Χρήση εικόνων Landsat 8 για την εκτίμηση του βάθους και της ποιότητας των υδάτων στη "δεξαμενή" νερού El Guajaro στην Κολομβία

Από RemoteSensing Wiki

Αναθεώρηση της 02:33, 27 Ιανουαρίου 2021

Πρωτότυπος τίτλος:Use of LANDSAT 8 images for depth and water quality assessment of El Guajaro reservoir, Colombia
Συγγραφείς:Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos
Citation:Luis Carlos González-Márquez, Franklin M. Torres-Bejarano, Ana Carolina Torregroza-Espinosa, Ivette Renée Hansen-Rodríguez, Hugo B. Rodríguez-Gallegos, Use of LANDSAT 8 images for depth and water quality assessment of El Guájaro reservoir, Colombia, Journal of South American Earth Sciences, Volume 82, 2018, Pages 231-238, ISSN 0895-9811, [1].
Πηγή:ScienceDirect
Λέξεις κλειδιά:Water quality; Remote sensing; Statistical models; Multispectral analysis



Αντικείμενο εγαρμογής: Αξιλόγηση ποιότητας και χαρακτηριστικών υδάτων.


1. Σκοπός και χρήση της εφαρμογής:
Η παρούσα έρευνα στοχεύει στην ανάπτυξη μεθοδολογίας για την εκτίμηση του βάθους και την ποιότητα των υδάτων συνδυάζοντας δορυφορικές εικόνες, επιτόπιες μετρήσεις και στατιστικά μοντέλα.
2. Εισαγωγή:
Το κλίμα, οι ορογενετικές διαδικασίες, καθώς και η βιο-γεωγραφική θέση της Κολομβίας συνέβαλαν στην αφθονία υδάτων στην χώρα(Minambiente, 2010; Castellanos, 2015). Η εθνική πολιτική για την ολοκληρωμένη διαχείριση των υδάτων επισημαίνει την έλλειψη περιοδικής και συστηματικής μελέτης των υδάτων. Ταυτόχρονα, είναι προφανές πως η ποιότητα των υδάτων μεταβάλλεται, επηρεάζοντας τόσο τη διαθεσιμότητα, όσο και την καταλληλότητα για ορισμένες χρήσεις, με διαφορετική ένταση ανά περιοχή και υδάτινο σώμα. Συνεπώς, αναδεικνύεται η αναγκαιότητα για πρόσβαση σε επαρκούς κάλυψης, συνεκτικότητας και ανάλυσης πληροφορίες για την πιο ολοκληρωμένη χωροχρονική μελέτη των υδάτων (Minambiente, 2010). Συνολικά, η πρόσβαση σε πληροφορίες σε σχέση με την ποιότητα των υδάτων στην Κολομβία και ειδικά στην περιοχή της Καραϊβικής χαρακτηρίζεται από δυσκολίες, ενώ ταυτόχρονα οι διαθέσιμες πληροφορίες είναι περιορισμένες και κατακερματισμένες.
3. Ο ρόλος της τηλεπισκόπησης:
Παραδοσιακά η μελέτη των υδάτινων σωμάτων βασίζεται στην επιτόπια δειγματοληψία και την ανάλυση των δειγμάτων σε εργαστηριακό περιβάλλον, πρακτική η οποία είναι χρονοβόρα και κοστοβόρα και δεν ενδείκνυται για την παρατήρηση των χωροχρονικών μεταβολών σε μεγάλες περιοχές (He et al., 2008). Ακόμη, δεν διευκολύνεται η τακτική παρατήρηση των υδάτων, η οποία είναι ιδιαίτερα σημαντική για την ολοκληρωμένη διαχείριση τους (Wang and Ma, 2001). Δεδομένου ότι η ορατότητα του νερού επηρεάζεται από παράγοντες που σχετίζονται με την ποιότητα του (Pavelsky and Smith, 2009), αναπτύχθηκαν αλγόριθμοι για την παρακολούθηση παραμέτρων της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης (He et al., 2008; El Saadi et al., 2014) Η τηλεπισκόπηση επιτρέπει την παρακολούθηση εκτεταμένων περιοχών, χωρίς τα υψηλά κόστη της επιτόπιας έρευνας (Hadjimitsis et al., 2010). Εμπόδιο στην μελέτη της ποιότητας των υδάτων με εργαλεία τηλεπισκόπησης μπορεί να σταθεί η επίδραση των ατμοσφαιρικών παραγόντων, αν και έχουν αναπτυχθεί μεθοδολογίες για την απαλοιφή της . Σε γενικές γραμμές, μια σειρά από έρευνες έχουν διεξαχθεί με χρήση εργαλείων τηλεπισκόπησης για την μελέτη παραμέτρων της ποιότητας των υδάτων, όπως η συγκέντρωση χλωροφύλλης, η διαπερατότητα, η θολότητα κ.ο.κ. (Ritchie et al., 2003; Hellweger et al., 2004; Dona et al., 2015; Harvey et al., 2015), αλλά και για τον προσδιορισμό θέσεων υδατοκαλλιεργειών με χρήση πολυφασματικών ή υπερφασματικών εικόνων (Rajitha et al., 2007; Alexandridis et al., 2008; Abd-Elrahman et al., 2011).
4. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέγεται η "δεξαμενή" El Guajaro (Εικόνα 1) στην Κολομβία. Στην αρχική της κατάσταση, η λίμνη χαρακτηρίζονταν από χωρητικότητα ίση με 400,000,000 m3 και έκταση ίση με 16,000 ha και μέσο βάθος 5 μέτρων. Σήμερα, η έκταση της λίμνης υπολογίζεται σε 11,647 ha, η περίμετρο της σε 114.28 km και πραγματικό όγκο ίσο με 240,000,000 m3 (IDEAM, 2015). Επίσης, η λίμνη διαθέτει δύο διαύλους επικοινωνίας με το κανάλι του φράγματος για τον έλεγχο του επιπέδου της λίμνης (Torres Bejarano et al., 2015). Τα νερά της "δεξαμενή"ς αξιοποιούνται ποικιλοτρόπως: για ανθρώπινη κατανάλωση, για άρδευση γεωργικών προϊόντων και καλλιέργειες ψαριών κ.ο.κ.
5. Δεδομένα

