تخمین غلظت کلروفیل-آ با استفاده از داده‌های میدانی و پردازش تصاویر ماهواره‌‌‌ای سنتینل-2 و لندست-8 (مطالعه موردی: خور تیاب)

محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطی

مصطفی مهدوی فرد ¹ , خلیل ولیزاده کامران ² , احسان عطازاده ³

1 - دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، ایران
2 - دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه‌ریزی و علوم محیطی، دانشگاه تبریز، ایران
3 - استادیار گروه زیست شناسی گیاهی، دانشکده علوم طبیعی، دانشگاه تبریز، ایران

تاریخ دریافت : 1398/11/01 تاریخ پذیرش : 1398/12/17 تاریخ انتشار : 1399/01/01

کلید واژه: سنجش از دور, خور تیاب, کلروفیل-آ, سنتینل-2, لندست-8,

چکیده مقاله :

خورها یکی از مهمترین منابع طبیعی ساحلی محسوب می‌شوند. نظارت بر کلروفیل- آ (Chl-a) که رنگدانه فیتوپلانکتون‌ آب‌های اقیانوسی و ساحلی است می‌تواند با استفاده از فناوری نوین سنجش از دور اندازه‌گیری و ارزیابی شود. وجود طول موج‌های آبی، سبز و قرمز در ماهواره‌های مشاهدات اقیانوسی همواره راه را برای نظارت بر رنگ اقیانوس‌ها هموار نموده است. هدف از این پژوهش استفاده از الگوریتم‌های بیو اپتیکی OC2 و OC3 و از داده‌های ماهواره‌ای Sentinel-2 Multi-Spectral Instrument و Landsat-8 OLI در فروردین سال 1398 به منظور تخمین غلظت کلروفیل- آ در منطقه خور تیاب است. جهت ایجاد همبستگی و ارزیابی نتایج از داده‌های میدانی نمونه‌برداری‌ استفاده شد. نتایج تحقیق نشان داد که الگوریتم OC2 در ماهواره‌های لندست-8 و سنتینل-2 به ترتیب دارای بیشترین مقدار ضریب تعیین (R2) معادل با 0.91 و 0.64 بود و همچنین مقدار خطای ریشه میانگین مربعات (RMSe) به ترتیب در تصاویر ماهواره‌ای معادل با 0.13 و 0.33 بود. این نتایج بیانگر دقت بالای الگوریتم OC2 در تصاویر ماهواره‌ای مورد استفاده است و به‌عنوان مناسب‌ترین الگوریتم برای تهیه نقشه غلظت کلروفیل- آ منطقه مورد مطالعه انتخاب شد.

چکیده انگلیسی:

The estuaries are one of the most important coastal natural resources. Chlorophyll-a (Chl-a) monitoring, which is the pigment of oceanic and coastal phytoplankton, can be measured and evaluated using new remote sensing technology. The presence of blue, green and red wavelengths in oceanic observation satellites has always paved the way for monitoring the color of the oceans. The aim of this study is used OC2 and OC3 bio-optical algorithms and Sentinel-2 MSI and Landsat-8 OLI satellite data in April 2019 to estimate chlorophyll-a concentration in the estuary Tiap area. Ground sampling data were carried out to correlate and evaluate the results. The results showed that the OC2 algorithm in Landsat-8 and Sentinel-2 satellites had the highest R Squared coefficient (R2) 0.91 and 0.64, respectively, and the Root mean square error (RMSe) of the satellite images were 0.13 and 0.33, respectively. These results indicate the high accuracy of the OC2 algorithm in the satellite images used and were selected as the most suitable algorithm for mapping chlorophyll-a concentration in the study area.

متن کامل:



تخمین غلظت کلروفیل-آ با استفاده از داده‌های میدانی و پردازش تصاویر ماهواره‌‌‌ای سنتینل-2 و لندست-8 (مطالعه موردی: خور تیاب)

 

چکیده

خورها یکی از مهمترین منابع طبیعی ساحلی محسوب می‌شوند. نظارت بر کلروفیل- آ (Chl-a) که رنگدانه فیتوپلانکتون‌ آب‌های اقیانوسی و ساحلی است می‌تواند با استفاده از فناوری نوین سنجش از دور اندازه‌گیری و ارزیابی شود. وجود طول موج‌های آبی، سبز و قرمز در ماهواره‌های مشاهدات اقیانوسی همواره راه را برای نظارت بر رنگ اقیانوس‌ها هموار نموده است. در این پژوهش سعی کردیم از الگوریتم‌های بیو اپتیکی OC2 و OC3 و از داده‌های ماهواره‌ای Sentinel-2 MSI و Landsat-8 OLI در فروردین سال 1398 بمنظور تخمین غلظت کلروفیل- آ در منطقه خور تیاب استفاده کنیم. جهت ایجاد همبستگی و ارزیابی نتایج از داده‌های میدانی و نمونه‌برداری‌های صورت گرفته استفاده شد. هدف از این پژوهش انتخاب مناسب‌ترین مدل تخمین غلظت کلروفیل- آ برای ماهواره‌های مورد استفاده و شرایط منطقه مورد مطالعه است. نتایج پژوهش نشان داد که الگوریتم OC2 در ماهواره‌های لندست-8 و سنتینل-2 بترتیب دارای بیشترین مقدار ضریب تعیین (R2) 0.91 و 0.64 بود و همچنین مقدار خطای ریشه میانگین مربعات (RMSE) بترتیب در ماهواره‌ها 0.13 و 0.33 بود. این نتایج بیانگر دقت بالای الگوریتم OC2 در ماهواره‌های مورد استفاده است و به‌عنوان مناسب‌ترین الگوریتم برای تهیه نقشه غلظت کلروفیل- آ منطقه مورد مطالعه انتخاب شد.

