نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران

2 استادیار/گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران

3 دانشجوی دکتری رشته سنجش از دور و GIS دانشگاه شهید چمران اهواز

10.22108/gep.2020.123228.1309

چکیده

در این پژوهش قابلیت دو نوع تصویر ماهواره‌ای اپتیکی سنتینل-2 (S2B) و لندست 8 (L8) و همچنین قابلیت تلفیق این تصاویر در پهنه‌بندی فصلی شاخص‌های کیفی آب رودخانة کارون ارزیابی شده است. برای هر فصل، 18 باند حاصل از تصاویر اولیه و تصاویر تلفیق‌شده به چهار روش شدت- رنگ- اشباع (IHS)، گرام- اشمیدت (GST)، تبدیل براووی (BT) و تبدیل موجک (WT) به‌منظور یافتن بیشترین ضریب همبستگی با شاخص‌های کیفی NSFWQI و IRWQIsc و درنتیجه محاسبة مدل‌های رگرسیون بهینه به کار رفته است. دو ایدة ارزیابی تأثیر مقدار تک‌پیکسل (1P) یا درنظرگرفتن میانگین یک پنجرة 3*3 (9P) تصاویر ورودی در بهبود ضریب همبستگی بین تصاویر و داده‌های میدانی نیز بررسی شده است.
نتایج نشان داد بهترین نقشه‌های پهنه‌بندی شاخص NSFWQI در فصول بهار، تابستان، پاییز و زمستان به‌ترتیب براساس به‌کارگیری باند 2 تصویر مبتنی بر BT (حالت 9P)، باند 2 تصویر مبتنی بر IHS (حالت 1P)، باند 2 تصویر L8 (حالت 1P) و باند 4 تصویر L8 (حالت 1P) هستند. بهترین نقشه‌های پهنه‌بندی شاخص IRWQIsc در فصول بهار، تابستان، پاییز و زمستان به‌ترتیب براساس به‌کارگیری باند 1 تصویر  L8(حالت 1P)، باند 2 تصویر S2B (حالت 1P)، باند 2 تصویر  L8(حالت 1P) و باند 2 تصویر BT (حالت 1P) به دست آمده‌اند؛ همچنین برمبنای نتایج، روند تغییرات هر دو شاخص در نقشه‌های پهنه‌بندی کیفی از شمال به جنوب منطقة پژوهش در هر فصل بسیار مشابه است. نتایج ارزیابی فصلی هر دو شاخص حاکی از وضعیت نامناسب آب رودخانه در بیشتر روزهای سال است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of Sentinel-2 and Landsat-8 Satellite Images Capability and Evaluation of Image Fusion Capability in Seasonal Zoning of NSFWQI and IRWQIsc Qualitative Indices in Surface Water (Case Study: Karoun River)

نویسندگان [English]

  • Kazem Rangzan 1
  • Mostafa Kabolizadeh 2
  • Danya Karimi 3

1 Associate Professor of Department of Remote Sensing and GIS, Earth Sciences Faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran (*Corresponding Author Email: kazemrangzan@scu.ac.ir)

2 Assistant Professor of Department of Remote Sensing and GIS, Earth Sciences Faculty, Shahid Chamran University of Ahvaz, Ahvaz,Iran

3 PhD Candidate of Remote Sensing and GIS, Earth Sciences Faculty, Shahid Chamran University of Ahvaz, Ahvaz, Iran

چکیده [English]

Extended Abstract
Introduction
Given the importance of surface water for drinking, agriculture, and industry, the protection of these resources against pollution is of great importance for national and regional health.
The integration of satellite imagery to produce data with a higher information level is called image fusion. Fusion methods are generally divided into three categories: pixel-based methods, feature-based methods, and decision-based methods.
The main objective of this research is to optimize seasonal zoning of the water quality indices of Karoun River based on two indices of NSFWQI (National Health Foundation Water Quality Index) and IRWQIsc (Iran Surface Water Quality Index for Conventional Pollutants) and therefore, the fusion of Sentinel-2 and Landsat 8 images will be evaluated. It is noteworthy that based on our knowledge the evaluation of image fusion methods in the field of qualitative indices zoning has not been conducted yet.
 
Materials and Methods
Measured Quality Parameters
Seven sampling stations were selected for seasonal measurement of water quality parameters along a part of the Karoun River in 2018. The measured qualitative parameters included chemical oxygen demand, biological oxygen demand, dissolved oxygen, electrical conductivity, fecal coliform, PH, nitrate, phosphate, total hardness, and turbidity.
 
NSFWQI
NSFWQI was introduced by the US National Health Organization in 1970. In this index, several questionnaires were filled out by experts in the United States, which are the basis for adjusting this index. Based on the answers, a curve was plotted for each parameter to determine the sub-indices of each parameter.
 
IRWQIsc
To evaluate the quality of rivers and compare their pollution rates in Iran concerning natural conditions and water resources problems, an index (IRWQIsc) was introduced to provide a good perspective about the quality status of water resources in Iran.
 
Utilized satellite imageries
Four pairs of geometrically and atmospherically corrected Sentinel-2 and Landsat-8 images were used to seasonally map the water quality indices in the Karoun River.
 
Results and discussion
Calculation of NSFWQI quality index and its seasonal zoning
Using the measured field qualitative parameters and equation, the NSFWQI parameter value was calculated. Next, by calculating the CR value between the input images and this index, optimal regression models based on the maximum CR values were developed to seasonally map the entire region.
 
Calculating the IRWQIsc and its seasonal zoning
Based on the measured qualitative field parameters, the value of the IRWQIsc index was calculated. Next, by calculating the CR value between the input images and this index, optimal regression models based on the maximum CR values were developed to seasonally map the entire region.
 
Conclusion
Comparison of the output maps of NSFWQI and IRWQIsc indices showed that Karoun River's quality status is inappropriate during most of the year and in most areas and it is best to use it with water treatment. According to the NSFWQI index in the NSFWQI2 map of the spring, the qualitative status of the study area changes from bad to moderate and to bad again considering north to south direction. In the summer NSFWQI2 map, the quality of the Karoun River changes from bad to moderate. In the autumn, based on the NSFWQI1 map, the qualitative status changes from bad to medium and again to bad. The qualitative status of the river in the winter shows moderate status. A survey of the qualitative status of the study area based on the IRWQIsc index also shows that in the spring, the river status changes from bad to relatively bad and again to bad. The qualitative change of the region in summer based on the IRWQI2 map changes from bad and relatively bad to relatively good and finally to relatively bad. In the autumn, the IRWQI1 map shows the change from bad to relatively bad and again to bad. In winter, according to the IRWQI2 map, the quality of the Karoun River changes from relatively good to relatively bad.

کلیدواژه‌ها [English]

  • Image fusion
  • Karoun River
  • Sentinel-2
  • IRWQIsc
  • NSFWQI

مقدمه

با توجه به کاربرد آب‌های سطحی در حیطه‌هایی همچون شرب، کشاورزی و صنعت، محافظت از این منابع دربرابر آلودگی اهمیت فراوانی دارد؛ به همین دلیل بررسی کیفیت آب‌های سطحی به‌طور روزافزون در کانون توجه قرار گرفته است. محدودیت کمی و کیفی این منابع و خطر آلودگی آنها براثر منابع مختلف، استفادة بهینه از این منابع و ارزیابی و حفاظت کیفی آنها را ضروری می‌سازد. به‌طور کلی منابع آب سطحی به‌ویژه رودخانه‌ها، پتانسیل زیادی در آلوده‌شدن با انواع آلاینده‌های شهری و صنعتی دارند. توسعة جوامع شهری و در پی آن، افزایش به‌کارگیری منابع آب سطحی، بررسی مداوم پارامترها و شاخص‌های کیفی آب را ضروری کرده است. هر ماده و جسمی که مانع استفادة طبیعی از آب شود، به‌مثابة آلوده‌کنندة آب نام‌گذاری می‌شود. براساس برآورد انجمن محیط‌زیست ایالات متحدة امریکا، حدود یک‌سوم جریان آب جهان آلوده است و اصل حفظ کیفیت آب به هم خورده است (مارامایی، 1396: 20).

 

پیشینة پژوهش

پژوهش‌های زیادی درزمینة بررسی کیفیت آب انجام شده است؛ جداری عیوضی و همکاران (1388) تأثیر پارامترهای مؤثر بر کیفیت شیمیایی آب رودخانة کر واقع در بالادست سد درودزن و دریاچة آن را بررسی کردند؛ همچنین آنها نقش رشد جمعیت و افزایش فاضلاب‌های حاصل از فعالیت‌های کشـاورزی، شـهری و روسـتایی را در کیفیت آب دریاچه مدنظر قرار دادند. نتایج این پژوهش نشان می‌دهد با توجه به استاندارد مجاز کیفیت آب، غلظت یون‌های موجود در آب دریاچة یادشده در حد استاندارد است.

فتاحی مقدم نوقابی (1390) در پایان‌نامة کارشناسی ارشد خود، تصاویر ابرطیفی هایپریون را در برآورد و تهیة نقشة پارامترهای کلروفیل-a، کدورت، رسوب معلق و عمق دیسک سکی[1] به‌مثابة پارامترهای کیفیت آب در رودخانة کارون ارزیابی کرد. نتایج قابلیت زیاد داده‌های این سنجنده را در پهنه‌بندی کیفی آب نشان داد.

فضیلت‌پور (1390) به‌منظور تعیین مناطق مستعد صید ماهی در خلیج فارس، پس از تهیة لایه‌های دمای سطح آب، ارتفاع سطح دریا، غلظت کلروفیل–a و شیب حرارتی سطح آب، نقشة مکان‌های مستعد صید را با استفاده از تصاویر مادیس و روش‌های فازی براساس پارامترهای کیفی یادشده تهیه کرد. نتایج مکان‌های مستعد صید ماهی را در ماههای مختلف سال تعیین کرد.

نوحه‌گر (1390) وضعیت کیفی آب رودخانة میناب را بررسی کرد. براساس روابط آماری به‌دست‌آمده، هدایت الکتریکی با باقی‌ماندة خشک و یون‌های کلرید، سدیم و منیزیم رابطة بسیار خوبی داشت، اما با یون بی‌کربنات رابطة مناسبی نداشت. براساس این پژوهش، گسترش وسیع کشاورزی و درنتیجه دفع سموم و آفت‌کش‌ها موجب کاهش دبی و افزایش غلظت آلاینده‌ها در رودخانه شده است.

رنگزن و همکاران (1391) با استفاده از تصاویر هایپریون و داده‌های میدانی حاصل از 13 ایستگاه، اقدام به مطالعة کیفی رودخانة کارون مبتنی بر دو پارامتر کدورت و عمق دیسک سکی کردند. نتایج داده‌‌های زمینی و سنجش از دور فراطیفی ارتباط زیادی را براساس دو پارامتر همبستگی[2] (R2) و خطای ریشة حداقل مربعات خطا (RMSE[3]) (84/0R2=  و 03/0 =RMSE ;86‌‌/0R2=  ;03/1RMSE= ) به‌ترتیب برای عمق دیسک سکی و کدورت نشان داد.

