برآورد رسوبات معلق با استفاده از تکنیک‌های سنجش از دور در سواحل شمال-غربی خلیج‌فارس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار ژئومورفولوژی، دانشکده منابع طبیعی دریا، دانشگاه علوم و فنون دریایی خرمشهر *(مسوول مکاتبات)

2 کارشناس ارشد محیط زیست دریا، دانشگاه علوم و فنون دریایی خرمشهر

10.22034/jest.2018.12463

چکیده

زمینه و هدف: در این مقاله با هدف برآورد رسوبات معلق با استفاده از تکنیک­های سنجش از دور در سواحل شمال غربی خلیج‌فارس، از دو شاخص SS[1] و TSS[2]استفاده شده است. داده‌های مورد استفاده در این تحقیق از داده‌های سنجنده مودیس با استفاده از ماهواره آکوا گردآوری‌ شده است.
روش بررسی: جهت شناسایی و تعیین رسوبات معلق، با شناساندن متغیرها، داده‌های مورد نیاز از تصاویر استخراج و تصحیح رادیومتریک و اتمسفری بر اساس برنامه‌نویسی در نرم­افزار MATLAB کد­نویسی­شده است، بدین صورت که تصویر ماهواره‌ای با فرمت HDF به برنامه وارد می­گردد، سپس در بخش Modis_Swach_Type_L1B ، با تغییر و شناساندن متغیرها، خروجی ماتریس حاوی اطلاعات دریافت می­­گردد. در نهایت با وارد نمودن فایل ماتریس و اعمال فیلترهای متناسب به نرم‌افزار ArcGIS نقشه نهایی و میزان آن در نقاط مورد نظر حاصل شده است.
یافته­ها: نتایج RMSE برای هر مدل نشان می‌دهد که با روش رگرسیون ترکیبی با استفاده از تصاویر ماهواره‌ای با به کارگیری باندهای500 متری و با به دست آوردن ضریب تعیین بالاتری (82/0= ) و نیز کمترین RMSE ( RMSE=0.88 mg/l)، استفاده از باندهای 500 متری و 250 متری) برای ترسیم نقشه‌ رسوبات معلق در خلیج‌فارس مناسب‌تر می‌باشد.
بحث و نتیجه­گیری: نتایج نشان‌دهنده‌ی رابطه‌ی خطی بسیار بالایی بین متغیر وابسته (داده‌های میدانی TSSو SS) و داده‌های باندهای 1 تا 7 و زاویه سنجنده (بسته به الگوریتم و مدل استفاده‌شده) به‌عنوان متغیرهای مستقل می‌باشد و  مشاهده گردید بین داده‌های میدانی و داده‌های استخراجی از تصاویر ماهواره‌ای رابطه معناداری وجود دارد. این‌ موارد پتانسیل تکنیک سنجش ‌از دور برای سنجش و بررسی پارامترهای دریایی را نشان می‌دهند.



[1]- suspended solid  


[2]- total suspended sediment

کلیدواژه‌ها

موضوعات


 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهبیستم، شماره یک، بهار 97

 

 

برآورد رسوبات معلق با استفاده از تکنیک­های سنجش از دور در سواحل شمال­غربی خلیج‌فارس

هیوا علمیزاده[1]*

elmizadeh@kmsu.ac.ir

 خسرو فاضل پور[2]

 تاریخ دریافت:21/12/94

تاریخ پذیرش:8/2/95

 

چکیده

زمینه و هدف: در این مقاله با هدف برآورد رسوبات معلق با استفاده از تکنیک­های سنجش از دور در سواحل شمال غربی خلیج‌فارس، از دو شاخص SS[3] و TSS[4]استفاده شده است. داده‌های مورد استفاده در این تحقیق از داده‌های سنجنده مودیس با استفاده از ماهواره آکوا گردآوری‌ شده است.

روش بررسی: جهت شناسایی و تعیین رسوبات معلق، با شناساندن متغیرها، داده‌های مورد نیاز از تصاویر استخراج و تصحیح رادیومتریک و اتمسفری بر اساس برنامه‌نویسی در نرم­افزار MATLAB کد­نویسی­شده است، بدین صورت که تصویر ماهواره‌ای با فرمت HDF به برنامه وارد می­گردد، سپس در بخش Modis_Swach_Type_L1B ، با تغییر و شناساندن متغیرها، خروجی ماتریس حاوی اطلاعات دریافت می­­گردد. در نهایت با وارد نمودن فایل ماتریس و اعمال فیلترهای متناسب به نرم‌افزار ArcGIS نقشه نهایی و میزان آن در نقاط مورد نظر حاصل شده است.