واژه‌های کلیدی: کلروفیل-آ، داده‌ی میدانی، سنتینل-2، لندست-8، سنجش از دور

Estimation of Chlorophyll-A Concentration Using In-Situ Data and Sentinel-2 and Landsat-8 Satellite Images Processing (Case Study: Khour Tiab)

ABSTRACT

The estuaries are one of the most important coastal natural resources. Chlorophyll-a (Chl-a) monitoring, which is the pigment of oceanic and coastal phytoplankton, can be measured and evaluated using new remote sensing technology. The presence of blue, green and red wavelengths in oceanic observation satellites has always paved the way for monitoring the color of the oceans. In this study, we tried to use OC2 and OC3 bio-optical algorithms and Sentinel-2 MSI and Landsat-8 OLI satellite data in April 2019 to estimate chlorophyll-a concentration in the Khour Tiab area. In-Situ data and sampling were used to correlate and evaluate the results. The purpose of this study was to select the most suitable model for estimating chlorophyll-A concentration for the satellites used and the conditions of the study area. The results showed that the OC2 algorithm in Landsat-8 and Sentinel-2 satellites had the highest R Squared coefficient of determination (R2) of 0.91 and 0.64, respectively, and the Root Mean Square Error (RMSE) of the satellites were 0.13 and 0.33, respectively. These results indicate the high accuracy of OC2 algorithm in the satellites used and were selected as the most suitable algorithm for mapping chlorophyll-A concentration in the study area.

