دوره 10، شماره 19 - ( بهار و تابستان 1398 )                   جلد 10 شماره 19 صفحات 46-57 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Habibi Khaveh H, GHolami Sefidkouhi M A, Emadi A R. Bathymetry and Volume Estimation of Reservoirs using OLI Imagary. jwmr. 2019; 10 (19) :46-57
URL: http://jwmr.sanru.ac.ir/article-1-680-fa.html
حبیبی خاوه حسن، غلامی سفید کوهی محمد علی، عمادی علیرضا. ژرفاسنجی و برآورد حجم آب مخازن با استفاده از تصاویر حس‌گر OLI. پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1398; 10 (19) :46-57

URL: http://jwmr.sanru.ac.ir/article-1-680-fa.html


گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده:   (220 مشاهده)

به‌‌کارگیری روش‌های میدانی ژرفاسنجی به‌منظور برآورد ژرفا و حجم آب در مخازن، مستلزم صرف هزینه و زمان زیادی است. در‌ همین ‌راستا روش‌های متعدد سنجش ‌از دور مورد ارزیابی قرار گرفته است. در این پژوهش روشی بر پایه مدل تابش ‌و‌ بازتابش برای برآورد ژرفا و حجم آب با استفاده از تصاویر باندهای حس‌گر OLI معرفی شد. ابتدا در 27 ‌‌اردیبهشت 94 با استفاده از قایق و ژرفاسنج ‌صوتی، ژرفای آب آب‌بندان‌های مهدشت، سوربن و دشت‌ناز با فواصل 50 ‌متری اندازه‌گیری و سپس در روز‌های 5 ‌‌خرداد و 14‌مرداد ‌94 و همچنین 8 ‌‌خرداد، 9 ‌‌تیر و 2 ‌‌شهریور ‌‌95 مقدار اشل ثبت و ژرفا و حجم‌های دقیق آب تعیین شد. سپس ضریب تبیین مقادیرسلولی تصاویر و ژرفای اندازه‌گیری‌شده محاسبه شد. متوسط مقدار ضریب تبیین برای باندهای 5،4،3،2 و 6 به‌ترتیب 38/0، 43/0، 48/0، 6/0 و 6/0 بود. باتوجه به نتایج فوق باندهای 2 و 3 حذف و برای بهبود همبستگی به‌کمک باندهای 4، 5 و 6 شاخص‌های نسبت‌باندی و تفاضل‌نرمال تولید و در ادامه ضریب تبیین ژرفای اندازه‌گیری‌شده و شاخص‌های مذکور محاسبه شد و شاخص‌ IV (تفاضل‌نرمال باند ‌4 و ‌6) با مقدار 62‌درصد به­عنوان شاخص منتخب معرفی شد. در مجموع ضرایب ‌همبستگی به‌گونه‌ای نبود که بتوان از روش سنجش ‌از دور برای تعیین دقیق ژرفای آب در هرکدام از پیکسل‌ها بهره برد. سپس با استفاده از روش طبقه‌بندی‌ ژرفایی حجم آب آب‌بندان‌ها با استفاده از باندهای مذکور و شاخص منتخب تخمین و در نهایت مقدار ضریب تبیین و خطای‌نسبی میان حجم برآورد‌شده و واقعی محاسبه شد. میانگین ضرایب‌همبستگی حجم حاصل از تصاویر باندهای 2، 3، 4، 5 و 6 به‌ترتیب 94/0، 93/0، 96/0، 95/0 و 8/0 با میانگین خطای‌نسبی 3/9، 1/8، 3/8، 8/8 و 9/9 درصد محاسبه شد. متوسط مقدار همبستگی‌خطی و خطای‌نسبی حاصل از شاخص IV به‌ترتیب 96/0 و 7/7 درصد به‌دست آمد. به‌این‌ترتیب برآورد حجم آب مخازن با روش طبقه‌بندی ژرفایی شاخص منتخب می‌تواند با خطای ‌کمی جایگزین اندازه‌گیری میدانی شود.