یافته­ها: نتایج RMSE برای هر مدل نشان می‌دهد که با روش رگرسیون ترکیبی با استفاده از تصاویر ماهواره‌ای با به کارگیری باندهای500 متری و با به دست آوردن ضریب تعیین بالاتری (82/0= ) و نیز کمترین RMSE ( RMSE=0.88 mg/l)، استفاده از باندهای 500 متری و 250 متری) برای ترسیم نقشه‌ رسوبات معلق در خلیج‌فارس مناسب‌تر می‌باشد.

بحث و نتیجه­گیری: نتایج نشان‌دهنده‌ی رابطه‌ی خطی بسیار بالایی بین متغیر وابسته (داده‌های میدانی TSSو SS) و داده‌های باندهای 1 تا 7 و زاویه سنجنده (بسته به الگوریتم و مدل استفاده‌شده) به‌عنوان متغیرهای مستقل می‌باشد و  مشاهده گردید بین داده‌های میدانی و داده‌های استخراجی از تصاویر ماهواره‌ای رابطه معناداری وجود دارد. این‌ موارد پتانسیل تکنیک سنجش ‌از دور برای سنجش و بررسی پارامترهای دریایی را نشان می‌دهند.

کلمات کلیدی: سنجش‌ازدور، رسوبات معلق، مواد جامد معلق (SS)، مجموع مواد معلق (TSS)، مودیس.

 

J.Env. Sci. Tech., Vol 20, No.1, Spring, 2018

 

 

 


Estimation of Suspended Sediments Using Remote Sensing Technique Sensor in North-West Coasts of Persian Gulf

 

Heeva Elmizadeh[5]*

elmizadeh@kmsu.ac.ir

Khosro Fazelpour[6]

 

 

Date Received: March 11, 2016

Admission Date:April 27, 2016

 

Abstract

Background and Objective: This paper aims to estimate suspended sediment using Remote Sensing Technique in the North-west coasts of the Persian Gulf, the two indices which have been used are SS and TSS. Data used in this study are collected from MODIS sensor data through Aqua satellite.

Method: Several different algorithms are used for creating these images and they are used to detect and determine Suspended Sediments. In this regard, by introducing the variables required to extract data, Radiometric and atmospheric correction coding is based on MATLAB programming, Finally, entering the matrix file and apply filters ArcGIS software is proportional to its level in the final maps and points of view have been achieved.

Findings: In general, RMSE results illustrate that using combinational regression method and employing satellite imagery with 500-meter bands and reaching a higher coefficient of determination (=0.82) and also the lowest RMSE (RMSE=0.88 mg/L) and 250 and 500-meter bands is more suitable for designing SS maps in Persian Gulf.

Discussion and Conclusion: These results indicate a very high linear relationship between dependent variable (TSS and SS field data) and data from 1 to 7 bands and sensor angle (depending on the used algorithm and model) are considered as independent variables and it was observed that there is a significant relationship between field data and extracted data from satellite imagery. All these results indicate the potential of remote sensing technique for sensing and considering marine parameters.

 

Keywords: Remote sensing, Suspended Sediments, Suspended Solids (SS), Total Suspended Sediment (TSS), Modis.  

 

مقدمه


امروزه مطالعه رسوبات معلق موجود در آب، یکی از مسائل مورد علاقه سازمان‌های زیست محیطی، زمین شناسی دریایی و سایر سازمان‌های مرتبط می‌باشد (1). جهت سنجش رسوبات معلق معمولا از دو شاخص SS و  TSSاستفاده می‌کنند. مجموع کل مواد جامد معلق (TSS) عبارت است از میزان وزنی ذرات معلق در ستون آب اعم از ذرات آلی و معدنی. ذرات بزرگ تر از 2 میکرون معمولاً جزء مجموعه کل مواد جامد معلق هستند، زیرا که کوچک تر از آن در آب­ها حل می­گردند. این مواد جامد معلق شامل هر چیز سرگردان یا شناوری در آب مانند سیلت، رس و حتی جلبک و پلانکتون و نیز برخی از مواد شیمیایی می­گردد. مواد جامد معلق(SS) اشاره به ذرات کوچکی دارد که در آب معلق می باشد. معمولاً برای سنجش این پارامتر از فیلترهای 5/0 میکرومتری استفاده می­نمایند و آن چیزی که بر سطح فیلتر می­ماند را در نهایت به عنوان مواد جامد معلق در نظر می­گیرند (1).