KeyWords: Chlorophyll-a, In-Situ Data, Sentinel-2, Landsat-8, Remote Sensing

مقدمه

در جهانی که مناطق ساحلی تقریباً یک سوم جمعیت جهان را در خود جای داده است، نظارت برای کشف اینکه آیا تغییرات مهمی در این محیط‌های طبیعی اتفاق می‌افتد امری ضروری است. آب‌های ساحلی زیستگاه مهم بسیاری از گونه‌های دریایی به‌شمار می‌آیند و پایه و اساس بسیاری از نگرانی‌های اقتصادی مهم برای جامعه و اقتصادهای محلی از جمله شیلات، تفریحی ساحلی و فعالیت های گردشگری است (12). خورها محیط‌های پویایی هستند که عموماً به عنوان پهنه آب‌های ساحلی نیمه محصور تعریف می‌شوند (21). از آن‌جا که آب دریا به آب خور وارد می‌شود، خورها تحت تاثیر آلایندهای دریایی همانند لکه‌های نفتی بجا مانده از نفتکش‌ها می‌شود بدین منظور نقشه‌برداری و درک صحیح از رنگ آب‌های ساحلی و آزاد می‌تواند در نظارت بر کیفیت آب و شناسایی آلودگی‌های طبیعی و انسانی آب (لکه‌های نفتی و شکوفه جلبک‌ها) که برای مزارع ماهی، سایر صنایع آبزی پروری و حتی برای انسان‌ها و پرندگان خطرناک است و همچنین به مدیریت ذخایر ماهی و سایر آبزی‌های دریایی کمک کند (10). بعنوان مثال درطول سال مقادیر قابل توجهی مواد آلی و عناصر معدنی از نواحی مجاور وارد خور شده و باعث تقویت تولید اولیه در آن‌ها می‌شود (6). فیتوپلانکتون‌های دریایی اساس اکوسیستم‌های اقیانوس هستند، به طوریکه حدود نیمی از فعالیت فتوسنتز در سطح کره زمین و تولید بیش از 90 درصد ماده آلی محلول در آب به فعالیت این موجودات وابسته است (13). در سطح جهان فیتوپلانکتون‌ها حداقل دو نقشه اساسی را ایفا می‌کنند، اولی فیتوپلانکتون‌ها پایه و اساس شبکه غذایی دریایی محسوب می‌شوند و دوم اینکه فیتوپلانکتون‌ها در چرخه جهانی کربن نقش دارند (14). کلروفیل- آ به عنوان شاخص فراوانی فیتوپلانکتون و زیست توده آب در نظر گرفته می شود (25). یکی از دلایل مهم سنجش میزان کلروفیل- آ تخمین شدت تولید اولیه خورها و دریاهای باز است. در سطح جهان غلظت کلروفیل- آ نقش مهمی را به عنوان شاخص کیفی پهنه‌های آبی ایفا می‌کند و از آن‌ها به عنوان نماینده‌ای برای شناسایی شکوفه‌های مضر جلبک (11) و همچین به عنوان نماینده‌ای از فیتوپلانکتون برای بررسی شرایط کیفی آب و وضعیت زیست شیمیایی استفاده می‌شود (22). غلظت کلروفیل- آ اندازه‌گیری مؤثر از وضعیت آب دریا و دریاچه‌ها است، زیرا به شدت با فراوانی فیتوپلانکتون آبزی و زیست توده مرتبط است. اندازه‌گیری‌های متداول پارامترهای کیفی آب همچون تخمین میزان کلروفیل- آ و مواد محلول در آب نیازمند نمونه‌برداری‌های میدانی، تجزیه و تحلیل و اندازه‌گیری‌های آزمایشگاهی است. این تکنیک‌ها بسیار هزینه‌بر و زمان‌بر هستند (2). بدین منظور محققان از روش‌های سنجش از دور برای اندازه‌گیری کلروفیل- آ استفاده می‌کنند. تکنیک‌های سنجش از دوری که یک مشاهده کلی همدید از مناطق بزرگ را در زمان واقعی ارائه می‌دهند، معمولا از کلروفیل- آ برای نظارت بر فراوانی فیتوپلانکتون در آب‌های داخلی و آب‌های ساحلی استفاده می‌کنند (15). الگوریتم‌هایی که بیشتر به تشخیص ویژگی‌های طیفی خاص با استفاده از محدوده آبی، سبز، زرد، قرمز یا مادون قرمز نزدیک تکیه می کنند، به خوبی برای تمیز شکوفه های جلبک از دیگر پدیده‌های طبیعی اتفاق می‌افتند (27). بررسی کیفیت آب‌های ساحلی مانند خورها از نظر زیست محیطی و کاربردی، اهمیت ویژه‌ای دارد. امروزه کیفیت آب یکی از مسائل مورد علاقه سازمان‌های زیست محیطی، صنایع شیمیایی، شیلات و سایر سازمان‌های مرتبط است. این توجه همه جانبه به دلیل ارتباط تنگاتنگ کیفیت آب با سلامت محیط و کیفیت زندگی همراه است. آب‌های ساحلی کاربردهای زیادی دارند که بیشتر آن‌ها وابسته به وجود داده‌های میدانی از منطقه است (4). برخلاف اهمیت بسیار زیاد اکوسیستم‌های آبی منطقه خلیج فارس تاکنون مطالعاتی کمی در خصوص تخمین میزان کلروفیل- آ در این مناطق صورت گرفته است. این پژوهش جزء اولین مطالعه‌ در کشور محسوب خواهد شد که با استفاده از تصاویر ماهواره‌ی سنتنیل-2، لندست-8 و داده‌ها‌ی میدانی به تخمین میزان کلروفیل- آ خواهد پرداخت. مرادی (7) غلظت کلروفیل- آ در خلیج فارس را با تصاویر لندست-8 و مودیس مورد ارزیابی قرار داد و به این نتیجه دست یافت که میزان کلروفیل – آ در این منطقه 0.30-0 میلی گرم بر متر مکعب است. موسوی ده موردی و بنایی (9) میزان کلروفیل – آ در منطقه بندر دیلم را با استفاده از داده‌های میدانی و تصاویر لندست-8 مورد بررسی قرار دادند، نتایج این پژوهش نشان داد که غلظت کلروفیل – آ در ماه آبان در منطقه مورد مطالعه به میزان 4.9-1 میلی گرم بر متر مکعب است. تامینگ و همکاران (24) برای نخستین بار از تصاویر ماهواره‌ی سنتینل-2 برای نقشه‌برداری پارامترهای کیفی آب استفاده کردند، نتایج این تحقیق نشان داد که داده‌های میدانی با تصاویر سنتینل- 2 همبستگی خوبی دارد. تپانساین و همکاران (23) با استفاده از داده‌های تصحیح اتمسفری شده لندست-8 متغیرهای زمانی و مکانی فیتوپلانکتون در دریاچه سیوان را ارزیابی کردند، نتایج این پژوهش نشان داد که ماه اوت و می دارای بیشترین مقدار فیتوپلانکتون در حد 5-1 گرم بر متر مربع است. واتانابه و همکاران (26) عملکرد الگوریتم‌های باندی در برآورد غلظت کلروفیل – آ با استفاده از داده‌های لندست- 8 و سنتینل- 2 را بررسی کردند و به این نتیجه رسیدند که به جز الگوریتم سه باندی، الگوریتم‌های طیفی کمی تحت تاثیر تغییر سنجنده قرار دارند. پوودار و همکاران (20) عملکرد الگوریتم OC2 و OC3 در خلیج بنگال را با استفاده از داده‌های مودیس، لندست-8 و سنتیل-2 بررسی کردند، نتایج نشان داد که در فصل قبل از موسمی و پس از موسمی غلظت کلروفیل بازیابی شده از سنتینل-2 بیش از لندست-8 بوده است. با توجه به پیشینه یاد شده تاکنون در آب‌های ساحلی ایران از داده‌های لندست-8 و سنتینل-2 برای تخمین کلروفیل-آ استفاده نشده است. در این پژوهش از داده‌های با توان تفکیک مکانی بالا و نسبت سیگنال به نویز بهبود یافته‌ی لندست-8 و سنتینل-2 برای تخمین غلظت کلروفیل- آ در مناطق ساحلی استفاده شد و نتایج با داده‌های میدانی اندازه‌گیری شده مقایسه شد.

 

منطقه مورد مطالعه

خور تیاب یکی از خورهای حوزهء سیریک و کلاهی است که در دهستان تیاب 30 کیلومتری شهرستان میناب و در حدفاصل عرض‌های 27 درجه و 8 دقیقه تا 27 درجه و 2 دقیقه شمالی و طول‌های 56 درجه و 44 دقیقه تا 56 درجه و 57 دقیقه شرقی واقع شده است. (شکل 1). این خور از نظر وجود درختان مانگرو از نوع حرا و فعالیت‌های صیادی اهمیت دارد. وسعت خور تیاب در حدود 300 هکتار است. شاخه‌ی اصلی این خور از شمال شرقی در کنار دهستان تیاب شروع می‌شود که انشعاب‌های آن در زمین‌های اطراف کشیده شده است (3). خور تیاب در طول مسیر خود به سمت دریا به دو شاخه اصلی منشعب شده است که یکی از آن به سمت شمال رفته و پس از چندین پیچ و تاب مستقیما به دریا وارد می‌شود.

