برآورد سطح پوشش برف از طریق تکنیک های شیءگرا با استفاده از تصاویر سنجنده های OLI و TIRS - مطالعه موردی: کوهستان سهند

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشجوی کارشناسی ارشد سنجش ازدور و GIS، دانشکده جغرافیا و برنامه ریزی، دانشگاه تبریز

10.22131/sepehr.2019.35639

چکیده

مطالعه و اندازهگیری تغییرات سطوح برف به عنوان یکی از منابع مهم تأمین آب، بسیار حائز اهمیت است. با توجه به شرایط سخت فیزیکی محیطهای کوهستانی، امکان اندازهگیری دائم زمینی جهت تخمین منابع برفابی و تشکیل پایگاه دادهها وجود ندارد. استفاده از تصاویر ماهوارهای و سنجش ازدور با توجه به هزینه کم، به روز بودن و پوشش وسیع در این زمینه راهگشا بوده و میتواند در شناسایی مناطق برفگیر و ارزیابی تغییرات آن روش مناسبی جهت نیل به این هدف باشد. هدف اصلی این پژوهش تخمین سطح پوشش برف کوهستان سهند با استفاده از تصاویر ماهوارهای سنجندههای OLI و TIRS و به وسیله روش طبقهبندی شیءگرا میباشد. طبقهبندی تصاویر رقومی ماهوارهای یکی از مهمترین روشها برای استخراج اطلاعات کاربردی محسوب میشود که در حال حاضر با دو روش کلی پردازش پیکسل پایه و شیءپایه انجام میگیرد.  روش پیکسل پایه که مبتنی بر طبقهبندی ارزشهای عددی تصاویر است، و روش جدید شیءگرا که علاوه بر ارزشهای عددی، اطلاعات مربوط به محتوا، بافت و زمینه را نیز در فرآیند طبقهبندی تصاویر به کار میگیرد. لذا در تحقیق حاضر بنا به دقت بالای طبقهبندی شیءگرا نسبت به طبقهبندی پیکسل پایه از تکنیکهای شیءپایه برای طبقهبندی و تخمین سطح پوشش برفی استفاده شد. در تصاویر ماهوارهای سنجنده MODIS  به علت قدرت تفکیک مکانی پایین، آن دسته از پوشش‌‌های برفی که در داخل درههای کوهستانی هستند قابل استخراج نمیباشند. همچنین تفکیک پوشش برف از پوشش ابر در این نوع از تصاویر با دقت بسیار پایینی انجام میشود. در این پژوهش به دلیل استفاده از تصاویر ماهوارهای Landsat 8 و روش نوین طبقهبندی تصاویر، علاوه بر استخراج سطح برف در دامنههای مختلف منطقه مورد مطالعه، پوشش برف داخل درهها نیز بهوسیله الگوریتمهای NDSI, NDVI, LST, Brightness با دقت بسیار مناسبی به میزان 89/1882 کیلومترمربع برای محدوده کوهستانی سهند استخراج گردید که از نتایج آن میتوان به عنوان جایگزین ایستگاههای برفسنجی استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating snow cover trends using Object-Oriented Methods and images received from OLI and TIRS sensors (Case Study: Sahand Mountain)

نویسندگان [English]

  • Hooshang Seifi
  • Ismail Gorbani
Masters student of remote sensing and GIS, College Geography and Planning, Tabriz University
چکیده [English]

Introduction
Presently, population growth, urban development, the importance of agriculture in economic development, the need for supplying water demands of this sector and improving public health have multiplied water consumption as compared to the past. For appropriate and optimal use of water resources, it is necessary to know the amount of available water in the area, its temporal and spatial changes, and the exact planning for maintenance and utilization of the available water. Accordingly, studying and measuring changes in snow levels, as an important source of water in mountainous areas, is very important. Snow cover is one of the important parameters involved in the amount of snowmelt. Due to the difficulty of monitoring and measuring snow cover level in mountainous basins, satellite images are used as alternatives to monitoring and ground operations in the preparation process of snow cover map. In this regard, the use of satellite imagery and remote sensing, due to low cost, up-to-date and extensive coverage, is a major breakthrough which can be used to identify snowy areas and evaluate changes in that method. Detailed analysis of snow-related issues requires a set of snow measurements and observations. OLI and TIRS sensors with various advantages like appropriate number of bands, referable spatial resolution, and sequential time series are considered to be an appropriate tool for this purpose. The main objective of this research is to estimate snow coverage of Sahand Mountain using satellite images received from OLI and TIRS sensors and by object-oriented classification method.
 
