi.org/ 10.4236/ars.2015.43016.

Johnson B, Tateishi R, Kobayashi T. 2012. Remote sensing of fractional green vegetation cover using spatially-interpolated endmembers. Remote Sensing, 4(9), 2619-2634.‏ doi:https://doi.org/10.3390/rs4092619.

Jumaah, H. J., Ameen, M. H., Mohamed, G. H., & Ajaj, Q. M. (2022). Monitoring and evaluation Al-Razzaza lake changes in Iraq using GIS and remote sensing technology. The Egyptian Journal of Remote Sensing and Space Science, 25(1), 313-321.‏

Karbassi A, Bidhendi G, Pejman A, Bidhendi E. 2010. Environmental impacts of desalination on the ecology of Lake Urmia. Journal of Great Lakes Research, 36(3), 419-424. doi:https://doi.org/10.1016/j.jglr.2010.06.004.

Keshta, A.E.; Riter, J.C.A.; Shaltout, K.H.; Baldwin, A.H.; Kearney, M.; Sharaf El-Din, A.; Eid, E.M. Loss of Coastal Wetlands in Lake Burullus, Egypt: A GIS and Remote-Sensing Study. Sustainability 2022, 14, 4980. https://doi.org/ 10.3390/su14094980.

McFeeters S. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 17(7), 1425-1432.doi:https://doi.org/10.1080/01431169608948714.

Morss R, Wilhelmi O, Downton M, Gruntfest E. 2005. Flood risk, uncertainty, and scientific information for decision making: lessons from an interdisciplinary project. Bulletin of the American Meteorological Society, 86(11), 1593-1602. doi:https://doi.org/10.1175/BAMS-86-11-1593.

Saghafi M, Ahmadi A, Bigdeli B. 2021. Sentinel-1 and Sentinel-2 data fusion system for surface water extraction. Journal of Applied Remote Sensing, 15(1), 014521. doi:https://doi.org/10.1117/1.JRS.15.014521.

Smits P, Dellepiane S, Schowengerdt R. 1999. Quality assessment of image classification algorithms for land-cover mapping: a review and a proposal for a cost-based approach. International journal of remote sensing, 20(8), 1461-1486.‏ doi:https://doi.org/10.1080/014311699212560.

Srivastava S, Gupta R. 2003. Monitoring of changes in land use/land cover using multi-sensor satellite data. In Map India Conference.‏

 

Investigating the surface changes of Urmia Lake using the integration of Landsat-8 and Sentinel-2 satellite data

 

Abstract

Among environmental changes, water plays a very vital role in the political, social and economic issues of countries, which can be used as one of the most practical sources of water supply available to humans and animals. Investigating the fluctuations of the water level of the lakes in terms of the importance, location and nature of these water bodies has become especially important in recent years. Lake Urmia with an area of ​​51200 square kilometers is of special importance as the largest internal lake of Iran and the 20th lake in the world. Landsat-8 and Sentinel-2 satellite data for the years 2013 to 2021 were used to investigate and evaluate changes in the water level of Lake Urmia, vegetation and soil around it. First, radiometric and atmospheric corrections were made on the images, and then, while using Gram Schmidt and LMVM integrators to increase spatial resolution, NDWI, AWEI, WI2015 and NDVI indices were extracted in order to differentiate the lake water level from non-water. paid. Finally, by combining the indicators with each other and by sampling the training and test samples, in order to classify the images, supervised classifiers such as Maximum Likelihood, Support Vector Machine, Neural Network and Minimum Distance to Mean were used. Also, in order to improve the results, the output of the classifiers was merged using the majority voting method. The results of the research showed that the majority voting method was chosen as the most suitable classification method with the highest level of accuracy. The water level of Lake Urmia, the vegetation and soil around it have also undergone significant changes during the years 2013 to 2021, so that in 2021, compared to 2020, the water level decreased by 29.89%, and the vegetation increased by 16.08%. And the soil has increased by 17.50%.