مارامایی (1396) در پایان‌نامة کارشناسی ارشد خود، دو شاخص کیفی شاخص کیفیت آب بنیاد ملی بهداشت (NSFWQI[4]) و شاخص کیفیت منابع آب سطحی ایران برای آلاینده‌های متعارف (IRWQIsc[5]) را به‌منظور ارزیابی کیفی رودخانة زیارت واقع در بالادست شهر گرگان بررسی کرد. نتایج نشان داد براساس NSFWQI، کیفیت آب رودخانه از بالادست به پایین‌دست در فصل زمستان از وضعیت متوسط به بد تغییر داشته و در فصل تابستان در تمامی ایستگاهها بد بوده است؛ همچنین براساس پارامتر IRWQIsc نیز، کیفیت آب رودخانه از بالادست به پایین‌دست در فصل زمستان از وضعیت متوسط به نسبتاً بد و در فصل تابستان از نسبتاً بد به بد تغییر داشته است.

پورحقی (1397) در تز دکتری خود، دو پارامتر کیفی هدایت الکتریکی و مواد جامد معلق کل در رودخانة کارون را در محدودة بند قیر تا ملاثانی با استفاده از تصویر لندست 8 مبتنی بر روش رگرسیون‌گیری، انفیس و تبدیل موجک بررسی کرد. در این پژوهش، تبدیل موجک به بهبود ضریب همبستگی از %66 به %85 منجر شد.

هدف پژوهش تامینگ و همکاران[6] (2016)، سنجش قابلیت داده‌های سنتینل-2 به‌منظور نقشه‌برداری پارامترهای مختلف کیفیت آب دریاچه برای نخستین‌بار بود. پارامترهای کیفی شامل کلروفیل a، رنگ آب، مادة آلی محلول رنگی و کربن آلی محلول از نه دریاچة کوچک و دو دریاچة بزرگ با داده‌های تصویر سنتینل-2 مقایسه شد. به‌طور کلی نتایج این پژوهشگران نشان داد بین الگوریتم‌های نسبت باندی محاسبه‌شده و پارامترهای آب دریاچه مانند کلروفیل a (83/0 R2=)، مادة آلی محلول رنگی (72/0 R2=) و غلظت کربن آلی محلول (92/0 R2=) همبستگی خوبی وجود دارد. این نتایج ثابت کرد تصویر سنتینل-2، ابزاری ارزشمند برای نظارت بر دریاچه است.

پوتس و همکاران[7] (2018) پس از نمونه‌برداری میدانی از چندین نقطة مخزن آبی به وسعت Km2 250 در جنوب شرق پرتغال، پارامترهای کیفی شامل کدورت، کلروفیل a و سیانوباکتری را با استفاده از تصاویر سنتینل-2 بررسی کردند. مقایسة نتایج آنها با داده‌های میدانی، قابلیت زیاد این تصاویر را در بررسی کیفی آب نشان می‌دهد.

الحاگ و همکاران[8] (2019) با به‌کارگیری تصویر سنتینل-2 پارامترهای کیفی آب را در دریاچة وادی بایش در عربستان سعودی بررسی کردند. نتایج این بررسی نشان داد تجمع کلروفیل a همبستگی زیادی با شاخص کلروفیل بیشینه، تجمع نیترات همبستگی زیادی با شاخص اختلاف پوشش گیاهی نرمال‌شدة سبز و کدورت آب همبستگی زیادی با شاخص اختلاف کدورت نرمال‌شده دارد. به‌طور کلی نتایج این پژوهش، کارآمدبودن تصویر سنتینل-2 را در برآورد پارامترهای کیفی آب در مناطق خشک تأیید کرد.

جهین و همکاران[9] (2020) شاخص کیفی NSFWQI را در آب‌های سطحی منطقه‌‌ای در مصر محاسبه کردند. داده‌های ورودی براساس سنجش همبستگی، آنالیز مؤلفه‌های اصلی و آنالیز فاکتور ارزیابی شد. به‌طور کلی روند تغییرات شاخص بررسی‌شده در این منطقه از حالت ضعیف به حالت خوب تغییر کرده است؛ همچنین نتایج نشان می‌دهد در حالت به‌کارگیری آنالیز مؤلفه‌های اصلی، دقت نتایج بهتر خواهد بود.

گرادیلا هرناندز و همکاران[10] (2020) شاخص جدیدی را به نام شاخص کیفیت آب اکوسیستم ویژه [11](ES-WQI) به‌منظور برآورد کیفیت آب دریاچه‌ای در مکزیک پیشنهاد دادند. این شاخص براساس روش‌های آماری چندمتغیره و توزیع‌های قدیمی داده‌هاست. شاخص پیشنهادی این پژوهشگران تغییرات کیفیت را در طول سال توصیف می‌کند و با توانایی دریاچه برای حمایت از زندگی آبزیان ارتباط دارد؛ زیرا کمترین ارزش تخمین زده‌شده همزمان با بزرگ‌ترین وقایع مرگ‌ومیر ماهیان در دریاچه است؛ علاوه بر این ES-WQI به‌وضوح بین رفتارهای معمولی چرخه‌ای و روند رو به وخامت تمایز قائل می‌شود و تغییرات افزایشی را ردیابی می‌کند.

ادغام تصاویر ماهواره‌ای به‌منظور تولید داده‌ای با سطح اطلاعات بالاتر از تصاویر اولیه را «تلفیق تصویر»[12] می‌نامند  (Rangzan et al.‚ 2019: 481; Bioresita et al.‚ 2019: 1; Suwarsono et al.‚ 2018: 157). به‌طور کلی روش‌های تلفیق به سه دسته تقسیم می‌شوند؛ روش‌های مبتنی بر پیکسل که تلفیق در سطح ویژگی‌های فیزیکی داده و به بیانی در پایین‌ترین سطح پردازش است؛‌‌ تلفیق مبتنی بر ویژگی، تلفیق در سطح ویژگی‌های استخراج‌شده از داده‌هاست و تلفیق در سطح تصمیم، بالاترین سطح تلفیق و براساس تصمیمات تصمیم‌گیرندگان یا تصمیمات حاصل از منابع مختلف است (Rangzan et al., 2020: 1382; Rangzan et al., 2019: 481; Karimi et al., 2016: 768; Karimi et al., 2017: 013017). در این پژوهش، تصاویر اپتیکی سنتینل-2 و لندست 8 براساس تلفیق مبتنی بر پیکسل با یکدیگر ادغام شدند.

هدف اصلی این پژوهش، پهنه‌بندی بهینة شاخص‌های کیفی آب رودخانة کارون مبتنی بر شاخص کیفیت آب بنیاد ملی بهداشت (NSFWQI) و شاخص کیفیت منابع آب سطحی ایران برای آلاینده‌های متعارف (IRWQIsc) به‌صورت فصلی است. در این زمینه قابلیت روش‌های تلفیق تصاویر سنتینل-2 و لندست 8 ارزیابی خواهد شد.

از آنجا که از رودخانة کارون در مصارف شرب، صنعت و کشاورزی استفاده می‌شود، نظارت بر کیفیت آن اهمیت بسزایی دارد؛ به همین دلیل این رودخانه به‌منزلة منطقة پژوهش برگزیده شد. در نخستین مرحله، پهنه‌بندی فصلی شاخص‌های کیفی آب با به‌کارگیری جداگانة تصاویر سنتینل-2 و لندست 8 انجام می‌شود. در مرحلة بعدی، پس از اجرای چهار روش تلفیق پرکاربرد، پهنه‌بندی فصلی شاخص‌های کیفی روی داده‌های تلفیق‌شده اجرا خواهد شد. درنهایت با مقایسة خروجی‌ها، بهترین روش پهنه‌بندی شاخص‌های کیفی آب برای هر فصل انتخاب خواهد شد. گفتنی است براساس دانش نویسندگان پژوهش تا به حال ارزیابی روش‌های تلفیق تصویر درزمینة پهنه‌بندی شاخص‌های کیفی انجام نشده است.

روش‌‌شناسی پژوهش

پارامترهای کیفی اندازه‌گیری‌شده

هفت ایستگاه نمونه‌برداری برای اندازه‌گیری فصلی پارامترهای کیفی آب در طول بخشی از رودخانة کارون در سال 1397 انتخاب شد (شکل 1). پارامترهای کیفی اندازه‌گیری‌شده شامل اکسیژن‌خواهی شیمیایی (COD[13])، اکسیژن‌خواهی زیستی (BOD[14])، اکسیژن محلول (DO[15])، هدایت الکتریکی (EC[16])، کلیفرم مدفوعی (FC[17])، هیدروژن پتانسیل (PH[18])، نیترات[19] (NO3-)، فسفات[20] (PO42-)، سختی کل و کدورت است. جدول 1 مختصات ایستگاههای نمونه‌برداری، جدول 2 تاریخ نمونه‌برداری میدانی و جدول 3 پارامترهای کیفی برداشت‌شده در محل هر ایستگاه را نمایش می‌دهد.

جدول 1. مختصات ایستگاههای نمونه‌برداری

 

ایستگاه 1

ایستگاه 2

ایستگاه 3

ایستگاه 4

ایستگاه 5

ایستگاه 6

ایستگاه 7

x

298823

298275

289314

281575

279875

272254

271845

y

3496195

3488655

3478844

3471295

3468875

3461744

3457825

 

جدول 2. تاریخ نمونه‌برداری میدانی فصلی

 

بهار

تابستان

پاییز

زمستان

تاریخ

2018-04-15 و 16

2018-07-14

2018-10-20 و 21

2018-12-29 و 2019-01-01

 

جدول 3. پارامترهای کیفی میدانی استفاده‌شده

پارامترهای کیفی آب

 

 

ایستگاه های نمونه ‌برداری

EC

( at 25 °C)

(Mg/L) COD

(Mg/L) BOD

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

2100

3240

1558

3060

4/24

8/24

2/25

8/24

6/3

5/2

88/2

33/2

ایستگاه 1

1953

3200

1613

3290

6/25

6/23

4/24

4/26

16/3

24/2

06/3

87/2

ایستگاه 2

1834

3350

1709

2210

4/26

4/24

24

8/26

4/3

92/1

02/3

4/2

ایستگاه 3

1754

3390

1956

2490

6/23

6/25

8/24

24

24/3

82/1

16/3

82/2

ایستگاه 4

1813

3330

1862

2140

2/23

6/25

24

6/27

3/3

22/2

5/3

75/1

ایستگاه 5

 1192

3240

2030

2190

2/23

24

2/23

2/25

3

88/2

3/3

84/2

ایستگاه 6

1276

3280

2260

2330

6/23

2/25

6/23

6/23

1/3

08/3

3

18/2

ایستگاه 7

پارامترهای کیفی آب

 

دما

(Mg/L) DO

PH

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

2/16

25

27

3/23

4/9

1/6

08/6

09/4

8/7

9/7

8

7/7

ایستگاه 1

3/15

25

28

3/23

36/9

24/7

26/6

38/5

9/7

8/7

8

8/7

ایستگاه 2

16

4/24

28

4/23

6/9

72/6

62/7

7

9/7

9/7

9/7

8/7

ایستگاه 3

5/16

8/24

28

25

94/8

02/6

76/5

02/6

8/7

9/7

8

8/7

ایستگاه 4

3/16

2/25

28

23

9

62/6

3/6

04/6

7/7

9/7

8

7/7

ایستگاه 5

5/14

26

29

4/22

5/8

86/6

5/5

54/6

6/7

9/7

1/8

7/7

ایستگاه 6

5/14

3/25

28

7/22

5/8

38/6

4/5

98/5

5/7

8

8

7/7

ایستگاه 7

پارامترهای کیفی آب

 

