تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

ارزیابی شاخص‌های استخراج آب با استفاده از تصاویر ماهواره‌ای لندست (مطالعه موردی: رودخانه گاماسیاب کرمانشاه)

نویسندگان
صیاد اصغری سراسکانرود 1
روح اله جلیلیان 2
نوشین پیروزی نژاد 3
عقیل مددی 1
میلاد یادگاری 4
1 دانشیار گروه ژئومورفولوژی دانشگاه محقق اردبیلی
2 دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه محقق اردبیلی
3 فارغ التحصیل مقطع دکتری ژئومورفولوژی دانشگاه تبریز
4 دانشجوی دکتری سیستم اطلاعات جغرافیایی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
10.29252/jgs.20.58.53
چکیده
آب به عنوان یکی از مهم‌ترین نیاز‌های انسانی برای ادامه حیات منابع آبی می‌باشد. با توجه به اهمیت موضوع، بحث مدیریت و بهره‌برداری اصولی از منابع آب به یکی از موضوعات مهم جهانی تبدیل شده است. داده‌های سنجش از دور در اغلب موارد در مطالعات استخراج پهنه‌های آبی مورد استفاده قرار می‌گیرند و نوع داده‌های سنجش از دور مورد استفاده نیز نقش مهمی در استخراج آب دارند. در این مطالعه به بررسی توانایی ماهواره لندست با اعمال شاخص‌های مربوطه، به میزان استفاده از رودخانه گاماسیاب در استان کرمانشاه و مقایسه این شاخص‌ها پرداخته می‌شود. ماهیت خاص رودخانه‌های کم‌عرض و کم‌عمق باعث افزایش پیچیدگی مطالعات چنین رودخانه‌هایی با استفاده از داده‌های موجود شده است. استخراج آب از تصاویر سنجش از دوری، طی دو دهه اخیر بوده است. شاخص‌های آب در ابتدا با استفاده از سنجنده‌های TM و ETM توسعه یافتند. اما عملکرد بهتر آن‌ها در لندست 8 به خوبی توسط محققان مستند شده است. در این تحقیق از شاخص‌های NDWI، MNDWI، AWEI_nsh، AWEI_sh و WRI استفاده شد. با استخراج آستانه بهینه از هیستوگرام شاخص‌ها و اعمال این آستانه، منطقه مورد مطالعه به دو کلاس آب و غیر آب طبقه بندی شد. سپس صحت کلی و ضریب کاپا از هر کدام از شاخص‌ها گرفته شد. در پایان نشان داده شد که شاخص AWEI با صحت کلی 99.09 درصد و ضریب کاپای 0.98 بهترین جواب را در بین شاخص‌ها در منطقه مورد مطالعه می‌دهد. نتایج این تحقیق نشان داد که این رویکرد به راحتی قادر به استخراج آب از تصاویر ماهواره‌ای بوده است.
کلیدواژه‌ها
لندست
شاخص آب
طبقه بندی
صحت کلی
ضریب کاپا

عنوان مقاله English

Evaluation of Water Extraction Indices Using Landsat Satellite Images (Case Study: Gamasiab River of Kermanshah)

نویسندگان English

sayyad asghari 1
roholah jalilyan 2
noshin pirozineghad 3
aghil madadi 1
milad yadeghari 4
1 mohaghegh ardabili
2 mohaghegh ardabili
3 Tabriz University
4 Islamic Azad University Science & Research
چکیده English

Water is one of most important human needs for life. According to importance of subject, discussion of management and utilization of water resources has become one of the most important global issues. Remote sensing data are often used in water body extraction studies and type of remote sensing data used plays an important role in water body extraction. In this study, ability of Landsat satellite with application of water indices, to extraction of Gamasiab River in Kermanshah and comparing these indices have been investigated. Specific feature of Low width and shallow rivers has increased the complexity of studies of such rivers using available data. Water body extraction from remote sensing images has been over the past two decades. Water indices were first developed using Landsat TM and Landsat ETM. But its better performance in Landsat 8 is well documented by the researchers. In this study, NDWI, MNDWI, AWEI_nsh, AWEI_sh and WRI indices were used. With extracting optimal threshold from histogram of indices and applying this threshold, the study area was classified into two classes of water and non-water. Then overall accuracy and kappa coefficient values were taken from each of the indices. Finally, AWEI index with overall accuracy of 99.09% and a Kappa coefficient of 0.98 was the best response among the indices in the study area. The results this study showed that approach can easily extract water from satellite imagery.