Keywords: Surface Water, Urmia Lake, Remote Sensing, Supervised Classification, Data Fusion, Change Detection

بررسی تغییرات­سطحی آب دریاچه ­ارومیه با استفاده از ادغام داده­های­ ماهواره لندست-8 و سنتینل-2

چکیده مبسوط 

طرح مسئله: در دهه‌های اخيـر بـه دنبـال رشـد بی‌رویه جمعيت دنيا، استفاده بشـر از منـابع طبيعـي بر مبناي قابليت و استعداد آن‌ها نبوده است بلكه بر اساس نيازهاي آني و فنّاوری عصر خود پایه‌ریزی شده است. به عنوان یکی از مهم­ترین تغییرات زیست‌محیطی در چند دهه­ی اخیر می­توان به تغییر آب­های سطحی و اهمیت آن بر جامعه بشری و اکوسیستم اشاره کرد. بررسی نوسانات سطح­ آب دریاچه­ها به لحاظ اهمیت، موقعیت و ماهیت این مجموعه­های آبی در سال­های اخیر اهمیت ویژه­ای پیداکرده است. دریاچه ارومیه (Urmia Lake) با وسعت 51200 کیلومترمربع از دیدگاه­های مختلف به‌خصوص زیست­محیطی حائز اهمیت است.

هدف: هدف از این تحقیق، استفاده از داده‌های ماهواره لندست-8 و سنتینل-2 از منطقه دریاچه ارومیه برای سال‌های 2013 تا 2021 و استفاده از روش‌های طبقه‌بندی­کننده‌ نظارت‌شده همچون حداکثر احتمال، شبکه عصبی، ماشین بردار پشتیبان و حداقل فاصله از میانگین جهت طبقه‌بندی تصاویر و همچنین ادغام تصاویر طبقه‌بندی‌شده به روش رأی‌گیری اکثریت جهت بهبود نتایج طبقه­بندی­کننده­ها است. در نهایت با مقایسه ضرایب صحت­کلی و کاپای طبقه­بندی­کننده­ها، مناسب‌ترین روش طبقه‌بندی انتخاب شد و بررسی تغییرات سطح آب دریاچه، پوشش گیاهی و خاک اطراف آن در سال‌های مورد مطالعه انجام گردید.