معمولاً مطالعه کیفیت آب در روش‌های سنتی با نمونه‌برداری انجام می‌شود که به صورت نقطه‌ای، گران قیمت و زمان‌بر است (2). به علاوه نتایج حاصل از این نقاط نمی‌تواند معرف خوبی برای تمام منطقه باشد، در این صورت استفاده از اطلاعات واسط و پیوسته در جمع‌آوری اطلاعات از نواحی بزرگ، می‌تواند برای نظارت بر اکوسیستم‌های آبی استفاده شود، بنابراین بررسی پهنه‌های آبی بدون اندازه‌گیری‌های مکانی غیر ممکن است (3). 

در سال‌های اخیر مطالعات زیادی در مورد استفاده از تصاویر ماهواره‌ای در مطالعه پارامترهای کیفیت آب انجام‌شده است. عقیقی و همکاران (1382) با مطالعه کدورت آب در بخشی از سواحل جنوبی دریای خزر نتیجه گرفتند که امکان تخمین کمی کدورت آب با تصاویر سنجنده­ی مودیس وجود دارد (4).

دکر[7] (2001) با استفاده از سنجنده­های CAESAR و CASI به مطالعه Secchi Depht پرداخت و یک رابطه نمایی بین رادیانس و کدورت آب در طول موج‌های مختلف ارائه کرد. نتایج نشان داد که همبستگی بالایی بین کدورت آب و بازتاب در باندهای مذکور وجود دارد (5). یانگ[8] و همکاران (1996) از تصاویر SPOT X برای مطالعه کیفیت آب در بخشی به طول 1400 کیلومتر از رودخانه Ta_Chia استفاده کرده، نتیجه گرفتند که کانال‌های طیفی برای مطالعه تغییرات خصوصیات کیفیت آب مناسب است (6). میلر و مک­کی[9] (2004) از تصاویر سنجنده مودیس با استفاده از باندهای 250 متر، به محاسبه پارامتر SS پرداختند که در نهایت ضریب تعیین بالایی (89/0) بین داده‌های استخراجی و داده‌های میدانی در مصب رودخانه می سی سی پی به دست آوردند (7). چن[10] و همکاران (2004) از ماهواره SeaWifes  و سنجنده AVHRR جهت طبقه‌بندی کیفی آب در رودخانه پیرل استفاده کردند (8).

محمد و همکاران (2014) با استفاده از تصاویر ماهواره‌ای لندست 5 و 7، کیفیت آب دریاچه پشت سد موصل در شمال عراق را برای بدست آوردن نتایج مطلوب کیفیت آب از جمله فسفات، نیترات، نیتریت، کدورت،PH ، کلروفیل a و دمای سطحی آب بررسی نمودند (9). چانگ[11] و همکاران (2015) تغییرات پارامترهای کیفیت آب از جمله کلروفیل a ، کدورت، درجه حرارت، عمق آب، غلظت مواد آلی محلول، رنگ و مواد جامد معلق کل را با استفاده از سنجش از راه دور بررسی کردند و نتیجه گرفتند که مقرون به صرفه­ترین روش نظارت، بهبود مدیریتی محیط زیست و پیگیری چرخه مواد مغذی موجود در آب استفاده از این ابزار می­باشد که در چهار دهه گذشته بطور مداوم به آن رجوع می­شود (10).

این پژوهش با هدف برآورد مقادیر عددی پارامترهای SS، TSS و SSS در سواحل شمال غربی خلیج‌فارس با استفاده از سنجنده­ی مودیس و نرم افزار MATLAB و ArcGIS ارائه شده­است.

 

منطقه مورد مطالعه

محدوده مورد مطالعه در نیمه غربی خلیج‌فارس یک محدوده آبی کم‌عمق نیمه بسته است که به دلیل قرار گرفتن در محدوده‌ای کم بارش، دارای شوری و چگالی آب بالایی می‌باشد. در محدوده مطالعاتی تنها یک بویه مشغول جمع‌آوری اطلاعات می‌باشد این بویه که از نوع Ocean Wavescan می‌باشد. در سال 2013 در جنوب غربی بوشهر به مختصات جغرافیایی50 درجه و 45 دقیقه شرقی و 28 درجه و 55 دقیقه شمالی به آب انداخته‌شده است که علاوه بر دقیق‌تر بودن، داده‌هایی دیگر مانند شوری سطحی، رطوبت هوا، فشار هوا، دمای هوا، مواد معلق، سرعت باد و ارتفاع موج را در اختیار قرار می‌دهد.


