Investigation the potential of MODIS and Sentinel 5 sensors in estimating the amount of air aerosols (A Case Study: Khuzestan Province)
Subject Areas : Remote sensing,
Hamidreza
Ghafarian
1
(Department of Geography & Deputy Head for Research and Education of Faculty of Humanities, Yazd University, Yazd, Iran)
aboozar
kiani
2
(Department of Geography & amp; Deputy Head for Research and Education of Faculty of Humanities, Yazd University, Yazd, Iran)
فهیمه
ARABI ALI ABAD
3
(PhD in management of dry and desert areas and researcher, Faculty of Natural Resources and Desert ology, Yazd University)
Keywords: air pollutants, satellite imagery, Particulate Matter, pollution detection stations,
Abstract :
Air pollutants in Iran's metropolitan areas are among the serious challenges for managers, which also threatens the health of citizens. Monitoring air pollution is an important task in public health. Also, the unavailability of ground station data is often prevented due to the lack of network of ground monitoring stations to know the exact amount of air pollution in different parts of the country. Therefore, the use of remote sensing images in continuous monitoring of air pollutants due to their low cost and low manpower, will be appropriate and cost-effective. In this research, Sentinel 5 satellite images and MODIS sensors have been used for analytical study to detect the average trend of changes and spatial distribution of dust in Khuzestan province. The aim of this study was to use relatively high-resolution satellite data for local monitoring of air quality/air pollution and to investigate the relationship between Sentinel and MODIS image sensors. Findings indicate significant amounts of AOD in several parts of the study area such as Ahvaz, Abadan, Khorramshahr, BandarMahshahr and Bavi. Also, a small amount of fine dust is seen in the southeastern, eastern and northeastern cities of the province. According to the results of this research, as we move from the southeast, east and northeast and move towards the southern and western parts of the province, the amount of fine dust increases.
_||_
بررسی پتانسیل ماهوارهی مودیس و سنتینل-5 در برآورد میزان گرد و غبار (مطالعه موردي: استان خوزستان)
آلایندههای هوا در کلان‌شهرها، چالش جدی برای مدیران است که سلامت شهروندان را تهدید میکند و نظارت بر آن یک وظیفه مهم است. به دلیل تعداد محدود ایستگاههای نظارت زمینی، بررسی و پایش میزان دقیق آلودگی هوا در مناطق مختلف کشور ناممکن است. از این‌رو، سنجش از دور در پایش مستمر میزان آلایندههای هوا با توجه به هزینه پایین، پوشش سطح وسیع، قدرت تفکیک زمانی و ... مناسب است. در این تحقیق تصاویر ماهوارهی سنتینل-5 و سنجنده مودیس برای مطالعه تحلیلی از روند تغییرات زمانی - مکانی میزان گرد و غبار در سطح استان خوزستان استفاده شد. هدف این مطالعه استفاده از دادههای ماهوارهای با وضوح نسبتاً بالا برای پایش محلی کیفیت و میزان آلودگی هوا و بررسی ارتباط تصاویر دو سنجنده سنتینل-5 و مودیس است. در این پژوهش، از کدنویسی در محیط گوگل ارث انجین تصاویر سنتینل 5 و همچنین ميانگين گيري AOD موديس استفاده شد. و یافتههای تحقیق حاکی از مقادیر قابل‌توجهی AOD در چندین بخش از منطقه مورد مطالعه همچون شهرستانهای اهواز، آبادان، خرمشهر، بندرماهشهر و باوی است. همچنین میزان کمی ریزگردها در شهرستانهای جنوبشرقی، شرق و شمالشرقی استان دیده میشود. با توجه به نتایج این تحقیق هر چه از سمت جنوبشرقی، شرق و شمالشرقی استان حرکت و به سمت بخش‌های جنوب و غرب استان پیش رفت میزان ریزگردها افزایش مییابد. با توجه به تجزیه و تحلیل صورت گرفته، همبستگی مثبت بالایی بین تصاویر هر دو سنجنده سنتینل-5 و مودیس در تشخیص میزان گرد و غبار مشاهده شد، که نشانگر امکان استفاده از آنها در پایش این نوع آلاینده در مقیاس کشوری است.