شکل 1. موقعیت جغرافیایی منطقه مورد مطالعه

داده‌های مورد استفاده

تصاویر ماهواره‌ای

در این پژوهش برای تخمین غلظت کلروفیل- آ از تصاویر ماهواره‌های چندطیفی لندست-8 و سنتینل-2 استفاده شد. تصاویر چندطیفی لندست- 8 (Landsat-8) دارای توان تفکیک مکانی 30 متر و توان تفکیک زمانی 16 روزه هستند که از سال 2013 میلادی در دسترس کاربران قرار گرفته است. با شروع ماموریت ماهواره‌ی سنتینل-2 (Sentinel-2) سازمان فضایی اروپا در سال 2015 میلادی و باتوجه به توان تفکیک مناسب آن، استفاده از آن در نقشه‌برداری پوشش زمین همانند نظارت و پایش بر پوشش زمین شامل پوشش گیاهی، آب، خاک و همچنین راه‌های آبی و مناطق ساحلی مرسوم شده است (1). ماهواره‌ی سنتینل-2 دارای دو ماهواره دو قلو با نام‌های سنتینل 2A و 2B است. تصاویر چندطیفی سنتینل-2 دارای توان تفکیک مکانی 20،10 و 60 متر و با وجود دوقلو بودن دارای توان تفکیک زمانی 5 روزه است. در راستای انجام این پژوهش، بترتیب داده‌های Level 1C سنتینل-2A که از نوع داده‌های بازتاب بالای جو (TOA) هستند و Level-1 لندست-8 از منطقه مورد مطالعه مربوطبه تاریخ 4 و 7 آپریل 2019 از سایت سازمان فضایی اروپا و سازمان زمین‌شناسی آمریکا تهیه گردید. مشخصات داده‌های مورد استفاده در جدول 1 ارائه شده است.

 

جدول 1. مشخصات داده‌های ماهواره‌ای مورد استفاده

ماهواره	نوع داده	باندهای مورد استفاده	توان تفکیک مکانی (متر)	دوره بازبینی مجدد (روز)	تاریخ (میلادی)
Landsat-8	Level-1	3-2-1	30	16	7 آپریل 2019
Sentinel-2A	Level-1C	3-2-1	10 و 60	5	4 آپریل 2019

 

مطالعات میدانی

مطالعات میدانی و نمونه‌برداری از آب همزمان با عبور ماهواره‌ی سنتینل-2 از منطقه در تاریخ 4 آپریل 2019 (15 فروردین 1398) انجام شد. بدین منظور با استفاده از دستگاه GPS نسبت به تعیین موقعیت ایستگاه‌های برداشت نمونه بصورت تصادفی اقدام شد. بمنظور تعیین غلظت کلروفیل _ آ در ستون آب نمونه‌هایی از 10 ایستگاه در خور تیاب برداشت شد و پس از انتقال به آزمایشگاه مورد تجزیه و آزمایش قرار گرفتند. برای تجزیه و تحلیل کلروفیل- آ، مطابق مطالعه نوش (17) نمونه های  آب به لوله های حاوی 10 میلی لیتر اتانول 95٪ منتقل شدند. نمونه ها در یک فریزر به مدت یک شبانه روز نگهداری شدند و سپس اجازه بازگشت نمونه‌ها به دمای معمولی آزمایشگاه داده شد. در نتیجه این فرایندها کلروفیل- آ موجود در کلروپلاست جلبک ها به محلول اتانول انتقال داده شد. سپس نمونه‌ها در دمای محیط آزمایشگاه به مدت 5 دقیقه با دور 2500 دقیقه سانتیرفیوژ گردیدند. محلول رویی درون لوله ها با استفاده از دستگاه اسپکتروفتومتر مورد سنجش قرار گرفت. در این روش نمونه ها، قبل و بعد از افزودن دو قطره اسید کلروریدریک0.1  نرمال (HCl) به نمونه‌ها بوسیله دستگاه اسپکتروفتومتر در محدوده جذب طیفی 665 نانومتر صورت گرفته و با استفاده از رابطه 1 (19) غلظت کلروفیل میدانی برای ایستگاه‌های مختلف مورد اندازه‌گیری قرار گرفته شد.

 

در این رابطه منظور از 665a و 664b بترتیب قبل و بعد از اسیدی شدن نمونه‌ها در محدوده طیفی ذکر شده است، Vext مقدار استخراج به واحد لیتر، Vsam مقدار نمونه به واحد متر مکعب، L مسیر نور لوله نمونه به واحد سانتی متر و Chla غلظت کلروفیل به واحد میلی گرم بر متر مکعب است.

روش کار

در این پژوهش، بمنظور تهیه و آماده‌سازی تصاویر شامل تصحیح هندسی (نمونه‌برداری مجدد) و تصحیح رادیومتریک از نرم‌افزار ENVI 5.3.1 استفاده شد. سپس جهت کدنویسی، پردازش تصاویر و ارزیابی نتایج از نرم‌افزار MATLB 2018a استفاده شد و در نهایت با استفاده از نرم‌افزار Arc GIS 10.5 نسبت به تهیه نقشه غلظت کلروفیل –آ منطقه مورد مطالعه اقدام شد. فرایند کلی انجام پژوهش در شکل 2 نشان داده شده است.