Materials and Methods
The present study use images received from OLI and TIRS sensors, and Landsat 8 satellite on 08/02/2017 (Pass and Row no. 34-168), as well as Digital Elevation Model based on data received from Aster Sensor and Terra satellite with a resolution of 28.5 meters to produce snow coverage map. Geo TIFF satellite data were originally requested from the American Geological organization and received from USGS site. Envi 5.3, eCognition 9.1, and ArcMap 10.4.1 software were used for processing and preparation of images, as well as classification and extraction of the final maps. In order to classify and extract snow cover surface with high precision, NDSI, NDVI, LST, and Brightness algorithms were used along with fuzzy algorithms.
 
Results and Discussion
Classification of satellite digital images is one of the most important methods for extracting applied information, which is currently performed by two general methods of pixel-based processing and object-based processing. The former method is based on the classification of numerical values of images, and the latter use not only numerical values, but also content, texture, and background information in the image classification process. Recent researches have processed image pixels and have only applied NDSI algorithm to estimate snow cover level. Therefore, pixels recognized as snow in such researches may contain snow cover and other land uses, which reduces the precision of snow cover extraction and makes the process of extracting all snow covers difficult. Extraction of snow cover using MODIS images is one of such researches. Due to low spatial resolution of these satellite imageries, extraction of mountainous valleys snow cover, as well as the separation of snow cover from the cloud cover is done with very low accuracy. Therefore, due to higher accuracy of object-oriented classification as compared to pixel-based classification, object-based techniques were used to classify and estimate snow cover. In object-oriented method, pixels are classified based on shape, texture and gray tone of the image. Thereby, pixels change into image objects and resolves the pixel blend problem. Therefore, by assigning each object to a specific land use, classification accuracy increases. Also, using complementary algorithms such as Brightness and NDVI along with the NDSI algorithm will improve the accuracy of findings as compared to other recent research. Therefore, using Landsat 8 satellite images and the new method of image classification, the present study extract snow cover from different domains of the study area. The snow cover in valleys was also extracted with appropriate and acceptable accuracy using different algorithms.  Using LST algorithm in object-oriented processing method, detecting and separating snow cover from cloud cover was made possible. In this way, a satisfactory result was obtained from the snow cover. Finally, snow cover for Sahand Mountain Range was calculated to be 1882.88 km2. The results can be used as an alternative to snow measurement stations.
 
Conclusion
Based on research findings, using Landsat 8 satellite imagery and object-oriented processing methods for image classification have the necessary efficiency in extracting snow cover in mountainous regions. Given the precise estimation of the snow surface and the low cost of using this type of satellite imagery, it is possible to use this type of images and check the snow cover with great confidence. While ground observations are expensive due to impassibility of mountainous regions, and also they are not sufficiently precise.
 

کلیدواژه‌ها [English]

  • Snow cover surface
  • Object-Oriented Processing Method
  • Sahand Mountain
  • Satellite images of OLI and TIRS sensors

1- ادهمی، سلام، (1384)، کاربرد سنجش‌ازدور و سیستم اطلاعات جغرافیایی در پهنه‌بندی پوشش برف، مطالعه موردی: حوضه آجی‌چای، رسولی علی‌اکبر، دانشگاه تبریز، گروه سنجش‌ازدور و GIS.

2- اکبری، سلیمانی، حبیب‌نژاد روشن، رئیسی؛ مسلم، کریم، محمود، محسن، (1389)، کاربرد سنجش‌ازدور و GIS در ارزیابی تغییرات کاربری اراضی، مطالعه موردی: حوضه آبخیز نورآباد لرستان، همایش ژئوماتیک، تهران، سازمان نقشه‌برداری کشور.

3- المدرسی، رحیم‌آبادی، خضری؛ سید علی، ابوالفضل، صادق، (1393)، پهنه‌بندی و مقایسه دمای سطح زمین با استفاده از دو باند حرارتی 10 و 11 تصویر لندست 8، (مطالعه موردی شهرستان بهشهر)، نخستین همایش ملی کاربرد مدل‌های پیشرفته تحلیل فضایی (سنجش از دور و GIS) در آمایش سرزمین، دانشگاه آزاد اسلامی واحد یزد.