متن کامل [PDF 1099 kb]   (38 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور و سامانه های اطلاعات جغرافيايی
دریافت: ۱۳۹۵/۴/۳۰ | ویرایش نهایی: ۱۳۹۸/۵/۹ | پذیرش: ۱۳۹۶/۱۰/۱۰ | انتشار: ۱۳۹۸/۵/۱۲

فهرست منابع
1. Amani, M. 2014. Prioritization of Sub-Watersheds based on Morphometric Analysis, GIS and RS Techniques: Lohandar Watershed, Golestan Province. Journal of Watershed Management Research, 5(2): 1-15 (In Persian).
2. Bagheri, A. 2008. Pool management and it's role in storage and water supply for agricultural lands in north of Iran. 2th International Conference on Management of irrigation and drainage networks, 221-226 pp., Ahvaz, Chamran university, Iran (In Persian).
3. Bostater, C.R., T.S. Oney, T. Rotkiske, S. Aziz, C. Morrisette, K. Callahan and D. Mcallister. 2017. Hyperspectral signatures and WorldView-3 imagery of Indian River Lagoon and Banana River Estuarine water and bottom types. In Remote Sensing of the Ocean, Sea Ice, Coastal Waters and Large Water Regions. International Society for Optics and Photonics. (10422): 104220 pp [DOI:10.1117/12.2288511]
4. Li, C., B. Sun, K. Jia, S. Zhang, W. Li, X. Shi and L. Pereira. 2013. Multi-Band Remote Sensing Based Retrieval Model and 3D Analysis of Water Depth in Hulun Lake, China. Mathematical and Computer, 58(3-4): 771-781. [DOI:10.1016/j.mcm.2012.12.027]
5. Civco, D.L. and W.C. Kennard. 1992. Satellite remote bathymetry: a new mechanism for modeling, Photogramm. Engineering. Remote Sensing, 5(58): 545-549.
6. Deng, Z., J. Minhe and Z. Zhang. 2008. Mapping Bathymetry From Multi-S Ource Remote Sensing Images: A Case Study in the Beilun Estuary, Guangxi, China. The International Archives of the Photogr ammetry, Remote Sensing and Spatial Information Sciences, (XXXVII): 1321-1326.
7. Fonstad Mark, A. and W.A. Marcus. 2005. Remote Sensing of Stream Depths with Hydraulically Assisted Bathymetry (HAB) Models. Geomorphology, 72(1): 320-339. [DOI:10.1016/j.geomorph.2005.06.005]
8. Heidarian, K., S. Kaboodvandpur and J. Aminollahi. 2016. Evaluation of Wetlands International Zarivar deep changes using remote sensing and artificial neural network. Journal of Geographic Space, 53: 271-289 (In Persian).
9. Jagalingam, P. 2015. Bathymetry Mapping Using Landsat 8 Satellite Imagery. Procedia Engineering, 116: 560-566. [DOI:10.1016/j.proeng.2015.08.326]
10. Kowkabi, L., R. setayesh, A.R. Badri and A. Rajaee. 2013. The application of fuzzy multi-attribute group decision making to prioritize the landscapes with high ecological value: Khoshk River in Shiraz. International Journal of Envirnomental Research, 7(2): 423-434.
11. Majozi, N.P., M.S. Salama, S. Bernard, D.M. Harper and M.G. Habte. 2014. Remote Sensing of Environment Remote Sensing of Euphotic Depth in Shallow Tropical Inland Waters of Lake Naivasha Using MERIS Data. Remote Sensing of Environment, 148:178-89. [DOI:10.1016/j.rse.2014.03.025]
12. Manessa, M.D., M.M. Haidar, D. Hartuti and K. Kresnawati. 2018. Determination of the best methodology for bathymetry mapping using spot 6 imagery: A Study of 12 empirical algorithms. International Journal of Remote Sensing and Earth Sciences (IJReSES), 14(2): 127-136. [DOI:10.30536/j.ijreses.2017.v14.a2827]