کدورت

سختی کل

کلیفرم مدفوعی (NO/100ml)

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

78

32

37

5714

-

5/809

5/422

869

110000

46000

9300

21000

ایستگاه 1

73

32

128

219

-

777

5/471

5/793

-

16000

9300

9300

ایستگاه 2

82

40

174

118

-

926

491

562

46000

24000

1500

9300

ایستگاه 3

39

44

30

122

-

5/857

500

611/5

9300

24000

2300

7500

ایستگاه 4

49

41

199

70

-

5/899

5/507

552

15000

2900

9300

21000

ایستگاه 5

2660

28

231

78

-

5/813

5/567

559

46000

2300

9300

24000

ایستگاه 6

2040

43

129

166

-

5/788

5/575

2/577

110000

46000

9300

24000

ایستگاه 7

 

پارامترهای کیفی آب

 

نیترات (PPM)

فسفات (PPM)

 

زمستان

پاییز

تابستان

بهار

زمستان

پاییز

تابستان

بهار

-

71/7

83/6

7/7

-

091/0

036/0

063/0

ایستگاه 1

-

57/7

04/7

41/7

-

048/0

07/0

098/0

ایستگاه 2

-

91/6

59/6

04/7

-

106/0

066/0

079/0

ایستگاه 3

-

48/7

77/6

27/7

-

121/0

035/0

045/0

ایستگاه 4

-

28/7

65/6

92/6

-

114/0

032/0

055/0

ایستگاه 5

-

25/7

7

54/6

-

13/0

072/0

052/0

ایستگاه 6

-

39/7

17/7

43/7

-

11/0

047/0

059/0

ایستگاه 7

                           

شاخصکیفیآبسازمانبهداشتملیامریکا (NSFWQI)

این شاخص زیر نظر سازمان بهداشت ملی امریکا در سال 1970 معرفی شد. در این روش، افراد متخصص و کارشناس در امریکا تعدادی پرسش‌نامه را پر کردند که مبنای تنظیم این شاخص هستند. براساس پاسخ‌ها، برای هریک از پارامترها، یک منحنی ترسیم شد که به کمک آن زیرشاخص‌های هر پارامتر تعیین می‌شود. این شاخص برای طبقه‌بندی کیفی آب‌های سطحی ازلحاظ آشامیدن، شاخصی کامل و بسیار متداول است. این شاخص دید مناسبی دربارة کیفیت آب رودخانه به دست می‌دهد. پارامترهای ورودی در برآورد شاخص یادشده نقش یکسانی ندارند و ضریب وزنی متفاوتی دارند. برای محاسبة این شاخص از رابطة زیر استفاده می‌شود (مارامایی، 1396: 30).

 (1)

 

Wi زیرشاخص هر پارامتر، Qi فاکتور وزنی هر پارامتر و n تعداد پارامتر موجود در سیستم محاسبة شاخص است. برای محاسبة زیرشاخص‌ها از منحنی‌های استاندارد استفاده می‌شود و فاکتورهای وزنی با توجه به تعداد پارامترهای شرکت‌کننده در محاسبة شاخص به دست می‌آیند. فاکتور وزنی نهایی استفاده‌شده در جدول 4 ارائه شده است. براساس معادلة 1، مجموع حاصل‌ضرب مقدار هر پارامتر در وزن آن، مقدار شاخص را به دست می‌دهد؛ بدین ترتیب حتی اگر یکی از زیرشاخص‌ها در شرایط ضعیف واقع شود، شاخص کلی نیز این شرایط ضعیف را بازتاب می‌دهد. این شاخص مقداری بین صفر تا صد دارد و با استفاده از جدول 5 درجه‌بندی می‌شود (مارامایی، 1396: 62).

جدول 4. پارامترهای ورودی شاخص NSFWQI

پارامتر ورودی

توضیحات

وزن

اکسیژن‌خواهی زیستی

میلی‌گرم در لیتر یا PPM BOD‚

11/0

کدورت

Turbidity, NTU  یاJTU

08/0

اکسیژن محلول

DO,  اشباع%

17/0

دما

درجة سانتی‌گراد

10/0

کلیفرم مدفوعی

تعداد در 100 میلی‌لیتر، FC

16/0

نیترات

NO3-, میلی‌گرم در لیتر

10/0

فسفات

PO43-, میلی‌گرم در لیتر

10/0

PH

واحد استاندارد

11/0

کل مواد جامد

TS, PPM

07/0

 

جدول 5. دسته‌بندی مقدار شاخص NSFWQI

مقدار شاخص

25-0

50-25

70-50

90-70

100-90

معادل توصیفی

خیلی بد

بد

متوسط

خوب

عالی

 

شاخصکیفیمنابعآبایران (IRWQIsc)

به‌منظور ارزیابی شرایط کیفیت رودخانه‌ها و مقایسة میزان آلودگی آنها در کشور با توجه به شرایط طبیعی و مسائل و مشکلات منابع آب در ایران، شاخصی با عنوان IRWQIsc معرفی شد که دید مناسبی از وضعیت کیفی منابع آب در ایران ارائه می‌دهد (مارامایی، 1396: 30). در این شاخص نیز، تعدادی منحنی استاندارد به کار می‌رود. جدول 6، وزن هر پارامتر کیفی مؤثر بر محاسبة این شاخص را نمایش می‌دهد. همانند شاخص NSFWQI، این شاخص نیز به‌صورت مجموع حاصل‌ضرب هر پارامتر در وزن آن محاسبه می‌شود. برای تعیین معادل توصیفی شاخص محاسبه‌شده از جدول 7 به‌مثابة راهنما استفاده می‌شود (مارامایی، 1396: 67).

جدول 6. پارامترهای شاخص IRWQISC ووزن‌هایآنها

پارامتر

توضیحات

وزن

اکسیژن‌خواهی زیستی

BOD، میلی‌گرم در لیتر

117/0

اکسیژن‌خواهی شیمیایی

COD ، میلی‌گرم در لیتر

093/0

اکسیژن محلول

DO، اشباع %

097/0

هدایت الکتریکی

میکروزیمنس بر سانتی‌متر

096/0

کلیفرم مدفوعی

تعداد در 100 میلی‌لیتر

14/0

آمونیوم

NH4+، میلی‌گرم در لیتر

09/0

نیترات

NO3- ، میلی‌گرم در لیتر

108/0

فسفات

PO43- ، میلی‌گرم در لیتر

087/0

سختی کل

Total Hardness، میلی‌گرم کربنات در لیتر

059/0

کدورت

Turbidity, NTU

062/0

PH

واحد استاندارد

051/0

 

جدول 7. راهنمایتوصیفیشاخص IRWQIsc

مقدار شاخص

کمتر از 15

15 تا 9/29

30 تا 9/44

45 تا 55

1/55 تا 70

1/70 تا 85

بیشتر از 85

معادل توصیفی

خیلی بد

بد

نسبتاً بد

متوسط

نسبتاً خوب

خوب

بسیار خوب

 

تلفیق تصاویر

توسعة سریع علم سنجش از دور در سال‌های اخیر و گسترش کاربردهای تصاویر چندسنجنده‌ای موجب اهمیت روزافزون تلفیق تصاویر به‌منظور دستیابی به داده‌هایی با اطلاعات طیفی و مکانی بیشتر شده است. هدف از تلفیق داده‌های سنجنده‌های مختلف به معنی ترکیب اطلاعات تصاویر حاصل از دو یا تعداد بیشتری سنجنده، ترکیب اطلاعات مکمل آنها برای به‌دست‌آوردن تصویر یا داده‌ای است که نسبت به تصاویر اولیه، اطلاعات مفید بیشتری دارد (Karimi et al., 2016: 768).

 در این پژوهش از روش‌های مبتنی بر پیکسل به‌منظور تلفیق تصاویر استفاده می‌شود که شامل روش شدت- رنگ- اشباع یا IHS[21] (Pohl and Van Genderen‚ 2016: 101; Liu and Xiao‚ 2018: 46751)، تبدیل گرام-اشمیدت یا GST[22] (SV and Srivatsa, 2018: 77; Pohl and Van Genderen‚ 2016: 109; Rangzan et al.‚ 2019: 481)، تبدیل براووی یا BT[23] (Pohl and Van Genderen‚ 2016: 115; Shahdoosti‚ 2018: 1807) و تبدیل موجک یا WT[24] (Fukuda and Hirosawa‚ 1999: 2282) هستند.

 

تصاویر ماهواره‌ای استفاده‌شده

به‌منظور پهنه‌بندی فصلی شاخص‌های کیفی آب در رودخانة کارون از 4 جفت تصویر سنتینل-2 و لندست 8 استفاده شد. تصاویر سنتینل-2 به‌صورت تصحیح هندسی‌شده از سایت سازمان فضایی اروپا یا ESA (https://scihub.copernicus.eu/dhus/#/home) دانلود شدند. سطح پردازشی این تصاویر، L1C و پلتفرم مدنظر S2B بود. از 13 باند هر تصویر، باندهای 4، 3 و 2 معادل با باندهای قرمز، سبز و آبی به کار رفتند. باند مادون قرمز نزدیک نیز به‌منظور حذف پیکسل‌های خشکی به کار رفت. تصحیح اتمسفری این تصاویر با به‌کارگیری ماژول SEN2COR انجام شد. تصاویر لندست 8 نیز به‌صورت تصحیح هندسی و تصحیح اتمسفری‌شده از سایت USGS (https://earthexplorer.usgs.gov/) با سطح پردازشی L1TP دانلود شدند. باندهای به کار گرفته‌شده از هر تصویر لندست 8 معادل با باندهای به کار گرفته‌شده در تصاویر سنتینل-2 است. جدول زیر مشخصات تصاویر استفاده‌شده در این پژوهش را نمایش می‌دهد.