مواد و روش ها

داده‌های مورد استفاده در این تحقیق از داده‌های سنجنده مودیس با استفاده از ماهواره آکوا گردآوری‌ شده است. در ساخت این تصاویر الگوریتم‌های متنوعی به کار برده شده که جهت شناسایی و تعیین TSS و SS استفاده می‌شود. به ‌منظور امکان کالیبره نمودن اطلاعات به دست آمده، تصاویر بر اساس داده‌های ایستگاه دریایی بوشهر انتخاب‌شده­اند، به‌ طوری که قابلیت مقایسه و کالیبراسیون آن‌ها با اطلاعات بویه فراهم شود. به ‌منظور تعیین و  مقایسه زمانی و مکانی رسوبات معلق، تصاویر همزمان با داده‌های داده‌های میدانی (شکل 1)  مربوط به سال‌ 2014 انتخاب گردیده‌اند. که در نهایت وضعیت آماری برای سال 2014 با استفاده از داده‌های میدانی اداره هواشناسی بوشهر و داده‌های استخراجی از تصاویر ماهواره‌ای بررسی گردید.

 

 

 

 

شکل 1- موقعیت محدوده مطالعاتی و نقاط نمونه‌برداری (SS) و (TSS)

Fig.1- Study area position and (SS) and (TSS) sampling regions

 


در این تحقیق از سنجنده مودیس که بر روی ماهواره‌ی آکوا و ترا متعلق به ناسا قرار دارد، استفاده‌شده است. این سنجنده دارای حساسیت رادیومتریکی بالا (12 بیت) و در 36 باند طیفی است که دارای دامنه‌ی طیفی از طول‌موج‌های 4/0_4/14 میکرومتر می‌باشد. فرآیند محاسبه رسوبات معلق، تصحیح رادیومتریک و اتمسفری بر اساس برنامه‌نویسی در نرم­افزار MATLAB کد­نویسی­شده است، بدین صورت که تصویر ماهواره‌ای با فرمت HDF به برنامه وارد می­گردد، سپس در بخش Modis_Swach_Type_L1B، با تغییر و شناساندن متغیرها، خروجی ماتریس حاوی اطلاعات دریافت می­­گردد. پس از تصحیحات لازمه، تصاویر باندهای موردنظر با کدنویسی تبدیل به تصویر متناسب با برنامه‌ی Arc GIS شدند و اطلاعات عددی هر باند استخراج گردید. رگرسیون خطی داده‌های میدانی و اعداد بدست آمده از باندها با کمک برنامه‌یSPSS ، کالیبره شدند. فرمول‌های رگرسیونی در برنامه‌ی متلب همراه با ماسک‌های برش داده شده قرار گرفتند و تصاویر رقومی ایجاد شد. این تصاویر در Arc GIS تبدیل به تصاویر رنگی همراه با مشخصات جغرافیایی شدند. سپس، خطای مجذور میانگین مربعات که تفاوت میان مقدار پیش‌بینی شده توسط ماهواره و مقدار واقعی از اطلاعات میدانی می‌باشد، بررسی شد. هرچه مقدار RMSE  از یک کمتر و به صفر نزدیک تر باشد، اعداد بدست آمده از آنالیز تصاویر ماهواره‌ای همخوانی بیشتری با اطلاعات میدانی دارند و درستی پژوهش سنجش از راه دور را بر روی پارامترهای موجود، اثبات می‌کنند. در این راستا روابط و الگوریتم­های مربوط به تصحیحات مورد نیاز جهت پردازش تصاویر ماهواره‌ای استخراج و به صورت دستورات ریاضی در برنامه متلب کدنویسی شده، سپس با وارد کردن تصاویر ماهواره‌ای در نرم افزار و شناساندن متغیرها (باندهای مورد نیاز، زاویه سنجنده، زاویه تابش و ...) داده‌های مورد نیاز را استخراج و در نهایت با وارد نمودن فایل ماتریس و اعمال فیلترهای متناسب به نرم‌افزار ArcGIS نقشه نهایی و میزان آن در نقاط مورد نظر حاصل شده است.