 

]1[

شکل 2. نمودار فرایند انجام پژوهش

پیش پردازش تصویر

تصحیح اتمسفری در مواردی که شدت سیگنال ارسالی از طرف پدیده‌ها مانند اقیانوس از اثرات اتمسفری کمتر باشد نیز ضروری است. آب جذب کننده امواج الکترومغناطیس خصوصا در باندهای طول موج بلند است و بنابراین مقدار انرژی بازتابی از سطح پهنه‌های آبی بمرات کمتر است و بیشتر اثرات اتمسفری توسط سنجنده‌ی ماهواره دریافت و ثبت می‌شود (5). در این پژوهش از الگوریتم FLAASH در نرم‌افزار ENVI 5.3.1 بمنظور تصحیح باندهای چند طیفی لندست-8 استفاده شد. این الگوریتم تابش الکترومغناطیس را به بازتاب سطحی زمین تبدیل می‌کند. برای تصحیح باندهای مرئی سنتینل-2 ، الگوریتم QUAC در نرم‌افزار ENVI 5.3.1 مورد استفاده قرار گرفته شد. ورودی الگوریتم QUAC می‌تواند هم از نوع Radiance و هم از نوع بازتاب TOA باشد و بعلت اینکه داده‌های مورد استفاده‌ی سنتینل در این پژوهش از نوع داده‌های بازتاب بالای جو (TOA) بودند، الگوریتم QUAC مورد استفاده قرار گرفته شد. خروجی این الگوریتم تصویری با مقادیر پیکسل بازتاب سطحی زمین است. همچنین تصحیح هندسی از نوع نمونه‌برداری مجدد بروی باندهای قرمز و مادون قرمز تصویر سنتینل-2 انجام شد.

پردازش تصویر

بمنظور استخراج غلظت کلروفیل- آ از الگوریتم‌های بیواپتیکی‌ مبتنی بر باندهای آبی و سبز (OC2 و OC3) در نرم‌افزار MATLAB 2018a استفاده شد. بدلیل فقدان داده‌ی میدانی کافی، از 10 داده‌ی میدانی کلروفیل برداشت شده در منطقه خور تیاب، 7 نمونه بصورت تصادفی برای کالیبره استفاد شد و 3 نمونه بصورت تصادفی برای اعتبارسنجی کلروفیل مشتق شده از داده لندست 8 و سنتینل 2 استفاده شد.

مدل بیو اپتیکال: مدل های بیو اپتیک، اندازه گیری های نوری بازتاب یا تابش را با پارامترهای بیولوژیکی مانند غلظت کلروفیل، کیفیت آب و سایر موارد بهم پیوند می‌دهند. مورل و پریور (16) مدل‌های نوری ساده ای را برای آب‌هایی که فقط حاوی فیتوپلانکتون (مورد 1) و آبهای نوری پیچیده (مورد 2) است، ارائه دادند. در این مطالعه از بین الگوریتم‌های بیو اپتیکال از الگوریتم OC2 و OC3 بمنظور تخمین غلظت کلروفیل_ آ در آب‌های مورد دوم (آب‌های ساحلی) استفاده شد.

الگوریتم رنگ اقیانوسی 2: الگوریتم بیو اپتیکی OC2 یک الگوریتم چندجمله ای مکعب اصلاح شده است که در ابتدا برای داده‌های SeaWiFS توسعه داده شد و به داده های SeaBAM تنظیم شده است (18). این الگوریتم مبتنی بر روابط غیر خطی بین بازتاب سنجش ازدوری اقیانوس و داده‌های میدانی است و از محدوده طیفی آبی و سبز بمنظور تخمین غلظت کلروفیل-آ بهره می‌گیرد و از رابطه 2 محاسبه می‌گردد.

 

در این رابطه a ضریب ثابتی است که برای هر ماهواره تخمین و مدلسازی می‌شود. Rrs بازتاب سنجش ازدوری در محدوده طیفی آبی و سبز است. R نسبت باندی و C غلظت کلروفیل-آ به واحد میلی گرم بر متر مکعب است.

الگوریتم رنگ اقیانوسی 3 (OC3): مطابق مطالعه مارتین (14) ، الگوریتم OC3 یک رابطه تجربی بین نسبت حداکثر بازتاب سنجش ازدوری اندازه‌گیری شده در باند‌های محدوده‌ی آبی (443 و 490 نانومتر) به سبز (563 نانومتر) و کلروفیل اندازه‌گیری شده (میلی گرم بر متر مکعب) در میدان است که از رابطه 3 محاسبه می‌شود.

 

]2[

 

در این رابطه a ضریب ثابتی است که برای هر ماهواره تخمین و مدلسازی می‌شود. Rrs بازتاب سنجش ازدوری در محدوده طیفی ساحلی، آبی و سبز است. R نسبت باندی و C غلظت کلروفیل- آ به واحد میلی گرم بر متر مکعب است.

