Investigating the water quality index (WQI) using Landsat 8 satellite images and the application of univariate and multivariate models in Sefidroud River in northern Iran.
Yousef pourhabib 1 , ebrahim fataei 2 , Fatemeh Nasehi 3 , Behnam Khanizadeh 4 , Hossein Saadati 5
1 - Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran
2 - Department of Environment, Ardabil Branch, Islamic Azad University, Ardabil, Iran
3 - Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran
4 - Department of Chemistry, Sarab Branch, Islamic Azad University, Sarab, Iran
5 - Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran
Keywords: : water quality index (WQI), Landsat 8, Sefidroud, multiple linear regression,
Abstract :
In this research, the water quality of Sefidroud River during the years 2013-2018 using Landsat 8 satellite images as well as 10 qualitative chemical and physical parameters including Ca2+, Na+,Mg2+, (Cl-,SO4-2, HCO3-, TDS, EC, TH and pH were studied in three hydrometric stations. Drinking water quality index (WQI) was calculated and its relationship with satellite bands and band ratios (28 parameters) was analyzed using univariate and multivariate regression models. The results of the univariate regression model showed that the WQI index with band 5 and the ratio of band B4/B3 had a linear and power correlation at a significance level of 1% with coefficient of determination (R2) of 0.55 and 0.51, respectively. The implementation of the stepwise linear multivariate regression model of WQI with all the studied bands and ratios showed that the three band 5 variables and band ratios B4/B3 and B6/B5 were correlated with WQI, with an R2 of about 0.80 at a 5% significance level. After preparing the spatial changes map of WQI using multivariate linear regression model, the results indicated that the water quality in the head branches of Sefidroud, that is, the Qezaluzen and Shahroud rivers, was lower compared to the lower areas and Manjil Dam Lake, although the water quality of the Qezeluzen and Shahroud rivers was lower. Shahrood was weak, but after entering Manjil Dam, it became a good water class. However, the WQI of the water coming out of the dam had gradually increased by passing through the agricultural lands, residential and industrial areas along the river until it reached the Caspian Sea, and it had weakened water class. In general, the results of the research showed that the use of Landsat 8 satellite images and multivariable regression model has a high power for water quality monitoring.
مجله تحقیقات منابع طبیعی تجدیدشونده، سال چهاردهم، شماره2، پائیز و زمستان 1402(پیاپی چهل )، ص 86-69، نوع مقاله : علمی پژوهشی/69
بررسی شاخص کیفیت آب (WQI) با استفاده از تصاویر ماهوارهای لندست 8 و کاربرد مدلهای تکمتغیره و چندمتغیره در رودخانه سفیدرود، شمال ایران
یوسف پورحبیب1، ابراهیم فتائی2*، فاطمه ناصحی3، بهنام خانیزاده4 و حسین سعادتی3
1) دانشجوی دکتری، 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) استادیار گروه علوم و مهندسی محیط زیست، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
4) استادیار گروه شیمی، واحد سراب، دانشگاه آزاد اسلامی، سراب، ایران
تاریخ دریافت: 13/09/1402 تاریخ پذیرش: 23/12/1402
چکیده
رودخانه سفیدرود یکی از بزرگ‌ترین و مهمترین منابع آب سطحی در شمال ایران است. در این پژوهش کیفیت آب رودخانه سفیدرود طی سالهای
2013-2018 با استفاده از تصاویر ماهوارهای لندست 8 و همچنین 10 پارامتر کیفی شیمیایی و فیزیکی شامل کلسیم ، پتاسیم، منیزیم ، کلر، سولفات، بی‌کربنات، کل مواد محلول، هدایت الکتریکی، سختی کل و اسیدیته آب در سه ایستگاه هیدرمتری مورد مطالعه قرار گرفت. شاخص کیفیت آب (WQI) شرب محاسبه گردید و ارتباط آن با باندها و نسبت‌های باندی ماهوارهای (28 پارامتر) با استفاده از مدلهای رگرسیونی تکمتغیره و چندمتغیره مورد تحلیل قرار گرفت. نتایج مدل رگرسیونی تک متغیره نشان داد شاخص WQI با باند 5 و نسبت باند B4/B3 در سطح معنیداری 1 درصد بهترتیب با ضریب تبیین 55/0 و 51/0 دارای همبستگی خطی و توانی بود. اجرای مدل رگرسیون چندمتغیره خطی گام‌به‌گام WQI با تمامی باندها و نسبت‌های مورد مطالعه نشان داد سه متغیر باند 5 و نسبت‌های باندی B4/B3 و B6/B5 با WQI، با R2 حدود 80/0 در سطح معنیداری 5 درصد دارای همبستگی بودند. پس از تهیه نقشه تغییرات مکانی WQI با استفاده از مدل رگرسیون خطی چندمتغیره، نتایج حاکی از آن بود کیفیت آب در سرشاخه‌های سفیدرود یعنی رودخانه‌های‌های قزلاوزن و شاهرود نسبت به مناطق پاییندست و دریاچه سد منجیل کمتر بود. هرچند که کیفیت آب رودخانه‌های قزلاوزن و شاهرود ضعیف بود، ولی پس از ورد به سد سفیدرود به کلاس آب خوب تبدیل شد. اما WQI آب خروجی از سد با عبور از اراضی کشاورزی، مناطق مسکونی و صنعتی حاشیه رودخانه تا رسیدن به دریای خزر به تدریج افزایش یافت و دارای کلاس آب ضعیف شده بود. بهطور کلی نتایج تحقیق نشان داد استفاده از تصاویر ماهوارهای لندست 8 و مدل رگرسیونی چندمتغیره از توان بالایی برای پایش کیفیت آب برخوردار است.
واژههای کلیدی: پایش آلودگی آب، سنجش از دور، شاهرود، قزلاوزن.
مقدمه
رودخانه‌ها بهدلیل فراوانی و دسترسی آسان به منابع آبی آن در مقایسه با سایر منابع بیشتر مورد بهره‌برداری قرار می‌گیرند. این موضوع منجر به رشد سریع جمعیت انسانی و توسعه در نزدیکی رودخانه‌ها شده است (Gad et al., 2022; Fataei et al., 2013). بهطوریکه امروزه منابع اصلی آب آشامیدنی، مخازن آبی ذخیره شده در پشت سدها می‌باشند (Vakili & Amanollahi, 2020). در نتیجه، رودخانه‌ها بهویژه در کشورهای در حال توسعه، فشارهای محیط زیستی بالایی متحمل میشوند، بهطوریکه آلودگی ناشی از سیل، آفت‌کش‌های کشاورزی و پساب‌های حاصل از فرآیندهای تولید، فاضلاب و دیگر منابع زباله شهری بر مشکلات آن افزوده است (Kareem et al., 2021). در این بین کاهش کیفیت آب اثرات جبران‌ناپذیری بر انسان و محیط‌زیست می‌گذارد و پایش آن نقش اساسی در سلامت انسان و حفظ بوم‌سازگان دارد (Valiallah & Moradi, 2020; Hussain et al., 2021). کیفیت آب بسیاری از رودخانه‌ها در سراسر جهان در حال کاهش است (Kändler et al. 2017; Yadav et al., 2019; Cerqueira et al., 2020; Zhang et al., 2021; Sadegh Ali et al., 2021) و طی دهه‌های اخیر، منابع آب شیرین سطحی و کیفیت آن با دخالت انسانی و عوامل تنش‌زای محیطی به شدت در معرض خطر قرار گرفته‌اند و تهدیدی بالقوه نه تنها برای منابع آب (سطحی و زیرسطحی) بلکه برای کل سیستم بو‌م‌شناختی ایجاد کرده است (Mishra et al., 2021; Abbasi et al., 2021; Jalili, 2020). در سال‌هاي اخير،
بهدليل خشکسالي‌هاي پياپي و همچنين افزايش جمعيت و نياز روز افزون به آب، ايران در مرحله بحران قرار دارد و مهم‌ترين راه‌حل رفع اين بحران (تنش آبي در کشور)، مديريت مناسب منابع آب کشور است که اين مهم با داشتن داده‌هاي جامع و دقيق امکان‌پذير است (Talebi, 2023).