نتایج

در این تحقیق با استفاده از باندهای بازتابی تصاویر مودیس (باند 1) و با به کارگیری الگوریتم مخصوص، با استفاده از روش کدنویسی در نرم‌افزار متلب، فرآیند محاسبه رسوبات معلق سنجیده شده است. تصاویر جهت سنجش بر اساس نزدیک بودن به زمان نمونه‌برداری انتخاب‌شده‌اند. درنهایت برای سنجش میزان درخشندگی و حذف اثرات اتمسفری با کم کردن میزان درخشندگی پیکسل‌های باند 2 (تاریک ترین مقادیر ارزش درخشندگی) از باند 1 به جهت حذف اثرات اتمسفری، با روش کد­نویسی در نرم‌افزار متلب انجام پذیرفته است. پس از اعمال محاسبات از طریق رگرسیون خطی ساده (جدول1)، ضریب تعیین رابطه شماره 1 برابر با 0.67=  حاصل گردید، این در حالی است که این عدد برای رابطه شماره 2 برابر با 78/0=  شده است.

جدول1- ضرایب تعیین با روش رگرسیون خطی

Table 1. Coefficients of determination using linear regression

پارامتر

رابطه 1

رابطه 2

SS

67/0

78/0

 

در (جدول2)، با انجام روش رگرسیون خطی ترکیبی، نتایج بهتری نسبت به رگرسیون خطی حاصل‌شده است. بالاترین ضریب تعیین برای پارامتر SS با استفاده از (رابطه 3) که در آن از هفت باند اول مودیس استفاده‌شده است، برابر با 82/0=  شده است.

جدول2- ضرایب تعیین با روش رگرسیون خطی ترکیبی

Table 2. Coefficient of determination through using combinational linear regression

پارامتر

رابطه 3

رابطه 1

SS

82/0(رابطه 5)

[P<0.0001]

65/0(رابطه 6)

[P<0.0001]

پیش‌بینی بالاتر و بهتر شدن نتایج حاصل از رابطه 5 برای پارامتر SS با توجه به این که در باندهای 1 و 2 فقط طول‌موجی بین 650 نانومتر تا 859 نانومتر مورد استفاده قرار می‌گیرد، دور از ذهن نبود، که در نهایت نیز نتایج همین موضوع را به اثبات رساندند. برای یافتن بهترین مدل، چهار مدل انتخابی با ضریب تعیین  6/0<  در هر رگرسیون انتخاب شدند (11).

(1)

SS (mg/L) = 94.095 × Band1 – 2.787

(2)

SS(mg/L)=97.085×Band4–  5.821

SS (mg/L) = -4.281 + 23.628 × Band1 – 15.675 × Band2 – 14.653 × Band3 + 79.251 × Band4 + 21.303 × Band5 + 9.709 × Band6 + 10.963 × Band7

SS (mg/L) = -3.683 + 120.966 × Band1 – 24.282 × Band2                                                                  (4)

نتایج RMSE برای هر مدل در (جدول3) آورده شده است. در کل نتایج آن نشان می‌دهد که با روش رگرسیون ترکیبی با استفاده از تصاویر ماهواره‌ای با به کارگیری باندهای500 متری و با به دست آوردن ضریب تعیین بالاتری (82/0= ) و نیز کمترین RMSE (RMSE=0.88 mg/L)، استفاده از الگوریتم شماره 3 (استفاده از باندهای 500 متری و 250 متری) برای ترسیم نقشه‌های SS در خلیج‌فارس مناسب‌تر می‌باشد.

جدول3- RMSEبرای هر مدل

Table 3. RMSE for each model

رابطه 4

رابطه 3

رابطه 2

رابطه 1

 

48/1

92/0

01/1

24/1

RMSE

 

الگوریتم‌های مورد استفاده (سنجش TSS) در اصل، یکی برای برقراری رابطه بین پارامتر و باند 1 (645 نانومتر) سنجنده مودیس و دیگری برای تعیین و سنجش مقادیر  با استفاده از پارامتر  می‌باشد (3) (رابطه 6).

 

(5)

 

در اینجا پارامتر برابر با تابش به سطح آب،  ضریب ثابت،  تابش بازتاب و ضریب ثابت برای باندها می­باشند.

(6)

TSS(mg/l)= 602.63 × (0.5157 × MODIS band 1) – 0.0089) + 3.1481

 

(7)

TSS(mg/l)= 602.63 × (0.3043 × MODIS band 1) – 0.0036) + 3.1481

نتایج رگرسیون خطی هر دو الگوریتم (رابطه 6 و 7) نشان داد که بین داده‌های باند 1 مودیس و پارامتر  (الگوریتم 6)، ارتباط معنی‌دار شدیدی (0.88=  ) وجود دارد، در حالی که این عدد برای الگوریتم شماره 7 برابر با 69/0=  می‌باشد (جدول4).

