نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

امکان سنجی ویژگی های بیو-هیدروژئومورفولوژیکی رودخانه ارس با استفاده از تصاویر ماهواره ای

نوع مقاله : مقاله پژوهشی

نویسندگان

1 - گروه زیست‌شناسی گیاهی، دانشکده علوم طبیعی دانشگاه تبریزدانشگاه تبریز

2 گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز

3 دانشجوی کارشناسی ارشد دانشگاه تبریز

چکیده

بیو-هیدروژئومورفولوژی موضوعی ترکیبی بین زیست­ شناسی و جغرافیایی طبیعی می­باشد که به­ مطالعه اشکال ناهمواری ­های ناشی از عمل آب به همراه عوامل زیستی می­ پردازد. شناخت عوامل بیو-هیدروژئومورفولوژیک و عملکرد آن در رودخانه ارس در راستای شناخت و مدیریت محیط در این رودخانه، اهمیت زیادی دارد. از این عوامل می­توان به رشد جلبک­ ها اشاره نمود. امروزه پدیده نوتروفیکاسیون به‌عنوان یک معضل مهم جهانی  بشمار می‌رود که بر روی اکوسیستم آبی تأثیر گذاشته و تعادل آن را به هم می‌زند. این پدیده در اثر رشد جلبک‌ها در بستر آبی ایجاد می‌شود که یکی از علل وقوع آن، مصرف بی‌رویه کود و ورود آنها به آب می‌باشد. بنابراین پایش و رصد این پدیده امری ضروری برای مقابله و مدیریت آن می‌باشد. در این راستا سنجش‌ازدور به‌عنوان روشی نوین، امکانات لازم جهت شناسایی شکل‌گیری و گسترش جلبک‌های رودخانه و مدل‌سازی تغییرات زمانی و مکانی آن‌ها را فراهم می‌آورد. سنجش‌ازدور با ارائه تصاویر چند زمانه امکان شناسایی دقیق محدوده‌های تحت پوشش جلبک ­ها و روند رشد و توسعه آن‌ها را فراهم می‌آورد. تحقیق حاضر با هدف امکان‌سنجی شناسایی محدوده‌های تحت پوشش جلبک‌ها را در محدوده رود ارس مدنظر قرار داده است. در این پژوهش از تصاویر ماهواره لندست 8 استفاده شده است. مبنای پردازش بر اساس فنون‌ پردازش تصویر و شناسایی جلبک‌ها می‌باشد. در این راستا به دلیل یکسان بودن بازتاب طیفی پوشش گیاهی و کلروفیل جلبک‌ها، از باند 4 و 5 و شاخص NDVI استفاده گردید و سپس از خروجی این شاخص به‌عنوان ورودی فن طبقه‌بندی نظارت‌شده به روش حداکثر احتمال اعمال گردید و در ارزیابی صحت طبقه‌بندی، صحت کلی 81 درصد و ضریب کاپا 79/0 به دست آمد. نتایج حاصل با نمونه‌برداری‌هایی که از رود ارس  انجام پذیرفت نزدیکی نتایج به یکدیگر را نشان داد. نتایج تحقیق حاضر برای ارزیابی وضعیت محیط‌زیستی جلبک‌ها در رود ارس و شناسایی منبع آلودگی‌های ناشی از جلبک‌ها دارای اهمیت زیادی است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The feasibility of bio-Hydrogeomorphic features for Aras River by Using satellite images

نویسندگان [English]

  • Jafar Razeghi 1
  • Bakhtiar Feizizade 2
  • Shahab Adeli 3

1 Associatet professorDepartment of Plant Biology, Faculty of Natural Sciences University of Tabriz.

2 Associte Prof, Department of rs and Gis Tabriz U

3 Ms student.University of Tabriz

چکیده [English]

Understanding the factors bio-Hydrogeomorphic and its work in the recognition and management of the environment in the river Aras River, is very important. These factors can be pointed to the growth of algae. Nowadays Eutrophication considered as an important global issue that affects the aquatic ecosystem and balance it to come together. This phenomenon is caused by the growth of algae in a water bed that one of the causes of the excessive use of fertilizers and entry into the water. So, monitoring and observation of this phenomenon is necessary to deal and manage it. In this regard remote sensing technology as a new method, the necessary means to identify the emergence and development of river algae and modeling of spatial and temporal variations provide them. Remote sensing technology allows accurate identification of areas covered with temporal images algae and provides growth and development. Feasibility study aimed to identify the areas covered by algae within the Aras River is considered as the most important border river. In this study, Landsat 8 satellite imagery has been used. The process is based on the techniques of image processing and identification of algae. In this regard, due to the similarity of spectral reflectance of vegetation and chlorophyll algae, the band 4 and 5 and NDVI were used and the output of the index as input fan supervised classification maximum likelihood method was applied in the assessment of classification accuracy, overall accuracy 73 Kappa coefficient was 82.0 percent.

کلیدواژه‌ها [English]

  • Remote Sensing
  • Landsat 8
  • Satellite Images Processing
  • Detection of Algae'
  • s
  • River of Aras
Bolstad, P.V. and Lillesand, T.M. (1991). Rapid maximum likelihood classification. Photogramm. Eng. Remote Sens. 57.
Bossler, J.D., Jensen, J.R., Master, M.C., Robert, B. & Rizos, C., (2004). Manual of Geospatial Science and Technology, CRC Press, 647 pp.
Brezonik, P., Menken,K., Bauer, M. (2005). Landsat-based Remote Sensing of Lake Water Quality Characteristics, Including Chlorophyll and Colored Dissolved Organic Matter (CDOM). Lake and Reservoir Management 21(4):373-382
Brittain, S. M.,Wang, J., Babcock-Jackson, L., Carmichael, W.W., Rinehart, K.L., & Culver, D.A. (2000). Isolation and characterization of microcystins, cyclic heptapeptide hepatotoxins from a Lake Erie strain of Microcystis aeruginosa. Journal of Great Lakes Research, 26, 241– 249.
Budd, J.W., Beeton, A.M., Stumpf, R. P., Culver, D.A., & Kerfoot, W.C. (2002). Satellite observations of Microcystis blooms in Western Lake Erie. Verhandlungen-Internationale Vereinigung fu¨r Theoretische und Angewandte Limnologie, 27, 3787– 3793.
Budd, J., and Warrington, D. (2004). Satellite-based sediment and chlorophyll-a estimates for Lake Superior. J. Great Lakes Res. 30:459–466.
Carlson, R. (1977). A trophic state index for lakes. Limnology and Oceanography, 22, 361-369.
Coler, R.A.,and J.P. Rockwood.1984. Water pollution biology .University of ssachusetts at amherest, 38 pp.
Coskun, J.G., Tanik, A., Alganci, U., & Cigizoglu, H. K., (2008). Determination of Environmental Quality of Drinking Water Reservoir by Remote Sensing, GIS and Regression Analysis. Water, Air and Soil Pollution, 194, 275-285.
Congalton, R.G. & Green, K., (2008). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, CRC press, 210 pp.
Dekker, A., and Peters, S. (1993). A TM study of eutrophic lakes in the Netherlands. Int. J. Remote Sensing 14:799–821.
EATON, J.G., AND OTHERS. (1995). A field information-based system for estimating fish temperature tolerances. Fisheries 20: 10-18.
Ekstrand, S. (1992). Landsat TM based quantification of chlorophyll-a during algae blooms in coastal waters. International Journal of Remote Sensing, 13(10), 1913-1926.
Han, L., and Jordan, K. (2005). Estimating and mapping chlorophyll-a concentration in Pensacola Bay, Florida using Landsat ETM+ data. Int. J. Remote Sensing, 26:5245–5254.
Lathrop, R., (1992). Landsat thematic mapper monitoring of turbid inland water quality Photogrammetric Engineering and Remote Sensing 58:465–470.
Lillesand, T.M., W.L. Johnson, R.L. Deuell, O.M. Lindstrom and D.E. Meisner. (2004). Use of Landsat data to predict the trophic state of Minnesota lakes. Photogram. Engr. Remote Sens. 49:219-229.
Loeb, N.G., Kato, S., Su, W., Wong, T., Rose, F.G., Doelling, D.R., Norris, J.R. & Huang, X., (2012). Advances in Understanding Top-of-atmosphere Radiation Variability from Satellite Observations, Surveys in geophysics, 33(3-4), PP. 359-385.
Ma, R., and Dai, J. (2005). Investigation of chlorophyll-a and total suspended matter concentrations using Landsat ETM and field spectral measurement in Taihu Lake, China. Int. J. Remote Sensing 26:2779–2787.
Mather, P. & Tso. B., (2009). Classification Methods for Remotely Sensed Data, CRC press, 376 pp.
Mishra, N., Haque, M.O., Leigh, L., Aaron, D., Helder, D. & Markham, B., (2014). Radiometric Cross Calibration of Landsat8 Operational Land Imager (OLI) and Landsat7 Enhanced Thematic Mapper Plus (ETM+), Remote Sensing, 6 (12), PP. 12619-12638.
Pesta, F., Bhatta, S., Helder, D. & Mishra, N., (2014). Radiometric Non-Uniformity Characterization and Correction of Landsat 8 OLI Using Earth Imagery- Based Techniques, Remote Sensing, 7 (1), PP. 430-446.
Richardson, L. L. (1996). Remote sensing of algal bloom dynamics. Bio- Science, 44, 492–501.
Richards, J.A. & Jia, X., (1999). Remote Sensing Digital Image Analysis, Springer, 454 pp.
Sellner, K.G., Doucette, G.J., Kirkpatrick, G.J., (2003). Harmful algal blooms: causes,impacts and detection. J. Ind. Microbiol. Biotechnol. 3, 383–406.
Sridhar, B., and Vincent, R. (2007). Spectral reflectance measurements of a microcystis bloom in upper Klamath Taylor, R. (1997). That bloomin’ Microcystis: Where’d it come from? Where’d it go? Twine Line, 19, 1.
Vincent, R., Qin, X., McKay, R., Miner, J., Czajkowski, K., Savino, J., and Bridgeman, T. (2004). Phycocyanin detection from Lansat TM data for mapping cyanobacterial blooms.
Wang, F., Han, L., Kung, H., and van Arsdale, R. (2006). Applications of Landsat-5 TM imagery in assessing and mapping water quality in Reelfoot Lake, Tennessee. Int. J. Remote Sensing, 27:5269–5283.
Wen, J., Xiao, Q., and Yang, Y. (2006). Remote sensing estimation of aquatic chlorophyll-a concentration based on Hyperion data in Lake Taihu. Journal of Lake Sciences (Chinese) 18:327–36.
Wetzel, R. G. (1983). Attached algal-substrata interactions: Fact or myth, and when and how In “Periphyton of Freshwater Ecosystems” pp. 207-215.
 
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 2، شماره 2 - شماره پیاپی 2
خرداد 1401
صفحه 51-37
  • تاریخ دریافت: 12 آذر 1400
  • تاریخ بازنگری: 20 اسفند 1400
  • تاریخ پذیرش: 16 فروردین 1401