فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر»

فصلنامه علمی- پژوهشی اطلاعات جغرافیایی « سپهر»

پایش تغییرات دینامیک زیر حوضه تالاب میانگران با استفاده از سامانه گوگل ارث انجین

نوع مقاله : مقاله پژوهشی

نویسندگان
حشمت کرمی
زهرا صیادی
کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی(GIS) گرایش مطالعات آب و خاک دانشکده علوم انسانی گروه جغرافیا دانشگاه هرمزگان
10.22131/sepehr.2023.1988493.2950
چکیده
تغییرات محیطی، از بحرانی‌ترین چالش‌های دستیابی به توسعه پایدار هستند. نظارت، مدیریت و کمک در تصمیم‌گیری و سیاست‌گذاری تغییرات آب‌های سطحی را با توجه به در دسترس بودن داده‌های ماهواره‌ای می‌توان انجام داد. سامانه‌ی گوگل ارث انجین شرایط مناسب پردازش تصاویر ماهواره‌ای برای پایش و تحلیل محیطی را ایجاد می‌کند.  هدف از این پژوهش، پایش تغییرات دینامیک زیر حوضه تالاب میانگران در بازه زمانی (2022-2013) است. ساخت یک مدل هارمونیک به دلیل انعطاف‌پذیری آن در محاسبه چرخه‌ای با اشکال ساده و قابل تکرار در این پژوهش استفاده شد. سری زمانی هارمونیک پهنه‌ی آبی و پوشش گیاهی با استفاده از شاخص‌های NDWI و NDVI در بستر گوگل ارث انجین استخراج شد و آزمون روند من کندال برای آن‌ها در اکسل با افزونه XLSTAT محاسبه گردید. درنهایت از داده‌های جهانی آب برای تأیید و تکمیل نتایج تحلیل سری زمانی بهره گرفته شد. نتایج سری زمانی هارمونیک پهنه آبی روند کاهشی و منفی و تغییرات بیشتر در زیر حوضه را نشان داد. برای داده‌های مشاهده‌شده پوشش گیاهی بیانگر عدم وجود روند در سری زمانی هارمونیک بود. در مقایسه با نتایج و تجزیه و تحلیل پژوهش های دیگر به نظر می‌رسد دخالت‌های انسانی و تغییر کاربری‌ها می‌تواند علت عدم روند در زیر حوضه تالاب میانگران باشد. همچنین تغییر اقلیم و خشک‌سالی سهم عمده‌ای در تغییرات زیر حوضه تالاب میانگران داشته است. بررسی داده‌های جهانی آب نیز نشان داد که وقوع آب ازنظر مکانی- زمانی کاهشی و شدت تغییر وقوع آب در زیر حوضه‌ی تالاب میانگران بحرانی است. همچنین بیشترین تغییرات مربوط به حاشیه‌ی تالاب میانگران است. درنهایت تخصیص حق آبه، وضع قوانین و تعیین حد بستر محیط زیستی و استفاده از قابلیت‌های گوگل ارث انجین برای پایش تغییرات محیطی (کاربری، دما، بارش، تبخیر و...) زیر حوضه تالاب میانگران پیشنهاد شد.
کلیدواژه‌ها
زیر حوضه تالاب میانگران
گوگل ارث انجین
تحلیل سری زمانی هارمونیک
من کندال
داده‌های جهانی وقوع آب

موضوعات

عنوان مقاله English

Monitoring the dynamic changes of Miangaran wetland sub-basin using Google Earth Engine system

نویسندگان English

Heshmat Karami
Zahra Sayadi
Department of Geography, School of Human Sciences, Hormozgan University, Bandar Abbas, Iran
چکیده English