جدول4-  و RMSEبرای هر مدل(TSS)

Table 4.  and RMSE for each (TSS) model

 

الگوریتم 6

الگوریتم 7

 

88/0

69/0

RMSE

4/5

2/5

بحث و نتیجه­گیری

نتایج واریانس رگرسیون در (جداول5 و 6) نشان می‌دهد که آماره‌ی F با سطح معنی‌دار 000/0 مدل رگرسیون کاملاً معنی‌دار می‌باشد. این نتایج، نشان‌دهنده‌ی رابطه‌ی خطی بسیار بالایی بین متغیر وابسته (داده‌های میدانی TSS و SS) و داده‌های باندهای 1 تا 7 و زاویه سنجنده (بسته به الگوریتم و مدل استفاده‌شده) به‌عنوان متغیرهای مستقل می‌باشد.

 

 

جدول5- نتایج تحلیل واریانس ر­گرسیون برای پارامتر SS

Table 5. Results of regression variance analysis for SS parameter

سطح معنی­داری

آماره­ی F

میانگین مجموع مربعات

مجموع مربعات

درجه­ آزادی

منبع تغییرات

 

000/0

 

020/15

 

991/10

108/825

625/483

733/1308

5

44

49

رگرسیون

باقیمانده

مجموع

 

جدول6- نتایج تحلیل واریانس ر­گرسیون خطی برای پارامتر TSS

Table 6. Results of regression variance analysis for TSS parameter

سطح معنی­داری

آماره­ی F

میانگین مجموع مربعات

مجموع مربعات

درجه­ آزادی

منبع تغییرات

 

000/0

 

062/21

193/75

57/3

355/526

102/236

452/762

7

66

73

رگرسیون

باقیمانده

مجموع

 

 

همچنین با توجه به ضرایب حاصل از رگرسیون، مدل‌های به کار رفته برای پارامترهای TSS و SSS به صورت (رابطه­های8 و9) برای منطقه‌ی خلیج‌فارس بر اساس نتایج سال 2014 تغییر می‌یابد:

 

(8)

SS (mg/L) = 26.912 + (-2.818) × Band1 – 17.392 × Band2 – (-10.032) × Band3 + 53.232 × Band4 + 12.254 × Band5 + 6.32 × Band6 + 35.321 × Band7

(9)

TSS= 534.632 × (31.023 × (MODIS band1) – 0.015) + 6.588

 

 

 

برای آزمایش الگوریتم‌های کالیبره شده، برای ماه ژانویه و فوریه سال 2015 این پارامترها محاسبه شدند که نتایج آن به قرار زیر می‌باشد(شکل­های 2و3):

 

شکل2- نمودار تحلیل رگرسیون پارامتر SSبا استفاده از الگوریتم 8

Figure 2. Diagram of regression analysis of SS parameter through using algorithm number 8

 

 

شکل3- نمودار تحلیل رگرسیون پارامتر TSSبا استفاده از الگوریتم 9

Figure 3. Diagram of regression analysis of TSS parameters through using algorithm number 9

 

جدول7- ضریب تعیین و RMSEحاصل از الگوریتم‌های پیشنهادی

Table 7. Coefficient of determination and RMSE taken from proposed algorithms

TSS

SS

 

92/0

91/0

 

9/4

42/0

RMSE

 

 

 

 

شکل4- نقشه پراکندگی پارامتر SS

Figure 4. Map of SS parameter dispersion

 

 

شکل5- نقشه پراکندگی پارامتر TSS

Figure 5. Map of TSS dispersion

 

 