 معیار ارزیابی الگوریتم‌ها

بمنظور ارزیابی نتایج الگوریتم‌های مبتنی بر باندهای آبی و سبز (OC2) و الگوریتم مبتنی بر باندهای ساحلی، آبی و سبز (OC3) در سنجنده‌های MSI و OLI با داده‌های اندازه‌گیری شده میدانی از مقادیر پارامترهای آماری ضریب تعیین (R2) و خطای میانگین ریشه مربعات (RMSE) استفاده شد (8). مقادیر پارامترهای R2 و RMSE از رابطه‌های 4 و 5 محاسبه می‌گردد.

]3[

 

]4[

در این رابطه مقادیر Pi و مقادیر Oi بترتیب مقادیر غلظت کلروفیل-آ برآورد شده با الگوریتم OC2 در داده‌های لندست-8 و سنتینل-2 و مقادیر اندازه‌گیری شده میدانی غلظت کلروفیل-آ و n تعداد نمونه‌ها می‌باشد.

نتایج

پس از آماده‌سازی و پردازش داده‌های میدانی و داده‌های ماهواره‌ای نتایج حاصل شد. نتایج اندازه‌گیری میدانی کلروفیل-آ در منطقه مورد مطالعه نشان داد که کمترین میزان غلظت کلروفیل-آ در ایستگاه شماره 9 با مقدار کلروفیل 0.11 میلی گرم بر متر مکعب و بیشترین میزان غلظت کلروفیل-آ در ایستگاه شماره 6 با 6.68 میلی گرم بر متر مکعب ( بدلیل وجود جلبک شدید) است (شکل 3). در جدول 2 محاسبات آماری میزان اندازه‌گیری میدانی آورده شده است.

 

شکل 3. نمودار روند تغییرات غلظت کلروفیل- آ در ایستگاه‌ها

جدول 2. پارامترهای آماری داده‌ی میدانی

]5[

واحد	کمینه	بیشینه	میانگین	انحراف معیار
میلی گرم بر متر مکعب	0.11	6.68	1.35	1.89

 

نتایج پارامترهای آماری و ضرایب برآورد شده برای الگوریتم‌های مورد استفاده در جدول 3 و 4  آورده شده است. طبق یافته‌های کسب شده الگوریتم OC2 در لندست-8 و سنتینل-2 نتایج قابل قبولی با مقادیر پارامتری آماری ارائه دادند و از این جهت مناسب‌ترین الگوریتم برای این ماهواره‌ها شناخته شدند. نتایج الگوریتم بیواپتیکی OC3 در سنتینل-2 با داده‌های میدانی همبستگی قابل قبولی نداشت در صورتیکه این الگوریتم در لندست-8 با داده‌های میدانی نتایج خوبی ارائه داد. با این وجود بدلیل کسب نتایج مناسب از الگوریتم OC2 در هر دو ماهواره لندست-8 و سنتینل-2 این الگوریتم بعنوان مناسب‌ترین الگوریتم برای منطقه مورد مطالعه انتخاب شد.

جدول 3. مقادیر پارامترهای آماری RMSE و R2 الگوریتم‌های مورد استفاده در هر سنجنده با داده‌ی میدانی

ماهواره	الگوریتم	R2	RMSE
لندست- 8	OC2	0.91	0.13
	OC3	0.88	0.16
سنتینل- 2	OC2	0.64	0.33
	OC3	0.14	0.51

 

جدول 4. مقادیر ضریب a مدل‌سازی و تخمین زده شده

ماهواره	الگوریتم	A0	A2	A3	A4	A5
لندست- 8	OC2	0.20094-	1.3018-	0.52631	1.4235	ــ
	OC3	0.22314-	1.3116-	0.70002	1.4329	0.16545-
سنتینل- 2	OC2	0.2942-	0.13338	0.20234	0.53751	ــ
	OC3	0.033965	0.33175	2.661-	0.16765	2.3886

 

تهیه نقشه غلظت کلروفیل منطقه

همانطور که در جدول 3 نتایج ارزیابی الگوریتم‌ها را نشان می‌دهد الگوریتم OC2 در لندست-8  با مقادیر R2 (0.91) و خطای RMSE (0.13) و الگوریتم OC2 در سنتینل-2 با مقادیر R2 (0.64) و خطای RMSE (0.33) مناسب‌ترین الگوریتم بمنظور تخمین میزان غلظت کلروفیل-آ در منطقه مورد مطالعه شناخته شدند. در نهایت با استفاده از رابطه 6 و ضرایب جدید تعیین شده برای این الگوریتم نقشه غلظت کلروفیل- آ منطقه مورد مطالعه برای ماهواره لندست-8 و سنتینل-2 در نرم افزار ArcGIS 10.5 تهیه گردید. نقشه غلظت کلروفیل- آ با استفاده از الگوریتم OC2 در لندست-8 و سنتینل-2 در شکل‌های 4 و 5 نشان داده شده است.

 

 

ضرایب a0، a1، a2، a3، a4 بترتیب برای الگوریتم OC2 لندست 0.20094-، 1.3018-، 0.52631 و 1.4235 تعیین شد.

ضرایب a0، a1، a2، a3، a4 بترتیب برای الگوریتم OC2 سنتینل 0.2942-، 0.13338، 0.20234 و 0.53751 تعیین شد.