Extended Abstract
Introduction
Environmental changes are one of the most critical challenges to achieving sustainable development. Wetlands are part of the earth's structure and as one of the important ecosystems consisting of water, vegetation, soil and microorganisms. Monitoring, management and assistance in decision-making and policy-making of surface water changes can be done according to the availability of satellite data. The availability of Landsat data helps a lot in preparing a high-quality map to show the land surface changes. Although remote sensing is superior to traditional methods in terms of time, speed, and cost, these methods require the use of powerful and practical systems that include complex analysis. The use of data and images on the web is a solution that can be used to solve the mentioned problem, which studies can be done with high accuracy and speed without the need for a strong hardware and software system. The Google Earth Engine system creates suitable conditions for processing satellite images for environmental monitoring and analysis. The purpose of this research is to monitor the dynamic changes in the Miangaran wetland sub-basin in the period (2013-2022).
Materials & Methods
Miangaran wetland with an average area of 2500 hectares is located at a distance of one and a half kilometers from Izeh city, in the northeast of Khuzestan province. Time series analysis is one of the most common operations in remote sensing that helps to understand and model seasonal patterns as well as monitor changes. In this research, 421 images from the ee.ImageCollection ("LANDSAT/LC08/C02/T1_L2") data set were used for the period from 2013 to 2022. The construction of a harmonic model was used in this research due to its flexibility in cyclic calculation with simple and repeatable forms. The normalized differential water index is an index for drawing and monitoring content changes in surface waters. Also, the Normalized Difference Vegetation Index (NDVI) is one of the most common remote sensing indices. Harmonic time series of water body and vegetation cover were extracted using NDWI and NDVI indices in Google Earth Engine platform, and Mann-Kendall's non-parametric test was performed using time series data output with XLSTAT extension in Excel software. Finally, global water data was used to confirm and complete the results of time series analysis.
Results, discussion and conclusion
The results of the harmonic time series of the water body showed a decreasing and negative trend and more changes in the sub-basin. Kendall's statistical test confirmed the decreasing and negative trend of the water body. Accordingly, since the calculated p-value (<0.0001) is lower than the alpha significance level (0.05), the null hypothesis should be rejected and its alternative hypothesis, the existence of a trend in the time series, should be accepted. The value of Kendall's tau also confirmed a negative value (-0.245) and a decrease. Due to the negative sen's slope statistic for the water area (-0.002), changes are more in the Miangaran Wetland sub-basin. The results of the Mann-Kendall test for the observed vegetation data showed the absence of a trend in the harmonic time series. Since the calculated p-value (0.064) is higher than the significance level of alpha (0.05), the null hypothesis (absence of trend) cannot be rejected. The risk of rejecting the null hypothesis (while true) is 43.6%. Kendall's tau statistic showed a negative value (-0.060) and a non-significant decrease. Therefore, accepting the null hypothesis (absence of trend) indicates that vegetation changes in the harmonic time series were not significantly different from each other. Also, the negative sen's slope statistic for vegetation (-0.026) indicates more changes in the sub-basin of Miangaran Wetland. By comparing with the results and analysis of other researches, it seems that human intervention and change of land use can be the cause of the lack of trend in the Miangaran Wetland sub-basin. Also, according to the negative value of Man-Kendall's vegetation cover which showed a non-significant decreasing trend, it seems that climate change and drought have also played a major role in the changes under the Miangaran wetland basin. The study of the global water data also showed that the water occurrence in terms of space-time is decreasing and the intensity of the change of water occurrence is critical under the basin of Miangaran wetland. The marginal parts of Miangaran Wetland show seasonal water loss, most of these changes occur during the period. This research confirmed the use of harmonic time series in monitoring wetland dynamic changes. Finally, the allocation of water rights, the establishment of laws and the determination of the limit of the ecological bed, and the use of Google Earth Engine capabilities to monitor environmental changes (use, temperature, precipitation, evaporation, etc.) of the Miangaran Wetland sub-basin were suggested.