روش تحقیق: داده‌های مورداســتفاده در ايــن تحقيــق شــامل تصــاوير رایگان سنجنده OLI لندست-8 و سنجنده MSI سنتینل-2 به ‌منظور استخراج نقشـه پهنه آبی دریاچه ارومیه براي سال‌های 2013 تا 2021 مورد استفاده قرار گرفت. در مرحله اول تصاویر ماهواره لندست-8 برای سال‌های 2013 تا 2017 و تصاویر ماهواره سنتینل-2 برای سال‌های 2017 تا 2021 از سایت سازمان زمین‌شناسی ایالت متحده آمریکا (USGS) دانلود شد. سپس تصحيحات رادیومتریک و اتمسفريک تصاوير جهت دستيابي به بازتاب واقعي زمين در نرم‌افزار پیشرفته ENVI 5.3 انجام گردید و در نهایت مقادير راديانس ثبت‌شده سنجنده لندست-8 و سنتینل-2 به ترتیب با استفاده از الگوريتم­های FLAASH و Sen2core255 به مقادير انعكاس واقعي پدیده‌ها از سطح زمين تبديل شد. در مرحله دوم با استفاده از باند پانکروماتیک و شبه پانکروماتیک و با شیوه پن شارپ­کردن Gram Schmidt و LMVM به ترتیب تصاویر لندست-8 از 30 متر به 15متر و تصاویر سنتینل-2 از 20 متر به 10متر ارتقا داده‌ شد. سپس جهت آشکارسازي و ارزيابي تغییرات زماني- مکانی سطح آب از غیر- آب، چهار شاخص مهم، شامل شاخص اختلاف نرمال آب (NDWI)، شاخص نرمال شده اختلاف پوشش گیاهی (NDVI)،  شاخص خودکار استخراج آب (AWEI_nsh) و شاخص آب (WI2015) مورد استفاده قرار گرفت. در مرحله سوم با انجام نمونه­برداری نمونه­های آموزشی و آزمایشی، از روش­های طبقه‌بندی نظارت‌شده همچون حداکثر ­احتمال، ماشین­بردار­پشتیبان، شبکه عصبی و حداقل فاصله از میانگین استفاده شد. در طبقه‌بندی­کننده حداکثر احتمال ، هر يك از پیکسل‌های تصوير بر مبنای احتمالات پس از آزمون آماري و محاسبه احتمال تعلق آن‌ها به گروه‌های طيفي نمونه، به گروه مربوطه تعلق می‌گیرد. همچنین طبقه‌بندی­کننده شبکه عصبی نیز الگویی محاسباتی براي پردازش اطلاعات است که با تقلید از شبکه‌های عصبی بیولوژیکی همانند مغز انسان ساخته شده‌ است. این الگوریتم بر اساس مجموعه‌ای از گره‌های متصل به نام نورون به عنوان کوچک‌ترین واحد پردازشگر اطلاعات و لایه‌ها تشکیل شده‌اند. هر لایه از تعدادي گره تشکیل شده و به وسیله چند ورودي، فرآیند الگوریتم آغاز شده و به یک خروجی منتهی می‌شود. در طبقه‌بندی­کننده ماشین بردار پشتیبان، با دسته‌بندی و حل معادلات خطی، خطی که از حاشیه اطمینان بالاتری برخوردار است، انتخاب می­شود. در طبقه‌بندی حداقل فاصله از میانگین نیز فاصله هریک از پیکسل‌ها با مرکز خوشه‌های کلاس‌ها محاسبه می‌شود و سپس پیکسل انتخابی به کلاسی اختصاص می‌یابد که از کمترین فاصله تا مرکز خوشه‌ها برخوردار باشد. در مرحله چهارم نیز جهت بهبود نتایج، ادغام نتایج ‌طبقه‌بندی حاصل از این چهار روش‌ به روش رأی‌گیری اکثریت انجام شد. به عبارتی دیگر با تلفیق نتایج طبقه­بندی­کننده­ها، نقاط ضعف روش‌های مختلف حذف شده و نقاط قوت هر دسته داده در نقشه تغییرات نهايي نیز مشاهده شد.

نتایج و بحث: با به‌کارگیری فنّاوری سنجش‌ازدور، چگونگی و درصد تغییرات آب سطحی دریاچه ارومیه، خاک و پوشش گیاهی اطراف آن مورد بررسی قرار گرفت. در این تحقیق، تغییرات سطح آب دریاچه ارومیه، پوشش گیاهی و خاک اطراف آن با استفاده از داده‌های رایگان ماهواره‌ لندست-8  و سنتینل-2 طی سال­های 2013 تا 2021 انجام گرفت. با توجه به شرایط و تنوع محیط، شیوه ادغام طبقه‌بندی کننده‌ها به روش رأی‌گیری اکثریت توانسته است نسبت به سه روش دیگر، ضرایب صحت کلی و ­کاپای بالاتری داشته ­باشد. در مقابل روش حداکثر احتمال نیز کمترین میزان دقت را در طبقه‌بندی داده‌های ماهواره‌ای داشت. همچنین ایـن دریاچـه در دهه اخیر شاهد تغییرات سطحی زیادي بوده است. این دریاچه بین سال‌های 2013 تا 2015 روند کاهشی و بین سال‌های 2015 تا 2019 روند افزایشی داشته است و در نهایت بین سال‌های 2019 تا 2021 دوباره با روند کاهشی روبه‌رو شده است. برای سال 2021 میزان تغییرات سطح آب دریاچه و پوشش گیاهی و خاک اطراف آن به ترتیب 89/29 درصد کاهش، 08/16 درصد افزایش و 50/17 درصد افزایش یافته است.