 

شکل 4. نقشه غلظت کلروفیل – آ تهیه شده از الگوریتم OC2 لندست- 8

 

شکل 5. نقشه غلظت کلروفیل – آ تهیه شده از الگوریتم OC2 سنتینل- 2

بحث و نتیجه‌گیری

در این پژوهش تلاش شد تا مناسب‌ترین الگوریتم برای سنجنده‌های OLI و MSI بمنظور تخمین غلظت کلروفیل – آ در آب‌های ساحلی (خور تیاب) انتخاب و استفاده شود. مطالعه‌ی مرادی (7) در خلیج فارس با استفاده از اعمال الگوریتم‌های مختلف بر روی لندست 8 نشان می‌دهد که الگوریتم تجربیOC3 مناسب‌تر از دیگر الگوریتم‌های مورد استفاده است. در مطالعه‌ای دیگر در آب‌های ساحلی خلیج فارس (بندر دیلم) موسوی ده موردی و همکاران () به این نتیجه رسیدند که از بین آزمون الگوریتم‌های جهانی در منطقه مورد مطالعه، الگوریتم POLDER با داشتن مقدار R2 = 0.52 و RMSE = 0.85 دارای بیشترین انطباق و همبستگی ببن داده‌های میدانی خود هستند این در حالی است که نتیجه دو الگوریتم مبتنی بر باندهای آبی – سبز و مبتنی بر باندهای ساحلی-آبی-سبز با داده‌های میدانی در پژوهش حاضر مقایسه شد و الگوریتم مبتنی بر باند آبی- سبز (OC2) در منطقه خور تیاب در خلیج فارس با داده‌های لندست 8 و سنتینل 2 همبستگی مناسب و قابل قبولی داشت. پوودار و همکاران (20) از دو الگوریتم OC2 و OC3 بمنظور تخمین کلروفیل- آ خلیج بنگال استفاد کردند، نتایج این پژوهش نشان داد که الگوریتم OC2 در لندست - 8 بمنظور تخمین غلظت کلروفیل – آ در مناطق ساحلی شمالی مناسب‌تر از سنتینل- 2 است. همانطور که در جدول 3 نتایج ارزیابی الگوریتم‌ها نشان داده شد الگوریتم OC2 در لندست –8 با توان تفکیک مکانی 30 متر نسبت به سنتینل –2 با توان تفکیک مکانی 10 متر مناسب‌تر است که این عملکرد می‌تواند بعلت این باشد که در اوایل این الگوریتم‌ها برای ماهواره‌های ابرطیفی و مشاهدات اقیانوسی با توان تفکیک طیفی بالا و بالعکس با توان تفکیک مکانی پایین مانند سنجنده مریس و مودیس توسعه داده شده‌اند. نتایج مقایسه الگوریتم‌های OC2 و OC3 در سنجنده‌های OLI و MSI نشان ‌می‌دهد که الگوریتم OC2 بدلیل برخورداری از باندهای آبی- سبز مناسب مناطق آب‌های ساحلی با غلظت کلروفیل پایین و مواد معلق در آب‌های ساحلی (خور‌ها و تالاب‌هایی که به دریای باز و اقیانوس‌ها راه می‌یابند.) است و همینطور بدلیل برخورداری باندهای سنجنده‌ی MSI و OLI از توان تفکیک مکانی مشابه، این الگوریتم متناسب با این ماهواره هاست. این در حالی است که نتایج الگوریتم OC3 در سنتینل-2 نشان می‌دهد، باتوجه به پایین بودن توان تفکیک مکانی باند ساحلی (60متر) سنجنده MSI و باوجود ارتقاء و نمونه‌برداری مجدد آن به 10 متر بدلیل از دست رفتن اطلاعات باندی، این الگوریتم مناسب ماهواره سنتینل- 2 نمی‌باشد درصورتیکه الگوریتم OC3 مناسب ماهواره‌ی لندست-8 است و دلیل آن این است که باندهای مورد استفاده در الگوریتم OC3 در لندست-8 دارای توان تفکیک مکانی 30 متر و مشابه هستند و نیاز به ارتقا یا نمونه‌برداری مجدد از پیکسل‌ها نیست. بهرحال باتوجه به یافته‌های پژوهش پیشنهاد می‌شود از این الگوریتم بمنظور تخمین غلظت کلروفیل-آ با استفاده از داده‌های سنتینل-2 استفاده نشود و تا حد امکان از داده‌های ماهواره‌ای که باندهای ساحلی، آبی و سبزشان دارای توان تفکیک مکانی مشابهی است، استفاده شود. در آخر توصیه می‌شود بمنظور مدل‌سازی و استفاده از الگوریتم‌های مبتنی بر باند آبی – سبز در سنتینل 2 بایست بیش از 10 نمونه میدانی کالیبره شود تا نتایج مناسبی حاصل گردد.

 

منابع مورد استفاده

1.       اسکندری، س. 1398. مقایسه الگوریتم‌های مختلف تهیه پوشش زمین در رویشگاه‌های حساس زاگرس با استفاده از تصویر ماهواره‌ای سنتینل-2 مطالعه مورد بخشی از استان ایلام. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 10(1): 72-87.

2.       بیات، ف.، ن. مرادی و م. حسنلو. 1395. بررسی و مقایسه دمای سطح و کلروفیل آب‌ها با استفاده از تصاویر لندست- 8 (مطالعه موردی: خلیج فارس). دومین کنفرانس مهندسی فناوری اطلاعات مکانی: 1-9.