کلیدواژه‌ها English

Miangaran wetland sub-basin
Google Earth Engine
Harmonic time series analysis
Man Kendall
Global water occurrence data
1- اداره کل حفاظت محیط‌زیست خوزستان (1374). طرح مطالعاتی شناخت و احیای محیط‌زیست طبیعی استان، پروژه گونه‌های نادر جانوری و گیاهی، ص 281.
2- امیری، سید کابلی، محمودی کهن؛ خدیجه، حسام، فرهاد،1400، مطالعه و پایش تغییرات سطح آب و تأثیر آن بر دمای سطح تالاب با استفاده از شاخص‌های NDWI، MNDWI و AWEI (مطالعه موردی: تالاب‌های شادگان و هورالعظیم)،https://civilica.com/doc/1420614.
3- بهروزی‌راد، سپهرنیا؛ بهروز، شهرام (1390). اهمیت و نقش تالاب بند علی‌خان در حفاظت از پرندگان آبزی و کنار آبزی. فصلنامه علمی محیط‌زیست، شماره 3.
4- بیرانوند، احمدنژاد، بوسلیک، کشاورزی (1393). آشکارسازی تغییرات دریاچه‌های میانگران و-آب‌بندان خوزستان در بازه زمانی1390-1368. پژوهش‌های دانش زمین، 5(4)، 45-61.‎
5- خسروی، رضا و همکارانش (1399). بررسی پهنه‌های آبی با استفاده از شاخص‌های آبی و گوگل ارث انجین (مطالعه موردی: تالاب‌های شهرستان پلدختر استان لرستان) اکو هیدرولوژی دوره 7، شماره 10، ص 146-131.
6- خلاصه گزارش ارزیابی زیست‌محیطی (1381). پروژه تأمین آب کشاورزی اراضی مجاور تالاب میانگران، سازمان حفاظت محیط‌زیست خوزستان.
7- دوستی، رنگزن، ساکی؛ رحمن، کاظم، عادل (1395)، بررسی تغییرات زیست محیطی تالاب میانگیران با استفاده از سنجش از دور،نهمین همایش زمین شناسی مهندسی و محیط زیست ایران،تهران،https://civilica.com/doc/582958.
8- رشیدی، مریم 1396، اثرات زیست‌محیطی تغییرات تالاب میانگران ایذه، چهارمین کنفرانس بین‌المللی برنامه‌ریزی و مدیریت محیط‌زیست، تهران،https://civilica.com/doc/589951
9- زارع خورمیزی، ه. غفاریان مالمیری، ح. 1396، پایش خشکسالی و تأثیر آن بر پوشش گیاهی با استفاده از فناوری‌های سنجش‌ازدور (بررسی موردی: استان یزد، سال‌های 1994 تا 2014) مدیریت بیابان، دوره 5، شماره 10، صص 68-86.
10- سازمان زمین‌شناسی و اکتشافات معدنی کشور (1397). صفحه اصلی/ دسته‌های گالری تصاویر/ زمین‌گردشگری (ژئوتوریسم) استان خوزستان / تالاب میانگیران ایذه. تالاب-میانگیران-ایذه /.https://gsi.ir/ahwaz/fa/album/32
11- سالارپور، رقیه (1396). عنوان پایان‌نامه؛ ارزیابی زیستگاه پرندگان مهاجر تالاب میانگران. استاد راهنما؛ ملکیان، منصوره، دانشگاه صنعتی اصفهان، دانشکده منابع طبیعی.
12- سپیدنامه، زهرا و همکاران (1390). جامعه پرندگان آبزی و کنار آبزی تالاب میانگران ایذه، استان خوزستان، همایش ملی جنگل های زاگرس مرکزی، قابلیت‌ها و تنگناها، دوره برگزاری:1.
13- سودانی، الهایی‌سحر، رضایی سولگانی، حلفی؛ علیرضا، مصطفی، یاسین، علی،1398، مطالعه و بررسی تغییرات اقلیمی تالاب میانگران ایذه با استفاده از تکنیک‌های ...، پنجمین کنفرانس بین‌المللی مهندسی محیط‌زیست و منابع طبیعی، تهران،https://civilica.com/doc/934017
14- شکری کوچک، بهینا؛ سعید، عبدالکریم. پایش و پیش‌بینی خشکسالی استان خوزستان با استفاده از شاخص خشکسالی SPI و زنجیره مارکوف.‎ نشریه: علوم مهندسی و آبیاری (مجله علمی کشاورزی) سال:1392، دوره:36، شماره:3 صفحات:1-12.
15- ظفری، غلامحسین (1399). تالاب‌های استان خوزستان، تالاب میانگران. وزارت آموزش‌وپرورش، سازمان پژوهش و برنامه‌ریزی آموزشی، دفتر انتشارات و فناوری آموزشی. https://www.roshdmag.ir/fa/article/24546/ تالاب‌های استان خوزستان.
16- غفاریان مالمیری، ح. زارع خورمیزی، ه.1396، بازسازی سری‌های زمانی داده‌های ماهواره‌ای دمای سطح زمین با استفاده از الگوریتم تجزیه‌وتحلیل هارمونیک سری‌های زمانی، سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره‌ی 8، شماره 3، صص 37-55.
17- کیان‌پور، دشتی، بهباش؛ حسین، سولماز، روشنا. ارزیابی آسیب‌پذیری اکوسیستم تالاب میانگران. تحلیل فضایی مخاطرات محیطی. 1401; 9 (1) :41-56.
18- مناف‌فر، جباری، فیضی، زینال‌زاده، مرادخانی. (2022). بررسی تغییرات پوشش گیاهی و آب تالاب کانی‌برازان با استفاده از تصاویر ماهواره لندست 8 طی 2016-2013. نشریه علمی بوم شناسی آبزیان, 12(1), 17-26.‎
19- میراحسنی، سلمان ماهینی، سفیانیان، محمدی، مدرس، جعفری، پورمنافی؛ مرضیه سادات، عبدالرسول، علیرضا، جهانگیر، رضا، رضا، سعید. ارزیابی روند تغییرات پوشش گیاهی با استفاده از تصاویر سری زمانی و آزمون من-کندال در حوضه آبخیز گاوخونی.‎ محیط‌شناسی، دورة 45، شمارة 1، بهار،1398 صفحة 9.