جدول 8. مشخصات تصاویر ماهواره‌ای استفاده‌شده

قدرت تفکیک مکانی (متر)

تعداد باند

تاریخ تصویربرداری

پلتفرم

سطح پردازشی

تصویر

فصل

10

13

2018-04-13

S2B

L1C

سنتینل-2

بهار

15 و 30

11

2018-04-14

 

L1TP

لندست 8

10

13

2018-07-10

S2B

L1C

سنتینل-2

تابستان

15 و 30

11

2018-07-10

 

L1TP

لندست 8

10

13

2018-10-20

S2B

L1C

سنتینل-2

پاییز

15 و 30

11

2018-10-23

 

L1TP

لندست 8

10

13

2018-12-29

S2B

L1C

سنتینل-2

زمستان

15 و 30

11

2018-12-29

 

L1TP

لندست 8

روش پیشنهادی به‌منظور پهنه‌بندی شاخص‌های کیفی رودخانة کارون

براساس دانش نویسندگان پژوهش، تا به حال تأثیر فرایند تلفیق تصاویر بر فرایند پهنه‌بندی کیفی آب‌ها به‌ویژه پهنه‌بندی شاخص‌های کیفی بررسی نشده است؛ بنابراین در این پژوهش علاوه بر بررسی و مقایسة قابلیت دو نوع تصویر سنتینل-2 و لندست 8 در پهنه‌بندی فصلی شاخص‌های کیفی آب، قابلیت تلفیق این دو نوع تصویر در بهبود نتایج پهنه‌بندی فصلی شاخص‌های کیفی آب ارزیابی می‌شود. چهار روش تلفیق مبتنی بر پیکسل IHS، GST، BT و WT در این پژوهش به کار رفت. انتخاب بهترین تصویر ورودی به‌منظور تولید مدل رگرسیون براساس پارامتر آماری ضریب همبستگی یا CR[25] (معادلة 2) صورت می‌گیرد؛ بدین ترتیب که همبستگی بین عدد رقومی پیکسل (DN[26]) در محل ایستگاه نمونه‌‌برداری با مقدار شاخص کیفی بررسی‌شده محاسبه خواهد شد. تصاویر ورودی در روند محاسبة CR، هم شامل تصاویر اولیة سنتینل-2 و لندست 8 و هم شامل تصاویر حاصل از تلفیق این دو تصویر به چهار روش تلفیق یادشده‌اند. گفتنی است DN تصاویر ورودی به دو صورت در نظر گرفته خواهد شد؛ در حالت اول، میانگین یک پنجرة 3*3 تصویر با مرکزیت ایستگاه نمونه‌برداری (9P) و در حالت دوم، مقدار تک‌پیکسل در محل ایستگاه نمونه‌برداری (1P) برای محاسبة CR در نظر گرفته می‌شود. تصاویری که بیشترین مقدار CR را با شاخص کیفی دارند، در مرحلة بعد یعنی محاسبة مدل‌های آماری استفاده‌شده در پهنه‌بندی کیفی منطقه به کار می‌روند. ارزیابی و صحت‌سنجی نتایج پهنه‌بندی هر شاخص براساس پارامترهای آماری ریشة حداقل مربعات خطا یا RMSE (معادلة 3) و متوسط خطای مطلق یا MAE[27] (معادلة 4) انجام می‌شود.

 

(2)

n تعداد جفت داده‌ها، مجموع محصولات داده‌های زوج، مجموع داده‌های x، مجموع داده‌های y،  مجموع مربع داده‌های x و  مجموع مربع داده‌های y است (Elhag et al., 2019: 556).

 

(3)

 

(4)

XP متغیر پیش‌بینی‌شده، XO متغیر مشاهده‌شده و N تعداد متغیرهای مشاهده‌شده است (همان).

درنهایت روی بهترین نقشة تولیدشده برای هر فصل نیز، اعتبارسنجی متقابل[28] (CV) مبتنی بر K-Fold انجام خواهد شد. گفتنی است این روش به‌ویژه در صورت کم‌بودن داده‌های ورودی، روشی مناسب به‌منظور اعتبارسنجی نتایج است. ماسک‌کردن پیکسل‌های زمین با به‌کارگیری شاخص تفاضلی آب نرمال‌شده (NDWI) با استفاده از معادلة زیر انجام شد:

 

(5)

G، باند سبز و NIR، باند مادون قرمز نزدیک مربوط به تصویر ورودی است. جدول زیر، تعریف اسامی مخفف مربوط به تصاویر ورودی به‌کاررفته در این پژوهش را نشان می‌دهد.

جدول 9. تعریف اسامی مخفف مربوط به تصاویر ورودی

تعریف

مخفف

#

تعریف

مخفف

#

باند 1 تلفیق گرام- اشمیدت تصاویر لندست 8 و سنتینل-2

GST_B1

10

باند 2 تصویر لندست 8

L8_B2

1

باند 2 تلفیق گرام- اشمیدت تصاویر لندست 8 و سنتینل-2

GST_B2

11

باند 3 تصویر لندست 8

L8_B3

2

باند 3 تلفیق گرام- اشمیدت تصاویر لندست 8 و سنتینل-2

GST_B3

12

باند 4 تصویر لندست 8

L8_B4

3

باند 1 تلفیق IHS تصاویر لندست 8 و سنتینل-2

IHS_B1

13

باند 2 تصویر سنتینل-2

S2B_B2

4

باند 2 تلفیق IHS تصاویر لندست 8 و سنتینل-2

IHS_B2

14

باند 3 تصویر سنتینل-2

S2B_B3

5

باند 3 تلفیق IHS تصاویر لندست 8 و سنتینل-2

IHS_B3

15

باند 4 تصویر سنتینل-2

S2B_B4

6

باند 1 تلفیق موجک تصاویر لندست 8 و سنتینل-2

WT_B1

16

باند 1 تلفیق براووی تصاویر لندست 8 و سنتینل-2

BT_B1

7

باند 2 تلفیق موجک تصاویر لندست 8 و سنتینل-2

WT_B2

17

باند 2 تلفیق براووی تصاویر لندست 8 و سنتینل-2

BT_B2

8

باند 3 تلفیق موجک تصاویر لندست 8 و سنتینل-2

WT_B3

18

باند 3 تلفیق براووی تصاویر لندست 8 و سنتینل-2

BT_B3

9

 

منطقة پژوهش

منطقة پژوهش، بخشی از رودخانة کارون در استان خوزستان، جنوب غرب ایران بین عرض جغرافیایی شمالی از '20 °31 تا '30 °31 و طول‌های شرقی ''00 '35 °48 تا ''00 '59 °48 است (شکل 1). رودخانة کارون در جنوب غربی کشور واقع شده و از چندین شهر عبور می‌کند که مهم‌ترین آن اهواز، مرکز استان خوزستان است. کیفیت آب در رودخانة کارون به دلیل افزایش برداشت آب و تخلیة فاضلاب در معرض خطر است؛ به‌علاوه رعایت استانداردهای کیفیت آب شرب و کیفیت محیط‌زیست منابع آب تا حد زیادی مختل شده است؛ بنابراین نظارت مداوم و دقیق بر کیفیت آب منطقة پژوهش اهمیت زیادی دارد.

 

شکل 1. منطقة بررسی‌شده. قسمت بالا، موقعیت منطقه؛

قسمت پایین، موقعیت ایستگاههای نمونه‌برداری و شهرهای پیرامون منطقه

یافته‌های پژوهش

به‌منظور محاسبة مدل‌های رگرسیون پهنه‌بندی شاخص‌های کیفی، همبستگی بین مقدار شاخص‌های کیفی و عدد رقومی هر پیکسل یا DNتصاویر ورودی محاسبه شد. همان‌گونه که پیش از این نیز بیان شد، DN تصاویر ورودی به دو صورت در نظر گرفته شد؛ در حالت اول، براساس پیشنهاد دویدار و خدر[29] (2005)، میانگین یک پنجرة 3*3 تصویر (9P) با مرکزیت ایستگاه نمونه‌برداری به‌منظور حذف خطای مربوط به ثبت دقیق محل ایستگاه نمونه‌برداری محاسبه و در نظر گرفته شد. در این حالت، ایستگاه نمونه‌‌برداری در مرکز پنجره قرار دارد؛ در حالت دوم، مقدار تک‌پیکسل (1P) در محل ایستگاه نمونه‌برداری برای محاسبة CR در نظر گرفته شد. در این حالت، DN یک پیکسل تصویر شامل ایستگاه نمونه‌برداری در نظر گرفته می‌شود. درنهایت نتایج این دو حالت مقایسه شد.

 

تلفیق مبتنی بر پیکسل تصاویر سنتینل-2 و لندست 8

همان‌طور که پیش از این اشاره شد، تلفیق تصاویر موجب ادغام اطلاعات مفید دو یا چند تصویر و تولید داده‌ای با سطح اطلاعات مفید بیشتر می‌شود؛ همچنین با توجه به اینکه بیشتر پژوهش‌های مربوط به کیفیت آب‌ها بر به‌کارگیری تصاویر ماهواره‌ای به‌صورت منفرد مبتنی است و تا به حال تأثیر فرایند تلفیق تصاویر بر نتایج پهنه‌بندی شاخص‌های کیفی آب بررسی نشده است، در این پژوهش به‌منظور پهنه‌بندی شاخص‌های کیفی رودخانة کارون، چهار روش پرکاربرد تلفیق تصاویر به نام‌های IHS، GST،BT  و WT برای تلفیق تصاویر اپتیکی سنتینل-2 و لندست 8 به کار گرفته شد. در روند انجام تلفیق، ترکیب رنگی طبیعی 2-3-4 تصویر لندست 8 با قدرت تفکیک مکانی 30 متر به‌مثابة تصویر چندطیفی یا مولتی‌اسپکترال و باند آبی تصویر سنتینل-2 با قدرت تفکیک مکانی 10 متر به‌مثابة تصویر پانکروماتیک در نظر گرفته شد. شکل زیر، خروجی روش‌های تلفیق را نمایش می‌دهد.

 

الف

 

ب

 

پ

 

ت

 

ث

 

ج

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 2. الف. تصویر لندست 8 منطقة بررسی‌شده؛ ب. بخش بزرگنمایی‌شدة تصویر لندست 8 و

تصاویر تلفیق‌شده به روش پ. GST؛ ت. IHS؛ ث. WT و ج. BT

به‌منظور ارزیابی نتایج تلفیق تصاویر، دو پارامتر نسبت سیگنال به نویز[30] (SNR) و CR بین تصویر لندست 8 و هریک از تصاویر حاصل از تلفیق محاسبه شد (جدول 10). با توجه به این جدول، روش تلفیق GST، بیشترین مقدار همبستگی و بیشترین مقدار سیگنال به نویز را دارد. روی هم رفته مقادیر همبستگی خروجی تمامی روش‌های تلفیق با تصویر لندست 8، مقادیر زیادی است که موفق‌بودن روش‌های تلفیق را در حفظ اطلاعات تصویر نشان می‌دهد.

جدول 10. مقایسة آماری تصاویر تلفیق‌شده با تصویر لندست 8

 

BT

GST

IHS

WT

CR

8911/0

9201/0

9144/0

8893/0

SNR

62/17

85/18

61/16

88/16

 

محاسبة شاخص کیفی NSFWQI براساس داده‌های میدانی

با درنظرگرفتن پارامترهای کیفی میدانی اندازه‌گیری‌شده (جدول 3) و معادلة ، مقدار پارامتر NSFWQI به‌صورت زیر محاسبه شد (جدول 11).

جدول 11. مقدار شاخص NSFWQI در ایستگاههای منطقة بررسی‌شده در سال 1397

ایستگاهها

بهار

تابستان

پاییز

زمستان

1

48

58

58

50

2

52

55

59

64

3

56

60

61

52

4

54

59

59

57

5

58

55

61

56

6

57

52

62

53

7

54

52

57

52

 

همان‌طور که در جدول بالا دیده می‌شود، مقدار NSFWQI در محل ایستگاههای نمونه‌برداری در تمامی فصول و تمامی ایستگاهها (جز ایستگاه 1 در فصل بهار)، در کلاس 50 تا 70 یعنی در وضعیت متوسط قرار دارد. در مرحلة بعد، برای محاسبة مدل‌های رگرسیون بهینه به‌منظور پهنه‌بندی کل منطقه‌، مقدار پارامتر آماری CR بین شاخص کیفی بررسی‌شده با هریک از باندهای تصاویر اولیه و باندهای تصاویر تلفیق‌شده محاسبه شد (جداول 12 و 13). همان‌گونه که پیش از این بیان شد، دو سناریو به‌منظور محاسبة CR به کار رفت که شامل حالت 9P و حالت 1P است.

جدول 12. همبستگی بین شاخص NSFWQI حاصل از داده‌های میدانی و DN تصاویر ورودی در حالت 9P

فصول سال

تصاویر ورودی

 

S2B_B2

S2B _B3

S2B _B4

BT_B1

BT_B2

BT_B3

GST_B1

GST_B2

GST_B3

 

بهار

38/0

17/0

07/0

17/0

47/0

33/0

19/0

41/0

27/0

تابستان

77/0-

58/0-

36/0-

77/0-

52/0-

67/0-

58/0-

61/0-

53/0-

پاییز

37/0

36/0

26/0

27/0-

69/0

38/0

21/0-

52/0

41/0

زمستان

1/0-

28/0

31/0

46/0-

01/0-

02/0-

12/0-

07/0-

12/0-

 

IHS_B1

IHS_B2

IHS_B3

WT_B1

WT_B2

WT_B3

 

بهار

27/0

44/0

35/0

16/0

33/0

26/0

تابستان

7/0-

52/0-

66/0-

43/0-

56/0-

52/0-

پاییز

09/0-

65/0

4/0

13/0-

31/0-

27/0-

زمستان

37/0-

23/0-

1/0-

07/0-

11/0-

13/0-

اعداد قرمزرنگ موجود در جدول، بیشترین مقادیر همبستگی را نشان می‌دهند.

شکل زیر، نمودار مقادیر همبستگی بین شاخص NSFWQI و تصاویر ورودی در 4 فصل سال را در حالت 9P نمایش می‌دهد که هر ستون این شکل به یک تصویر ورودی مربوط است. همان‌طور که در جدول 12 و شکل 3 دیده می‌شود، در حالت 9P به‌منظور محاسبة CR با شاخص کیفی NSFWQI، بیشترین مقدار CR در فصل بهار با تصویر BT_B2 به میزان 47/0، بیشترین مقدار CR در فصل تابستان با تصویر BT_B1 به میزان 77/0-، بیشترین مقدار CR در فصل پاییز با تصویر BT_B2 به میزان 69/0 و بیشترین مقدار CR در فصل زمستان با تصویر BT_B1 به میزان 46/0- است. در حالت 9P، تصویر تلفیق‌شده به روش BT، بیشترین مقدار CR را در تمامی فصول سال داشته است.

 

شکل 3. نمودار مقادیر همبستگی بین شاخص NSFWQI و تصاویر ورودی در حالت 9P

(هر ستون به یک تصویر ورودی مربوط است)

جدول 13. همبستگی بین شاخص NSFWQI حاصل از داده‌های میدانی و DN تصاویر ورودی در حالت 1P

فصول سال

تصاویر ورودی

L8_B2

L8_B3

L8_B4

S2B_B2

S2B _B3

S2B _B4

BT_B1

BT_B2

BT_B3

بهار

64/0

38/0

25/0

28/0

1/0

03/0

05/0

45/0

11/0

تابستان

34/0-

48/0-

46/0-

73/0-

48/0-

1/0-

61/0-

45/0-

57/0-

پاییز

82/0

52/0

42/0

23/0

009/0-

24/0-

55/0-

67/0

24/0

زمستان

44/0

45/0

48/0

22/0-

03/0-

5/0

35/0-

14/0-

14/0-

 

تصاویر ورودی

GST_B1

GST_B2

GST_B3

IHS_B1

IHS_B2

IHS_B3

WT_B1

WT_B2

WT_B3

بهار

001/0

38/0

23/0

08/0

36/0

13/0

23/0

18/0

13/0

تابستان

6/0-

67/0-

48/0-

77/0-

49/0-

58/0-

36/0-

39/0-

31/0-

پاییز

17/0-

33/0-

28/0

48/0-

58/0

23/0

42/0-

51/0-

43/0-

زمستان

26/0

17/0-

4/0-

08/0-

07/0

23/0-

27/0-

32/0-

41/0-

اعداد قرمزرنگ موجود در جدول، بیشترین مقادیر همبستگی را نشان می‌دهند.

شکل زیر، نمودار مقادیر همبستگی را بین شاخص NSFWQI و تصاویر ورودی در 4 فصل سال در حالت 1P نمایش می‌دهد که هر ستون این شکل به یک تصویر ورودی مربوط است. همان‌طور که در جدول 13 و شکل 4 دیده می‌شود، در حالت 1P، مقدار بیشینة CR در فصل بهار مربوط به تصویر L8_B2 و معادل با 64/0، مقدار بیشینة CR در فصل تابستان مربوط به تصویر IHS_B1 و معادل با 77/0-، مقدار بیشینة CR در فصل پاییز مربوط به تصویر L8_B2 و معادل با 82/0 و مقدار بیشینة CR در فصل زمستان مربوط به تصویر L8_B4 و معادل با 48/0 است. در حالت 1P تصویر لندست 8 و تصویر تلفیق‌شده به روش IHS، بیشترین CR را داشته‌اند. گفتنی است به دلیل اندازة پیکسل 30متری، برای محاسبة مقدار CR بین باندهای تصویر لندست 8 و شاخص‌های کیفی، فقط حالت 1P در نظر گرفته شد.

 

شکل 4. نمودار مقادیر همبستگی بین شاخص NSFWQI و تصاویر ورودی در حالت 1P

(هر ستون به یک تصویر ورودی مربوط است)

محاسبة مدل‌های رگرسیون و پهنه‌بندی فصلی شاخص NSFWQI

در کنار 6 باند مربوط به دو تصویر اولیة سنتینل-2 و لندست 8، تعداد 12 باند تصویری جدید براساس اجرای چهار روش تلفیق تصویر به دست آمد. همان‌گونه که در جداول 12 و 13 دیده می‌شود، روش‌های تلفیق موجب تولید داده‌های ورودی با مقدار CR جالب توجه با شاخص NSFWQI شد؛ درواقع تصاویر مناسب برای استخراج مدل‌های رگرسیون بهینه براساس بیشترین مقدار CR، مقدار زیاد F-Ratio و مقدار کم خطای استاندارد بین هر تصویر ورودی و شاخص NSFWQI انتخاب شد (جدول 14).

جدول 14. پارامترهای آماری مربوط به رابطة بین شاخص NSFWQI و تصاویر ورودی در بهترین حالت CR

NSFWQI2_زمستان

NSFWQI1_زمستان

NSFWQI21_ پاییز

NSFWQI1_پاییز

NSFWQI2_ تابستان

NSFWQI1_تابستان

NSFWQI2_بهار

NSFWQI1_بهار

 

 

پارامترهای آماری

46/0-

48/0

69/0

82/0

77/0-

77/0-

47/0

64/0

CR

57/4

53/4

45/1

13/1

24/2

25/2

27/3

84/2

خطای استاندارد

36/1

48/1

41/4

4/10

49/7

38/7

43/1

53/3

F-Ratio

 

معادلات زیر، مدل‌های رگرسیون به‌منظور پهنه‌بندی شاخص کیفی NSFWQI برای هر فصل سال مبتنی بر CR بیشینه در دو حالت 1P و 9P (جداول 12 و 13) هستند:

NSFWQI1_spring= 0.105625*X1+ 38.91775

(6)

NSFWQI2_spring = 0.0883*X2+ 43.20632

(7)

X1 نشان‌دهندة L8_B2 در حالت 1P و X2 نشان‌دهندة BT_B2 در حالت 9P است. NSFWQI1_spring و NSFWQI2_spring به‌ترتیب نشان‌دهندة دو نقشة پهنه‌بندی شاخص NSFWQI فصل بهار در بهترین مقدار CR (جداول 12 و 13) هستند.

NSFWQI1_summer= -0.22193*X3+ 82.7424

(8)

NSFWQI2_summer = -0.15392*X4+ 75.58028

(9)

     

 

X3 نشان‌دهندة BT_B1 در حالت 9P و X4 نشان‌دهندة IHS_B1 در حالت به‌کارگیری 1P است.NSFWQI1_ summer و NSFWQI2_ summer به‌ترتیب نشان‌دهندة دو نقشة پهنه‌بندی شاخص NSFWQI فصل تابستان در بهترین مقدار CR (جداول 12 و 13) هستند.

NSFWQI1_autumn= 0.072187*X5+ 49.16613

(10)

NSFWQI2_autumn = 0.068629*X6+51.07125

(11)

X5 نشان‌دهندة L8_B2 در حالت 1P و X6 نشان‌دهندة BT_B2 در حالت 9P است. NSFWQI1_ autumn و NSFWQI2_ autumn به‌ترتیب نشان‌دهندة دو نقشة پهنه‌بندی شاخص NSFWQI فصل پاییز در بهترین مقدار CR (جداول 12 و 13) هستند.

NSFWQI1_winter= 0.045164*X7+ 46.66963

(12)

NSFWQI2_winter = -0.19302*X8+ 78.23958

(13)

 

X6 نشان‌دهندة L8_B4 در حالت 1P و X7 نشان‌دهندة BT_B1 در حالت 9P است. NSFWQI1_ winter و NSFWQI2_ winter به‌ترتیب نشان‌دهندة دو نقشة پهنه‌بندی شاخص NSFWQI فصل زمستان در بهترین مقدار CR (جداول 12 و 13) هستند.

در مرحلة بعد، نقشه‌های پهنه‌بندی شاخص کیفی NSFWQI با استفاده از مدل‌های رگرسیون بهینه تهیه شدند که بعضی از آنها در ادامه نشان داده شده‌اند (شکل 5).

 

ب

 

ت

 

پ

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 5. نقشه‌های پهنه‌بندی فصلی شاخص NSFWQI (نقشة سمت راست، بخش بزرگنمایی‌شدة نقشة سمت چپ است). الف. نقشة فصل بهار براساس مدل NSFWQI2_spring؛ ب. نقشة فصل تابستان براساس مدل NSFWQI2_spring؛پ. نقشة فصل پاییز براساس مدل NSFWQI1_autumn؛ ت. نقشة فصل زمستان براساس مدل NSFWQI1_winter

جدول 15، نتایج صحت‌سنجی نقشه‌های بالا را نمایش می‌دهد. منظور از صحت‌سنجی، مقایسة دادة مشاهداتی یا واقعی با دادة پیش‌بینی‌شده در محل ایستگاه نمونه‌برداری است. همان‌طور که در بخش روش پیشنهادی شرح داده شد، در این پژوهش از دو پارامتر آماری RMSE و MAE به‌منظور صحت‌سنجی استفاده می‌شود که فرمول‌بندی این دو پارامتر پیش از این بیان شده است. این دو پارامتر سنجش دقیقی از صحت را به دست می‌دهند که در پژوهش‌های مختلف به فراوانی به کار گرفته می‌شوند.

گفتنی است دادة مشاهداتی، دادة حاصل از پارامترهای میدانی و دادة پیش‌بینی‌شده، دادة حاصل از مدل‌های پیشنهادی است. درنهایت بهترین نقشة هر فصل نیز، اعتبارسنجی متقابل خواهد شد.