3.       راه‌بانی، م.، م. رنجبری و د. قادری. 1395. بررسی میدانی پراکندگی رسوبات معلق و دانه‌بندی رسوبات بستر خور تیاب برای یک دوره جزر و مدی. دو فصلنامه علمی پژوهشی هیدروفیزیک، 2(2): 79-89

4.       عقیقی، ح.، ع. علیمحمدی.، م. ر. سراجیان و د. عاشورلو. 1388. برآورد مقدار کدورت آب خلیج گرگان با استفاده از تصاویر LISS-III ماهواره IRS. فصلنامه مدرس علوم انسانی، 13(3)

5.       فاطمی، ب و ی. رضایی. 1389. مبانی سنجش‌ازدور. چاپ دوم، انتشارات آزاده، 257 صفحه.

6.       فاطمی، م. ر. 1375. خورهای آب‌های جنوبی ایران. ماه‌نامه آبزیان، 7(12): 12-15

7.       مرادی، ن. 1395. بررسی و مدلسازی رنگ اقیانوس با استفاده از تصاویر ماهواره‌ای با توان تفکیک مکانی بالا. پایان نامه کارشناسی ارشد ژئودزی- هیدروگرافی. دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی. دانشگاه تهران. 138 صفحه.

8.       مقبلی دامنه، م و س. ح. ثنائی‌نژاد. 1397. برآورد تبخیر- تعرق پتانسیل در منطقه فریمان با استفاده از روش پریستلی- تیلور و تکنیک سنجش ازدور. نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 9(3): 72-84.

9.       موسوی ده موردی، ل. و م. بنایی. 1397. تخمین و مدلسازی کلروفیل- آ با استفاده از ماهواره لندست 8 در آب‌های ساحلی دیلم. مجله علمی پژوهشی زیست شناسی دریا دانشگاه آزاد اسلامی واحد اهواز، 10(38): 21-29.

10.       ولیزاده کامران، خ و م. مهدوی‌فرد. 1398. مبانی سنجش‌ازدور کاربردی. چاپ اول، انتشارات ماهواره، 270 صفحه.

11.       Acheampong C. 2018. Deriving Algal Concentration From Sentinel-2 Through a Downscaling Techniqe: A Case Near The Intake of a Desalination Plant.

12.       Arabi B. 2019. Optical Remote Sensing of Water Quality in the Wadden Sea.

13.       Dacey JW, Wakeham SG. 1986. Oceanic dimethylsulfide: production during zooplankton grazing on phytoplankton. Science, 233(4770): 1314-1316.

14.       Martin S. 2014. An introduction to ocean remote sensing. Cambridge University Press.

15.       Mascarenhas V, Keck T. 2018. Marine Optics and Ocean Color Remote Sensing. Youmares 8 – Oceans Across Boundaries: Learning from each other, 41-54

16.       Morel A, Prieur L. 1977. Analysis of variations in ocean color. Limnol Oceanogr 22(4):709–722

17.       Nusch EA. 1980. Comparison of different methods for chlorophyll and pheopigment determination. Archiv für Hydrobiologie, Beifeft Ergebnise der limnologie, 14: 14–36.

18.       O'Reilly, JE, Maritorena S, Mitchell BG, Siegel DA, Carder KL, Garver SA, McClain C. 1998. Ocean color chlorophyll algorithms for SeaWiFS. Journal of Geophysical Research: Oceans, 103(C11): 24937-24953.

19.       Pimda W, Bunnag S. 2015. Biodegradation of waste motor oil by Nostoc hatei strain TISTR 8405 in water containing heavy metals and nutrients as co-contaminants. Journal of Industrial and Engineering Chemistry, 28: 117-123.

20.       Poddar S, Chacko N, Swain D. 2019. Estimation of Chlorophyll-a in northern coastal Bay of Bengal using Landsat-8 OLI and Sentinel-2 MSI sensors. Frontiers in Marine Science, 6, 598.

21.       Pritchard DW. 1967. What is an estuary: physical viewpoint. American Association for the Advancement of Science.

22.       Sun D, Hu C, Qiu Z, Cannizzaro JP, Barnes BB. 2014. Influence of a red band-based water classification approach on chlorophyll algorithms for optically complex estuaries. Remote sensing of environment, 155: 289-302.

23.       Tepanosayn G, Muradyan V, Hovsepyan A, Minasyan L, Asmaryan S. 2017. A Landsat 8 OLI Satellite Data-Based Assessment of Spatio-Temporal Variations of Lake Sevan Phytoplankton Biomass. Annals of Valahia University of Targoviste, Geographical Series, 17(1): 83-89.

24.       Toming K, Kutser T, Laas A, Sepp M, Paavel B, Nõges T. 2016. First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery. Remote Sensing, 8(8): 640.

25.       Vinh PQ, Ha NTT, Binh, NT, Thang NN, Thao NTP. 2019. Developing algorithm for estimating chlorophyll-a concentration in the Thac Ba Reservoir surface water using Landsat 8 Imagery. Vietnam journal of Earth Sciences, 41(1): 10-20.

26.       Watanabe F, Alcantara E, Rodrigues T, Rotta L, Bernardo N, Imai N. 2018. Remote sensing of the chlorophyll-a based on OLI/Landsat-8 and MSI/Sentinel-2A (Barra Bonita reservoir, Brazil). Anais da Academia Brasileira de Ciências, 90(2): 1987-2000.

27.       Yadav S, Yamashiki Y, Susaki J, Yamashita Y, Ishikawa K. 2019. Chlorophyll Estimation of Lake Water and Coastal Water Using LANDSAT-8 and SENTINEL-2A Satellite. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(3/W7).

 

 

 

 

 

 

 

 

 

 

 

 

 

]6[

---