بهطور کلی پارامترهای کیفی آب1 شامل پارامترهای فیزیکی، شیمیایی و زیستی است (Shukla et al., 2018; Safizadeh et al., 2021). پارامترهای فیزیکی آب شامل pH، اکسیژن محلول2، کل جامدات معلق3، هدایت الکتریکی4، شوری یا کل جامدات محلول5، مواد مغذی مانند نیتروژن، فسفر و زیبایی‌شناسی6 (یعنی بو، رنگ و لکه‌ها) است و پارامترهای شیمیایی شامل کاتیون‌هایی مانند کلسیم7، پتاسیم8 و منیزیم9 و همچنین آنیون‌هایی مانند نیترات10 و سولفات11 می‌باشند. پارامترهای زیستی هم شامل پارامترهائی همچون جلبک‌ها و باکتری‌ها مانند اشریشیا کلی12 است (Adjovu et al., 2023). بهطور سنتی پارامترهای کیفیت آب13 از طریق نمونهبرداری درجا و کارهای آزمایشگاهی آنالیز و پایش میشوند، اما این روش‌های مرسوم در پایش کیفیت، نیاز به هزینه بالا و کار فشرده دارد و زمان بیشتری هم صرف آن می‌شود. به همین دلیل جهت تجزیه و تحلیل در مقیاس بزرگ مناسب نیستند، در نتیجه مجموعه نمونهها در مقیاس‌های مکانی و زمانی محدود میشوند (Adjovu et al., 2023). علاوه بر آن صحت و دقت داده‌های نمونهبرداری شده در محل بهدلیل خطاهایی که ممکن است در مرحله نمونهبرداری میدانی و تجزیه و تحلیل آزمایشگاهی ناشی شود، می‌تواند مشکوک باشد (McCarthy et al., 2017). به همین سبب استفاده از فنون سنجش از دور14 در بررسی کیفیت آب مرسوم شده است و در 50 سال گذشته سنجش از دور از قابلیت بسیار بالایی برای پایش و ارزیابی کیفیت آب را از خود نشان داده است (Topp et al., 2020).
اما فنون سنجش از دور نیز دارای محدودیت‌هایی بوده، بهطوریکه علاوه بر پیچیدگی15 پارامترهای کیفیت آّب، این پارامترها به سرعت در طول زمان متغیر بوده و تکنیک RS تنها زمانی می‌تواند برخی از آنها را تشخیص دهد که به بازتاب تابش بر سطح آب حساس باشند. از سوی دیگر گاهی وضوح مکانی و زمانی داده‌های RS برای تشخیص پارامترهای کیفیت آب در مکان و زمان کافی نیست، به همین سبب به مجموعهای از داده‌های اندازهگیری شده در محل نیاز است تا برای کالیبرهکردن مدل و اطمینان از دقت قابل استفاده مدل‌ها، بهکار گرفته شود (Quang et al., 2023). در بسیاری از مطالعات مربوط به بررسی کیفیت آب از شاخص‌های تکمتغیره و یا اندازهگیری غلظت پارامترهای کیفی استفاده شده است، درحالی‌که استفاده از یک شاخص کیفیت آب16 با ادغام پارامترهای کیفی متعدد، طیف وسیعی از پارامترهای کیفیت آب را باید در برگرفته و نمایان‌گر تصویری جامع از سطح کیفیت آب باشد (Tian et al. , 2019; Mackialeagha et al., 2022). در واقع شاخص‌های کیفیت آب17 از قابلیت بالاتری برای توضیح کیفیت آب برخوردار است (Semiromi et al., 2011; Vinod et al., 2013). این شاخص‌ها با تبدیل پارامترهای کیفی مختلف آب به یک عدد واحد، کیفیت آب را بهعنوان یک کل در نقاط مختلف در یک زمان معین مورد پایش قرار می‌دهند (Gad et al., 2022).
16 Water Quality Index (WQI) 17 Water Quality Indices (WQIs)
|
11 SO42- 12 Escherichia coli (E. coli) 13 WQPs 14 Remote Sensing (RS) 15 Complex
|
6 Aesthetics 7 Ca2+ 8 Na+ 9 Mg2+ 10 NO3-
|
1 Water Quality Parameters (WQPs) 2 Dissolved Oxygen (DO) 3 Total Suspended Solids (TSS) 4 Electrical Conductivity (EC) 5 Total Dissolved Solids (TDS)
|
Pizani و همکاران (2020) در جنوب غرب برزیل در دریاچه سد Tres Marias Reservoir با بررسی رگرسیون گام‌به‌گام3، پارامترهای کیفی آب و اطلاعات ماهوارهای لندست8 و سنتینل، مقادیر R2 بالای 6/0 را گزارش کردند. He و همکاران (2021) در رودخانه Yangtze در چین مقدار ضریب تبیین (R2) مدل رگرسیونی ترکیب‌های باندی لندست 8 با کلروفیل-4a، نیتروژن کل5 و فسفر کل6 را بهترتیب 95/0، 80/0 و 87/0 بهدست آوردند و به این نتیجه رسیدند که غلظت این پارامترهای کیفی در مناطق بالادست رودخانه نسبت به مناطق میانی و پاییندست کمتر است. Najafzadeh و Basirian (2023) با استفاده از مدل رگرسیون تطبیقی چندمتغیره7 در رودخانه Hudson در شرق ایالات متحده آمریکا، رابطه بین شاخص کیفیت آب با متغیرهای چندگانه طیفی را بهبود بخشیدند و به این نتیجه رسیدند مدل مذکور با استفاده از ترکیبی از تصاویر ماهوارهای و مدلهای هوش مصنوعی کارآیی و قدرت بالایی در تخمین WQI دارد. Quang و همکاران (2023) در سواحل جنوبی و شرقی ویتنام با کاربرد اطلاعات ماهواره سنتینل2 و مدل جنگل تصادفی8 مقدار همبستگی9 بین کلروفیل و بازتاب طیفی دریا10 را 7/0 بهدست آوردند.
9 R2 10 Sea Surface Reflectance (SSR) 11 Fusion of Satellite Images |
مواد و روش‌ها
منطقه مورد مطالعه
5 Total Nitrogen (NT) 6 Total Phosphorus (PT) 7 Multivariate Adaptive Regression Spline (MARS) 8 Random forest (RF)
|
1 Artificial Neural Network (AAN) 2 Genetic Algorithm (GA) 3 Stepwise 4 Chlorophyll-a (Chl-a)
|
شکل 1. موقعیت رود سفیدرود و ایستگاههای هیدرومتری مورد مطالعه
3 TH 4 pH
|
داده‌های مورد استفاده
1 Cl- 2 HCO3- |
بهترتیب با روش غیرنموداری رانﺗﺴﺖ و آزمون ﻧﺎﭘﺎراﻣﺘﺮي ﻣﻦوﻳﺘﻨﻲ مورد ﺑﺮرﺳﻲ ﻗﺮار ﮔﺮﻓت. در نهایت از 19 نمونه برداشت شده پارامترهای کیفی در ایستگاههای مورد مطالعه، برای تجزیه و تحلیل استفاده گردید. در پژوهش حاضر از اطلاعات باندهای طیفی تصاویر ماهوارهای لندست 8 سطح 1 استفاده شد. برای این منظور 19 تصویر از سال 2013 تا 2018 سنجنده OLI1 با گذر2 166 و ردیف3 34 از سایت نقشه‌برداری زمین‌شناسی آمریکا4 دریافت گردید. تصاویر استخراج شده همزمان با برداشت نمونه‌های پارامترهای کیفی (در یک روز) بوده و از از نظر ابرناکی و کیفیت مناسب بود.
شاخص کیفیت آب (WQI)
شاخص کیفیت آب در حدود سال 1970 از طرف بنیاد ملی بهداشت آمریکا توسعه یافت. این شاخص برای پایش کیفیت آب بهویژه در زمان‌های مختلف بهکار گرفته می‌شود (Hassanpur Kourandeh & Fataei, 2014). در پژوهش حاضر WQI استفاده شده توسط Pesce و Wunderlin(2000) بهکار گرفته شد. برای محاسبه مقادیر این شاخص در هر ایستگاه هیدرومتری، از 10 پارامتر کیفی شیمیایی و فیزیکی عنوان شده استفاده گردید. در گام اول هر پارامتر کیفی با توجه به مرور منابع و استاندارد سازمان بهداشت جهانی WHO5, 2011)) بر اساس اهمیت نسبی وزنی به آن اختصاص داده شد Şener et al. , 2017; Wu et al., 2018; Kareem et al., 2021)). سپس وزن نسبی با استفاده از رابطه (1) مورد محاسبه قرار گرفت (جدول 1).
رابطه (1) 
که در آن wi وزن هر پارامتر و n تعداد پارمترها است.
جدول 1. وزن نسبی پارامترهای شیمیایی و فیزیکی کیفیت آب
وزن محاسبه شده در شاخص (Wi) | وزن هر پارامتر (wi) | استاندارد WHO (2011) | پارامترها |
0667/0 | 2 | 75 | Ca |
0333/0 | 1 | 50 | Mg |
0667/0 | 2 | 200 | Na |
1000/0 | 3 | 250 | Cl |
1333/0 | 4 | 250 | SO4 |
1000/0 | 3 | 500 | Hco3 |
1333/0 | 4 | 5/8-5/6 | pH |
1667/0 | 5 | 500 | TDS |
1333/0 | 4 | 500 | EC |
0667/0 | 2 | 500 | TH |
Wi = 1∑ | wi = 30∑ |
|
|
در ادامه با تقسیم غلظت هر پارامتر در هر نمونه آب بر مقدار استاندارد آن پارامتر، مقیاس نرخ کیفیت (qi) محاسبه گردید (رابطه 2).
رابطه (2) 
که در آن Ci غلظت و Si استاندارد هر پارامتر شیمیایی نمونه آب برحسب میلیگرم در لیتر است.
سپس برای برآورد WQI، SI (زیرشاخصی از پارامتر nام) برای هر پارامتر شیمیایی با استفاده از رابطه (3) و (4) مورد محاسبه قرار گرفت.
رابطه (3) 
رابطه (4) 
12 Absorption 13 Diffusion 14 Scattering
|
9 Poor water 10 Very poor water 11 Unsuitable for drinking
|
5 World Health Organization 6 Purity degree 7 Excellent water 8 Good water
|
پیش‌پردازش تصاویر ماهوارهای
1 The Operational Land Imager 2 Path 3 Row 4 The United States Geological Survey (USGS)
|
میشوند. سیگنال دریافتی در ماهواره، تابش نوری1 از سطح زمین و اتمسفر است که بهصورت مستیم از طریق سنسور ثبت شده است. تابش اندازهگیری شده در سنسور به تابش 2TOA معروف است. هدف از تصحیحات اتمسفری تبدیل تابش TOA اشیا به بازتاب از سطح زمین است. بنابراین ابتدا برای تصحیح رادیومتریکی، مقادیر 3DN تصویر به تابش4 کالیبره شد (Cremon et al., 2020; Jally et al., 2021; Adjovu et al., 2023). سپس با استفاده از ماژول5 6FLAASH تصحیح اتمسفری گردید (Ansari & Akhoondzadeh, 2020). پارامترهای مورد نیاز برای تصحیح اتمسفری از اطلاعات فایل متنی MTL و همچنین ازDEM 30 متری سنجده 7ASTER 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، جزئیات هندسی تصویر پانکروماتیک با وضوح بالا ((8PAN و اطلاعات طیفی از یک تصویر چند طیفی (9MS) با قدرت تفکیک مکانی کم را برای تولید تصویر MS با قدرت تفکیک مکانی بالا استفاده می‌کند (Xu & Ehlers, 2017؛ Pushparaj & Hegde, 2017). در سالهای اخیر تلاش‌های زیادی برای ارایه الگوریتمهای مناسب برای ادغام اطلاعات طیفی و مکانی تصاویر ماهوارهای صورت گرفته است (Kavzoglu & Colkesen, 2009; Kavzoglu & Ehlers, 2009, Im & Tullis, 2008; Yia et al., 2012, Liao et al., 2014). 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 (Sarp, 2014; Pushparaj & Hegde, 2017).
11 Curve Estimation 12 Exponential 13 Linear 14 Logarithmic 15 Power 16 Step Wise |
جداسازی پهنه آب
بهمنظور جداسازی پهنه آب از شاخص MNDWI استفاده شد. شاخص تفاوت نرمال شده آب (NDWI10) (Gao, 1996) برای تشخیص محتوای 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 (5) محاسبه می‌شود.
رابطه (5)
معادله همبستگی بازتاب طیفی و WQI
پس از انتخاب پارامترهای کیفی مناسب، رابطه تغییرات پارامترهای کیفی با تغییرات بازتاب طیفی مورد تجزیه و تحلیل قرار گرفت. بهمنظور بررسی بازتاب طیفی رواناب رودخانه سفیدرود، قزلاوزن 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، بهدلیل احتمال وجود خطاهای ناشی از ویژگی‌های هندسی و رادیومتریکی تصاویر برای بررسی کیفیت آب مناسب‌تر باشد. پس از استخراج مقادیر بازتاب طیفی باندهای تصاویر، به بررسی رابطه همبستگی میان پارامترهای کیفی و بازتاب طیفی 7 باند و 21 نسبت باندی پرداخته شد. 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، برای بررسی رابطه بین پارامترهای کیفی و بازتاب طیفی تصاویر بهکار گرفته شد. بهمنظور انتخاب مناسب‌ترین معادله ساده همبستگی با کاربرد SPSS 21 از منحنی تخمین11 از بین چهار معادله رگرسیونی نمایی12، خطی13، لگاریتمی14 و توانی15 معادله‌ای که دارای مقادیر همبستگی بالاتر بودند، بهعنوان بهترین معادله انتخاب گردید. همچنین با کاربرد رگرسیون خطی چندگانه، رابطه خطی بین مجموعه متغیرهای مستقل طیفی (باند و نسبت باند) با متغیر وابسته WQI مورد بررسی قرار گرفت. برای این منظور از رگرسیون گام‌به‌گام16 استفاده شد.
6 Fast Line of sight Atmospheric Analysis of Spectral Hyper cubes 7 Advanced Spaceborne Thermal Emission and Reflection Radiometer 8 High-Resolution Panchromatic 9 Multispectral 10 Normalized Difference Water Index
|
1 Emergent Radiation 2 Top of Atmosphere 3 Digital Numbers 4 Radiance 5 Module
|
نقشه تغییرات مکانی WQI
پس از انتخاب مناسب‌ترین مدل رگرسیونی، با استفاده از اطلاعات تصویر ماهوارهای مربوط به سال 2016 نقشه تغییرات مکانی شاخص WQI 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 پارامترهای کیفی 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
در جدول (2) مقادیر پارامترهای کیفی فیزیکوشیمیایی اندازهگیری شده همزمان با تصاویر ماهوارهای نشان داده شده است. 9 نمونه از ایستگاه گیلوان بر روی رودخانه قزلاوزن، 7 نمونه از ایستگاه بین راه رودبار در نزدیک خروجی سد منجیل و 3 نمونه در ایستگاه آستانه در پاییندست رودخانه و پس از عبور رودخانه از اراضی کشاورزی، مسکونی و صنعتی در نزدیکی محل اتصال سفیدرود به دریای خزر برداشت شده است.
