پیام خود را بنویسید

XML English Abstract Print


1- پژوهشکده مطالعات و تحقیقات منابع آب، مؤسسه تحقیقات آب
2- مرکز ملی مطالعات و تحقیقات دریای خزر، مؤسسه تحقیقات آب
چکیده:   (532 مشاهده)
هدف اصلی از انجام تحقیق حاضر، استفاده از داده‌های ماهواره‌ای به‌منظور استخراج نقشه‌های عمق‌سنجی سواحل دریاها و بخصوص دریای خزر است. بدین منظور حد فاصل بین نیروگاه نکا و بندر امیرآباد در استان مازندران به‌ عنوان پایلوت انتخاب گردید. جهت استخراج نقشه عمق‌سنجی منطقه یاد شده، از تصویر ماهواره Landsat-OLI استفاده گردید. همزمان با گذر ماهواره از منطقه یاد شده، در حدود 2700 نقطه از اعماق 2 الی 11 متری دریای خزر، عمق‌سنجی صورت گرفت که 500 نقطه به عنوان نقاط کنترلی و مابقی نیز به عنوان نمونه‌های آموزشی مورد استفاده قرار گرفت. جهت استخراج نقشه‌ عمق‌سنجی از روش رگرسیون خطی چندجمله‌ای استفاده گردید. همچنین جهت شناسایی بهترین مدل رگرسیونی و انتخاب بهترین متغیرهای مستقل برای برآورد عمق آب، از روش رگرسیون گام به گام استفاده شد. مقایسه بین نقشه عمق آب استخراج شده از تصویر ماهواره Landsat-OLI با نقاط کنترلی نشان داد که میزان RMSE این سنجنده در برآورد عمق آب مناطق ساحلی در حدود 0/4 متر با میانگین خطای استاندارد 7/6 درصد بوده است که با توجه به میزان کدورت آب دریای خزر و مواج بودن آن دقت قابل قبولی محسوب می‌گردد.
متن کامل [PDF 1085 kb]   (257 دریافت)    
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: شرايط محيطي و زيست محيطي
دریافت: 1399/11/5 | پذیرش: 1400/4/20

فهرست منابع
1. Ashphaq, M., Srivastava, P.K. and Mitra, D., (2021). Review of near-shore satellite derived bathymetry: classification and account of five decades of coastal bathymetry research, Journal of Ocean Engineering and Science, In press. [DOI:10.1016/j.joes.2021.02.006]
2. Karimi, N., Bagheri, M.H., Hooshyaripor, F., Farokhnia, A. and Sheshangosht, S., (2016), Deriving and Evaluating Bathymetry Maps and Stage Curves for Shallow Lakes Using Remote Sensing Data, Water Resources Management, Vol.30, p.5003-5020 [DOI:10.1007/s11269-016-1465-9]
3. Ceyhun, Ö. and Yalçın, A., (2010), Remote sensing of water depths in shallow waters via artificial neural networks, Estuarine, Coastal and Shelf Science, Vol.89, p.89-96 [DOI:10.1016/j.ecss.2010.05.015]
4. Yuzugullu, O. and Aksoy, A., (2013), Generation of the bathymetry of a eutrophic shallow lake using WorldView-2 imagery, Journal of Hydroinformatics, Vol.16, p.50-59 16 [DOI:10.2166/hydro.2013.133]
5. Makboul, O., Negm, A., Mesbah, S. and Mohasseb, M., (2017), Performance Assessment of ANN in Estimating Remotely Sensed Extracted Bathymetry. Case Study: Eastern Harbor of Alexandria, Procedia Engineering, Vol.181, p.912-919 [DOI:10.1016/j.proeng.2017.02.486]
6. Jawak, S. and Luis, A., (2016), High-resolution multispectral satellite imagery for extracting bathymetric information of Antarctic shallow lakes, Remote Sensing of the Oceans and Inland Waters: Techniques, Applications, and Challenges, Vol.9978, p.1-9 [DOI:10.1117/12.2222769]
7. Gholamalifard, M., Esmaili-Sari, A., Abkar, A. and Naimi, B., (2013), Bathymetric Modeling from Satellite Imagery via Single Band Algorithm (SBA) and Principal Components Analysis (PCA) in Southern Caspian Sea, International Journal of Environmental Research, Vol.7, p.877-886
8. Heidarian, K., Kaboodvandpour, Sh. And Amanollahi, G., (2016), Investigation of Zarivar international wetland depth changes using remote sensing and artificial neural network model, Journal of Geographic space, Vol.53, p.271-289 (In Persian)
9. Green, E.P., Edwards, A.J. and Mumby, P.J., (2000), Mapping Bathymetry. In Remote Sensing Handbook for Tropical Coastal Management, ed. A. Edwards, UNESCO, Paris, France, V.15, p.219 - 235
10. Arsen, A., Crétaux, J.-F., Berge-Nguyen, M. and Del Rio, R.A., (2014), Remote Sensing-Derived Bathymetry of Lake Poopó, Remote Sensing, Vol.6, p.407-420 [DOI:10.3390/rs6010407]
11. Ayana, E.K., Philpot, W.D., Melesse, A.M. and Steenhuis, T.S., (2014), Bathymetry, Lake Area and Volume Mapping: A Remote-Sensing Perspective. In A.M. Melesse, W. Abtew, & S.G. Setegn (Eds.), Nile River Basin (pp. 253-267): Springer International Publishing [DOI:10.1007/978-3-319-02720-3_14]
12. Duguay, C.R. and Lafleur, P.M, (2003), Determining depth and ice thickness of shallow sub-Arctic lakes using space-borne optical and SAR data, International Journal of Remote Sensing, Vol.24, p.475-489 [DOI:10.1080/01431160304992]
13. Jay, S. and Guillaume, M., (2014), A novel maximum likelihood based method for mapping depth and water quality from hyperspectral remote-sensing data, Remote Sensing of Environment, Vol.147, p.121-132 [DOI:10.1016/j.rse.2014.01.026]
14. Kanno, A., Tanaka, Y., Kurosawa, A. and Sekine, M, (2013), Generalized Lyzenga's Predictor of Shallow Water Depth for Multispectral Satellite Imagery, Marine Geodesy, Vol.36, p.365-376 [DOI:10.1080/01490419.2013.839974]
15. Majozi, N.P., Salama, M.S., Bernard, S., Harper, D.M. and Habte, M.G., (2014), Remote sensing of euphotic depth in shallow tropical inland waters of Lake Naivasha using MERIS data, Remote Sensing of Environment, Vol.148, p.178-189 [DOI:10.1016/j.rse.2014.03.025]
16. Tripathi, N.K. and Rao, A.M., (2002), Bathymetric mapping in Kakinada Bay, India, using IRS-1D LISS-III data, International Journal of Remote Sensing, Vol.23, p.1013-1025 [DOI:10.1080/01431160110075785]
17. Van Hengel, W. and Spitzer, D., (1991), Multi-temporal Water Depth Mapping by Means of Landsat TM, International Journal of Remote Sensing, Vol.4, p.703-712 [DOI:10.1080/01431169108929687]

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

Creative Commons License
International Journal of Maritime Technology is licensed under a

Creative Commons Attribution-NonCommercial 4.0 International License.