نتیجه­گیری: نتایج به‌دست‌آمده نشان داد که با توجه به تنوع و پیچیدگی محیط، شیوه ادغام طبقه‌بندی­کننده‌ها به روش رأی‌گیری اکثریت توانسته است نسبت به چهار روش دیگر، مقادیر صحت کلی و ­ضریب کاپای بالاتری داشته ­باشد و در مقابل روش حداقل فاصله از میانگین نیز کمترین میزان دقت را در طبقه‌بندی داده‌های ماهواره‌ای داشت. با وجود روند نزولي سطح آب دریاچه ارومیه بین سال‌های 2013 تا 2015، خوشبختانه سطح آب دریاچه از سال 2015 به بعد روند افزایشی داشته است و مساحت دریاچه ارومیه با توجه به داده های آماری میزان بارندگی، دما و تبخیر سالیانه و همچنین تمهیدات اندیشیده شده از سوی مسئولین رو به رشد بوده که این مقدار در سال 2019 به اوج خود رسیده است. در حالی که از سال 2019 تا 2021 با روند نزولی دوباره، مشاهده شد که میزان سطح آب 89/29 درصد (44/931 کیلومترمربع) کاهش، سطح خاک 50/17 درصد (45/862 کیلومترمربع) افزایش و سطح پوشش گیاهی 08/16 درصد (98/68 کیلومترمربع) کاهش داشته است. نتایج این تحقیق می‌تواند به برنامه ریزان و کارشناسان محیط‌زیست در تصمیمات مدیریتی کمک کند تا با آگاهی از تغییرات وضعیت سطح آب دریاچه، پوشش گیاهی و خاک اطراف آن به جلوگیری از خشک شدن دریاچه ارومیه و حفظ هر چه بیشتر از دریاچه به عنوان یک منبع آبی ملی و بین‌المللی بپردازند. در صورت بی‌توجهی سیاست‌گذاران و سازمان‌های دولتی به پیامدهای هشداردهنده زیست‌محیطی، با خطراتی ازجمله خشک شدن کامل دریاچه و بروز اثرات نامطلوب و جبران ناپذیری در منطقه دریاچه ارومیه روبه‌رو خواهیم شد. 

 

واژگان کلیدی: آب­های سطحی، دریاچه ارومیه، سنجش‌ازدور، طبقه­بندی نظارت­شده، ادغام داده، شناسایی تغییرات

 

Investigating the surface changes of Urmia Lake using the integration of Landsat-8 and Sentinel-2 satellite data

Abstract

Statement of the Problem: In recent decades, due to the excessive growth of the world's population, human use of natural resources has not been based on their ability and talent, but based on the immediate needs and technology of their age. As one of the most important environmental changes in recent decades, we can mention the change of surface water and its importance on human society and ecosystem. Investigating the fluctuations of the water level of the lakes in terms of the importance, location and nature of these water bodies has gained special importance in recent years. Lake Urmia with an area of ​​51,200 square kilometers is important from various points of view, especially environmental.

Purpose: The purpose of this investigation is to use Landsat-8 and Sentinel-2 satellite data from Urmia Lake region for the years 2013 to 2021 and use supervised classification methods such as maximum likelihood, neural network, support vector machine and minimum distance from the mean to classify images. And also the integration of classified images by the majority voting method is to improve the results of the classifiers. Finally, by comparing the overall accuracy and kappa coefficients of the classifiers, the most appropriate classification method was selected and the changes in the lake water level, vegetation and surrounding soil were investigated in the studied years.