جدول 2. مقادیر پارامترهای شیمیایی و فیزیکی کیفیت آب اندازهگیری شده
Ca2+ | Mg2+ | Na+ | Cl- | SO4-2 | HCO3- | PH | TDS | EC | TH | تاریخ | ایستگاه |
27/5 | 53/4 | 70/8 | 7/11 | 81/4 | 61/2 | 60/7 | 1263 | 2005 | 490 | 13-Sep-13 | رودبار |
77/6 | 86/2 | 0/12 | 4/13 | 03/5 | 15/3 | 73/7 | 1359 | 2157 | 482 | 18-Nov-13 | گیلوان |
14/7 | 36/3 | 8/14 | 9/14 | 54/7 | 97/2 | 07/7 | 1619 | 2570 | 525 | 16-Jun-15 | گیلوان |
27/3 | 73/1 | 8/4 | 00/5 | 07/2 | 88/2 | 96/7 | 638 | 1013 | 250 | 3-Aug-15 | آستانه |
37/3 | 26/2 | 30/5 | 65/5 | 65/2 | 88/2 | 18/7 | 717 | 1138 | 282 | 4-Sep-15 | آستانه |
73/3 | 39/2 | 70/8 | 0/10 | 53/2 | 70/2 | 92/6 | 941 | 1493 | 306 | 14-Mar-16 | گیلوان |
80/7 | 68/4 | 8/18 | 3/18 | 77/9 | 15/3 | 08/7 | 1966 | 3120 | 624 | 18-Jun-16 | گیلوان |
82/3 | 77/2 | 48/7 | 80/7 | 28/4 | 43/2 | 05/7 | 929 | 1474 | 330 | 20-Jul-16 | رودبار |
04/4 | 12/3 | 30/5 | 00/6 | 11/3 | 60/3 | 36/7 | 789 | 1252 | 358 | 5-Aug-16 | آستانه |
78/4 | 86/1 | 22/7 | 60/7 | 40/4 | 11/2 | 55/7 | 893 | 1418 | 332 | 21-Aug-16 | رودبار |
0/10 | 83/5 | 3/19 | 9/19 | 1/14 | 89/1 | 60/7 | 2230 | 3540 | 793 | 21-Aug-16 | گیلوان |
68/4 | 69/3 | 21/8 | 70/9 | 27/4 | 85/2 | 22/8 | 1060 | 1683 | 419 | 18-Apr-17 | رودبار |
61/6 | 75/3 | 8/22 | 6/24 | 68/5 | 18/3 | 87/7 | 2128 | 3377 | 518 | 18-Apr-17 | گیلوان |
41/5 | 77/3 | 21/8 | 1/10 | 60/4 | 80/2 | 13/8 | 1112 | 1765 | 459 | 20-May-17 | رودبار |
25/7 | 91/3 | 0/13 | 0/15 | 39/7 | 38/2 | 14/8 | 1564 | 2482 | 558 | 20-May-17 | گیلوان |
86/4 | 60/2 | 78/9 | 5/10 | 34/4 | 56/2 | 07/8 | 1109 | 1760 | 373 | 21-Jun-17 | رودبار |
65/6 | 03/5 | 4/23 | 8/25 | 13/7 | 47/2 | 84/7 | 2226 | 3533 | 584 | 21-Jun-17 | گیلوان |
13/5 | 79/2 | 3/12 | 0/12 | 76/4 | 24/3 | 62/7 | 1273 | 2020 | 396 | 20-Mar-18 | گیلوان |
93/4 | 16/3 | 48/8 | 10/9 | 93/4 | 74/2 | 06/8 | 1084 | 1721 | 405 | 20-Mar-18 | رودبار |
در جدول (3)، مقادیر WQI و کلاس نوع آب هر کدام از نمونه‌های برداشت شده، ارایه شده است. بر این اساس کیفیت آب نمونهبرداری شده در تاریخ‌های مختلف، در دو کلاس آب ضعیف و خوب قرار گرفته بود. از 19 نمونه برداشت شده 13 نمونه آب ضعیف و 6 نمونه آب در کلاس خوب بود. هر سه ایستگاه نمونهبرداری در کلاس آب خوب و ضعیف قرار داشتند. میانگین 19 WQI در حدود 1190 بود که با این حساب در مجموع کیفیت آب مجموعه نمونه‌های برداشت‌شده در کلاس ضعیف قرار می‌گیرد.
جدول3. مقادیر WQI آب اندازهگیری شده و طبقات کیفیت آب
کیفیت آب | WQI | تاریخ | ایستگاه |
ضعیف | 86/115 | 13-Sep-13 | رودبار |
ضعیف | 43/123 | 18-Nov-13 | گیلوان |
ضعیف | 00/143 | 16-Jun-15 | گیلوان |
خوب | 03/65 | 3-Aug-15 | آستانه |
خوب | 31/70 | 4-Sep-15 | آستانه |
خوب | 48/87 | 14-Mar-16 | گیلوان |
خوب | 09/171 | 18-Jun-16 | گیلوان |
خوب | 08/87 | 20-Jul-16 | رودبار |
خوب | 23/77 | 5-Aug-16 | آستانه |
خوب | 23/85 | 21-Aug-16 | رودبار |
ضعیف | 74/194 | 21-Aug-16 | گیلوان |
ضعیف | 30/100 | 18-Apr-17 | رودبار |
ضعیف | 18/183 | 18-Apr-17 | گیلوان |
ضعیف | 72/104 | 20-May-17 | رودبار |
ضعیف | 91/140 | 20-May-17 | گیلوان |
ضعیف | 17/103 | 21-Jun-17 | رودبار |
ضعیف | 66/191 | 21-Jun-17 | گیلوان |
ضعیف | 37/115 | 20-Mar-18 | گیلوان |
ضعیف | 68/101 | 20-Mar-18 | رودبار |
ضعیف | 02/119 | میانگین | |
نتایج مدلهای رگرسیونی تک‌متغیر و چندمتغیر WQI و اطلاعات طیفی ماهوارهای
نتایج مربوط به بررسی بالاترین همبستگی 28 پارامتر طیفی (شامل 7 باند و 21 نسبت باندی) با 19 WQI از بین چهار مدل رگرسیونی خطی، توانی، نمایی و لگاریتمی نشان داد در بین اطلاعات طیفی، چهار پارامتر باند 4، 5 و نسبت‌های باندی B4/B3 و B5/B3، در سطح معنیداری 1 درصد دارای مقدار ضریب تبیین بالاتر از 4/0 است (جدول 4 و شکل 2). مقدار R2 رگرسیون خطی باند 4 و 5 با WQI بهترتیب 45/0 و 55/0 و نسبت باندی B4/B3 و B5/B3 با WQI بهترتیب با رابطه توانی و نمایی 51/0 و 44/0 است.
جدول4. رگرسیونی تک متغیر باندها و نسبت‌های باندی با WQI
سطح معنیداری | F | ضریب تبیین | R | معادله رگرسیونی | رابطه | اطلاعات طیفی | پارامتر |
01/0 | 06/14 | 45/0 | 67/0 | WQI = 850/99(B4) + 34/308 | خطی | باند 4 | WQI |
47/20 | 55/0 | 74/0 | WQI = 919/55(B5) + 47/096 | خطی | باند 5 | ||
58/17 | 51/0 | 71/0 | WQI = 19/78(B4/B3)1/392 | توانی | باند3 /باند 4 | ||
79/11 | 44/0 | 66/0 | WQI = 60/441e0/7726(B5/B3) | نمایی | باند3 /باند 4 |
|
|
|
|
شکل 2. مدل رگرسیون تک متغیر WQI با اطلاعات طیفی تصاویر ماهوارهای
خروجی مدل رگرسیون چندمتغیر خطی گام‌به‌گام دارای سه مدل رگرسیونی بود که در مدل اول، WQI با باند 5 در سطح معنیداری 1 درصد دارای 55/0 ضریب تبیین است (جدول 5). در مدل دوم با اضافه شدن دو متغیر باند 5 و نسبت باندی B4/B3، مقدار R2 نسبت به مدل اول، 17/0 افزایش یافته و در مجموع مقدار آن در سطح معنیداری 1 درصد به حدود 72/0 رسیده است. در مدل سوم با اضافه شدن سه متغیر باند 5 و نسبت‌های باندی B4/B3 و B6/B5 به مدل، مقدار R2 نسبت به مدل دوم با 08/0 افزایش مواجه شده و در نهایت مقدار آن در سطح معنیداری 5 درصد به حدود 80/0 رسیده است.
