ارزیابی شاخص های سنجش‌ازدور در مطالعات کمی و کیفی آب های سطحی با تصاویر ماهواره ای لندست-8 (مطالعه موردی: جنوب استان خوزستان)

محورهای موضوعی : توسعه سیستم های مکانی

سید رضا میر علیزاده فر ¹ , شهروز منصوری ²

1 - مربی گروه منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه پیام نور
2 - دانش آموخته کارشناسی ارشد مرتع‌داری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

تاریخ دریافت : 1397/06/30 تاریخ پذیرش : 1398/04/05 تاریخ انتشار : 1398/05/01

کلید واژه: آب های سطحی, رودخانه کارون, لندست, رودخانه جراحی –زهره, خوزستان,

چکیده مقاله :

آب به‌عنوان اساسی ترین نیاز زندگی در حال حاضر و گستردگی موارد استفاده در مسائل شرب، کشاورزی، صنعت، اقتصادی- اجتماعی و امنیتی- سیاسی ما را به بر آن می دارد که با حداقل صرفه جویی در هزینه و زمان به شناسایی خصوصیات پهنه ها، رودخانه ها و سطوح آبی با روش های مختلف ازجمله استفاده از تصاویر ماهواره ای پرداخت. هدف از این تحقیق ارزیابی روش های تشخیص پهنه ها، سطوح آبی و رودخانه ها با شاخص های؛ تفاضل نرمال شده پوشش گیاهی، بارزسازی شده پوشش گیاهی، پوشش گیاهی با تنظیم انعکاس خاک، تفاضل نرمال شده آب، اصلاحی تفاضل نرمال شده آب، استخراج اتوماتیک آب در مناطق شهری، استخراج اتوماتیک آب در مناطق سایه دار و روش طبقه بندی نظارت‌نشده خوشه‌ بندی کلاستر و نظارت‌ شده بیشترین شباهت برای شناسای سطوح آبی و شاخص فاکتور بهینه در شناسایی کیفیت آب ازلحاظ شوری و شیرینی و همچنین تعیین نفوذ زبانه آب ورودی به پهنه های بزرگ‌تر در بخشی از حوزه ها ی رودخانه کارون، جراحی و زهره در جنوب استان خوزستان با تصاویر سنجنده مشاهده زمینی ماهواره لندست-8 است. نتایج تحقیق نشان داد که شاخص های اتوماتیک استخراج پهنه های آبی در مناطق سایه دار و شهری کارایی بیشتری نسبت به سایر شاخص های دیگر به دلیل در نظر گرفتن طول‌موج‌های مادون‌قرمز کوتاه در شناسایی آب‌دارند که با نتایج روش طبقه بندی نظارت‌شده بیشترین شباهت با ضریب کاپا 94% یکسان و عملکرد مشابهی داشتند. هم چنین نتایج شاخص فاکتور بهینه در کارایی تشخیص آب‌شور و شیرین و میزان نفوذ زبانه آب ورودی با نشان دادن بیشترین اطلاعات مفید و حذف اطلاعات تکراری باندهای تصویر سنجنده مشاهده زمینی ماهواره لندست-8 به مقدار 79.10% برای ترکیب رنگی 651 به دست آمد.

چکیده انگلیسی:

Water as one of the most basic needs of our present life and the extent of our use in drinking, agriculture, industry, economic, social, and political-security politics make us to identify with minimal cost savings and time characteristics of the watersheds, rivers and water levels by various methods, including the use of satellite imagery. The purpose of this research was to evaluate the methods of detecting zones, water levels and rivers with indicators; Normalized difference vegetation index, Enhanced vegetation index, Soli  adjusted  vegetation index, Normalized difference water index, Modified normalized difference water index, Automated water extraction index, Automated water extraction index and Unsupervised IsoClusterc and supervised Maximum likelihood classification methods to identification waters basin and the Optimum factor index for identifying the quality of water in terms of salinity, as well as determination infiltrate tabs water entering the larger zones in the part of the basins of the Karun river, Jarahi-Zohreh in the southern province of Khuzestan, with Landsat-8 satellite Land Earth Observations sensor. The results of the study showed that the automatic indicators of the extraction of water in shadow and urban areas are more effective than other indicators because of the consideration of short-range infrared wavelengths in water identification. With the results of the Supervised classification method, they were Maximum likelihood to the Kappa coefficient of the same 94% and the same performance. The results of the Optimum factor Index indicator for the detection of salinity water and the determination infiltrate tab water Show the most useful information and remove duplicate image banding data the Landsat-8 satellite Earth Observation Sensor was 79.10% for the color combination RGB of 651.

منابع و مأخذ:

حسینی­ حمید، م.، م. اکبری نسب و ط. صفرراد. 1395. محاسبه شاخص اندیس بهینه برای پایش آلودگی منابع آب با تصاویر ماهواره‌ای: مطالعه موردی حوزه دریای عمان. نشریه علمی - پژوهشی هیدروفیزیک، 2(1): 35-45.  

