بررسی تغییرات سطحی آب دریاچه ارومیه با استفاده از ادغام داده های ماهواره لندست-8 و سنتینل-2
الموضوعات :امیر غایبی 1 , احمد احمدی 2 , بهناز بیگدلی 3
1 - مهندسی عمران،دانشکده مهندسی عمران،دانشگاه صنعتی شاهرود،شاهرود،ایران
2 - دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
3 - استادیار دانشکده مهندسی عمران دانشگاه صنعتی شاهرود
الکلمات المفتاحية: ادغام داده, دریاچه ارومیه, آب های سطحی, طبقه بندی نظارت شده, شناسایی تغییرات, سنجش‌ازدور,
ملخص المقالة :
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 29/89 درصد کاهش، پوشش گیاهی 16/08 درصد افزایش و خاک 17/50 درصد افزایش یافته است.
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.