جدول5. رگرسیون خطی چندمتغیر گام‌به‌گام باندها و نسبت‌های باندی با WQI
سطح معنیداری | F | ضریب تغییرات | ضریب تبیین | R | معادله | متغیر مستقل (x) | متغیر وابسته (y) | مدل |
000/0 | 469/20 | 546/0 | 546/0 | 739/0 | WQI = 919/538(B5) + 47/097 | باند 5 | WQI | 1 |
007/0 | 323/20 | 171/0 | 748/0 | 847/0 | WQI = 676/134(B5) +92/877(B4/B3) - 26/419 | باند 5 باند4/ باند3 | 2 | |
022/0 | 352/20 | 085/0 | 803/0 | 896/0 | WQI = 496/253(B5) +145/826(B4/B3) +54/896(B6/B5) - 102/835 | باند5، باند4/ باند3 و باند6/ باند5 | 3 |
نقشه تغییرات مکانی WQI
بررسی مدلهای رگرسیونی WQI با اطلاعات طیفی نشان داد مدل سوم رگرسیون چندمتغیر خطی WQI با باند 5 و نسبت‌های باندی B4/B3 و B6/B5 دارای بالاترین R2 (80/0) است. بنابراین با کاربرد این مدل، نقشه تغییرات مکانی رستری WQI مربوط به سال 2016 در محیط برنامه ArcGIS تهیه شد (شکل 3). نتایج حاصله نشان داد WQI بین 3/54 و 284 تغییر می‌کند. بیشترین مقادیر آن در رودخانه‌های‌های قزلاوزن و شاهرود (سرشاخه‌های سفیدرود) و کمترین آن در دریاچه سد منجیل بهویژه دریاچه غربی سد (سمت رودخانه شاهرود) بود. مقدار WQI در رودخانه‌های قزلاوزن و شاهرود در نزدیکی محل اتصال آن به دریاچه سد منجیل بهترتیب در حدود 240 و 220 بود. با ورود آب رودخانه‌های مذکور به سد، WQI با کاهش مواجه شده و مقدار آن در برخی نقاط دریاچه سد تا حدود 54 نیز رسیده است. پس از خروج آب از سد، مقدار WQI افزایش یافته، بهطوریکه مقدار آن محل ایستگاه بین راه رودبار در نزدیکی سد در حدود 110 بوده است. با ادامه مسیر رودخانه و گذر از اراضی کشاورزی، مسکونی و صنعتی به تدریج بر میزان WQI افزوده شده و مقدار آن در محل ایستگاه آستانه به حدود 130 رسیده است.
شکل 3. تغییرات مکانی WQI در 20 جولای 2016 در ورودی و خروجی سد منجیل و محل ایستگاه آستانه
پس از طبقه‌بندی نقشه رستری WQI به طبقات نوع آب، نقشه طبقات WQI در شکل (4) ارایه گردید. بر اساس نتایج بهدست آمده در 20 جولای 2016، بهطور همزمان سه نوع آب خیلیضعیف، ضعیف و خوب در رودخانه سفیدرود، قزلاوزن و شاهرود جریان داشته است. آب ورودی روردخانه‌های قزلاوزن و شاهرود به دریاچه سد منجیل دارای کلاس
خیلیضعیف بود. پس از ورود آب این رودخانه‌ها به سد، در ابتدای دریاچه‌های غربی و شرقی سد، به ویژه دریاچه مربوط به شاهرود، کلاس آب از خیلیضعیف به ضعیف تبدیل می‌شود و پس از جریان به سمت خروجی سد، در غالب پهنه دریاچه پشت سد به کلاس خوب تبدیل می‌شود. اگرچه WQI آب خروجی از سد به تدریج با جاری شدن در پاییندست و گذر از اراضی کشاورزی، مسکونی و صنعتی در نزدیکی ایستگاه آستانه کمی افزایش یافته است، اما بهطور غالب تمامی آب خروجی از سد، هم نزدیک ایستگاه بین راه رودبار و هم نزدیک ایستگاه آستانه دارای کلاس WQI ضعیف بوده است.
شکل 3. تغییرات مکانی طبقات WQI در ورودی و خروجی سد منجیل و محل ایستگاه آستانه
1 National Sanitation Foundation Water Quality Index 2 Iranian Water Quality Index for Surface Water Resource-Conventional Parameters
|
بحث و نتیجه‌گیری
در پژوهش حاضر با استفاده از تصاویر ماهوارهای لندست 8، پس از پیش‌پردازش 19 تصویر و استفاده از تکنیک ادغام باند پانکروماتیک 15*15 متری با 7 باند طیفی 30*30 متری، 7 باند طیفی با دقت 15* 15 در رودخانه سفیدرود در شمال ایران تولید گردید. سپس با استفاده از 19 نمونه همزمان با تصاویر ماهوارهای سه ایستگاه هیدرمتری بر روی رودخانه سفیدرود و سرشاخه‌های آن با کاربرد 10 پارامتر کیفی شیمیایی و فیزیکی کلسیم، پتاسیم، منیزیم ، کلر، سولفات، بی‌کربنات، کل مواد محلول، هدایت الکتریکی، سختی کل و اسیدیته آب، شاخص کیفیت آب شرب محاسبه گردید. نتایج نشان داد کیفیت آب شرب رودخانه مورد مطالعه بر اساس WQI محاسبه شده از پارامترهای نمونهبرداری شده، اگرچه دارای دو کلاس خوب و ضعیف بود، اما عمدتا در کلاس ضعیف قرار گرفته است. این نتیجه با یافته‌های Ebraheim و همکاران (2020)، مطابقت دارد، بهطوریکه محققان مذکور نیز با بررسی کیفیت آب شرب رودخانه سفیدرود با دو شاخص شاخص کیفیت آب بنیاد ملی بهداشت (1NSFWQIm) و شاخص کیفیت آب ایران برای منابع آب سطحی - پارامترهای متعارف (2IRWQIsc) نشان دادند متوسط کیفیت آب شرب رودخانه مذکور بر اساس شاخص NSFWQIm (شاخص مرجع) بد و بر اساس شاخص IRWQIsc (شاخص محلی) نسبتا خوب است. این محققان به این نتیجه رسیدند که NSFWQIm اگرچه معیارهای سخت‌گیرانه برای سلامت عمومی مد نظر قرار میدهد، اما برای تفسیر بهتر شرایط کیفی منابع آب سطحی در ایران، استفاده از هر دو شاخص ضروری است. بر این اساس شاخص مورد استفاده در پژوهش حاضر با نتایج شاخص مرجع NSFWQIm بیشتر مطابقت دارد، چرا که در محاسبات آن از استاندارد WHO (2011) استفاده شده است. بنابراین بهطور کلی کیفیت آب رودخانه سفیدرود برای مصرف شرب نامناسب است. Mishra و همکاران (2021) نیز در رودخانه Asan در
شمالشرق هند پس از بررسی ماتریس همبستگی پیرسون و متوسط بازتاب طیفی باندهای لندست8، به این نتیجه رسیدند که کل آب رودخانه مذکور برای آشامیدن نامناسب، اما برای مصارف آبیاری مناسب است.