خسرویان، م.، ع. ر. انتظاری، ا. رحمانی و م. باعقیده. 1396. پایش تغییرات سطح آب دریاچه پریشان با استفاده از شاخص‌های سنجش‌ازدور. هیدروژئومورفولوژی، 4(13): 99-120.

رزمی، م.، ح. محمد­عسگری، ع. داد اللهی سهراب، س.م. ج. و س. ح. ناظم السادات، خزاعی. 1396. ارزیابی استفاده از شاخص بهینه و  MNDWI در بررسی تغییرات خط ساحلی شمال خلیج‌ فارس (منطقه موردمطالعه: دیر). سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(1): 52-65.

طاهریان، ا.، م. خواستار بروجنی و ح. صمدی. 1394. مقایسه شاخص‌های آب به‌منظور تفکیک خودکار رودخانه‌های کم‌عرض و کم‌عمق در تصاویر لندست. سنجش‌ازدور و GIS ایران، 7(4): 99-116.

علوی­ پناه، س. ک. 1392. کاربرد سنجش‌ازدور در علوم زمین (علوم خاک). چاپ چهارم. انتشارات دانشگاه تهران، 478 صفحه.

Abrams M, Hook S, Ramachandran B. 1999. ASTER User Handbook Version 2. Pasadena: JPL/EROS Data Center/NASA.

Bernstein LS, Jin X, Gregor B, Adler-Golden SM. 2012. Quick atmospheric correction code: algorithm description and recent upgrades. Optical Engineering, 51(11): 111719.

Bhargava D, Mariam D. 1992. Cumulative effects of salinity and sediment concentration on reflectance measurements. International Journal of Remote Sensing, 13(11): 2151-2159.

Campos JC, Sillero N, Brito JC. 2012. Normalized difference water indexes have dissimilar performances in detecting seasonal and permanent water in the Sahara–Sahel transition zone. Journal of Hydrology, 464: 438-446.

Chander G, Markham B. 2003. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges. IEEE Transactions on Geoscience and Remote Sensing, 41(11): 2674-2677.

Chander G, Markham BL, Barsi JA. 2007. Revised Landsat-5 thematic mapper radiometric calibration. IEEE Geoscience and Remote Sensing Letters, 4(3): 490-494.

Chander G, Markham BL, Helder DL. 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM⁺, and EO-1 ALI sensors. Remote Sensing of Environment, 113(5): 893-903.

Ding X, Li X. 2011. Monitoring of the water-area variations of Lake Dongting in China with ENVISAT ASAR images. International Journal of Applied Earth Observation and Geoinformation, 13(6): 894-901.

Feyisa GL, Meilby H, Fensholt R, Proud SR. 2014. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140: 23-35.

Henderson F. 1995. Environmental factors and the detection of open surface water areas with X-band radar imagery. International Journal of Remote Sensing, 16(13): 2423-2437.

Jioncheng L, Yongwei S, Zhanfeng S, Junlili D. 1999. High-precise water extraction based on spectral-spatial coupled remote sensing information Institute of Remote Sensing Application,USA, LA 90095-1524.

Khorram S. 1985. Remote sensing of water quality in the Mense river estuary, North Carolina. Photogrammetric Engineering and Remote Sensing, 51(3): 329-341.

Moradi M, Sahebi M, Shokri M. 2017. Modified optimization water index (MOWI) for Landsat-8 OLI/TIRS. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(4/W4): 185-190.

Nandi D, Chowdhury R, Mohapatra J, Mohanta K, Ray D. 2018. Automatic Delineation of Water Bodies Using Multiple Spectral Indices. Themed Section: Engineering and Technology 4(4): 498-512.

Ouma YO, Tateishi R. 2006. A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM⁺ data. International Journal of Remote Sensing, 27(15): 3153-3181.

Ozesmi SL, Bauer ME. 2002. Satellite remote sensing of wetlands. Wetlands Ecology and Management, 10(5): 381-402.

Smith LC. 1997. Satellite remote sensing of river inundation area, stage, and discharge: A review. Hydrological Processes, 11(10): 1427-1439.

Thome KJ, Biggar SF, Slater PN. 2001. Effects of assumed solar spectral irradiance on intercomparisons of earth-observing sensors. In: Sensors, Systems, and Next-Generation Satellites V. International Society for Optics and Photonics, pp 260-269.

Wang S, Baig MHA, Zhang L, Jiang H, Ji Y, Zhao H, Tian J. 2015. A simple enhanced water index (EWI) for percent surface water estimation using Landsat data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1): 90-97.

Yu X, Guo X, Wu Z. 2014. Land surface temperature retrieval from Landsat 8 TIRS-Comparison between radiative transfer equation-based method, split window algorithm and single channel method. Remote Sensing, 6(10): 9829-9852.