4- پیرنظر، زند کریمی؛ مجتبی، آرش، (1394)، راهنمای کاربردی نرم‌افزار ENVI و پردازش تصاویر ماهواره‌ای ENVI 5.1، انتشارات ناقوس، تهران، صص 242.

5- جویباری مقدم، آخوندزاده، سراجیان؛ یاسر، مهدی، محمدرضا، (1393)، تخمین سطح پوشش برف با استفاده از تصاویر ماهواره‌ای لندست -8، اولین کنفرانس بین‌المللی مهندسی محیط زیست، تهران، مرکز راهکارهای دستیابی به توسعه پایدار.

6- حجام، شرعی‌پور؛ سهراب، زهرا، (1382)، ذوب برف در حوضه آبریز طالقان، پژوهش‌های جغرافیایی، شماره 46، صص 49-62.

7- رضایی بنفشه، رستم‌زاده، فیضی‌زاده؛ مجید، هاشم، بختیار، (1386)، بررسی و ارزیابی روند تغییر سطوح جنگل با استفاده از سنجش از دور و GIS (مطالعه موردی جنگل‌های ارسباران 1987-2005)، پژوهش‌های جغرافیایی، شماره 62، صص 143-159.

8- رایگانی، سلطانی کوپایی، خواجه‌الدین، براتی؛ بهزاد، سعید، سید جمال‌الدین، سوسن، (1389)، برآورد رواناب ناشی از ذوب برف با استفاده از تصاویر ماهواره‌ای MODIS، مجله مهندسی و مدیریت آبخیز، جلد 2، شماره 4.

9- روستایی، رحیم‌پور، نخستین روحی؛ شهرام، توحید، مهسا، (1395)، آشکارسازی سطح پوشش برف حوضه آبریز تبریز با استفاده از تصاویر ماهواره‌ایNOAA-AVHRR، دومین کنگره بین‌المللی علوم زمین و توسعه شهری، تبریز، شرکت کیان طرح دانش، پژوهشکده جهاد دانشگاهی واحد استان آذربایجان شرقی.

10- فیضی‌زاده، جعفری، نظم‌فر؛ بختیار، فیروز، حسین، (1387)، کاربرد داده‌های سنجش‌ازدور در آشکارسازی تغییرات کاربری‌های اراضی شهری مطالعه موردی فضای سبز شهر تبریز، نشریه هنرهای زیبا، شماره 34، صص 17-24.

11- فتاحی، نوحی، دلاور؛ ابراهیم، کیوان، مجید، (1388)، بررسی سطح پوشش برف حوضه‌های جنوب غربی ایران، در ارتباط با سیگنال‌های اقلیمی، فصلنامه تحقیقات جغرافیایی، شماره 95، صص 109-120.

12- فیضی‌زاده، هلالی؛ بختیار، حسین، (1388)، مقایسه روش‌های پیکسل پایه، شیءگرا و پارامترهای تأثیرگذار در طبقه‌بندی پوشش / کاربری اراضی استان آذربایجان غربی، پژوهش‌های جغرافیایی، شماره 71، صص 84-73.

13- فیضی‌زاده، شهابی، سیفی؛ بختیار، هژار، هوشنگ، (1395)، شناسایی پهنه‌های مستعد توفان‌های نمکی دریاچه ارومیه با استفاده از پردازش فازی-شیءگرای تصاویر ماهواره‌ای، مدیریت مخاطرات محیطی (دانش مخاطرات سابق)، دوره 3، شماره 3، صص 269-284

14- فیضی‌زاده، سلمانی؛ بختیار، سعید، (1395)، مدل‌سازی تخریب اراضی کشاورزی بر اثر رشد و توسعه شهری با به کارگیری روش‌های شیءپایه پردازش تصاویر ماهواره‌ای در محدوده شهری ارومیه، آمایش سرزمین، دوره هشتم، شماره دوم، صص 177-202.

15- میریعقوب‌زاده، قنبرپور؛ میرحسین، محمدرضا، (1389)، بررسی نقشه‌های پوشش برفی حاصل از تصاویر ماهواره‌ای MODIS در مدل‌سازی رواناب ذوب برف، مطالعه موردی: حوضه آبخیز سد کرج، مجله علوم زمین، شماره 76، صص 141-148.

16- میرموسوی، صبور؛ سیدحسین، لیلا، (1391)، پایش تغییرات پوشش برف با استفاده از تصاویر سنجنده مودیس در منطقه شمال‌غرب ایران، فصلنامه جغرافیا و توسعه، دوره 12، شماره 35، صص 181-200.