بررسی نتایج مدل رگرسیونی تک‌متغیر WQI با باندها طیفی و نسبت‌های باندی نشان داد WQI با چهار پارامتر باند 4، 5 و نسبت‌های باندی B4/B3 و B5/B3 در سطح معنیداری 1 درصد دارای مقدار ضریب تبیین بزرگتر از 4/0 بود که در این بین باند 5 و B4/B3 با WQI بهترتیب با R2، 55/0 و 51/0 همبستگی خطی و توانی داشت. این نتیجه با یافته‌های بسیاری از محققان دیگر مشابهت دارد، چنان که نتایج پژوهش Mushtaq و Nee Lala (2017) در شمالغرب کشمیر نیز حاکی از آن است که غالب پارامترهای کیفی آب با اطلاعت طیفی لندست8 دارای همبستگی بالای 5/0 است. Barrett و Frazier (2016) در جنوبمرکزی ایالات نیز به این نتیجه رسیدند که باند مادون قرمز کوتاه1 نسبت به سایر باندهای طیفی با کلروفیل و کدورت آب همبستگی پیرسون بالاتری دارد. Vakili و Amanollahi (2020) در شمالغرب ایران به وجود همبستگی بالای تک‌باند 3 و 4 با مقادیر نیتروژن کل و فسفر2 اشاره کردند. Markogianni و همکاران (2018) در غرب یونان نشان دادند بین اطلاعات طیفی لندست8 با غلظت آمونیوم، ضریب همبستگی بالای 7/0 وجود دارد. یافته‌های Obaid و همکاران (2021) در سدی در شمالشرقی آفریقا نیز نشان میدهد نسبت باند 4 به 3 با مقادیر کلروفیل-a بالای 8/0 دارای همبستگی است. Gad و همکاران (2022) در پژوهشی در محل اتصال روخانه نیل به دریای مدیترانه، مقدار ضریب همبستگی رگرسیون خطی نسبت‌های باندی Blue/Red، Green/Red، NIR/Red لندست8 با شاخص کیفیت آب شرب (DWQI) را بهترتیب 58، 70 و 53 درصد بهدست آوردند.
1 SWR 2 PN 3 Self-purification
|
کلروفیل-a، نیتروژن کل و فسفر کل را بهترتیب 95/0، 80/0 و 87/0بهدست آوردند. Quang و همکاران (2023) نیز در سواحل جنوبی و شرقی ویتنام با استفاده از مدل چندمتغیره اطلاعات ماهواره سنتینل2 مقدار R2 بین کلروفیل و بازتاب طیفی دریا (SSR) را 7/0 بهدست آوردند.
نتایج مربوط با تغییرات مکانی WQI با استفاده از مدل رگرسیون خطی چندمتغیره نشان داد کیفیت آب در سرشاخه‌های سفیدرود یعنی رودخانه‌های‌های قزلاوزن و شاهرود نسبت به مناطق پایین‌دست‌تر و دریاچه سد منجیل بدتر بود. با وجود آنکه کلاس آب رودخانه‌های قزلاوزن و شاهرود ضعیف بود، پس از ورود به سد به کلاس آب خوب تبدیل شد. این نتیجه با یافته‌های He و همکاران (2021) در رودخانه یانگتز در چین همخوانی دارد، بهطوریکه محققان مذکور نیز عنوان کردند غلظت کلروفیل-a، نیتروژن کل و فسفر کل در مناطق بالادست رودخانه نسبت به مناطق میانی و پایین‌دست‌تر کمتر است. از سوی دیگر با ورود آب به پشت سدمنجیل، کلاس کیفیت آب بهتر می‌شود. بهطور کلی ذخیره آب در پشت سدها و دریچه‌ها، منجر به تغییر جریان و ظرفیت خودپالایی3 رودخانه‌ها می شود (Gu et al., 2019) و در نتیجه با 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). مقدار WQI پس از خروج آب از سد منجیل اگرچه به سمت پایین دست با کمی افزایش مواجه شده است، اما نوع آب جاری شده از سد تا پاییندست، در یک کلاس ضعیف قرار گرفت. سفیدرود پس از سد منجیل تا دریای خزر از اراضی کشاورزی، مناطق مسکونی و صنعتی حاشیه رودخانه عبور می‌کند. بنابراین تحت تاثیر کاربرهای مذکور WQI به تدریج به سمت پاییندست با کمی افزایش مواج شده است. کاهش کیفیت آب رودخانه در نتیجه کشاورزی و اراضی مسکونی در بسیار از مطالعات مورد توجه قرار گرفته است، بهطوریکه Kändler و همکاران (2017) در رودخانه Nisa در آلمان و جمهوری چک و Mello و همکاران (2018) در رودخانه Sarapuí در جنوب برزیل به این نتیجه رسیدند که اراضی کشاورزی و مسکونی منجر به نامطلوب شدن کیفیت آب می‌شود. Xiong و همکاران (۲۰۲۲) در رودخانه Yangtze در چین و Gani و همکاران (۲۰۲۳) در رودخانه‌های Buriganga ، Dhaleshwari، Meghn و Padma در بنگلادش نیز به این نتیجه رسیدند که WQI تحت تاثیر کاربری اراضی قرار می‌گیرد.
بهطور کلی نتایج پژوهش حاضر نشان داد اطلاعات تصاویر ماهوارهای لندست8 از توان بسیار خوبی برای برآورد شاخص کیفیت آب (WQI) برخوردار است. استفاده از مدلهای رگرسیونی چندمتغیره از اطلاعات باندهای طیفی در مقایسه با مدلهای رگرسیونی تکمتغیره دارای همبستگی بیشتری با WQI است. علاوه بر آن با استفاده از مدلهای رگرسیونی و اطلاعات طیفی ماهوارهای، امکان تهیه نقشه تغییرات WQI در پهنه بزرگتر فراهم است. درحالی‌که در روش‌های اندازهگیری درجا کیفیت آب، امکان دستیابی به تغییرات کیفیت آب در طول بازه رودخانه یا پهنه آبی دشوار بوده و با چالش همراه است. بنابراین با کاربرد تصاویر ماهوارهای، تغییرات کیفیت آب و تفاوت آن در طول بازه‌ها و پهنه‌های آبی گسترده‌تر به راحتی فراهم است. این امر به محققان و تصمیم‌گیران در شناسایی منشا آلودگی و مناطق بحرانی کیفیت آب و عوامل موثر بر آن کمک می‌کند تا ضمن تسهیل در زمینه‌های تحقیقاتی و اجرایی، بررسی‌ها و عملیات مدیریتی از دقت بالایی نیز برخوردار باشند. علاوه بر آن استفاده از تصاویر ماهوارهای در بررسی های مربوط به کیفیت آب به سبب دسترسی آسان و رایگان به آرشیو بسیاری از اطلاعات ماهوارهای به ویژه سری لندست، صرفه‌جویی در زمان و هزینه‌ها را بسیار کاهش میدهد.
با توجه به اینکه تعداد نمونهبرداری از پارامترهای کیفی آب در ایستگاههای هیدرومتری شرکت‌های آب منطقه‌ای، به صورت محدود بوده و در هر سال بهصورت تصادفی در ماه‌های مختلف، بهطور متوسط در سال حدود 10 الی 15 نمونه برداشت می‌شود و از طرف دیگر تفکیک زمانی تصاویر ماهوارهای سری لندست تا سال 1400 به صورت 16 روزه بوده و علاوه بر آن امکان ابرناکی نیز بر تعداد تصاویر مناسب جهت مطالعه تاثیرگذار است، بنابراین تعداد نمونه‌برداری‌های زمینی متناظر با زمان تصاویر ماهوارهای لندست محدود است (در پژوهش حاضر 19 تصویر و نمونهبرداری زمینی متناظر با زمان تصاویر ماهوارهای صورت پذیرفت). از آنجایی که منابع اطلاعات ماهوارهای متعدد و متنوع می‌باشد و روز‌به‌روز پیشرفت و توسعه در این فناوری مشهود است، بنابراین به نظر می‌رسد استفاده از اطلاعات ماهوارههای دیگر از جمله
سنتینل-۲ با قدرت تفکیک مکانی بهتر (10 متر) به همراه
بهکارگیری فنون ادغام تصاویر با اطلاعات تصاویر ماهوارهای با تفکیک زمانی بهتر همچون تصاویر سنجده مودیس (تصاویر تقریبا روزانه) جهت افزایش تعداد نمونهبرداری زمینی متناظر با زمان تصاویر ماهوارهای و نیل به روابط و مدلهای آماری با دقت بهتر، مثمرثمر باشد.
سپاسگزاری
این تحقیق برگرفته از رساله دکتری آقای یوسف پورحبیب دانشجوی رشته علوم و مهندسی محیط زیست دانشگاه آزاد اسلامی واحد اردبیل می‌باشد. بنابراین نویسندگان از دانشگاه آزاد اسلامی واحد اردبیل برای همکاری در تسهیل اجرای این تحقیق قدردانی می‌نمایند.
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.
Aghajani, M., Mostafazadeh‐Fard, B. and Navabian, M. (2017) Assessing criteria affecting performance of the sefidroud irrigation and drainage network using topsis–entropy theory. Irrigation and Drainage, 66(4): pp.626-635.
Aires, U.R.V., da Silva, D.D., Fernandes Filho, E.I., Rodrigues, L.N., Uliana, E.M., Amorim, R.S.S., de Melo Ribeiro, C.B. and Campos, J.A. (2022) Modeling of surface sediment concentration in the Doce River basin using satellite remote sensing. Journal of Environmental Management, 323(1): 116207.
Ansari, M. and Akhoondzadeh, M. (2020) Mapping water salinity using Landsat-8 OLI satellite images (Case study: Karun basin located in Iran). Advances in Space Research, 65(5): 1490-1502.
Barrett, D.C. and Frazier A.E. (2016) Automated method for monitoring water quality using Landsat imagery. Water, 8(6): 257-269.
Cerqueira, T.C., Mendonça, R.L., Gomes, R.L., de Jesus, R.M. and da Silva, D.M.L. (2020) Effects of urbanization on water quality in a watershed in northeastern Brazil. Environmental Monitoring and Assessment, 192(1): 65-65.
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.
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.
Ebraheim, G., Zonoozi, M.H. and Saeedi, M. (2020) A comparative study on the performance of NSFWQI m and IRWQI sc in water quality assessment of Sefidroud River in northern Iran. Environmental Monitoring and Assessment, 192(11): 1-13.
Fataei, E., Seyyedsharifi, A., Seiiedsafaviyan, T. and Nasrollahzadeh, S. (2013) Water quality assessment based on WQI and CWQI Indexes in Balikhlou River, Iran. Journal of Basic Applied Sciences Research, 3(3): 263-269
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.
Gad, M., Saleh, A.H., Hussein, H., Farouk, M. and Elsayed, S. (2022) Appraisal of surface water quality of nile river using water quality indices, spectral signature and multivariate modeling. Water, 14(7): 1131-1131.
Gani, M.A., Sajib, A.M., Siddik, M.A. and Moniruzzaman, M. (2023) Assessing the impact of land use and land cover on river water quality using water quality index and remote sensing techniques. Environmental Monitoring and Assessment, 195(4): 449-449.
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): e11941.
Gu, Q., Hu, H., Ma, L., Sheng, L., Yang, S., Zhang, X. and Chen, L. (2019) Characterizing the spatial variations of the relationship between land use and surface water quality using self-organizing map approach. Ecological Indicators, 102(1): 633-643.
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.
Hassanpur Kourandeh, H. and Fataei E. (2014) Investigation and qualitative classification of heroriver water by Canadian Water Quality Index (CWQI). Advances in Environmental Biology, 8(5): 1442-1449.
He, Y., Jin, S. and Shang, W. (2021) Water quality variability and related factors along the Yangtze River using Landsat-8. Remote Sensing, 13(12): 2241.
Hussain, S., Aslam, M., Javed, M., Zahra, M., Ejaz, H., kubra, K. and Mushtaq, I. (2021) Impact of climatic changes and global warming on water availability. Anthropogenic Pollution, 5(2): 57-66. doi:10.22034/ap.2021.1926893.1100/
Im, J., Jensen, J.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, DOI: 10.1080/01431160601075582/
Jalili, S. (2020) Water quality assessment based on HFB I& BMWP Index in Karoon River, Khouzestan Provience, (Northwest of Persian Gulf). Anthropogenic Pollution, 4(1): 36-49. doi:10.22034/ap.2020.1877482.1047/
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.
Kändler, M., Blechinger, K., Seidler, C., Pavlů, V., Šanda, M., Dostál, T. and Štich, M. (2017) Impact of land use on water quality in the upper Nisa catchment in the Czech Republic and in Germany. Science of the Total Environment, 586(4): 1316-1325.
Kareem, S.L., Jaber, W.S., Al-Maliki, L.A., Al-husseiny, R.A., Al-Mamoori, S.K. and Alansari, N. (2021) Water quality assessment and phosphorus effect using water quality indices: Euphrates River-Iraq as a case study. Groundwater for Sustainable Development, 14(2): 100630.
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.
Klonus, S. and Ehlers, M. (2009) Performance of evaluation methods in image fusion. In Performance of evaluation methods in image fusion. 2009 12th International Conference on Information Fusion, pp. 1409-1416.
Liao, K., Xu S., Wu J., Zhu Q. and An L. (2014) Using support vector machines to predict cation exchange capacity of different soil horizons in Qingdao City, China. Journal of Plant Nutrition Soil Science, 177(5): 775-782.
Mackialeagha, M., Salarian, M.B. and Behbahaninia, A. (2022) The use of multivariate statistical methods for the classification of groundwater quality: A case study of aqueducts in the east of Tehran, Iran. Anthropogenic Pollution, 6(2): 1-9. doi:10.22034/ap.2022.1965587.1134/
Markogianni, V., Kalivas, D., Petropoulos, G.P. and Dimitriou, E. (2018) An Appraisal of the potential of Landsat 8 in estimating chlorophyll-a, ammonium concentrations and other water quality indicators. Remote Sens, 10(7): 1-22.
McCarthy, M.J., Colna, K.E., El-Mezayen, M.M., Laureano-Rosario, A.E., Méndez-Lázaro, P., Otis, D.B., Toro-Farmer, G., Vega-Rodriguez, M. and Muller-Karger, F.E. (2017) Satellite remote sensing for coastal management: A review of successful applications. Environmental Management, 60(2): 323-339.
Mello, K.D., Valente, R.A., Randhir, T.O., dos Santos, A.C.A. and Vettorazzi, C.A. (2018) Effects of land use and land cover on water quality of low-order streams in Southeastern Brazil: Watershed versus riparian zone. CATENA, 167(1): 130-138.
Mishra, A.P., Khali, H., Singh, S., Pande, C.B., Singh, R. and Chaurasia, S.K. (2021) An assessment of in-situ water quality parameters and its variation with Landsat 8 level 1 surface reflectance datasets. International Journal of Environmental Analytical Chemistry, 103(18): 1-23.
Mushtaq, F., and Nee Lala, M.G. (2017) Remote estimation of water quality parameters of Himalayan Lake (Kashmir) using Landsat 8 OLI imagery. Geocarto International, 32(3): 274-285.
Najafzadeh, M. and Basirian, S. (2023) Evaluation of river water quality index using remote sensing and artificial intelligence models. Remote Sensing, 15(9): 2359. Retrieved from https://doi.org/10.3390/rs15092359/
Obaid, A.A., Ali, K.A., Abiye, T.A. and Adam, E.M. (2021) Assessing the utility of using current generation high-resolution satellites (Sentinel 2 and Landsat 8) to monitor large water supply dam in South Africa. Remote Sensing Applications: Society and Environment, 22(1): 100521.
Pesce, S.F. and Wunderlin, D.A. (2000) Use of water quality indices to verify the impact of Córdoba City (Argentina) on Suquı́a River. Water Research, 34(11): -2926.
Pizani, F., Maillard, P., Ferreira, A. and Amorim, C. (2020) Estimation of water quality in a reservoir from Sentinel-2 MSI and Landsat-8 OLI sensors,3(2): 401-408.
Pushparaj, J. and Hegde, A.V. (2017) Evaluation of pan-sharpening methods for spatial and spectral quality. Applied Geomatics, 9(1): 1-12.
Quang, N.H., Dinh, N.T., Dien, N.T. and Son, L.T. (2023) Calibration of sentinel-2 surface reflectance for water quality modelling in Binh Dinh’s coastal zone of Vietnam. Sustainability, 15(1410): 2-20.
Rahmati, H., farshchi, P. and Pournoori, M. (2022) Zoning of the southern coastal region of the IRAN based on Pollution of water resources (Case study: Minoo Island). Anthropogenic Pollution, 6(1): 100-108. doi:10.22034/ap.2022.1951890.1128/
Sadegh Ali, M.R., Zare, A. and Pournouri, M. (2021) Investigating and identifying the effects of rural wastewater in Dena protected area and presenting an environmental management pattern. Anthropogenic Pollution, 5(1): 49-61. doi:10.22034/ap.2021.1914771.1084/
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/
Salar-Ashayeri, M., Khaledian, M., Kavoosi-Kalashami, M. and Rezaei, M. (2020) Simulation of water allocation in Sefidroud irrigation and drainage network for sustainability of rice production. Paddy and Water Environment, 18(3): 607-621.
Sarp, G. (2014) Spectral and spatial quality analysis of pan-sharpening algorithms: A case study in Istanbul. European Journal of Remote Sensing, 47(1): 19-28.
Semiromi, F.B., Hassani, A., Torabian, A., Karbassi, A. and Lotfi, F.H. (2011) Water quality index development using fuzzy logic: A case study of the Karoon River of Iran. African Journal of Biotechnology, 50(10): 10125–10133.
Şener, Ş., Şener, E. and Davraz, A. (2017) Evaluation of water quality using water quality index (WQI) method and GIS in Aksu River (SW-Turkey). Science of the Total Environment, 584(5):131-144.
Shukla, A.K., Ojha, C.S.P., Mijic, A., Buytaert, W., Pathak, S., Garg, R.D. and Shukla, S. (2018) Population growth, land use and land cover transformations, and water quality nexus in the Upper Ganga River basin, Hydrol. Hydrology and Earth System Sciences, 22(4): 4745–4770.
Talebi, M. (2023) Water crisis in iran and its security consequences. Journal of Hydraulic Structures, 8(4): 17-28.
Tian, Y., Jiang, Y., Liu, Q., Dong, M., Xu, D., Liu, Y. and Xu, X. (2019) Using a water quality index to assess the water quality of the upper and middle streams of the Luanhe River, northern China. Science of The Total Environment, 667(1): 142-151.
Topp, S.N., Pavelsky, T.M., Jensen, D., Simard, M. and Ross, M.R. (2020) Research trends in the use of remote sensing for inland water quality science: Moving towards multidisciplinary applications. Water, 12(1): 169-169.
Vakili, T. and Amanollahi, J. (2020) Determination of optically inactive water quality variables using Landsat 8 data: A case study in Geshlagh reservoir affected by agricultural land use. Journal of Cleaner Production, 247(2): 119134.
Valiallahi, J. and Moradi, S. (2020) Evaluating the effects of agricultural activities on nitrate contamination at the Kamfirooz District, Shiraz, Iran. Anthropogenic Pollution, 4(1): 24-35. doi:10.22034/ap.2020.1882082.1055/
Vinod, J., Satish, D. and Sapana, G. (2013) Assessment of water quality index of industrial area surface water samples. International Journal of Chem Tech Research, 2013(5): 278–283.
WHO. (2011) Guidelines for drinking-water quality, World Health Organization, Geneva 2011, p. 303-304.
Wu, Z., Wang, X., Chen, Y., Cai, Y. and Deng, J. (2018) Assessing River water quality using water quality index in Lake Taihu Basin, China. Science of the Total Environment, 612(5): 914-922.
Xiong, F., Chen, Y., Zhang, S., Xu, Y., Lu, Y., Qu, X., Gao, W., Wu, X., Xin, W., Gang, D.D. and Lin, L.S. (2022) Land use, hydrology, and climate influence water quality of China's largest river. Journal of Environmental Management, 318(3): 115581.
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.
Yadav, S., Babel, M.S., Shrestha, S. and Deb, P. (2019) Land use impact on the water quality of large tropical river: Mun River Basin, Thailand. Environmental Monitoring and Assessment, 191(10): 614-614.
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.
Yia, L., Binga, L., Qian-lia, P., Chenc, P. and Yuana, 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(3): 227-235.
Zhang, Z., Zhang, F., Du, J., Chen, D. and Zhang, W. (2021) Impacts of land use at multiple buffer scales on seasonal water quality in a reticular river network area. PloS one, 16(1): e0244606.
Investigating the water quality index (WQI) using Landsat 8 satellite images and the application of univariate and multivariate models in Sefidroud river in northern Iran
Yosef pourhabib1, Ebrahim Fataei2*, Fatemeh Nasehi3, Behnam Khanizadeh4 and Hossein Saadati3
1) Ph.D. Student, Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran.
2) Professor, Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil, Iran.
*Corresponding Author Email Address: eafataei@gmail.com
3) Assistant Professor, Department of Environmental Sciences and Engineering, Ardabil Branch, Islamic Azad University, Ardabil,
Iran.
4) Assistant Professor, Department of Chemistry, Sarab Branch, Islamic Azad University, Sarab, Iran.
Date of Submission: 2023/12/04 Date of Acceptance: 2024/03/13
Abstract
Sefidroud river is one of the largest and most important sources of surface water in northern Iran. In this research, the water quality of Sefidroud river during the years 2013-2018 using Landsat 8 satellite images as well as 10 qualitative chemical and physical parameters including calcium (Ca2+), potassium (Na+), magnesium (Mg2+), chlorine (Cl-), sulfate (SO4-2), bicarbonate (HCO3-), total dissolved substances (TDS), electrical conductivity (EC), total hardness (TH) and water acidity (pH) were studied in three hydrometric stations. Drinking water quality index (WQI) was calculated and its relationship with satellite bands and band ratios (28 parameters) was analyzed using univariate and multivariate regression models. The results of the univariate regression model showed that the WQI index with band 5 and the ratio of band B4/B3 had a linear and power correlation at a significance level of 1% with coefficient of determination (R2) of 0.55 and 0.51, respectively. The implementation of the stepwise linear multivariate regression model of WQI with all the studied bands and ratios showed that the three band 5 variables and band ratios B4/B3 and B6/B5 were correlated with WQI, with an R2 of about 0.80 at a 5% significance level. After preparing the spatial changes map of WQI using multivariate linear regression model, the results indicated that the water quality in the head branches of Sefidroud, that is, the Qezaluzen and Shahroud rivers, was lower compared to the lower areas and Manjil dam lake, although the water quality of the Qezeluzen and Shahroud rivers was lower. Shahrood was weak, but after entering Manjil dam, it became a good water class. However, the WQI of the water coming out of the dam had gradually increased by passing through the agricultural lands, residential and industrial areas along the river until it reached the Caspian Sea, and it had weakened water class. In general, the results of the research showed that the use of Landsat 8 satellite images and multivariable regression model has a high power for water quality monitoring.
Keywords: Qezaluzen, Remote sensing, Shahroud, Water pollution monitoring.