جدول 15. نتایج صحت‌سنجی نقشه‌های پهنه‌بندی شاخص NSFWQI

NSFWQI نقشه‌های فصلی شاخص

 

NSFWQI2_

زمستان

 

NSFWQI1_

زمستان

 

 

NSFWQI2_

پاییز

NSFWQI1_

پاییز

NSFWQI2_ تابستان

 

NSFWQI1_

تابستان

 

 

 

NSFWQI2_

بهار

 

 

NSFWQI1_

بهار

 

5/4

15/4

59/6

7/5

19/8

49/15

21/7

6/8

RMSE

86/3

7/3

42/6

48/5

07/7

92/13

54/6

82/7

MAE

مقادیر پررنگ و قرمزرنگ موجود در جدول، بهترین دقت را نشان می‌دهند.

همان‌طور که در جدول بالا دیده می‌شود، در فصل بهار نقشة NSFWQI2 مبتنی بر BT_B2 (در حالت 9P)، در فصل تابستان نقشة NSFWQI2 مبتنی بر  IHS_B1(در حالت 1P)، در فصل پاییز نقشة NSFWQI1 مبتنی بر L8_B2 (در حالت 1P) و در فصل زمستان نقشة NSFWQI1 مبتنی بر L8_B4 (در حالت 1P)، بهترین دقت را داشتند. مقدار RMSE نقشه‌های بهینة پهنه‌بندی شاخص NSFWQI در فصول بهار تا زمستان به‌ترتیب معادل با 21/7، 19/8، 7/5 و 15/4 است. این نتایج نشان می‌دهد بهترین دقت به نقشة فصل زمستان مربوط است. مشاهده می‌شود که برای دو فصل بهار و تابستان، نقشه‌های بهینة پهنه‌بندی شاخص NSFWQI در حالت به‌کارگیری تصاویر تلفیق‌شده به روش BT و IHS به دست آمده است که این نکته اهمیت و کارآمدبودن تلفیق تصاویر را در بهبود نتایج پهنه‌بندی در این دو فصل نشان می‌دهد. نتایج اعتبارسنجی متقابل (CV) مبتنی بر کلاس‌های تشخیص داده‌شده در حالت بهترین نقشه‌های شاخص NSFWQI در فصول بهار تا زمستان به‌ترتیب %43، %57، %97 و %98 است.

 

محاسبة شاخص IRWQIsc

همان‌گونه که پیش از این گفته شد، براساس پارامترهای کیفی میدانی اندازه‌گیری‌شده (جدول 3)، مقدار شاخص IRWQIsc همانند شاخص NSFWQI به‌صورت مجموع حاصل‌ضرب هر پارامتر در وزن آن محاسبه و مقادیر آن در جدول 16 نمایش داده شد.

جدول 16. مقدار شاخص IRWQIsc در منطقة بررسی‌شده در سال1397

ایستگاه‌ها

بهار

تابستان

پاییز

زمستان

1

7/26

5/42

2/34

2/37

2

6/33

2/40

38

4/58

3

7/39

2/44

1/36

3/40

4

4/38

5/43

8/34

5/47

5

2/37

3/39

5/39

3/44

6

6/37

9/36

1/40

6/32

7

5/35

4/38

5/34

1/30

همان‌گونه که در جدول بالا دیده می‌شود، بیشتر ایستگاههای بررسی‌شده در بیشتر فصول سال ازنظر شاخص IRWQIsc وضعیت نسبتاً بد دارند. ایستگاه 1 در فصل بهار وضعیت بد، ایستگاه 2 در فصل زمستان وضعیت نسبتاً خوب و ایستگاه 4 در فصل زمستان وضعیت متوسط دارند.

همانند شاخص NSFWQI، برای شاخص IRWQIsc نیز همبستگی با تصاویر ورودی در دو حالت محاسبه می‌شود؛ در حالت 9P (جدول 17) و در حالت 1P (جدول 18).

 

جدول 17. همبستگی بین شاخص IRWQIsc حاصل از داده‌های میدانی و DN تصاویر ورودی در حالت 9P

فصول سال

تصاویر ورودی

 

S2B_B2

S2B _B3

S2B _B4

BT_B1

BT_B2

BT_B3

GST_B1

GST_B2

GST_B3

 

بهار

03/0-

17/0-

21/0-

11/0-

11/0

02/0-

02/0-

06/0

04/0-

تابستان

83/0-

69/0-

48/0-

72/0-

64/0-

72/0-

57/0-

69/0-

58/0-

پاییز

69/0

73/0

56/0

01/0

85/0

67/0

07/0

73/0

6/0

زمستان

36/0-

1/0

21/0

74/0-

16/0-

23/0-

35/0-

27/0-

27/0-

 

IHS_B1

IHS_B2

 

IHS_B3

 

 

WT_B1

 

WT_B2

 

WT_B3

 

بهار

11/0-

05/0

02/0-

09/0-

16/0-

12/0-

تابستان

71/0-

64/0-

72/0-

53/0-

41/0-

51/0-

پاییز

21/0

76/0

66/0

39/0

57/0

48/0

زمستان

59/0-

37/0-

31/0-

42/0-

36/0-

31/0-

 

اعداد قرمزرنگ موجود در جدول، بیشترین مقادیر همبستگی را نشان می‌دهند.

شکل زیر، نمودار مقادیر همبستگی را بین شاخص IRWQIsc و تصاویر ورودی در 4 فصل سال در حالت 9P نمایش می‌دهد که هر ستون این شکل به یک تصویر ورودی مربوط است. همان‌طور که در جدول 17 و شکل 6 دیده می‌شود، در حالت 9P، بیشترین مقدار CR در فصل بهار مبتنی بر تصویر S2B _B4 و معادل با 21/0-، بیشترین مقدار CR در فصل تابستان مبتنی بر تصویر S2B_B2 و معادل با 83/0-، بیشترین مقدار CR در فصل پاییز مبتنی بر تصویر BT_B2 و معادل با 85/0 و بیشترین مقدار CR در فصل زمستان مبتنی بر تصویر BT_B1 و معادل با 74/0- است. در حالت 9P، تصویر تلفیق‌شده به روش BT، بیشترین مقدار CR را در فصول پاییز و زمستان داشته است.

 

شکل 6.نمودار مقادیر همبستگی بین شاخص IRWQIsc و تصاویر ورودی در حالت 9P

(هر ستون به یک تصویر ورودی مربوط است)

 

جدول 18. همبستگی بین شاخص IRWQIsc حاصل از داده‌های میدانی و DN تصاویر ورودی در حالت 1P

فصول سال

تصاویر ورودی

L8_B2

L8_B3

L8_B4

S2B_B2

S2B _B3

S2B _B4

BT_B1

BT_B2

BT_B3

بهار

41/0

19/0

05/0

07/0-

11/0

18/0

008/0-

1/0

22/0-

تابستان

48/0-

54/0-

52/0-

76/0-

48/0-

08/0-

49/0-

56/0-

6/0-

پاییز

98/0

82/0

75/0

51/0

11/0

06/0-

32/0-

77/0

5/0

زمستان

3/0

3/0

3/0

46/0-

3/0-

36/0

62/0-

25/0-

29/0-

فصول سال

تصاویر ورودی

GST_B1

GST_B2

GST_B3

IHS_B1

IHS_B2

IHS_B3

 

WT_B1

 

WT_B2

 

WT_B3

بهار

32/0-

11/0

03/0-

06/0-

04/0

19/0-

23/0-

11/0

07/0

تابستان

63/0-

68/0-

49/0-

66/0-

58/0-

61/0-

47/0-

53/0-

44/0-

پاییز

32/0

53/0

35/0

07/0-

78/0

45/0

31/0-

42/0

27/0-

زمستان

06/0

42/0-

53/0-

41/0-

07/0

39/0-

36/0-

29/0-

33/0-

                     

اعداد قرمزرنگ موجود در جدول، بیشترین مقادیر همبستگی را نشان می‌دهند.

شکل زیر، نمودار مقادیر همبستگی را بین شاخص IRWQIsc و تصاویر ورودی در 4 فصل سال در حالت 1P نمایش می‌دهد که هر ستون این شکل به یک تصویر ورودی مربوط است. همان‌طور که در جدول 18 و شکل 7 دیده می‌شود، در حالت 1P، بیشترین مقدار CR در فصل بهار مبتنی بر تصویر L8_B2 و معادل با 41/0، بیشترین مقدار CR در فصل تابستان مبتنی بر تصویر S2B_B2 و معادل با 76/0-، بیشترین مقدار CR در فصل پاییز مبتنی بر تصویر L8_B2 و معادل با 98/0 و بیشترین مقدار CR در فصل زمستان مبتنی بر تصویر BT_B1 و معادل با 62/0- است. درنتیجه در حالت 1P، تصویر تلفیق‌شده به روش BT، بیشترین مقدار CR را فقط در فصل زمستان نشان داد.

 

شکل 7.نمودار مقادیر همبستگی بین شاخص IRWQIsc و تصاویر ورودی در حالت 1P

(هر ستون به یک تصویر ورودی مربوط است)

 

پهنه‌بندی فصلی شاخص کیفی IRWQIsc

با توجه به داده‌های جداول 17 و 18، برای 4 فصل سال، تصاویر تلفیق‌شده نیز جزو تصاویری بودند که همبستگی جالب توجهی را با شاخص IRWQIsc داشتند. در این مرحله مدل‌های بهینة رگرسیون مبتنی بر بیشترین مقادیر CR (جداول 17 و 18) به‌منظور پهنه‌بندی فصلی شاخص کیفی IRWQIsc در دو حالت 1P و 9P محاسبه شدند. مدل‌های به‌دست‌آمده در ادامه نشان داده شده‌اند:

IRWQI1_spring= 0.085904*X1+ 23.14618

(14)

IRWQI2_spring = -0.09543*X2+48.3707

(15)

 

X1نشان‌دهندة L8_B2 در حالت 1P و X2نشان‌دهندة GST_B1 در حالت 1P است. IRWQI1_springو IRWQI2_spring، نقشه‌های شاخص IRWQI فصل بهار هستند که به‌ترتیب براساس معادلات 14 و 15 به دست آمده‌اند. همان‌گونه که پیش از این بیان شد، این معادلات براساس بیشترین مقدار CR بیان‌شده در جداول 17 و 18 محاسبه شده‌اند.

IRWQI1_summer= -0.13976*X3+59.96095

(16)

IRWQI2_summer = -0.12912*X4+59.15975

(17)

X3و X4نشان‌دهندة S2B_B2 به‌ترتیب در حالت 9P و 1P هستند. IRWQI1_summerو IRWQI2_summer، نقشه‌های شاخص IRWQI فصل تابستان هستند که به‌ترتیب براساس معادلات 16 و 17 به دست ‌آمده‌اند.

IRWQI1_autumn= 0.11678*X5+ 19.9098

(18)

IRWQI2_autumn = 0.11589*X6+ 22.38911

(19)

 

X5 نشان‌دهندة L8_B2 در حالت 1P و X6 نشان‌دهندة BT_B2 در حالت 9P است. IRWQI1_autumn و IRWQI1_autumn، نقشه‌های شاخص IRWQI فصل پاییز هستند که به‌ترتیب براساس معادلات 18 و 19 به دست ‌آمده‌اند.

IRWQI1_winter= -0.63663*X7+ 118.6091

(20)

IRWQI2_ winter = -0.39291*X8+ 92.00235

(21)

X7و X8نشان‌دهندة BT_B1 به‌ترتیب در حالت 9P و 1P هستند. نقشه‌های IRWQI1_winterو IRWQI1_winter، نقشه‌های شاخص IRWQI فصل زمستان هستند که به‌ترتیب براساس معادلات 20 و 21 به دست ‌آمده‌اند.

نقشه‌های زیر، بعضی از نقشه‌های پهنه‌بندی فصلی شاخص IRWQIsc هستند که براساس مدل‌های رگرسیون بهینة بالا تهیه شده‌اند.

 

الف

 

پ

 

ت

 

ب

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 8. نقشه‌های پهنه‌بندی فصلی شاخص IRWQIsc (نقشة سمت راست، بخش زوم‌شدة نقشة سمت چپ است). الف. نقشة فصل بهار براساس مدل IRWQIsc1_spring؛ ب. نقشة فصل تابستان براساس مدل IRWQIsc2_spring؛ پ. نقشة فصل پاییز براساس مدل IRWQIsc1_autumn؛ ت. نقشة فصل زمستان براساس مدل IRWQIsc2_winter.

جدول 19، صحت‌سنجی نقشه‌های فصلی شاخص IRWQIsc را نمایش می‌دهد.

جدول 19. نتایج صحت‌سنجی نقشه‌های پهنه‌بندی شاخص IRWQIsc

IRWQI نقشه‌های فصلی شاخص

 

 

IRWQI2_

زمستان

 

IRWQI1_

زمستان

 

 

 

IRWQI21_

پاییز

 

IRWQI1_

پاییز

IRWQI2_ تابستان

 

IRWQI1_

تابستان

 

 

 

IRWQI2_

بهار

 

 

IRWQI1_

بهار

 

01/7

13/9

11

16/9

93/6

03/8

92/8

42/7

RMSE

98/5

82/7

84/10

81/8

66/5

55/6

03/8

89/6

MAE

                   

مقادیر پررنگ و قرمزرنگ در جدول، بهترین دقت را نشان می‌دهند.

براساس جدول بالا، در فصل بهار نقشة IRWQI1 مبتنی بر L8_B2 (در حالت 1P)، در فصل تابستان نقشة IRWQI2 مبتنی بر  S2B_B2(در حالت 1P)، در فصل پاییز نقشة IRWQI1 مبتنی بر L8_B2 (در حالت 1P) و در فصل زمستان نقشة IRWQI2 مبتنی بر BT_B1 (در حالت 1P)، بهترین دقت را داشتند. مقدار RMSE نقشه‌های بهینة پهنه‌بندی شاخص IRWQIsc در فصول بهار تا زمستان به‌ترتیب معادل با 42/7، 93/6، 16/9 و 01/7 است. این نتایج نشان می‌دهد بهترین دقت به نقشة فصل تابستان مربوط است. مشاهده می‌شود نقشة بهینة پهنه‌بندی شاخص IRWQI در فصل زمستان در حالت به‌کارگیری تصویر تلفیق‌شده به روش BT به دست آمده است که این نکته اهمیت و کارآمدبودن تلفیق تصاویر را در بهبود نتایج این فصل نشان می‌دهد. نتایج اعتبارسنجی متقابل (CV) مبتنی بر کلاس‌های تشخیص داده‌شده در حالت بهترین نقشه‌های شاخص IRWQIsc در فصول بهار تا زمستان به‌ترتیب %57، %86، %14 و %43 است.

 

مقایسة نقشه‌های پهنه‌بندی فصلی شاخص NSFWQI و IRWQIsc

دربارة پهنه‌بندی شاخص NSFWQI می‌توان نتیجه‌گیری کرد در نقشة NSFWQI2 مربوط به فصل بهار، وضعیت کیفی منطقة پژوهش از شمال به جنوب از حالت بد به متوسط و درنهایت دوباره به وضعیت بد تغییر می‌کند. در نقشة NSFWQI2 فصل تابستان، وضعیت کیفی رودخانة کارون از شمال به جنوب از حالت بد به متوسط و خوب تغییر کرده است. در فصل پاییز براساس نقشة NSFWQI1، وضعیت کیفی از شمال به جنوب از وضعیت بد به متوسط و دوباره به وضعیت بد تغییر می‌کند. وضعیت کیفی رودخانه از شمال به جنوب منطقه در فصل زمستان، وضعیت متوسط را نشان می‌دهد.

بررسی وضعیت کیفی منطقة پژوهش براساس شاخص IRWQIsc نیز نشان می‌دهد در فصل بهار از شمال به جنوب، تغییر وضعیت از حالت بد به نسبتاً بد و دوباره به حالت بد بوده است. تغییر وضعیت کیفی منطقه در فصل تابستان براساس نقشة IRWQI2 از حالت بد و نسبتاً بد به حالت نسبتاً خوب و در انتها به حالت نسبتاً بد از شمال به جنوب بوده است. در فصل پاییز، نقشة IRWQI1 از شمال به جنوب منطقه، تغییر وضعیت را از بد به نسبتاً بد و دوباره به وضعیت بد نمایش می‌دهد. در انتها در فصل زمستان، براساس نقشة IRWQI2، وضعیت کیفی رودخانة کارون از شمال به جنوب از حالت نسبتاً خوب به نسبتاً بد تغییر می‌کند.

همان‌طور که در نقشه‌های پهنه‌بندی دو شاخص به‌ویژه شاخص IRWQIsc دیده می‌شود، آب رودخانة کارون در منطقة مدنظر در بیشتر فصول سال و بیشتر نقاط، وضعیت نسبتاً نامناسبی ازلحاظ شرب و بهداشت دارد و بهتر است استفاده از آن با تصفیة آب همراه باشد. جدول 20 مقایسة دو شاخص مدل‌سازی‌شدة NSFWQI و IRWQIsc را از شمال تا جنوب منطقه و در سه بخش شمالی (شامل ایستگاههای نمونه‌برداری 1 و 2)، میانی (شامل ایستگاههای نمونه‌برداری 3، 4 و 5) و جنوبی (شامل ایستگاههای نمونه‌برداری 6 و 7) نمایش می‌دهد. گفتنی است در جدول 20 در ستون مربوط به وضعیت تغییرات شاخص IRWQIsc، حالت معادل با شاخص  NSFWQI(براساس جداول 5 و 7) بیان شده است. با توجه به جدول 20، روند کلی تغییرات دو شاخص کیفی از شمال تا جنوب منطقه در بیشتر حالات به‌ویژه در بخش شمالی مشابه است؛ همچنین باید توجه داشت به دلیل کیفی‌بودن این دو شاخص، تفاوت در تعداد پارامترهای ورودی هر شاخص و تفاوت دامنة توصیفی آنها (جداول 5 و 7)، مقایسة آنها به‌صورت کمّی امکان‌پذیر نیست.

جدول 20. مقایسة وضعیت دو شاخص مدل‌سازی‌شدة NSFWQI و IRWQIsc در سراسر منطقة بررسی‌شده

منطقة بررسی‌شده

فصول سال

NSFWQI

IRWQIsc

 

 

بخش شمالی (شامل ایستگاههای 1 و 2)

بهار

بد

بد (معادل با حالت بد در شاخص NSFWQI)

تابستان

بد

نسبتاً بد (معادل با حالت بد در شاخص NSFWQI)

پاییز

بد

بد (معادل با حالت بد در شاخص NSFWQI)

زمستان

متوسط

نسبتاً خوب (معادل با حالت متوسط در شاخص NSFWQI)

 

 

بخش میانی (شامل ایستگاههای 3، 4 و 5)

بهار

متوسط

نسبتاً بد (معادل با حالت بد در شاخص NSFWQI)

تابستان

متوسط

نسبتاً خوب (معادل با حالت متوسط در شاخص NSFWQI)

پاییز

متوسط

نسبتاً بد (معادل با حالت بد در شاخص NSFWQI)

زمستان

متوسط

نسبتاً خوب (معادل با حالت متوسط در شاخص NSFWQI)

 

 

بخش جنوبی (شامل ایستگاههای 6 و 7)

بهار

بد

بد (معادل با حالت بد در شاخص NSFWQI)

تابستان

خوب

نسبتاً بد (معادل با حالت بد در شاخص NSFWQI)

پاییز

بد

بد (معادل با حالت بد در شاخص NSFWQI)

زمستان

متوسط

نسبتاً بد (معادل با حالت بد در شاخص NSFWQI)

نتیجه‌گیری

هدف این پژوهش، پهنه‌بندی فصلی بهینة شاخص‌های کیفی NSFWQI و IRWQIsc در رودخانة کارون است. به همین منظور قابلیت دو تصویر ماهواره‌ای سنتینل-2 و لندست 8 و همچنین قابلیت تلفیق این تصاویر در نتایج پهنه‌بندی ارزیابی شد.

برای محاسبة CR به‌منظور تولید مدل‌های مناسب با هدف پهنه‌بندی شاخص‌های کیفی، دو سناریو در نظر گرفته شد؛ درنظرگرفتن مقدار تک‌پیکسل (1P) و درنظرگرفتن میانگین یک پنجرة 3*3 تصاویر ورودی (9P).

نتایج نشان داد در فصل بهار نقشة NSFWQI2 مبتنی بر BT_B2 (در حالت 9P)، در فصل تابستان نقشة NSFWQI2 مبتنی بر  IHS_B1(در حالت 1P)، در فصل پاییز نقشة NSFWQI1 مبتنی بر L8_B2 (در حالت 1P) و در فصل زمستان نقشة NSFWQI1 مبتنی بر L8_B4 (در حالت 1P)، بهترین دقت را داشتند. مقدار RMSE نقشه‌های بهینة پهنه‌بندی شاخص NSFWQI در فصول بهار تا زمستان به‌ترتیب معادل با 21/7، 19/8، 7/5 و 15/4 است. این نتایج نشان می‌دهد بهترین دقت به نقشة فصل زمستان مربوط است. همچنین نتایج نشان می‌دهد برای دو فصل بهار و تابستان، نقشه‌های بهینة پهنه‌بندی شاخص NSFWQI در حالت به‌کارگیری تصاویر تلفیق‌شده به روش BT و IHS به دست آمده است که این نکته اهمیت و کارآمدبودن تلفیق تصاویر را در بهبود نتایج پهنه‌بندی در این دو فصل نشان می‌دهد. بهترین نتیجة اعتبارسنجی متقابل نقشه‌های این شاخص برای فصول پاییز و زمستان به دست آمد.