17- محمدپور، محمدپور؛ آیت، رقیه، (1395)، بررسی تغییرات سطح پوشش برف استان اردبیل با استفاده از تصاویر سنجنده MODIS (در سال زراعی 88-1387)، دومین کنفرانس بین‌المللی ایده‌های نوین در کشاورزی، محیط زیست و گردشگری، اردبیل، موسسه حامیان زیست اندیش محیط آرمانی.

18- Ahmad Tahir, Chevallier, Arnaud, Ashraf, Tousif Bhatti; Adnan, Pierre, Yves, Muhammad, Muhammad, (2015), Snow Cover Trend and Hydrological Characteristics of the Astore River Basin (Western Himalayas) and its Comparison to the Hunza Basin (Karakoram Region), Science of the Total Environment, 505, 748–761.

19- Antonio, Eulogio, David; Juan Collados-Lara, Pardo-Iguzqiza, Pulido-Velazquez, (2016), Estimation of Snowpack Matching Ground-Truth Data and MODIS Satellite-Based Observations by Using Regression Kriging, EGU General Assembly, EPSC2016-14368.

20- Blaschke, T., (2010), Object Based Image Analysis for Remote Sensing. ISPRS Journal of  Photogrammetry and Remote Sensing, Remote Sensing of Environment, 65(1), 2-16.

21- Costa, Foody, Boyd; Hugo, Giles M., Doreen S., (2017), Using Mixed Objects in the Training of Object-Based Image Classifications, Remote Sensing of Environment, Pages 188-197.

22- Dong, Cai, Fan, Gao, Lian, Yin, Dang, Guo; Guotao, Mingyong, Dong, Wenwang, Yaokang, Huijuan, Suzhen, Xinwei, (2016), Using Object Oriented Technique to Extract Jujube Based on LANDSAT 8 OLI  Image in Jialuhe Basin, Journal of Image Processing Theory and Applications,  1: 16-20.

23- Dariane, Khoramian, Santi; Alireza, Amin, Emanuele, (2017), Investigating Spatiotemporal Snow Cover Variability Via Cloud-Free MODIS Snow Cover Product in Central Alborz Region, Remote Sensing of Environment, RSE-10284,  Pages 14.

24- Georgievsky, M.V, (2009), Application of the Snowmelt Runoff Model in the Kuban River Basin Using MODIS Satellite Images, Environmental Research Letters, 4, Article ID: 045017.

25- Hanibal, Amaury, Jean, Enyew, Jan; Lemma, Frankl, Poesen, Adgo, Nyssen, (2017), Classifying Land Cover from an Object-Oriented Approach to LANDSAT 8 at the Regional Scale of the Lake Tana Basin (Ethiopia), Geophysical Research Abstracts, Vol. 19, EGU2017-3526.

26- Jimenez-Munoz, Sobrino, Skokovic, Mattar, Cristobal; Juan C, Jose A, Drazen, Cristian, Jordi, (2014), Land Surface Temperature Retrieval Methods from LANDSAT 8 Thermal Infrared Sensor Data, IEEE Geoscience and Remote Sensing Letters, 11, 1840–1843.

27- Nolin, Liang ; A., S., (2000), Progress in Bidirectional Reflectance Modeling and Applications for Surface Particulate Media: Snow and Soils, Remote Sensing Reviews, no. 14, 307–342 pp.

28- Sehnaz, Erhan; Sener, Sener, (2016), Estemation of Lake Water Temperature with ASTER and LANDSAT 8 OLI-TIRS Thermal Infraed Bands: A Case Study Beysehir Lake (Turkey), Living Planet Symposium, ESA-SP Volume 740, ISBN: 978-92-9221-305-3, p.256.

29- Vikhamar, Rune; Dagrun, Solberg, (2002), Subpixel Mapping of Snow Cover in Forests by Optical Remote Sensing, Remote Sensing of Environment, 84 69-82.

30- Valadan Zoej, Mokhtarzade; Mohammad, Mehdi, (2016), Optimization of Multiresolution Segmentation for Object-Oriented Road Detection from High-Resolution Images, Canadian Journal of Remote Sensing, Pages 75-84.

31- Wang, Xei, Liang; Xianwei, Hongjie, Tiangang, (2008), Elevation of  MODIS Snow Cover and Cloud Mask and its Application in Northern Xinjiang, China, Remote Sensing of Environment, 112:1497,1513.