ارزیابی قابلیت تصاویر ماهواره‌ای سنتینل-2 و لندست 8 و تلفیق تصاویر در پهنه‌بندی فصلی شاخص‌های کیفی NSFWQI و IRWQIsc در آب‌های سطحی نمونة پژوهش: رودخانة کارون

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] (NO^3-)، فسفات^[20] (PO₄^2-)، 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

 

جدول 2. تاریخ نمونه‌برداری میدانی فصلی

 

جدول 3. پارامترهای کیفی میدانی استفاده‌شده

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).

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

 

جدول 5. دسته‌بندی مقدار شاخص NSFWQI

 

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

 

جدول 7. راهنمایتوصیفیشاخص IRWQIsc

 

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

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)

X_P متغیر پیش‌بینی‌شده، X_O 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:

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

 

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

 

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

 

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

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

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

 

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.

 

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.

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.

 

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

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

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

 

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

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.

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.

 

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.

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

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

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.

تعداد مشاهده مقاله: 2,358

تعداد دریافت فایل اصل مقاله: 969