براساس شاخص IRWQIsc نتایج نشان می‌دهد در فصل بهار نقشة IRWQI1 مبتنی بر L8_B2 (در حالت 1P)، در فصل تابستان نقشة IRWQI2 مبتنی بر  S2B_B2(در حالت 1P)، در فصل پاییز نقشة IRWQI1 مبتنی بر L8_B2 (در حالت 1P) و در فصل زمستان نقشة IRWQI2 مبتنی بر BT_B1 (در حالت 1P)، بهترین دقت را داشتند. مقایسة نقشه‌های پهنه‌بندی‌شدة شاخص‌های کیفی NSFWQI و IRWQIsc نشان می‌دهد وضعیت کیفی رودخانة کارون در بیشتر روزهای سال و بیشتر مناطق نسبتاً نامناسب بوده و بهتر است استفاده از آن با تصفیة آب همراه باشد. مقدار RMSE نقشه‌های بهینة پهنه‌بندی شاخص IRWQIsc در فصول بهار تا زمستان به‌ترتیب معادل با 42/7، 93/6، 16/9 و 01/7 است. این نتایج نشان می‌دهد بهترین دقت به نقشة فصل تابستان مربوط است. همچنین نتایج نشان می‌دهد نقشة بهینة پهنه‌بندی شاخص IRWQI در فصل زمستان در حالت به‌کارگیری تصویر تلفیق‌شده به روش BT به دست آمده است که این نکته اهمیت و کارآمدبودن تلفیق تصاویر را در بهبود نتایج این فصل نشان می‌دهد. بهترین نتیجة اعتبارسنجی متقابل نقشه‌های این شاخص برای فصل تابستان به دست آمد.

براساس شاخص NSFWQI در نقشة NSFWQI2 مربوط به فصل بهار، وضعیت کیفی منطقة بررسی‌شده از شمال به جنوب از حالت بد به متوسط و درنهایت دوباره به وضعیت بد تغییر می‌کند. در نقشة NSFWQI2 فصل تابستان، وضعیت کیفی رودخانة کارون از شمال به جنوب از حالت بد به متوسط و خوب تغییر کرده است. در فصل پاییز براساس نقشة NSFWQI1، وضعیت کیفی از شمال به جنوب از وضعیت بد به متوسط و دوباره به وضعیت بد تغییر می‌کند. وضعیت کیفی رودخانه از شمال به جنوب منطقه در فصل زمستان متوسط بوده است. بررسی وضعیت کیفی منطقة بررسی‌شده براساس شاخص IRWQIsc نیز نشان می‌دهد در فصل بهار از شمال به جنوب، تغییر وضعیت از حالت بد به نسبتاً بد و دوباره به حالت بد بوده است. تغییر وضعیت کیفی منطقه در فصل تابستان براساس نقشة IRWQI2 از حالت بد و نسبتاً بد به حالت نسبتاً خوب و در انتها به حالت نسبتاً بد از شمال به جنوب بوده است. در فصل پاییز، نقشة IRWQI1 از شمال به جنوب منطقه، تغییر وضعیت را از بد به نسبتاً بد و دوباره به بد نمایش می‌دهد. در فصل زمستان، براساس نقشة IRWQI2، وضعیت کیفی رودخانة کارون از شمال به جنوب از حالت نسبتاً خوب به نسبتاً بد تغییر می‌کند.

مقایسة دو شاخص مدل‌سازی‌شدة NSFWQI و IRWQIsc از شمال تا جنوب منطقه در سه بخش شمالی (شامل ایستگاههای نمونه‌برداری 1 و 2)، میانی (شامل ایستگاههای نمونه‌برداری 3، 4 و 5) و جنوبی (شامل ایستگاههای نمونه‌برداری 6 و 7) نشان داد روند کلی تغییرات دو شاخص کیفی از شمال تا جنوب منطقه در بیشتر حالات به‌ویژه در بخش شمالی مشابه است. درنهایت نتایج نشان داد تصویر سنتینل-2 و تصاویر تلفیق‌شده، تغییرات کیفی آب رودخانه را با موفقیت بیشتری نمایش می‌دهند.



[1].Secchi disk

[2].Correlation

[3] . Root Mean Square Error

[4]. National Sanitation Foundation Water Quality Index

[5]. Iran Surface Water Resources Quality Index for Conventional Pollutants

[6]. Toming et al.

[7]. Potes et al.

[8]. Elhag et al.

[9]. Jahin et al.

[10]. Gradilla-Hernández et al.

[11]. Ecosystem Specific Water Quality Index

[12]. Image Fusion

[13]. Chemical Oxygen Demand

[14]. Biological Oxygen Demand

[15]. Dissolved Oxygen

[16]. Electrical Conductivity

[17]. Fecal Coliform

[18]. Potential Hydrogen

[19]. Nitrate ion

[20]. Phosphate ion

[21] .Intensity- Hue- Saturation

[22].Gram Schmidt Transformation

[23].Brovey Transformation

[24].Wavelet Transformation

[25].Correlation Coefficient

[26].Digital Number

[27]. Mean Absolute Error

[28]. Cross Validation

[29].Dewidar and Khedr

[30].Signal to Noise Ratio

منابع

پورحقی، امیر، (1397). پایش و پردازش اطلاعات کیفی رودخانه با استفاده از تصاویر ماهواره‌ای؛ مطالعة موردی: رودخانة کارون، حدفاصل بند قیر تا ملاثانی، پایان‌نامة دکتری، استاد راهنما: آخوندعلی، علی‌محمد، دانشگاه شهید چمران اهواز، گروه مهندسی علوم آب.

جداری عیوضی، جمشید، مقیمی، ابراهیم، یمانی، مجتبی، محمدی، حسین، عیسایی، احمدرضا، (1388). تأثیرعواملاکوژئومورفولوژیکبر کیفیتشیمیاییآب؛مطالعةموردی: رودخانة کرودریاچةسددرودزن، مجلة جغرافیا و برنامه‌ریزی محیطی، دورة 21، شمارة 21، 17- 32.

رنگزن، کاظم، فتاحی مقدم، مهدی، صابری، عظیم، حسینی زارع، نادر، موبد، پریوش، (1391). برآورد کیفیت آب رودخانة کارون محدودة اهواز توسط داده‌های زمینی، طیف‌سنج فیلداسپک 3 و داده‌های فراطیفی سنجندة هایپریون، مجلة زمین‌شناسی کاربردی پیشرفته، دورة 2، شمارة 2، 98- 108.

فتاحی مقدم نوقابی، مهدی، (1390). ارزیابی قابلیت سنجندة هایپریون، فیلداسپک ۳ و داده‌های زمینی برای برآورد پارامترهای کیفیت آب در رودخانة کارون مقطع شهر اهواز، پایان‌نامة کارشناسی ارشد، استاد راهنما: رنگزن، کاظم، دانشگاه شهید چمران اهواز، گروه سنجش از دور و GIS.

فضیلت‌پور، زهرا، (1390). استفاده از سنجش از دور و سیستم اطلاعات جغرافیایی در مطالعة منابع آبی خلیج فارس، پایان‌نامة کارشناسی ارشد، استاد راهنما: رنگزن، کاظم، دانشگاه شهید چمران اهواز، گروه سنجش از دور و GIS.

مارامایی، احمد، (1396). بررسیکیفیتآبرودخانةزیارتباشاخص‌هایکیفیتآبIRWQIsc و NSFWQ، پایان‌نامة کارشناسی ارشد، استاد راهنما: دهقانی، امیراحمد، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گروه مهندسی منابع آب.

نوحه‌‌گر، احمد، (1390). بررسی کیفیت فیزیکی و شیمیایی آب‌های سطحی در رودخانة میناب، پژوهش‌‌های دانش زمین، دورة 2، شمارة 7، 1- 16.

Bioresita, F., Puissant, A., Stumpf, A., Malet, J.P.‚ (2019). Fusion of Sentinel-1 and Sentinel-2 image time series for permanent and temporary surface water mapping, International Journal of Remote Sensing, 40 (23): 9026- 9049.

Dewidar, K., Khedr, A.A.‚ (2005). Remote sensing of water quality for Burullus Lake, Egypt, Geocarto International, 20: 43- 49.

Elhag, M., Gitas, I., Othman, A., Bahrawi, J., Gikas, P.‚ (2019). Assessment of Water Quality Parameters Using Temporal Remote Sensing Spectral Reflectance in Arid Environments,Saudi Arabia, Water, 11: 556.

Fukuda, S., Hirosawa, H.‚ (1999). A wavelet-based texture feature set applied to classification of multifrequency polarimetric SAR images, IEEE Transactions on Geoscience and Remote Sensing, 37: 2282- 2286.

Gradilla-Hernández, M.S., de Anda, J., Garcia-Gonzalez, A., Montes, C.Y., Barrios-Piña, H., Ruiz-Palomino, P., Díaz-Vázquez, D.‚ (2020). Assessment of the water quality of a subtropical lake using the NSF-WQI and a newly proposed ecosystem specific water quality index, Environmental Monitoring and Assessment, 192: 1- 19.

https://scihub.copernicus.eu/dhus/#/home (20-02-1398).

https://earthexplorer.usgs.gov/ (20-02-1398).

Jahin, H.S., Abuzaid, A.S., Abdellatif, A.D.‚ (2020). Using multivariate analysis to develop irrigation water quality index for surface water in Kafr El-Sheikh Governorate, Egypt, Environmental Technology and Innovation, 17: 100532.

Karimi, D., Akbarizadeh, G., Rangzan, K., Kabolizadeh, M.‚ (2016). Effective supervised multiple-feature learning for fused radar and optical data classification, IET Radar, Sonar andNavigation, 11 (5): 768- 777.

Karimi, D., Rangzan, K., Akbarizadeh, G., Kabolizadeh, M.‚ (2017). Combined algorithm for improvement of fused radar and optical data classification accuracy, Journal of Electronic Imaging, 26 (1): 013017.

Liu, P., Xiao, L.‚ (2018). A Novel Generalized Intensity-Hue-Saturation (GIHS) Based Pan-Sharpening Method With Variational Hessian Transferring, IEEE Access, 6: 46751-46761.

Potes, M., Rodrigues, G., Penha, A.M., Novais, M.H., Costa, M.J., Salgado, R., Morais, M.M., (2018). Use of Sentinel 2–MSI for water quality monitoring at Alqueva reservoir, Portugal, Proceedings of the International Association of Hydrological Sciences, 380: 73.

Pohl, C., Van Genderen, J.L.‚ (2016). Remote sensing image fusion, a practical guide‚ Crc. Press, 276 p.

Rangzan, K., Kabolizadeh, M., Karimi, D.‚ (2020). Improved water quality mapping based on cross-fusion of Sentinel-2 and Landsat-8 imageries, IET Image Processing, 14 (7): 1382- 1392.

Rangzan, K., Kabolizadeh, M., Karimi, D., Zareie, S.‚ (2019). Supervised cross-fusion method, a new triplet approach to fuse thermal, radar and optical satellite data for land use classification, Environmental monitoring and assessment, 191 (8): 481.

Suwarsono, N., Prasasti, I., Nugroho, J.T., Sitorus, J., Triyono, D.‚ (2018). Detecting the lava flow deposits from 2018 anak krakatau eruption using data fusion landsat-8 optic and sentinel-1 sar, International Journal of Remote Sensing and Earth Sciences (IJReSES), 15 (2): 157- 166.

SV, A.K., Srivatsa, S.K.‚ (2018). An image fusion technique based on sparse wavelet transform and non-singleton type-2 FNN techniques, AGA J, 14: 76- 86.

Shahdoosti, H.R.‚ (2018). Improved Adaptive Brovey as a New Method for Image Fusion, arXiv preprint arXiv, 1807.09610.

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.