پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,106,728 |
| تعداد دریافت فایل اصل مقاله | 97,211,869 |
بررسی تغییرات پهنه‌های آبی با استفاده از شاخص‌های آبی و گوگل ارث انجین (مطالعۀ موردی: تالاب‌های شهرستان پلدختر، اﺳﺘﺎن لرستان) | ||
| اکوهیدرولوژی | ||
| مقاله 11، دوره 7، شماره 1، فروردین 1399، صفحه 131-146 اصل مقاله (1.76 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2020.295498.1265 | ||
| نویسندگان | ||
| رضا خسروی1؛ رضا حسن زاده* 2؛ مهدیه حسینجانی زاده2؛ صدیقه محمدی2 | ||
| 1دانشجوی کارشناسی ارشد سنجش از دور زمین‌شناختی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران | ||
| 2استادیار گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران | ||
| چکیده | ||
| زیستگاههای تالابی مهمترین اکوسیستمهای طبیعی کرۀ زمین هستند و نتایج بررسی تغییرات تالاب‌ها، یکی از نیازهای اساسی در مدیریت منابع طبیعی این زیست‌بوم‌های طبیعی است. هدف از انجام تحقیق حاضر، بررسی و مقایسۀ تغییرات تالاب‌های شهرستان پلدختر طی چهار دهۀ گذشته (1985تا 2018) با استفاده از تصاویر ماهوارهای لندست و کاربرد 7 شاخص پهنۀ آبی و گوگل ارث انجین است. این شاخصها شامل AWEInsh، AWEIsh، NDWI، MNDWI، NDWI plus VI، mNDWI plus VI، LSWI plus VI می‌شود و در گوگل ارث انجین از Landsat Water Product استفاده شده است. نتایج به‌دست‌آمده جنبههای مختلفی از توزیع فضایی و زمانی پهنۀ آبی تالاب‌ها را در ۳3 سال اخیر ترسیم میکند. مرز پهنۀ آبی تالاب‌ها با استفاده از شاخص‌های یادشده و سرویس گوگل ارث انجین استخراج شد و سپس، با دادههای واقعی محدودۀ تالاب‌ها مقایسه شدند. نتایج نشان می‌دهد شاخص‌های AWEInsh و AWEIsh با صحت کلی 39/99 و 19/99 درصد و ضریب کاپای 94/0 و 91/0 بهترین شاخصها برای تعیین پهنۀ آبی هستند و اعتبارسنجی نتایج به‌دست‌آمده از سرویس گوگل ارث انجین نشاندهندۀ 87 درصد صحت کلی و ضریب کاپای 86/0 است. این نتایج نشان می‌دهد شاخص‌های آب و گوگل ارث انجین ابزاری مفید برای شناسایی روند افزایشی و کاهشی سطح آب تالاب‌ها هستند که می‌توانند برنامه‌ریزان و سیاست‌گذاران را در حفاظت و مدیریت منابع طبیعی در منطقۀ مطالعه‌شده یاری رسانند. | ||
| کلیدواژه‌ها | ||
| آب‌های سطحی؛ تالاب‌های پلدختر؛ تصاویر لندست؛ شاخص پهنه‌های آبی؛ Engine Google Earth | ||
| مراجع | ||
|
[1]. Emadi, M., et al., An approach for land suitability evaluation using geostatistics, remote sensing, and geographic information system in arid and semiarid ecosystems. Environmental monitoring and assessment, 2010. 164(1-4): p. 501-511. [2]. Wang, C., et al., Long-Term Surface Water Dynamics Analysis Based on Landsat Imagery and the Google Earth Engine Platform: A Case Study in the Middle Yangtze River Basin. Remote Sensing, 2018. 10(10): p. 1635. [3]. Xie, H., et al., Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction. International Journal of Remote Sensing, 2016. 37(8): p. 1826-1844. [4]. Sarp, G. and M. Ozcelik, Water body extraction and change detection using time series: A case study of Lake Burdur, Turkey. Journal of Taibah University for Science, 2017. 11(3): p. 381-391. [5]. Syphard, A.D. and M.W. Garcia, Human-and beaver-induced wetland changes in the Chickahominy River watershed from 1953 to 1994. Wetlands, 2001. 21(3): p. 342-353. [6]. Winter, T.C., et al., Water source to four US wetlands: implications for wetland management. Wetlands, 2001. 21(4): p. 462-473. [7]. Augusteijn, M. and C. Warrender, Wetland classification using optical and radar data and neural network classification. International Journal of remote sensing, 1998. 19(8): p. 1545-1560. [8]. Ozemi, S. and M. Bauer, Satellite Remote Sensing of Wetlands, Wetlands Ecology and Management. 2002. [9]. Zhang, Y., I.O. Odeh, and E. Ramadan, Assessment of land surface temperature in relation to landscape metrics and fractional vegetation cover in an urban/peri-urban region using Landsat data. International Journal of Remote Sensing, 2013. 34(1): p. 168-189. [10]. Qi, H. and M. Altinakar, Simulation-based decision support system for flood damage assessment under uncertainty using remote sensing and census block information. Natural hazards, 2011. 