کلیدواژه‌ها English

Landsat
water index
classification
overall accuracy
kappa coefficient
Du, Z, Li, W, Zhou, D, Tian, L, Ling, F, Wang, H. 2014. Analysis of Landsat-8 OLI imagery for land surface water mapping, Remote Sensing Letters, 5(7): 672-681.
Feyisa, G, Meilby, H, Fensholt, R, Proud, S. 2014. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery, Remote Sensing of Environment, 140: 23-35.
Fisher, A, Flood, N, Danaher, T. 2016. Comparing Landsat water index methods for automated water classification in eastern Australia, Remote Sensing of Environment, 175: 167-182.
Frey, H, Huggel, C, Paul, F, Haeberli, W. 2010. Automated detection of glacier lakes based on remote sensing in view of assessing associated hazard potentials, Grazer Schriften Geogr Raumforsch, 45: 261-272.
Henderson, F.M. 1995. Environmental factors and the detection of open surface water areas with X-band radar imagery, International Journal of Remote Sensing, 16(13): 2423-2437.
Jawak, S.D, Kulkarni, K, Luis, A.J. 2015). A Review on Extraction of Lakes from Remotely Sensed Optical Satellite Data with a Special Focus on Cryospheric Lakes, Advances in Remote Sensing, 4: 196-213.
Jensen, J.R, (2015), Digital Image Processing, 4th Edition, University of South Carolina.
Ji, L, Zhang, L, Wylie, B, 2009. Analysis of Dynamic Thresholds for the Normalized Difference Water Index, Photogrammetric Engineering & Remote Sensing, 75(11): 1307-1317.
Jiang, H, Feng, M, Zhu, Y, Lu, N, Huang, J, Xiao, T. 2014. An Automated Method for Extracting Rivers and Lakes from Landsat Imagery, Remote Sensing, 6: 5067-5089.
Kaplan, G, Avdan, U. 2017. Object-based water body extraction model using Sentinel-2 satellite imagery, European Journal of Remote Sensing, 50(1): 143-149.
Kloiber, S.M, Brezonik, P.L, Bauer, M.E. 2002. Application of Landsat Imagery to Regional Scale Assessments of Lake Clarity, Water Research, 36: 4330-4340.
Kwang, C, Osei Jnr, E.M, Amoah, A.S. 2018. Comparing of Landsat 8 and Sentinel 2A using Water Extraction Indexes over Volta River, Journal of Geography and Geology, 10: 1-7.
Li, W, Du, Z, Ling, F, Zhou, D, Wang, H, Gui, Y, Sun, B, Zhang, X. 2013. A Comparison of Land Surface Water Mapping Using the Normalized Difference Water Index TM, ETM+ and ALI, Remote Sensing, 5: 5530-5549.
Lu, D, Weng, Q. 2007. A Survey of Image Classification Methods and Techniques for Improving Classification Performance, International Journal of Remote Sensing, 28: 823-870.
Mcfeeters, S.K. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features, International Journal of Remote Sensing, 17(7): 1425-1432.
Ozesmi, S.L, Bauer, M.E. 2002. Satellite Remote Sensing of Wetlands, Wetlands Ecology and Management, 10: 381-402.
Rundquist, D.C, Lawson, M.P, Queen, L.P, Cerveny, R.S. 1987. The Relationship between Summer- Season Rainfall Events and Lake- Surface Area, JAWRA Journal of the American Water Resources Association, 2: 493-508.
Sarp, G, Ozcelik, M, 2017. Water body extraction and change detection using time series: A case study of Lake Burdur, Turkey, Journal of Taibah University for Science, 11: 381-391.
Shen, L, Li, C, 2010. Water Body Extraction from Landsat ETM+ Imagery Using Adaboost Algorithm, Geoinformatics, 2010 18th International Conference on IEEE.
Verpoorter, C, Kutser, T, Tranvik, L. 2012. Automated mapping of water bodies using Landsat multispectral data, Limnology and Oceanography: Methods, 10: 1037-1050.
Xie, H, Luo, X, Xu, X, Pan, H, Tong, X. 2016. Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction, International Journal of Remote Sensing, 37(8): 1826-1844.
Xu, H. 2006. Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing, 27(14): 3025-3033.