واژههاي کليدي: آلایندههای هوا، ریزگردها، تصاویر ماهوارهای، سنتینل-5، ایستگاههای آلودگی سنج
مقدمه
هوا یکی از پنج عنصر ضروری (هوا، آب، غذا، گرما و نور) برای ادامه حیات انسان است. هر فرد روزانه نزدیک به 22000 بار تنفس میکند و تقریباً به 15 کیلوگرم هوا در روز نیاز دارد. آلودگی هوا به معنای مخلوط شدن هوا با گازها، قطرات و ذراتی است که کيفيت هوا را کاهش میدهند [2]. غبار حاصل از شخم زدن زمين به‌وسيله تراکتورها، ماشينها و کاميونهايی که در جادههای شنی يا خاکی حرکت می کنند، ريزش کوه و دود حاصل از آتش‌سوزی اکوسیسم‌های گیاهی و مزارع باعث آلودگی هوا میشود. در چند سال اخير، پديده خشکسالی و تأثير آن بر افزايش غلظت ريزگردها در جو، منجر به تشديد آلودگی هوا شده است [2]. امروزه آلودگی هوای محیط بعنوان یک چالش بسیار مهم در سطوح محلی، منطقهای و بین‌المللی شناخته شده است. یافتههای علمی نشانگر طیف گسترده ای از اثرات آلودگی هوا بر سلامت انسان است و مطالعات متعدد اثرات بهداشتی آلودگی هوا را نشان داده است [8]. آلودگی هوا با توجه به پیامدهای زیان بار آن به یکی از ملموس‌ترین معضلات زیست محیطی در اکثر کشورهای جهان از جمله ایران و به طور خاص استان خوزستان تبدیل شده است که سالانه منجر به مرگ و میر هفت میلیون نفر و چهارمین عامل مرگ و میر زودرس در جهان میباشد. غلظت ذرات معلق موجود در جو از مهمترين شاخصهای آلودگی هوا محسوب شده و به همين دليل از بيشترين توجه نسبت به ساير آلايندههای جوی برخوردار است [8]. گرد و غبار يا ريزگرد عبارت است از افزايش ذرات جامد در جو به طوریکه موجب تيرگی نسبی هوا شده و ميزان ديد افقی يا ديد عمومی کاهش يابد [25]. مانند هر متغير ديگری در جو، اگر میزان آنها از حد مجازی فراتر رود، يک حادثه چالش برانگیز جوی، خسارتزا و خطرناک خواهد بود. گرد و غبار يکی از پديدههای جوی است که آثار و پيامدهای زيست محيطی نامطلوبی را بر جای می‌گذارد [16]. طوفان گرد و غبار در نتيجه سرعت زياد باد و تلاطم آن بر روی سطح خاک بدون پوشش و مستعد فرسايش به وجود میآيد. براساس تعريف WMO1 يک رخداد گرد و غبار را زمانی میتوان طوفان گرد و غبار ناميد که ديد به کمتر از يک کيلومتر و سرعت باد به بيش از 14 متر بر ثانيه برسد [6].
پژوهشهای زیادی دربارة امکان سنجی کاربردهای سنجنده‌های ماهوارهای در پایش آلودگی هوا در پهنه‌های شهری انجام گرفته است. برای نمونه، شاخص AI (Aerosol Index) سنجنده TOMS2 در بررسی دگرگونیهای فصلی و سالیانه غبار پهنه شهری در حیدرآباد هند با گستردگی تقریبی 125 کیلومتر مربع بکار گرفته شده است. مقایسه آن با مقادیر زمینی AOD3 در طول موج 380 نانومتر همبستگی 7/ 0R2 = را نشان داده است [1]. مقایسه AI و مقادیر زمینی AOD در طول موجهای 480 و 550 نانومتر در پهنه صنعتی کوچک تیتو اسکالو ایتالیا به ترتیب دارای همبستگی 7/ 0R2 = و 91/ 0R2 = بوده است [9]. لاتا و همکاران (2004) با بررسی تصاویر و دادههای سه شهر پکن، شانگهای و فنیکس با استفاده از روش پردازش تصویر شاخص آلودگی PM2.5 را تخمین زدند. کاسکاوتیس و همکاران (2010) در تحلیل خود به ارزیابی ریزگردها در شهر آتن با استفاده از دادههای دو ماهواره MODIS و MERIS با دادهها زمینی برای بازیابی ژرفای نوری ریزگردها AOD پرداختند و به یک وابستگی مثبت قوی میان AOD های بر مبنای سنجندهها با داد‌های زمینی ) 91/ 0 PM2.54 (R2 = دست یافتند. وانگ و همکاران (2010) شرايط برای شکل‌گيری طوفانهای گرد و غبار را در مناطق خشک و بيابانی بسيار مناسب دانستند. در اين مناطق به دليل کمبود رطوبت و پوشش گياهی، چسبندگی ذرات خاک به يکديگر کاهش يافته و بادهای نسبتاً قوی میتوانند ذرات با قطر کمتر از 1/6 ميلی‌متر را به صورت معلق در هوا درآورند، که سبب بروز طوفانهای گرد و غبار می‌شوند. فروغی و همکاران (2005) در تحقیق خود، همبستگی دادههای مربوط به ضخامت نوری ریزگردهای مودیس با مقادیر زمینی PM 2.5 را در ایالت تگزاس برای استفاده در سیستم پیش بینی کیفیت هوای زمان واقعی مورد بررسی قرار دادند. بررسیهای اولیه دو مجموعه داده گردآوری شده در طول سه ماه 2003 و کل سال 2004 نشاندهنده همبستگی خطی 95/0 تا 97/0در دادههای گردآوری شده از سراسر تگزاس بوده است. آنها در مطالعهی دیگری بیان داشتند که از دادههای مودیس می توان برای بازبینی آلودگی شدید هوا که در بخش‌های مرکزی ایالت متحده پیش از مهاجرت به تگزاس نشأت گرفته است و باعث هشدار سلامتی سازمان‌های وابسته شده است، استفاده کرد. نتایج آنها حاکی از پیش بینی کیفیت هوا از مشاهدات ماهوارهای