59(2): p. 1125-1143. [11]. Barton, I.J. and J.M. Bathols, Monitoring floods with AVHRR. Remote sensing of Environment, 1989. 30(1): p. 89-94. [12]. Evora, N.D., D. Tapsoba, and D. De Seve, Combining artificial neural network models, geostatistics, and passive microwave data for snow water equivalent retrieval and mapping. IEEE Transactions on Geoscience and Remote Sensing, 2008. 46(7): p. 1925-1939. [13]. Zou, Z., et al., Continued decrease of open surface water body area in Oklahoma during 1984–2015. Science of the Total Environment, 2017. 595: p. 451-460. [14]. Henits, L., C. Jürgens, and L. Mucsi, Seasonal multitemporal land-cover classification and change detection analysis of Bochum, Germany, using multitemporal Landsat TM data. International Journal of Remote Sensing, 2016. 37(15): p. 3439-3454. [15]. Li, N., C. Yan, and J. Xie, Remote sensing monitoring recent rapid increase of coal mining activity of an important energy base in northern China, a case study of Mu Us Sandy Land. Resources, Conservation and Recycling, 2015. 94: p. 129-135. [16]. Rundquist, D.C., et al., THE RELATIONSHIP BETWEEN SUMMER‐SEASON RAINFALL EVENTS AND LAKE‐SURFACE AREA 1. JAWRA Journal of the American Water Resources Association, 1987. 23(3): p. 493-508. [17]. Gao, B.-C., NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 1996. 58(3): p. 257-266. [18]. Xu, H., Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 2006. 27(14): p. 3025-3033. [19]. Chen, B., et al., Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-band SAR and landsat optical images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018. 11(3): p. 852-867. [20]. Wulder, M.A., et al., Current status of Landsat program, science, and applications. Remote sensing of environment, 2019. 225: p. 127-147. [21]. Zhu, Z., et al., Benefits of the free and open Landsat data policy. Remote Sensing of Environment, 2019. 224: p. 382-385. [22]. Huang, H., et al., Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine. Remote Sensing of Environment, 2017. 202: p. 166-176. [23]. Liu, X., et al., High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote sensing of environment, 2018. 209: p. 227-239. [24]. Xiong, J., et al., Nominal 30-m cropland extent map of continental Africa by integrating [25]. Wang, Y., et al., Long-Term Dynamic of Poyang Lake Surface Water: A Mapping Work Based on the Google Earth Engine Cloud Platform. Remote Sensing, 2019. 11(3): p. 313. [26]. Xia, H., et al., Changes in Water Surface Area during 1989–2017 in the Huai River Basin using Landsat Data and Google Earth Engine. Remote Sensing, 2019. 11(15): p. 1824. [27]. McFeeters, S.K., The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 1996. 17(7): p. 1425-1432. [28]. Masocha, M., et al., Surface water bodies mapping in Zimbabwe using landsat 8 OLI multispectral imagery: A comparison of multiple water indices. Physics and Chemistry of the Earth, Parts A/B/C, 2018. 106: p. 63-67. [29]. Feyisa, G.L., et al., Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 2014. 140: p. 23-35. [30]. Menarguez, M.A., Global Water Body Mapping from 1984 to 2014 Using High Resolution Multispectral Satellite Imagery, 2015, University of Oklahoma. [31]. Gorelick, N., et al., Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017. 202: p. 18-27. [32]. Google, P.E.J. and Tags, Google, Data availability (time) Mar 16, 1984 - Oct 18, 2018, Provider. landsat-derived, jrc, google, surface, water, geophysical,ImageID;JRC/GSW1_0/ GlobalSurfaceWater. [33]. Banko, G., A review of assessing the accuracy of classifications of remotely sensed data and of methods including remote sensing data in forest inventory. 1998. [34]. Guide, E.U.s., ENVI on-line software user’s manual. ITT Visual Information Solutions, 2008. | ||
|
آمار تعداد مشاهده مقاله: 1,283 تعداد دریافت فایل اصل مقاله: 1,253 |
||