20- هاشــمی دره بادامی س. نورایی صــفت، ا. کریمی، س؛ و نظری، س. 1394. تحلیل روند توســعه جزیرة حرارتی شــهری در رابطه با تغییر کاربری اراضی/پوشش با استفاده از سری زمانی تصاویر لندست. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. 63: (15-28).
21- Amani, M., Salehi, B., Mahdavi, S., & Brisco, B. (2018). Spectral analysis of wetlands using multisource multisource optical satellite imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 144, 119-136.
22- Andrew, Cottam. 2020. Global Surface Water Transitions (EC Joint Research Centre/Google). https://www.arcgis.com/home/item.html?id=d9ba7767bede4d28be28e5658a864642.
23-Ashok, A., Rani, H. P., & Jayakumar, K. V. (2021). Monitoring of Dynamic Wetland Changes using NDVI and NDWI based Landsat Imagery. Remote Sensing Applications: Society and Environment, 100547.
24- Campos, Ozzy. 2022. Google Earth Engine, Time Series Modeling, Multi-temporal data in Earth Engine. https://developers.google.com/earth-engine/tutorials/community/time-series-modeling.
25- Campos, Ozzy. 2022. Google Earth Engine, Time Series Modeling, Linear modeling of time. https://developers.google.com/earth-engine/tutorials/community/time-series-modeling.
26- Campos, Ozzy. 2022. Google Earth Engine, Time Series Modeling, Estimate seasonality with a harmonic model. https://developers.google.com/earth-engine/tutorials/community/time-series-modeling.
27- Charles, Zaiontz. 2023. REAL STATISTICS USING EXCEL, Mann-Kendall Test, Basic Concepts. https://www.real-statistics.com/time-series-analysis/time-series-miscellaneous/mann-kendall-test/.
28- Deng, C., & Wu, C. (2012). BCI: A biophysical composition index for remote sensing of urban environments. Remote Sensing of Environment, 127, 247-259.
29- Dong, J., Xiao, X., Kou, W., Qin, Y., Zhang, G., Li, L., Jin, C., Zhou, Y., Wang, J., Biradar, C., 2015. Tracking the dynamics of paddy rice planting area in 1986–2010 through time series Landsat images and phenology-based algorithms. Rem. Sens. Environ. 160, 99–113. https://doi.org/10.1016/j.rse.2015.01.004.
30- Emadi, M., et al., An approach for land suitability evaluation using geostatistics, remote sensing, and geographic information system in arid and semiarid ecosystems. Environmental monitoring and assessment, 2010. 164(1-4): p. 501-511.
31- EOS DATA ANALYTICS. 2022. Make an Analysis, NDVI: Normalized Difference Vegetation Index. https://eos.com/make-an-analysis/ndvi/.
32- EOS DATA ANALYTICS. 2022. Make an Analysis, Normalized Difference Water Index. https://eos.com/make-an-analysis/ndwi/.
33- Esri, 2022. ArcGIS Pro, Python/ Image Analysis module/ Functions/ Band Indices. NDWI, Discussion. https://pro.arcgis.com/en/pro-app/latest/arcpy/image-analyst/ndwi.htm.
34- European Commission. NDWI: Normalized Difference Water Index. 2011. Version 1. DESERT Action - LMNH Unit. Accessed March 13, 2019. Available at: http://edo.jrc.ec.europa.eu/documents/factsheets/factsheet_ndwi.pdf.
35- Gandhi, Ujaval. 2020. Spatial Thoughts. Extracting Time Series using Google Earth Engine. https://spatialthoughts.com/2020/04/13/extracting-time-series-ee/.
36- Ghafarian Malamiri, H.R., Rousta, I., Oiafsson, H., Zare, H. & Zhang, H, 2018, Gap-filling of MODIS Time Series Land surface temperature (LST) Products Using Singular spectrum Analysis (SSA), Atmospherc. 9(9), p.334.
37- Global Surface Water. 2020. EXPLORE. Identification. Water occurrence(1984-2021). https://global-surface-water.appspot.com/map. 
38- Global Surface Water. 2020. EXPLORE. Identification. Water occurrence change intensity(1984-1999 to 2000-2021). https://global-surface-water.appspot.com/map.
39- Global Surface Water. 2020. EXPLORE. Identification. water seasonality (2021). https://global-surface-water.appspot.com/map.
40- Hansen, M. C., & Loveland, T. R. (2012). A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment, 122, 66-74.