این نتایج نشان می‌دهد، مقادیر ضریب تعیینی که با استفاده از الگوریتم مورد استفاده به دست آمده بودند، نسبت به مقادیر ضرایب تعیینی که از الگوریتم پیشنهادی به دست آمده‌اند، پایین‌تر می‌باشند (جدول 7). ضریب تعیین برای پارامتر SS در ماه‌های فوریه و ژانویه سال 2015  برابر 91/0 برآورد شده‌اند. این بیانگر اصلاح و بهینه شدن رابطه پارامترها برای منطقه خلیج‌فارس می‌باشد و  مشاهده گردید بین داده‌های میدانی و داده‌های استخراجی از تصاویر ماهواره‌ای رابطه معناداری وجود دارد. به طوریکه بین (شکل4) که با استفاده از داده‌های (الگوریتم 3) ترسیم گردیده و همچنین (شکل5)، ارتباط معناداری دیده می‌شود و محدوده­های مقادیر از الگوی مشابهی تبعیت می‌کنند، در این نقشه­ها و در بخش‌های شمالی محدوده مورد مطالعه که ورود رودها و رسوبات معلق بیشتری را به دریا شاهد هستیم، می‌بینیم که نتایج آن نیز حاکی از افزایش مقادیر TSS و SS در نواحی نزدیک به مصب­ها می‌باشد. در شکل4 نیز نقشه الگوریتمی پارامتر SS که با استفاده از الگوریتم 8 ترسیم شده، همین موارد را نشان می­دهد. ارزیابی دقت صورت گرفته نشان از بهینه شدن الگوریتم برای سنجش این پارامترها را داشت. همچنین با مقایسه بین چند مدل، نتایج تحقیق نشان داد که استفاده از مدل‌هایی که باندهای 500 متری را نیز درگیر می‌کند، نتایج بهتری را نسبت به الگوریتم‌هایی که فقط از باندهای 250 متری استفاده می‌کنند، فراهم می نماید. همه‌ی این‌ موارد پتانسیل تکنیک سنجش ‌از دور برای سنجش و بررسی پارامترهای دریایی را نشان می‌دهند.

 

پیشنهاد‌ها

برای به دست آوردن روابط دقیق­تر و بررسی مواردی چون سنجش اختلاف لایه سطحی با لایه زیر سطحی، باید بیش از یک دوره‌ی برداشت در فواصل زمانی متعدد و در نقاط مختلف خلیج‌فارس و دیگر دریاهای کشور انجام پذیرد و با کالیبره کردن با داده‌های ماهواره‌ای، نسبت به تهیه الگوریتم نهایی اقدام گردد.

سپاس گزاری

«این مقاله مستخرج از نتایج طرح تحقیقاتی اجرا شده با شماره قرارداد 100 از محل اعتبارات ویژه پژوهشی دانشگاه علوم و فنون دریایی خرمشهر می‌باشد.» 

Reference

  1. Smith, G. M. and E. J. Milton, 1999. The use of the empirical line method to calibrate remotely sensed data to reflectance, International Journal of remote sensing, 20(13): 2653-2662.
  2. Justice, C. O., J. R. G. Townshend, E. F. Vermote, E. Masuoka, R. E Wolfe, N. Saleous, D. P. Roy, and J. T. Morisette, 2002. An overview of MODIS land data processing and product status, Remote Sensing of Environment, 83: 3-15.
  3. Mueller, J. L., Morel, A., Frouin, 2003. Ocean optics protocols for Satellite Ocean Color validation, Revision 4, Volume III: Radiometric Measurements and Data Analysis Protocols, (Eds.). NASA/TM 2003-21621 (pp. 28-29) Greenbelt, MD: NASA Goddard Space Flight Center.
  4. Aghighi, H.,1973. Assessment of MODIS data for mapping water turbidity in the Caspian Sea South Coasts , a master's thesis, Tehran, Tarbiat Modares University, 144 p. (in Persian)
  5. Dekker, A. G., Vos, R. J., Peters, S. W. M., 2001. Comparison of remote sensing data, model results and in situ data for total suspended matter (TSM)  in the southern Frisian lakes. Science of the Total Environment, 268, 197−214.
  6. Yang, M.D., Merry S.M, 1996. Adaptive short_term water quality forecasts using remote sensing and GIS; RWRA symposium on GIS and water resources research center symposium procedings, september 22-26, Fort Lauderdale Florida, pp. 109-118, 1996.
  7. Miller, R. L. & McKee, B. A., 2004. Using MODIS Terra 250 m imagery to map concentration of total suspended matter in coastal waters, Remote Sensing of Environment, Vol. 93, 259-366.
  8. Chen, X. L., Li, Z. G. Liu, K.D. Yin, Z. Li, and W. H. King, 2004. Integration of multi-source data for water quality classification in the Pearl River Korean Journal of Remote Sensing, Vol.23, No.3, 2007–168–estuary and its adjacent coastal waters of Hong Kong, Continental Shelf Research, 24:1827-1843.
  9. Mohammed, F., Khattab, O. And Border, J. M. 2014. Application of Landsat 5 and Landsat 7 Images Data for Water Quality Mapping in Mosul Dam Lake, Northern Iraq. Arabian Journal of Geosciences. September 2014. 7(9): 3557-3573
  10. Chang, N., Imen, S. And Vannah, B. 2015. Remote Sensing for Monitoring Surface Water Quality Status and Ecosystem State in Relation to the Nutrient Cycle: A 40-Year Perspective. Critical Reviews in Environmental Science and Technology. 45(2): 101-166.
  11. Roberts, D., K. Halligan, and P. Dennison, 2007. Combined use of remote sensing and continuous monitoring to analyze the variability of suspended-sediment concentrations in San Francisco Bay, California, Estuarine, Coastal Shelf Sci., 53, 801–812.