Εικόνα 1: Περιοχή μελέτης, Πηγή: ScienceDirect

5.1 Δεδομένα πεδίου:
Πραγματοποιήθηκαν δύο συμπληρωματικές δειγματοληψίες στην περιοχή, πριν την περίοδο των βροχοπτώσεων, στις 28/02/2015 (Δείγμα 1) και στις 16/03/2015 (Δείγμα 2) και οι ημερομηνίες επιλέχθηκαν έτσι ώστε να συμπίπτουν με την ημερομηνία λήψης των εικόνων Landsat 8. Τα δείγματα, προέρχονται από όλη την έκταση της λίμνης για να είναι αντιπροσωπευτικά, ενώ εξαιρέθηκαν οι περιοχές βλάστησης στην επιφάνεια της λίμνης (Εικόνα 1). Μετρήθηκαν οι θερμοκρασία, η ηλεκτρική αγωγιμότητα (ΕΟ), το διαλυμένο οξυγόνο (DO), το pH, η θολότητα και το βάθος.
5.2 Δορυφορικά δεδομένα:
Χρησιμοποιήθηκαν δύο εικόνες Landsat 8 (path, 9; row, 53) με ημερομηνίες λήψης 28/02/2015 και 16/03/2015. Τα δεδομένα αντλήθηκαν από την ιστοσελίδα [2]. Η νεφοκάλυψη και για τις δύο εικόνες ανέρχεται σε 3%. Ο τύπος των εικόνων είναι level 1 GeoTIFF. Στον δορυφόρο είναι προσαρμοσμένοι δύο αισθητήρες ο OLI και ο ΤIRS. Οι εικόνες διαθέτουν 11 κανάλια διαφορετικής χωρικής διακριτικής ικανότητας. Tα κανάλια (bands) b1 (coast/aerosol), b2 (blue), b3 (green), b4 (red), b5 (near infrared, NIR), b6 and b7 (short wave infrared bands SWIR1, and SWIR2), όπως και το κανάλι b9 (cirrus) έχουν χωρική διακριτική ικανότητα της τάξης των 30m , το κανάλι b8 (panchromatic) 15 m και τα κανάλια b10 και b11 (TIR-1 and TIR-2) 100 m, η οποία επαναπροσδιορίζεται στα 30m.
6. Μέθοδος:
Η μέθοδος που χρησιμοποιήθηκε στην παρούσα έρευνα παρουσιάζεται σχηματικά στην Εικόνα 2.

Εικόνα 2: Διάγραμμα ροής της παρούσας έρευνας.

6.1 Προεπεξεργασία και Επεξεργασία δορυφορικών εικόνων:
Η εικόνες Landsat 8 υπέστησαν ραδιομετρική και ατμοσφαιρική διόρθωση. Κατά την ραδιομετρική διόρθωση η σχετικές τιμές των pixel ή οι ψηφιακές τους τιμές μετασχηματίζονται σε μετρήσεις ακτινοβολίας ανά μονάδα μήκους κύματος του φωτός ή σε ανακλαστικότητα. Κατά την ατμοσφαιρική διόρθωση περιορίζεται η επίδραση των ατμοσφαιρικών παραγόντων και οι ραδιομετρικές τιμές μετασχηματίζονται σε ακτινοβολία ή ανακλαστικότητα εδάφους. Με τον τρόπο αυτό οι μετρήσεις των βιοφυσικών παραμέτρων είναι δυνατόν να εκτιμηθούν και να συγκριθούν στο χώρο και στον χρόνο (Chavez, 1988). Στην παρούσα έρευνα η ατμοσφαιρική διόρθωση εφαρμόστηκε στα κανάλια του ορατού φάσματος στα κανάλια NIR και SWIR1, SWIR2 μέσω της μεθόδου αφαίρεσης του μέλανος σώματος (Chavez, 1988). Με βάση τη μέθοδο αυτή θεωρείται ότι μερικά από τα πιο σκούρα αντικείμενα έχουν τιμές ανακλαστικότητας κοντά στο 0, αλλά λόγω της διασποράς και της ατμοσφαιρικής απορρόφησης, τιμές ανακλαστικότητας διάφορες του 0 κατατάσσονται στα pixel των σκούρων αντικειμένων και οι τιμές αυτές πρέπει να αφαιρεθούν απο τα διάφορα φασματικά κανάλια της εικόνας. Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI και η έκδοση 5.2 . Οι υδάτινες περιοχές οριοθετήθηκαν με τη χρήση του δείκτη Normalized Differential Water Index (NDWI) (McFeeters, 1996; Khattab and Merkel, 2013). Ο δείκτης ορίζεται ως εξής:

NDWI=(b3-NIR)/(b3+NIR)

, όπου b3 το πράσινο κανάλι και NIR το κανάλι του εγγύος υπέρυθρου (b5). Για την επεξεργασία χρησιμοποιήθηκε το λογισμικό ENVI. Δημιουργήθηκε μάσκα στην οποία στα εικονοστοιχεία που αντιστοιχούσαν στην επιφάνεια του νερού αποδόθηκε η τιμή 1, ενώ στα υπόλοιπα(λ.χ. Βλάστηση, έδαφος) η τιμή 0. Στη συνέχεια η μάσκα αυτή πολλαπλασιάστηκε με τις εικόνες Landsat 8 που έχουν διορθωθεί ραδιομετρικά και ατμοσφαιρικά.
6.2 Στατιστική ανάλυση:
Για τον προσδιορισμό των στατιστικών μοντέλων, τα αποτελέσματα της δεύτερη δειγματοληψίας χρησιμοποιήθηκαν ως εξαρτημένες μεταβλητές και τα δεδομένα για την ανακλαστικότητα των διάφορων συνδυασμών φασματικών καναλιών των επεξεργασμένων Landsat 8 εικόνων ως ανεξάρτητες μεταβλητές. Η κανονικότητα των δεδομένων ελέγχθηκε με τον έλεγχο e Shapiro-Wilk test, χρησιμοποιώντας το λογισμικό Real Statistics Resource Pack (Zaiontz, 2015), ενώ όσα δεδομένα δεν ακολουθούσαν κανονική κατανομή κανονικοποιήθηκαν . Για την παραγωγή και την επαλήθευση των μοντέλων χρησιμοποιήθηκαν τα δεδομένα των δύο δειγματοληψιών. Τα μοντέλα παράχθηκαν με βηματική παλινδρόμηση και η επαλήθευση πραγματοποιήθηκε με απλή γραμμική παλινδρόμηση σε περιβάλλον Matlab (version 2015).
6.3 Χαρτογράφηση παραμέτρων:
Τέλος, τα μοντέλα αναπαράχθηκαν με το Band Math tool of ENVI και οι τιμές ανακλαστικότητας αντιστοιχήθηκαν σε τιμές ΕC, Turbidity (θολότητα), pH, DO και depth (βάθος). Η χαρτογράφηση των παραμέτρων πραγματοποιήθηκε στο λογισμικό ArcMap 10.2.

Πίνακας 1: Στατιστικά μοντέλα των παραμέτρων και του βάθους, R ² και RMSE., Πηγή:ScienceDirect

7. Αποτελέσματα:
Τα μοντέλα τα οποία ήταν στατιστικά σημαντικά (p<0.05) και τα οποία προσαρμόζονται καλύτερα στα επιτόπια δεδομένα της δεύτερης δειγματοληψίας για τις παραμέτρους EC, turbidity, pH, DO και depth παρουσιάζονται στον Πίνακα 1. Στον Πίνακα 1 παρουσιάζεται, επίσης, και το μέσο τετραγωνικό σφάλμα.
Γενικά, η ανάλυση παλινδρόμησης έδειξε καλή συσχέτιση ( R² >0.06149) μεταξύ της ανακλαστικότητας των διάφορων φασματικών καναλιών των εικόνων Landsat 8 και των μετρήσεων των παραμέτρων και του βάθους στη λίμνη. Ωστόσο, μόνο το μοντέλο για την ηλεκτρική αγωγιμότητα επαληθεύτηκε σε τελική ανάλυση. Τα αποτελέσματα της χαρτογράφησης των παραμέτρων και του βάθους παρουσιάζονται στην Εικόνα 3.

Εικόνα 3: Χαρτογράφηση παραμέτρων και βάθους., Πηγή:ScienceDirect

8. Συμπεράσματα:
Η επαλήθευση του μοντέλου ΕC που παράγεται στην παρούσα έρευνα δείχνει ότι μπορεί να χρησιμοποιηθεί για την αξιολόγηση της χρονικής και χωρικής διακύμανσης αυτής της παραμέτρου, σε περιόδους με καιρικές συνθήκες παρόμοιες με εκείνες που επικρατούσαν κατά την περίοδο συλλογή των δεδομένων για την παραγωγή του μοντέλου. Η μη επαλήθευση των παραγόμενων μοντέλων για την εκτίμηση της χρονικής διακύμανσης της θολότητας, του pH, του DO και του βάθους, δεν περιορίζει τη χρησιμότητά τους για την αξιολόγηση της χωρικής διακύμανσης από μικρό αριθμό παραμέτρων που αξιολογούνται επιτόπου. Συνολικά, τα μοντέλα που δημιουργήθηκαν από τις εικόνες Landsat 8 αποτελούν ένα χρήσιμο εργαλείο για την χωρική και χρονική ανάλυση της ποιότητας των υδάτων της "δεξαμενή"ς του El Guájaro και να συμβάλει στην περιβαλλοντική, οικονομική και κοινωνική διαχείριση της.

ΑΝΑΦΟΡΕΣ

Abd-Elrahman, A., Croxton, M., Pande-Chettri, R., Toor, G.S., Smith, S., Hill, J., Jul. 2011. In situ estimation of water quality parameters in freshwater aquaculture ponds using hyperspectral imaging system. ISPRS J. Photogramm. Remote Sens. 66 (4), 463e472. https://doi.org/10.1016/j.isprsjprs.2011.02.005.

Alexandridis, T.K., Topaloglou, C.A., Lazaridou, E., Zalidis, G.C., Jan. 2008. The performance of satellite images in mapping aquacultures. Ocean Coast. Manag. 51 (8e9), 638e644. https://doi.org/10.1016/j.ocecoaman.2008.06.002

Castellanos, C., 2015. Humedales, riqueza a conservar. Rev. Ambient. el Reto [Online]. Available: http://elretoambiental.webnode.es/news/informe-especialhumedales-riqueza-a-conservar/. (Accessed 14 September 2015).

Chavez, P.S., Apr. 1988. An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data. Remote Sens. Environ. 24 (3), 459e479. https://doi.org/10.1016/0034-4257(88)90019-3.

Dona, C., Chang, N.B., Caselles, V., S ~ anchez, J.M., Camacho, A., Delegido, J., Vannah, B.W., Mar. 2015. Integrated satellite data fusion and mining for monitoring lake water quality status of the Albufera de Valencia in Spain. J. Environ. Manag. 151, 416e426. https://doi.org/10.1016/j.jenvman.2014.12.003.

El Saadi, A.M., Yousry, M.M., Jahin, H.S., 2014. Statistical estimation of Rosetta branch water quality using multi-spectral data. Water Sci. 28 (1), 18e30. https://doi.org/10.1016/j.wsj.2014.10.001.

Hadjimitsis, D.G., Hadjimitsis, M.G., Toulios, L., Clayton, C., Jan. 2010. Use of space technology for assisting water quality assessment and monitoring of inland water bodies. Phys. Chem. Earth Parts A/B/C 35 (1e2), 115e120. https://doi.org/ 10.1016/j.pce.2010.03.033.

Harvey, E.T., Kratzer, S., Philipson, P., Mar. 2015. Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters. Remote Sens. Environ. 158, 417e430. https://doi.org/10.1016/j. rse.2014.11.017.

He, W., Chen, S., Liu, X., Chen, J., 2008. Water quality monitoring in a slightlypolluted inland water body through remote sensingdcase study of the Guanting Reservoir in Beijing, China. Environ. Sci. Eng. https://doi.org/10.1007/ s11783-008-0027-7. Hellweger, F.L., Schlosser, P., Lall, U., Weissel, J.K., Nov. 2004. Use of satellite imagery for water quality studies in New York Harbor. Estuar. Coast. Shelf Sci. 61 (3), 437e448. http://doi:10.1016/j.ecss.2004.06.019. IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C.

IDEAM, 2015. Estudio Nacional del Agua 2014, Bogot a, D. C. Khattab, M.F.O., Merkel, B.J., Jul. 2013. Application of Landsat 5 and Landsat 7 images data for water quality mapping in Mosul Dam Lake, Northern Iraq. Arab. J. Geosci. 7 (9), 3557e3573. https://doi.org/10.1007/s12517-013-1026-y

McFeeters, S.K., May 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. Int. J. Remote Sens. 17 (7), 1425e1432. https://doi.org/10.1080/01431169608948714.

Minambiente, 2010. Política Nacional para la Gestion Integral del Recurso Hídrico, Bogota.

Pavelsky, T.M., Smith, L.C., Nov. 2009. Remote sensing of suspended sediment concentration, flow velocity, and lake recharge in the Peace-Athabasca Delta, Canada. Water Resour. Res. 45 (11), W11417. https://doi.org/10.1029/ 2008wr007424

Rajitha, K., Mukherjee, C.K., Vinu Chandran, R., Jan. 2007. Applications of remote sensing and GIS for sustainable management of shrimp culture in India. Aquacult. Eng. 36 (1), 1e17. https://doi.org/10.1016/j.aquaeng.2006.05.003.

Ritchie, J.C., Zimba, P.V., Everitt, J.H., Jun. 2003. Remote sensing techniques to assess water quality. Photogramm. Eng. Remote Sens. 69 (6), 695e704. https://doi.org/ 10.14358/PERS.69.6.695.

Torres-Bejarano, F., Padilla Coba, J., Rodríguez Cuevas, C., Ramírez Leon, H., Cantero Rodelo, R., Jun. 2015. La modelacion hidrodin amica para la gesti on hídrica del embalse del Gu ajaro, Colombia. Rev. Int. Metodos Num er. C alc. Diseno Ing. 32 ~ (3), 163e172. https://doi.org/10.1016/j.rimni.2015.04.001.

Wang, X., Ma, T., 2001. Application of remote sensing techniques in monitoring and assessing the water quality of Taihu Lake. Bull. Environ. Contam. Toxicol. 67 (6), 863e870. https://doi.org/10.1007/s00128-001-0202-z.

Zaiontz, C., 2015. Real Statistics Resource Pack Software.