از راه دور میباشد. لاتا و همکاران (2004) در تحقیق خود با اندازهگیری زمینی PM 2.5 موضوع خاص کیفیت هوا را در جایگاههای گوناگون مناطق شهری دنیا در 26 مکان سیدنی، دهلی، هنگ کنگ، نیویورک و سوئیس بررسی کردند. نتایج آنها نشان داد یک رابطه تجربی میان توده PM 2.5 وAOD وجود دارد که نشان میدهد یک همبستگی قوی میان مقادیر زمینی و تصاویر ماهوارهای با قدرت تفکیک متوسط روزانه با یک ضریب همبستگی خطی 96/0 وجود دارد. تصاویر ماهوارهای توانایی به کارگیری در مناطقی که اندازهگیری زمینی در دسترس نیست را درمطالعات متعددی نشان داده‌اند که بیانگر مزیت مناسب آنها در پایش سطح زمین در سطوح گسترده است. اگر جابجایی و انتقال آلودگی هوا از یک پهنه به پهنه دیگر وجود داشته باشد، آنگاه اندازهگیریهای روی زمین نمیتوانند طبیعت این رخدادها را به دست آورند که شناسایی سرچشمه آلودگی‌ها را دشوار خواهد کرد. مطالعات زیادی نشان میدهند که شرایط کیفیت هوا در سیدنی و سوئیس خوب است در حالی که در هنگ کنگ و دهلی بد و در نیویورک در طول دوره تحقیق متوسط بوده است. تاتم (2004) دادههای سنجنده مودیس را برای بررسی اپیدمیولوژی (همه گیرشناسی) و اثرات ریزگردها در موارد خاص بر سلامت عمومی بکار بردند. آنها از دادههای با قدرت تفکیک بیشتر در تحقیق خود جهت بررسی بهتر کرانههای مقادیر گوناگون آلایندهها استفاده کردند. انگل‌کاکس و همکاران (2004) از دادههای مودیس برای بررسی کیفیت هوای شهری استفاده کردند. آنها از نگارههای رنگ واقعی کیفی و دادههای کمی ژرفای نوری ریزگردهای حاصل از شبکههای بازبینی آژانس حفاظت ایالت متحده استفاده کردند و متوجه شدند که همبستگی این دو منبع اطلاعاتی وابسته به مکان است. در شرق و غرب میانه ایالت متحده، یک همبستگی خوب وجود داشته است، اما در غرب همبستگی ضعیف بوده است. امیدوار (1394) در مطالعه خود نشان داد طوفانهای گرد و غبار جزء بلاهای طبيعی هستند که در دهه اخير به علت بهره‌برداریهای غير اصولی در مناطق خشک و نيمه خشک در سطوح جهانی، منطقهای و محلی گسترش قابل توجهی داشته‌اند. موقتی (1392) با بررسی سنجش آلودگی هوای شهر تهران با استفاده از تصاویر سنجنده مودیس نشان داد وابستگی مثبت میان این تصاویر با اندازهگیری زمینی وجود دارد که توانایی تصاویر این سنجنده را برای پایش آلودگیهای از نوع ریزگردها را نشان میدهد. نتایج اکثر این مطالعات نشان میدهد تصاویر سنجنده مودیس در پایش مقادیر ریزگردها قابل اطمینان هستند. با این حال، با توجه به گسترش این نوع تصاویر سنجش از دوری که در حال گسترش هستند نیاز به پایش در سطوح مختلف و مقایسه با تصاویر قدیمی‌تر همچون مودیس وجود دارند. این امر سبب میشود تا در زمان در سترس نبودن تصاویر یک سنجنده بتواند تصاویر جایگزین را با علم به توانایی آنها در کمترین زمان ممکن برای پایش این آلایندهها تشخیص داد.
آلودگی هوا و تأثیر این آلایندهها بر روی سلامت تمامی موجودات زنده، تعیین میزان آلایندهها برای جلوگیری از آسیب به شهروندان و همچنین اکوسیستم‌های گیاهی و یا حیات وحش طبیعی که از مضرات آنها در امان نیستند، بسیار حائز اهمیت میباشد. از این رو، تحقیق حاضر با توجه به گسترش پدیده‌های ریزگرد طی سال‌های اخیر در سطح کشور ایران به ويژه استان‌های جنوب غرب همچون خوزستان که تعداد روزهای غبارآلود ناشی از ورود امواج گرد و غبار بین دو تا سه ماه درسال را نیز داشته‌اند، صورت گرفت. برای این تحقیق، تصاویر دو سنجنده مودیس و سنتینل-5 در استان خوزستان استفاده شد. هدف از انجام این تحقیق، تشخیص میزان همبستگی محصول آئروسل هر دو سنجنده برای سال 2021 در پایش ریزگردهای استان خوزستان است.
مواد و روش‌ها
منطقه مورد مطالعه
استان خوزستان در جنوب غرب ایران و در کرانه خلیج فارس قرار دارد. این استان در عرض جغرافیایی 57 درجه و 29 دقیقه تا 57 درجه و 33 دقیقه شمالی و طول جغرافیایی بین 40 درجه و 47 دقیقه تا 50 دقیقه و 33 درجه طول شرقی، با مساحت ۶۴۰۵۷ کیلومتر مربع، 9/3 درصد از مساحت ایران را شامل میشود (شکل 1). خوزستان از شمال‌شرق به لرستان، از شرق به استان چهارمحال و بختیاری، از شمال‌غرب به ایلام، از جنوبشرقی به کهگیلویه و بویراحمد، از جنوب به بوشهر و خلیج فارس و از غرب به کشور عراق محدود میشود. تنها در بخش‌هايي از شمال و شرق استان و در همسايگي استان‌هاي لرستان و چهارمحال و بختياري ارتفاعاتي به چشم مي‌خورد كه بلندترين آنها كوه مِنار با ارتفاع 3701 متر است كه در مرز شمالي خوزستان و چهارمحال و بختياري و در ارتفاعات زردكوه (از رشته كوه‌هاي زاگرس) قرار دارد.
شکل 1-موقعیت منطقه مورد مطالعه
دادههای تحقیق
در این تحقیق از دو سری تصاویر سنجش از دور شامل محصولات آلایندگیهای هوا از ماهواره سنتینل-5 و دادههای سنجنده مودیس استفاده شد. مودیس به عنوان یک ابزار کلیدی در پژوهش ماموریتهای سیستم نظارتی زمین ناسا، با موفقیت در پردازنده ماهواره ترا و آکوا راه اندازی شد. مودیس تمام سطح زمین را در 36 باند طیفی مورد پوشش قرار میدهد، با فاصله (0.415 میکرومتر) به مادون قرمز (14.235 میکرومتر) از این طیف به ترتیب با قدرت تفکیک مکانی 1 کیلومتر، 500 متر، 250 متر دریافت میکند و میتواند همان منطقه در روی زمین را چهار بار در روز مشاهده کند، همچنین دارای 36 باند طیفی بوده که اطلاعات کافی از ایجاد گرد و غبار را در اختیار کاربرا قرار میدهد، ماهواره سنتینل-5 در 13 اکتبر 2017 جهت نظارت بر محیط زیست اروپا و پایش آلایندههای هوا در سراسر زمین در مدار زمین قرار گرفت[20 و 14]. آلایندههایی که این ماهواره قادر به پایش آنها است، عبارتنداز منواکسیدکربن (CO)، دی اکسید کربن (CO2)، دی‌اکسید نیتروژن (NO2)، ازن (O3)، دی‌اکسید سولفور(SO2)، آئروسل‌های هوا، متان (CH4)، برمین منواکسید (BrO)، گلیوکسال (OCHCHO) و فرمالدهید (متانال، HCHO) [5،12، 11 و 20]. محدوده طیفی باندهای این ماهواره بین 270 تا 320 نانومتر شامل باند ماوراء بنفش، 310 تا 500 نانومتر باندهای محدوده مرئی، 675 تا 775 نانومتر محدوده باندی مادون قرمز نزدیک و محدوده 2305 تا 2385 نانومتر محدوده مادون قرمز طول موج کوتاه هستند [19 و 14]. مشخصات کامل تر باندهای سنجنده سنتینل-5 در جدول 1 ارائه شده است. قدرت تفکیک زمانی سنتینل-5 به صورت روزانه و با عرض برداشت حدود 2670 کیلومتر مربع است [12]. این ماهواره محصول مشترک بین سازمان‌های فضایی اروپا و کشور هلند است که توسط دفتر فضایی هلند هدایت میشود.
روش تحقیق
در این مطالعه از دادههای ماهواره سنتینل-5 و مودیس، و توزیع زمانی و مکانی مربوط به پدیده گرد و غبار بر روی گستره استان خوزستان مربوط به سال 2021 استفاده گردید. ابتدا با استفاده از تصاویر ماهوارهای سنتینل5 که مأموریت آن نظارت بر غلظت گازها و ذرات معلق در اتمسفری است و با هدف نظارت بر پروتکل با کیفیت هوا و نظارت بر پروتکل آب و هوا متمرکز شده است با استفاده از کدنویسی در محیط گوگل ارث انجین انجام شد. همچنین بوسیله ميانگين گيري AOD موديس نیز، گرد و غبار آشکارسازی و میانگین گرد و غبار و همچنین بیشترین مکان های آلوده شناسایی شد.
نمایی از روش انجام کار این پژوهش در شکل 2 نشان داده شده است. این تحقیق پس از تهیه دادههای آلایندههای سنجش از دور (مودیس و سنتینل-5) نقشههای پایش آلودگی هوا را از دادههای ماهوارهای تهیه و مورد تحلیل و بررسی قرار میدهد. در این راستا ابتدا تصاویر ماهوارهای پیش پردازش می‌شوند که این پیش پردازشها شامل تصحیح رادیومتریکی، تصحیح هندسی، تصحیح اتمسفری و شناسایی، حذف پیکسلهای ابری خواهد بود. جهت پایش ریزگردها در سطح کل استان از سنجنده سنتینل-5 و سنجنده مودیس در یک دوره زمانی 1 ساله (سال 2021) و به صورت ماهانه صورت گرفت. سپس همبستگی هر دو سنجنده در برآورد میزان گرد و غبار در منطقه مورد مطالعه به صورت زمانی و مکانی بررسی گردید. در ادامه مقدار آلایندگی ریزگردها در سطح شهرهای مختلف استان خوزستان با هر دو سنجنده سنتینل-5 و مودیس به‌عنوان اهداف تحقیق مقایسه گردید.
شکل 2-فلوچارت مراحل انجام تحقیق
نتايج و بحث
شکل 3 مقادیر میانگین AOD ماهواره سنتینل-5 و ماهواره مودیس را در روند سال 2021 در منطقه مورد مطالعه نشان میدهد، در این تصویر نتایج AOD ماهواره مودیس به صورت نمودار نارنجی و نتایج ماهواره سنتینل-5 به صورت نمودار قرمز نشان داده شدهاند، این نتایج نشان میدهد میانگین مقادیر AOD ماهواره مودیس (بین 0.15 تا 0.47 میکرون) در سال 2021 بوده است که بیشترین میانگین ماهانه آلودگی در ماههای آپریل، جولای و آگوست با میانگین ماهانه 0.42 و 0.47 میکرون ثبت شده و کمترین میزان آلودگی نیز در ماههای ژانویه، فوریه و دسامبر با میانگین ماهانه کمتر از 0.25 میکرون ثبت شده است اما ماهواره سنتینل-5 میانگین مقادیر ماهانه آن (بین 0.25 تا 0.45 میکرون) بوده که بیشترین میزان آن در ماههای مارس و آپریل و کمترین میزان آن در ماههای ژانویه و فوریه ثبت شده است، نتایج در هر دو سنجنده بیانگر بیشترین میزان گرد و غبار در ماههای آپریل، جولای و آگوست و کمترین میزان آن در ماههای ژانویه و فوریه در استان خوزستان میباشد.
شکل 3-روند متوسط میانگین ماهانه AOD در سطح استان خوزستان
نقشه مکانی و توزیع فضایی میانگین ماهانه AOD در 6 ماهه اول سال 2021 در شکل 4 نشان داده شده است، در این تصاویر کمترین میزان آلودگی به رنگ صورتی و بیشترین میزان آن به رنگ قهوهای نشان داده شده است، بیشترین پراکندگی مکانی و توزیع فضایی آلودگی در سطح استان خوزستان در ماه اول میلادی یعنی ژانویه میباشد، بیشترین میزان غلظت AOD در ماه ششم میلادی با 1.4 میکرون و سپس ماه اول میلادی با 0.8 میکرون بوده است اما کمترین میزان غلظت در ماه سوم میلادی (مارس) با 0.05 میکرون سپس ماه فوریه با 0.2 میکرون مشاهده شده است. نتایج نقشه مکانی و توزیع فضایی 6 ماه اول سال مورد مطالعه نشان میدهد که شمال، مرکز و شرق استان خوزستان دارای کمترین میزان توزیع فضایی AOD و جنوب و غرب استان خوزستان دارای بیشترین میزان توزیع فضایی AOD میباشند.
شکل 4-نقشه مکانی و توزیع فضایی میانگین ماهانهAOD سنجنده سنتینل-5 به ترتیب در شش ماه نخست سال 2021.
بیشترین میزان و کمترین میزان غلظت نقشه مکانی و توزیع فضایی AOD سنجنده سنتینل-5 در شهرستانهای مختلف استان خوزستان در طول 6 ماه نخست سال 2021 در جدول 1 نشان داده شده است.
AODجدول1 توزیع زمانی و مکانی | ||||||
ماه | Jan | Feb | Mar | Apr | May | Jun |
بیشترین میزان | سوسنگرد، هندیجان، شادگان، رامهرمز، باغملک، سوسنگرد، جنوب اهواز، امیدیه، بهبهان | هندیجان، سوسنگرد، آبادان، ماهشهر، اهواز | جنوب اهواز، خرمشهر، آبادان، هندیجان، غرب امیدیه، | هندیجان، بندرماهشهر، آبادان، خرمشهر، رامشیر، اهواز | هندیجان، بندرماهشهر، آبادان، خرمشهر، سوسنگرد، اهواز، رامهرمز | هندیجان، بندرماهشهر، آبادان، خرمشهر، سوسنگرد، جنوباهواز، غربامیدیه |
کمترین میزان | ایذه، شادگان، مسجدسلیمان، گتوند، شوشتر | شوش، شوشتر، مسجدسلیمان، ایذه، گتوند، | ایذه، مسجدسلیمان، شوش، شوشتر، دزفول، اندیمشک، گتوند، شمال اهواز، بهبهان | بهبهان، ایذه، اندیمشک، شوش، شوشتر، دزفول، گتوند، بهبهان، شادگان | ایذه، اندیمشک، مسجدسلیمان، دزفول، گتوند، بهبهان، | ایذه، اندیمشک، مسجدسلیمان، بهبهان، دزفول، شوش |
نقشه مکانی و توزیع فضایی میانگین ماهانه AOD شش ماه دوم سال 2021 در شکل 5 نشان داده شده است، در این تصاویر کمترین میزان آلودگی به رنگ صورتی و بیشترین میزان آن به رنگ قهوهای نشان داده شده. نتایج شکل 5 نشان میدهد که در 6 ماه دوم سال مورد مطالعه، کمترین میزان غلظت AOD ثبت شده در ماه دسامبر با 0.5 میکرون، سپس ماه نوامبر با 0.9 میکرون بوده، همچنین بیشترین میزان غلظت ثبت شده در ماه جولای با 2.1 میکرون، سپس ماه سپتامبر با 1.9 میکرون مشاهده شده است. نتایج 6 ماه دوم سال نشان دهنده این است که شرق استان دارای کمترین میزان توزیع فضایی ریزگردها و جنوب استان دارای بیشترین میزان پراکندگی مکانی ریزگردها میباشد.
شکل 5-نقشه مکانی و توزیع فضایی میانگین ماهانه AOD سنجنده سنتینل-5 به ترتیب در شش ماه دوم سال 2021
بیشترین میزان و کمترین میزان غلظت نقشه مکانی و توزیع فضایی AOD سنجنده سنتینل-5 در شهرستانهای مختلف استان خوزستان در طول 6 ماه دوم سال 2021 در جدول 2 نشان داده شده است.
AODجدول 2. توزیع زمانی و مکانی | ||||||
ماه | Jul | Aug | Sep | Oct | Nov | Des |
بیشترین میزان | هندیجان، سوسنگرد، بندر ماهشهر، جنوباهواز، غربامیدیه، آبادان | هندیجان، آبادان، ماهشهر، سوسنگرد، جنوباهواز ، غربامیدیه | جنوباهواز، آبادان، هندیجان، غربامیدیه | هندیجان، بندر-ماهشهر، آبادان، خرمشهر، باغملک، جنوباهواز، سوسنگرد، غربامیدیه | هندیجان، بندرماهشهر، آبادان، خرمشهر، جنوباهواز، سوسنگرد، غربامیدیه | هندیجان، بندرماهشهر، آبادان، خرمشهر، سوسنگرد، جنوباهواز، بهبهان، رامهرمز، باغملک، غربامیدیه، شمال بهبهان |
کمترین میزان | ایذه، گتوند، غرب دزفول | شوش، شوشتر، مسجدسلیمان، ایذه، باغملک، غرب دزفول و شمال اندیمشک، گتوند | غرباهواز، شوش، شوشتر، گتوند، شرق دزفول | بهبهان، اندیکا، شوش، شوشتر و دزفول، اهواز، شوش، شوشتر، گتوند، دشتآزادگان | بهبهان، ایذه، اندیکا، باغملک، مسجدسلیمان، لالی، غرب دزفول | ایذه، شوشتر، شمالدزفول |
بیشترین مقادیر AOD ثبت شده توسط سنجنده سنتینل-5 در طول ماههای مختلف سال 2021 در جدول 3 به میکرون نشان داده شده است، نتایج این تحقیق نشان میدهد که میزان AOD در طول ماههای گرم سال بیشتر بوده و در طول ماههای سرد سال این میزان کمتر میشود، بیشترین میزان AOD درماه سپتامبر با 1.9 میکرون و کمترین میزان آن در ماه مارس با 0.05 میکرون مشاهده شده است.
جدول 3. بیشترین مقادیر AOD ثبت شده توسط سنجنده سنتینل-5 در طول ماه¬های مختلف سال 2021 | ||||||||||||
ماه | Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Des |
بیشترین میزان (میکرون) | 0.8 | 0.2 | 0.05 | 0.5 | 0.4 | 1.4 | 2.1 | 1.8 | 1.9 | 1.6 | 0.9 | 0.5 |
با توجه به نقشه پراکندگی و توزیع فضایی و زمانی AOD در طول ماههای سال 2021 (شکل 4و 5)، نقشه میانگین سالانه مقادیر AOD (شکل 6) و نیز نتایج آماری AOD در منطقه مورد مطالعه میتوان نتیجه گرفت که چندین شهرستان دارای مقادیر AOD قابل توجه بالاتری نسبت به سایر شهرستانها هستند. بنابراین مقادیر بالای آلودگی در جنوب و جنوب غربی استان در طول سال قابل مشاهده میباشند که پراکندگی گرد و غبار بر آنها غالب است، دلیل این امر میتواند ناشی از بیابانهای خشک و بدون پوشش گیاهی عراق و عربستان باشد که باعث حرکت طوفانهای گرد و غبار از این مناطق با سمت مناطقی از استان خوزستان شده است، اما در نواحی شمالی و شمال شرقی استان خوزستان کمترین میزان گرد و غبار در طول سال مورد مطالعه مشاهده شده است.
شکل 6-میانگین و نقشه مکانی و توزیع فضایی AOD سال 2021 سنجنده سنتینل-5
جدول 4 بیشترین، کمترین و متوسط میانگین نقشه مکانی و توزیع فضایی AOD سنجنده سنتینل-5 در شهرستانهای مختلف استان خوزستان، در طول سال مورد مطالعه نشان میدهد.
جدول 4. بیشترین، کمترین و متوسط میانگین نقشه مکانی و توزیع فضایی AOD سنجنده سنتینل-5 در شهرستان¬های مختلف استان خوزستان | |||||||
زیاد | هندیجان سوسنگرد | ماهشهر | آبادان | جنوب شادگان | جنوب اهواز | غرب امیدیه | غرب خرمشهر |
متوسط | اندیمشک | بهبهان | گتوند | مرکز دزفول | باغملک | رامهرمز |
|
کم | ایذه | مسجدسلیمان | شمال دزفول | شمال اهواز | شرق شوش | غرب شوشتر |
|
شکل 7 نمودار همبستگی میان برآورد ریزگردها توسط تصاویر سنتینل-5 و مودیس را نشان میدهد. با توجه به این نتایج، همبستگی خطی مثبت بین اندازهگیری AOD هر دو سنجنده وجود دارد. این همبستگی دارای ضریب قطعیت (تعیین) 27/0= R2 و ضریب پیرسیون 58/0 (شکل 7) هستند که در سطح 95 درصد با P-Value کمتر از 05/0 معنی‌دار است.
شکل 7-همبستگی بین برآورد مقادیر ریزگردها در تصاویر سنجنده سنتینل-5 و مودیس
بر اساس نتایج این تحقیق، امکان نظارت بر انتشار گرد و غبار در یک دوره زمانی یک ساله نشان داده شده است. نظارت بر کیفیت هوا در مناطقی مانند شهرها از اولویتبندی بیشتری برخوردار است. بنابراین این پژوهش نشان داده شده که رصد زمین مبتنی بر تصاویر سنجش از دور میتواند برای نظارت بر کیفیت هوا به دلیل آلودگی هوا در مقیاس منطقهای و ملی مورد استفاده قرار گیرد. استفاده یکپارچه از مجموعه دادههای متعدد از ابزارهای ماهوارهای مانند سنتینل-5 امکان تجزیه و تحلیل سریهای زمانی مقادیر AOD را فراهم میکند. اگرچه تلاشهای قابل توجهی برای تنظیم، کنترل و جلوگیری از انتشار آلودگیهای گرد و غباردر سراسر ایران انجام شده است، اما نتایج این پژوهش نشان دهنده میزان بالای آلودگی هوا در سال 2021 در استان خوزستان است. همچنین همبستگی مناسب هر دو ماهوارهی سنتینل-5 و مودیس در پایش ریزگردها میتواند با کمترین زمان و هزینه ممکن صورت گیرد. مقایسه نتایج پژوهش حاضر با سایر مطالعات نشان داد که نتایج با یافته های قنادی و همکاران (1400) که بیان داشتند، مقادیر پایش با استفاده از تصاویر ماهواره سنتینل - 5 حداقل %78 با مقادیر پایش شده توسط ایستگاه های زمینی همبستگی دارد. بنابراین می توان از پتانسیل باالی تصویرهای ماهوره سنتینل - 5 در مطالعات کال ن مدیریتی با هدف کاهش آالینده های هوا استفاده نمود هم خوانی دارد، همچنین با نتایج قنبری (1400) مطابقت دارد.
نتيجه‌گيري
در این تحقیق از تصاویر ماهوارهای برای تولید نقشهها، نمودارها، در تخمین و ارزیابی میزان گرد و غبار در استان خوزستان برای ماههای ژانویه تا دسامبر 2021 استفاده شده است. بدین منظور، از تصاویر ماهوارهای سنتینل-5 و مودیس به‌منظور پایش میزان آلودگی هوا (AOD) استفاده شد. در این تحقیق افزون بر بررسی فراوانی پدیده گرد و غبار، شدت این پدیده در سطح شهرستانهای مختلف استان خوزستان مورد بررسی قرار گرفت. نتایج نشاندهنده توزیع زمانی و مکانی متفاوت آلودگی هوا در شهرستانهای خوزستان در چهار سطح زیر بود: مناطق با آلودگی هوای بسیار زیاد نسبت به دیگر شهرستانهای استان شامل شهرستانهای هندیجان، آبادان، غرب امیدیه، جنوب کلانشهر اهواز، خرمشهر و جنوب هویزه که در وضعیت نامناسبی از لحاظ آلودگی هوا قراردارند. بنابراین برنامهریزی برای کاهش میزان آلودگی هوا در این شهرستانها به‌منظور افزایش سلامت شهروندان باید در اولویت قرار گیرد. مناطق با آلودگی هوای متوسط شامل شهرستانهای باغملک، هفتکل و رامهرمز میباشند که از وضعیت نسبتاً مناسبی نسبت به شهرستانهای گروه اول از لحاظ آلودگی هوا برخوردار هستند و برنامهریزی برای این مناطق در جایگاه بعدی قرار دارد. مناطق با آلودگی هوای کم شامل شهرستانهای ایذه، مسجدسلیمان، غرب دزفول و شوش در این سطح هستند. این مناطق وضعیت مناسبی از لحاظ آلودگی هوا دارند. مناطق با آلودگی هوای خیلی کم شامل مناطقی از شمال دزفول و شرق اندیکا که وضعیت مناسبی از نظر آلودگی هوا نسبت به سایر مناطق دارند. نتایج تحقیق همچنین نشان میدهد که AOD به میزان قابل توجهی در بعضی از شهرستانها نسبت به دیگر شهرستانهای استان بالاتر است که این نشان میدهد حل معضل آلودگی هوا در استان خوزستان نیازمند توجه جدی دولت و مدیران استانی و همچنین اقداماتی در مقیاس محلات، مناطق و در مقیاس وسیعتر برای کنترل و کاهش آلودگی هوا است. محدودیتهای اولویتدار و تأکید بر عوامل فضایی، پوشش گیاهی مناسب در زمینهای بدون استفاده موجود، احیاء حوزههای آبی و نهرها باید در دستور کار قرار گیرد.
منابع
[1] اسماعیلی، ا. (1394). پهنه‌بندی مراکز تولید غبار کشور با استفاده از فناوری سنجش از دور. پروژه کارشناسی‌ارشد دانشگاه شریف.
[2] اردکانی، م. (1396). اکولوژی. انتشارات دانشگاه تهران، چاپ نهم.
[3] امیدوار، ک. (1394). بررسي و تحليل همديد شديدترين طوفان‌هاي سياه و گرد و غباري در فصول مختلف استان يزد.
[4] تجریشی، م.، مغربی، م. (1390). بررسی کارکرد سنجنده های ماهواره ای در تشخیص ذرات معلق شهرهای بزرگ. اولین همایش تخصصی مهندسی محیط زیست، تهران، دانشگاه تهران، 9-1.
[5] قنادی، م.، شهری، م.، مرادی، ا،. (1401). پایش آلودگی هوا با استفاده از تصاویر ماهواره سنتینل-5 (مطالعه موردی: شهرهای بزرگ صنعتی ایران). فصلنامه علوم محیطی, 20(2), 81-98.
[6] قنبری، ا.، عیسی‌زاده، و. (1400). مدل سازی تراکم غلظت آلاینده ازن و اکسید نیتروژن در جی آی اس و مقایسه این غلظت آلاینده ها با پروداکت سنتینل - ۵ درسامانه گوگل ارث انجین - منطقه مورد مطالعه: شهر تهران. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر»، 30(118): 61–47.
[7] مهرابی، س. (1391). معرفی مدلهای شبيه‌سازی و پيشبينی طوفان ريزگردها. اولين همايش ملی بيابان، مرکز تحقيقات بين‌المللی بيابان دانشگاه تهران.
[8] موقتی، س. (1392). بررسی ا مکان سنجش آلودگی هوای تهران با استفاده از تصاویر سنجنده مودیس، پروژه کارشناسی ارشد.
[9] عابدی، س.، صالح، ا.، عابدی، س.، تهامی‌پور، م. (1392). ارائه الگوی پیش‌بینی آلودگی هوا (مطالعه موردی: شهر تهران). اولین همایش ملی محیط زیست، صنعت و اقتصاد،تهران.
[1] . Chenbin Liu,, Francis T sow, Yi Zou, Nongjian Tao. 2016. “‘Particle Pollution Estimation Based on Image Analysis’, Https://Www.Ncbi.Nlm.Nih.Gov/Pmc/Articles/PMC.”
[2] Engel-Cox JA, Holloman HW, Coutant B, Raymond MH. Qualitative and quantitative evaluation of MODIS satellite sensor data for regional and urban scale air quality. Atmospheric Environment 2004; 38: 2495-2509.