 

 

 

 

 

 



1- استادیار ژئومورفولوژی، دانشکده منابع طبیعی دریا، دانشگاه علوم و فنون دریایی خرمشهر *(مسوول مکاتبات)

2- کارشناس ارشد محیط زیست دریا، دانشگاه علوم و فنون دریایی خرمشهر

[3]- suspended solid  

[4]- total suspended sediment

1- Assistant professor, Faculty of Natural Resources, Khorramshahr University of Marine Sciences and Technology* (Corresponding Author).

2- Master Student., Faculty of Natural Resources, Khorramshahr University of Marine Sciences and Technology

[7]- Dekker

[8]- Yang

[9]- Miller & McKee

[10]- Chen

[11]- Chang  

Reference

  1. Smith, G. M. and E. J. Milton, 1999. The use of the empirical line method to calibrate remotely sensed data to reflectance, International Journal of remote sensing, 20(13): 2653-2662.
  2. Justice, C. O., J. R. G. Townshend, E. F. Vermote, E. Masuoka, R. E Wolfe, N. Saleous, D. P. Roy, and J. T. Morisette, 2002. An overview of MODIS land data processing and product status, Remote Sensing of Environment, 83: 3-15.
  3. Mueller, J. L., Morel, A., Frouin, 2003. Ocean optics protocols for Satellite Ocean Color validation, Revision 4, Volume III: Radiometric Measurements and Data Analysis Protocols, (Eds.). NASA/TM 2003-21621 (pp. 28-29) Greenbelt, MD: NASA Goddard Space Flight Center.
  4. Aghighi, H.,1973. Assessment of MODIS data for mapping water turbidity in the Caspian Sea South Coasts , a master's thesis, Tehran, Tarbiat Modares University, 144 p. (in Persian)
  5. Dekker, A. G., Vos, R. J., Peters, S. W. M., 2001. Comparison of remote sensing data, model results and in situ data for total suspended matter (TSM)  in the southern Frisian lakes. Science of the Total Environment, 268, 197−214.
  6. Yang, M.D., Merry S.M, 1996. Adaptive short_term water quality forecasts using remote sensing and GIS; RWRA symposium on GIS and water resources research center symposium procedings, september 22-26, Fort Lauderdale Florida, pp. 109-118, 1996.
  7. Miller, R. L. & McKee, B. A., 2004. Using MODIS Terra 250 m imagery to map concentration of total suspended matter in coastal waters, Remote Sensing of Environment, Vol. 93, 259-366.
  8. Chen, X. L., Li, Z. G. Liu, K.D. Yin, Z. Li, and W. H. King, 2004. Integration of multi-source data for water quality classification in the Pearl River Korean Journal of Remote Sensing, Vol.23, No.3, 2007–168–estuary and its adjacent coastal waters of Hong Kong, Continental Shelf Research, 24:1827-1843.
  9. Mohammed, F., Khattab, O. And Border, J. M. 2014. Application of Landsat 5 and Landsat 7 Images Data for Water Quality Mapping in Mosul Dam Lake, Northern Iraq. Arabian Journal of Geosciences. September 2014. 7(9): 3557-3573
  10. Chang, N., Imen, S. And Vannah, B. 2015. Remote Sensing for Monitoring Surface Water Quality Status and Ecosystem State in Relation to the Nutrient Cycle: A 40-Year Perspective. Critical Reviews in Environmental Science and Technology. 45(2): 101-166.
  11. Roberts, D., K. Halligan, and P. Dennison, 2007. Combined use of remote sensing and continuous monitoring to analyze the variability of suspended-sediment concentrations in San Francisco Bay, California, Estuarine, Coastal Shelf Sci., 53, 801–812.