Methodology: The data used in this research, including the free images of the Landsat-8 OLI sensor and the MSI Sentinel-2 sensor, were used to extract the water area map of Lake Urmia for the years 2013 to 2021. In the first step, Landsat-8 satellite images for the years 2013 to 2017 and Sentinel-2 satellite images for the years 2017 to 2021 were downloaded from the United States Geological Survey (USGS) website. Then, the radiometric and atmospheric corrections of the images were carried out in order to achieve the real reflection of the earth in the advanced ENVI 5.3 software, and finally, the recorded radiance values ​​of the Landsat-8 and Sentinel-2 sensors were adjusted to the real reflection values ​​of the phenomena using FLAASH and Sen2core255 algorithms, respectively. The surface of the earth was transformed. In the second stage, Landsat-8 images were upgraded from 30 meters to 15 meters and Sentinel-2 images from 20 meters to 10 meters, respectively, by using panchromatic and pseudo-panchromatic bands and by Gram Schmidt and LMVM pen sharpening methods. Then, in order to reveal and evaluate the time-spatial changes of the water level from non-water, four important indices, including the normalized water difference index (NDWI), the normalized difference vegetation index (NDVI), the automatic water extraction index (AWEI_nsh) and the water index (WI2015) was used. In the third stage, by sampling training and testing samples, supervised classification methods such as maximum likelihood, support vector machine, neural network and minimum distance from the mean were used. In the maximum likelihood classifier, each pixel of the image is assigned to the corresponding group based on the probabilities after the statistical test and calculating the probability of their belonging to the spectral groups of the sample. Also, the neural network classifier is a computational model for information processing that is made by imitating biological neural networks like the human brain. This algorithm is based on a set of connected nodes called neurons as the smallest unit of information processing and layers. Each layer consists of a number of nodes and by means of several inputs, the algorithm process is started and leads to an output. In the support vector machine classifier, by classifying and solving linear equations, a line with a higher confidence margin is selected. In the classification of the minimum distance from the mean, the distance of each pixel with the center of the clusters of classes is calculated, and then the selected pixel is assigned to the class that has the smallest distance to the center of the clusters. In the fourth stage, in order to improve the results, the classification results from these four methods were merged using the majority voting method. In other words, by combining the results of the classifiers, the weaknesses of different methods were eliminated and the strengths of each data category were also observed in the final changes map.

Results and discussion: Using remote sensing technology, the manner and percentage of surface water changes in Lake Urmia, soil and surrounding vegetation were investigated. In this research, changes in the water level of Lake Urmia, vegetation and soil around it were carried out using free Landsat-8 and Sentinel-2  satellite data during the years 2013 to 2021. Considering the conditions and diversity of the environment, the method of merging the classifiers using the majority voting method has been able to have higher overall accuracy and kappa coefficients than the other three methods. On the other hand, the maximum likelihood method also had the lowest level of accuracy in satellite data classification. Also, this lake has seen many surface changes in the last decade. This lake had a decreasing trend between 2013 and 2015, and an increasing trend between 2015 and 2019, and finally it faced a decreasing trend again between 2019 and 2021. For 2021, the amount of changes in the water level of the lake and the surrounding vegetation and soil has decreased by 29.89%, increased by 16.08% and increased by 17.50%, respectively.

Conclusion: The obtained results showed that according to the diversity and complexity of the environment, the method of merging classifiers using the majority voting method has been able to have higher overall accuracy and kappa coefficient than the other four methods, and compared to the minimum distance from the mean method, it has the lowest It had the level of accuracy in the classification of satellite data. Despite the decreasing trend of the water level of Lake Urmia between 2013 and 2015, fortunately the water level of the lake has been increasing since 2015 and the area of ​​Lake Urmia according to the statistical data of annual rainfall, temperature and evaporation as well as the measures taken by According to the officials, it has been growing, and this amount has reached its peak in 2019. While from 2019 to 2021 with a downward trend again, it was observed that the water level decreased by 29.89 percent (931.44 square kilometers), the soil level increased by 17.50 percent (862.45 square kilometers) and the vegetation level increased by 0.8 It has decreased by 16% (68.98 square kilometers). The results of this research can help planners and environmental experts in management decisions to prevent the drying up of Lake Urmia and preserve as much of the lake as a water source by knowing the changes in the water level of the lake, the vegetation and the soil around it. pay national and international If policymakers and government organizations ignore the alarming environmental consequences, we will face risks such as the complete drying of the lake and the occurrence of adverse and irreparable effects in the Urmia Lake region.

Keywords: Surface Water, Lake Urmia, Remote Sensing, Supervised Classification, Data Fusion, Change Detection

1

 

---