41- Harris, A., Carr, A.S. and Dash, J. 2014. Remote sensing of vegetation cover dynamics and resilience across southern Africa. International Journal of Applied Earth Observation and Geoinformation, 28: 131-139.
42- Hirsch, R. M., & Slack, J. R. (1984). A nonparametric trend test for seasonal data with serial dependence. Water resources research, 20(6), 727-732.
43- Jean-Francois Pekel, Andrew Cottam, Noel Gorelick, Alan S. Belward, High-resolution mapping of global surface water and its long-term changes. Nature 540, 418-422 (2016). (doi:10.1038/nature20584).
44- Kendall M.G. 1975. Rank Correlation Methods. Charless Griffin, London.
45- Lanfredi, M., Coppola, R., Simoniello, T., Coluzzi, R., Imbrenda, V. and Macchiato, M. 2015. Early identification of land degradation hotspots in complex bio-geographic regions. Remote Sensing, 7(6): 8154-8179.
46- Lee, T., Yeh, H., 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: a case study of Danshui river estuary mangrove communities, Taiwan. Ecol. Eng. 35, 487–496. https://doi.org/10.1016/j.ecoleng.2008.01.007.
47- Lisle, R.J. 2006. Google Earth: a new geological resource. Geology today, 22(1): 29-32.
48- Mann H.B. 1945. Nonparametric tests against trend. Econometrica, 13: 245–259.
49- 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.
50- Mitsch, W.J., Gosselink, J.G., 2007. Wetlands Ecosystems, fourth ed. John Wiley & Sons, Inc., New York, USA.
51- Pekel, J.F., Cottam, A., Gorelick, N., Belward, A.S., 2016. High-resolution mapping of global surface water and its long-term changes. Nature 540 (7633), 418–422. https://doi.org/10.1038/nature20584.
52- Potere, D. 2008. Horizontal positional accuracy of Google Earth’s highresolution imagery archive. Sensors, 8: 7973–7981.
53- Rokni, K., Ahmad, A., Selamat, A., Hazini, S., 2014. Water feature extraction and change detection using multitemporal Landsat imagery. Rem. Sens. 6 (5), 4173–4189. https://doi.org/10.3390/rs6054173.
54- Rundquist, D.C., Narumalani, S., Narayanan, R.M., 2001. A review of wetlands remote sensing and defining new considerations. Rem. Sens. 20, 207–226. https://doi.org/ 10.1080/02757250109532435.
55- Shewangzaw, M. 2014. Vegetation dynamics analysis using normalized differences vegetation index as indicator of restoration or degradation, south wollo zone, northern ethiopia (Doctoral dissertation).
56- Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation. Rem. Sens. Environ. 8 (2), 127–150. https://doi.org/10.1016/0034 4257(79)90013-0.
57- Tucker, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8: 127–150.
58- Verpoorter, T., Kutser, T., Tranvik, L., 2012. Automated mapping of water bodies using Landsat multispectral data. Limnol Oceanogr. Methods 10, 1037–1050. https://doi. org/10.4319/lom.2012.10.1037.
59- Wang, X., Xiao, X., Zou, Z., Hou, L., Qin, Y., Dong, J., . . . Chen, Y. (2020). Mapping coastal wetlands of China using time series Landsat images in 2018 and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 163, 312-326.
60- XLSTAT, 2023. MANN-KENDALL TREND TESTS, Mann-Kendall test history. https://www.xlstat.com/en/solutions/features/mann-kendall-trend-tests.
61- Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 27(14), 3025-3033.
62- Xu, Y. & Shen, Y., 2013, Reconstruction of the Land Surface Temperature Time Series Using Harmonic Analysis, Computers and Geosciences, 61, pp.126-132.
63-  Zhang, X., Friedl, M.A., Schaaf, C.B. and Strahler, A.H. 2004. Climate controls on vegetation phenological patterns in northern mid‐and high latitudes inferred from MODIS data. Global change biology, 10(7): 1133-1145.
64- Zhou, J., Jia, L. & Menenti, M., 2015, Reconstruction of Global MODIS NDVI Time Series: Performance of Harmonic Analysis of Time Series(HANTS), Remote Sensing of Environment, 163(15),pp. 217-228.