[3] Ialongo, Iolanda, Henrik Virta, Henk Eskes, Jari Hovila, and John Douros. 2020. “Comparison of TROPOMI/Sentinel-5 Precursor NO 2 Observations with Ground-Based Measurements in Helsinki.” Atmospheric Measurement Techniques 13(1):205–18.
[4] Kaplan, Gordana, and Zehra Yigit Avdan. "Space-borne air pollution observation from sentinel-5p tropomi: Relationship between pollutants, geographical and demographic data." International Journal of Engineering and Geosciences 5.3 (2020): 130-137.
[5] Kaskaoutis, D. G., N. Sifakis, A. Retalis, and H. D. Kambezidis. 2010. “Aerosol Monitoring over Athens Using Satellite and Ground-Based Measurements.” Advances in Meteorology 2010.
[6] Kleipool, Quintus, Antje Ludewig, Ljubiša Babić, Rolf Bartstra, Remco Braak, Werner Dierssen, Pieter-Jan Dewitte, Pepijn Kenter, Robin Landzaat, and Jonatan Leloux. 2018. “Pre-Launch Calibration Results of the TROPOMI Payload on-Board the Sentinel-5 Precursor Satellite.” Atmospheric Measurement Techniques 11(12):6439–79.
[7] Krotkov, N. A., Carn, S. A., Krueger, A. J., Bhartia, P. K., and Yang, K.: Band Residual Difference Algorithm for Retrieval of SOP From the Aura Ozone Monitoring Instrument (OMI), IEEE T. Geosci. Remote, 44, 1259–1266.
[8] Tatem, et al. 2004. “Terra and Aqua: New Data for Epidemiology and Public Health.” International Journal of Applied Earth Observation and Geoinformation 6(1):33–46.
[9] Latha, K. Madhavi،et al. 2004. “Studies on Satellite and Ground-Based Measurements of Aerosols over Urban Environment.” Journal of Quantitative Spectroscopy and Radiative Transfer 84(2):207–13.
[10] Ludewig, Antje, Quintus Kleipool, Rolf Bartstra, Robin Landzaat, Jonatan Leloux, Erwin Loots, Peter Meijering, Emiel van der Plas, Nico Rozemeijer, and Frank Vonk. 2020. “In-Flight Calibration Results of the TROPOMI Payload on Board the Sentinel-5 Precursor Satellite.” Atmospheric Measurement Techniques 13(7):3561–80.
[11] Ludewig, Antje, Quintus Kleipool, Rolf Bartstra, Robin Landzaat, Jonatan Leloux, Erwin Loots, Peter Meijering, Emiel van der Plas, Nico Rozemeijer, and Frank Vonk. 2020. “In-Flight Calibration Results of the TROPOMI Payload on Board the Sentinel-5 Precursor Satellite.” Atmospheric Measurement Techniques 13(7):3561–80.
[12] S. Sima, M. Tajrishy, Using satellite data to extract volume–area–elevation relationships for Urmia Lake, Iran, Journal of Great Lakes Research 39 (2013) 90–99.
[13] Sun, J.H., Zhao, L.N., Zhao, S. X. 2003. “An Integrated Modeling System of Dust Storm Suitable to North China and Applications. Climate Environment Research. 8: 125– 142.”
[14] Xulu, Sifiso, Nkanyiso Mbatha, and Kabir Peerbhay. "Burned Area Mapping over the Southern Cape Forestry Region, South Africa Using Sentinel Data within GEE Cloud Platform." ISPRS International Journal of Geo-Information 10.8 (2021): 511.
[15] Xulu, Sifiso, Nkanyiso Mbatha, and Kabir Peerbhay. 2021. “Burned Area Mapping over the Southern Cape Forestry Region, South Africa Using Sentinel Data within GEE Cloud Platform.” ISPRS International Journal of Geo-Information 10(8):511.
[16] Wang, Z., Chen, L., Tao, J., Zhang, Y., Su, L., 2010. Satellite-based stimation of regional particulate matter (PM) in Beijing using vertical-and-RH correcting method. Remote Sensing of Environment. 114. 50–63.
Investigation the potential of MODIS and Sentinel 5 sensors in estimating the amount of air aerosols (A Case Study: Khuzestan Province)
Abstract
Air pollutants in Iran's metropolitan areas are among the serious challenges for managers, which also threatens the health of citizens. Monitoring air pollution is an important task in public health. Also, the unavailability of ground station data is often prevented due to the lack of network of ground monitoring stations to know the exact amount of air pollution in different parts of the country. Therefore, the use of remote sensing images in continuous monitoring of air pollutants due to their low cost and low manpower, will be appropriate and cost-effective. In this research, Sentinel 5 satellite images and MODIS sensors have been used for analytical study to detect the average trend of changes and spatial distribution of dust in Khuzestan province. The aim of this study was to use relatively high-resolution satellite data for local monitoring of air quality/air pollution and to investigate the relationship between Sentinel and MODIS image sensors. Findings indicate significant amounts of AOD in several parts of the study area such as Ahvaz, Abadan, Khorramshahr, BandarMahshahr and Bavi. Also, a small amount of fine dust is seen in the southeastern, eastern and northeastern cities of the province. According to the results of this research, as we move from the southeast, east and northeast and move towards the southern and western parts of the province, the amount of fine dust increases. According to the analysis, a high positive correlation was observed between the images of both Sentinel 5 and MODIS sensors in detecting the amount of dust, which shows that it can be used to detect this type of pollutant in Iran.
Keywords: air pollutants, particulate matter, satellite imagery, pollution detection stations
[1] World Meteorological Organization
[2] Total Ozone Mapping Spectrometer
[3] Aerosol Optical Depth
[4] particulate matte