13. Meskar, H. and R. Fazloula. 2013. Investigation of Sedimentation Pattern in the Shahid Rajaee ReservoirUsing GSTAR3.0 Numerical Model. Journal of Watershed Management Research, 4(7): 16-29 (In Persian).
14. Misra, A., Z. Vojinovic, B. Ramakrishnan, A. Luijendijk and R. Ranasinghe. 2018. Shallow water bathymetry mapping using Support Vector Machine (SVM) technique and multispectral imagery. International Journal of Remote Sensing, 1-20 pp. [DOI:10.1080/01431161.2017.1421796]
15. Oh, C.Y., K. Ahn, J. Park and S.W. Park. 2017. Coastal Shallow-Water Bathymetry Survey through a Drone and Optical Remote Sensors. Journal of Korean Society of Coastal and Ocean Engineers, 29(3): 162-168. [DOI:10.9765/KSCOE.2017.29.3.162]
16. Özçelik, C. and A. Yalçın. 2010. Remote sensing of water depths in shallow waters via artificial neural networks. Estuarine, Coastal and Shelf Science, 89: 89-96. [DOI:10.1016/j.ecss.2010.05.015]
17. Sichangi, A.W. and G.O. Makokha. 2017. Monitoring water depth, surface area and volume changes in Lake Victoria: integrating the bathymetry map and remote sensing data during 1993-2016. Modeling Earth Systems and Environment, 1-6 pp. [DOI:10.1007/s40808-017-0311-2]
18. Solaimani Sarood, F., S. Soltani Kopaii and A. Salajeghe. 2013. Selection of Appropriate Flooding Potential Index by Using RainfallRunoff (HEC-HMS) Model and RS & GIS Techniques in Jiroft Dam Basin. Journal of Watershed Management Research, 4(8): 90-105 (In Persian).
19. Sternberg, T. and P. Paillou. 2015. Mapping Potential Shallow Groundwater in the Gobi Desert Using Remote Sensing: Lake Ulaan Nuur. Journal of Arid Environments, 118: 21-27. [DOI:10.1016/j.jaridenv.2015.02.020]
20. Stumpf, R.P. and K. Holderied. 2003. Determination of water depth with high-resolution satellite imagery over variable bottom types. Liminology and Oceanography, 48(1): 547-556. [DOI:10.4319/lo.2003.48.1_part_2.0547]
21. Sylvain J. and M. Guillaume. 2014. Remote Sensing of Environment A Novel Maximum Likelihood Based Method for Mapping Depth and Water Quality from Hyperspectral Remote-Sensing Data. Remote Sensing of Environment, 147: 121-32. [DOI:10.1016/j.rse.2014.01.026]
22. Tian, Q.J., J. Wang and X. Du. 2007. Study on Water Depth Extraction from Remote Sensing Imagery in Jiangsu Coastal Zone. Journal of Remote Sensing, 11(3).
23. Usha, K. and S. Bhupinder. 2013. Scientia Horticulturae Potential Applications of Remote Sensing in Horticulture A Review. Scientia Horticulturae, 153: 71-83. [DOI:10.1016/j.scienta.2013.01.008]
24. Yang, C, et al. 2017. Remote Sensing of Hydrological Changes in Tian-e-Zhou Oxbow Lake, an Ungauged Area of the Yangtze River Basin. Remote Sensing, 10(1): 27 pp. [DOI:10.3390/rs10010027]
25. Zhou J., D.L. Civco and J.A. Silander. 1998. A wavelet transform method to merge Landsat TM and SPOT panchromatic data. International Journal Of Remote Sensing, 19: 743-757. [DOI:10.1080/014311698215973]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb