نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

سطوح کلروفیل a (chl- a ) در آب دریاچه می تواند نشان دهنده وجود سیانوباکتری باشد که به دلیل پتانسیل تولید سموم می تواند برای سلامت عمومی نگران کننده باشد. نظارت بر chl- a یک عمل مهم در سیستم‌های آبی بوده است، به ویژه در سیستم‌هایی که برای خدمات انسانی استفاده می‌شوند، زیرا به افزایش خطر مواجهه اشاره می‌کنند. فناوری سنجش از دور به طور فزاینده ای برای نظارت بر کیفیت آب مورد استفاده قرار می گیرد، اگرچه کاربرد آن در موارد دریاچه های کوچک شهری به دلیل وضوح فضایی حسگرها محدود شده است. دریاچه تونوتوساسا، فلوریدا، ایالات متحده آمریکا، 3.45 کیلومتر مربعدریاچه حومه ای با کاربری های متعدد برای جمعیت محلی، ماهانه با روش های سنتی پایش می شود. ما یک الگوریتم بیواپتیکی تجربی برای محصول بازتاب روزانه سطحی طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) برای نظارت بر chl- a روزانه ایجاد کردیم . ما الگوریتم مشابهی را برای چهار دوره مختلف سال با استفاده از داده های کیفیت آب 11 ساله اعمال کردیم. ریشه نرمال شده میانگین مربعات خطا در سه ماهه اول (0.27) و دوم (0.34) کمتر و در سه ماهه سوم (0.54) و چهارم (1.85) سال افزایش یافته است. نتایج کلی نشان داد که فناوری‌های رصد زمین و به‌ویژه محصولات MODIS را می‌توان برای بهبود مدیریت بهداشت محیطی از طریق پایش کیفیت آب دریاچه‌های کوچک به کار برد.
کلید واژه ها: 

کلروفیل a ; زیست توده سیانوباکتری ها ; الگوریتم های تجربی ; سنجش از دور

 

1. معرفی

دریاچه‌های شهری علاوه بر استفاده‌های چندگانه سنتی از آب‌های داخلی توسط بشر، خدماتی مانند بافر آب طوفان، حذف زباله و تفریح ​​را نیز ارائه می‌کنند [ 1 ]. به دلیل چنین استفاده‌ها و خدمات متعدد، بدتر شدن کیفیت آب در دریاچه‌های شهری یک مشکل جدی اکولوژیکی و اجتماعی بوده است که می‌تواند به شدت بر سلامت انسان تأثیر بگذارد [ 2 ]. در واقع، پیامدهای سلامت عمومی کیفیت آب های سطحی از جمله نگرانی های اصلی مربوط به سیستم های آبی است. به طور کلی در آبهای داخلی یکی از بزرگترین مشکلات، فرآیند اوتروفیکاسیون ناشی از افزایش ورودی مواد مغذی است. این فرآیند بر سلامت اکولوژیکی بسیاری از دریاچه های کم عمق در سراسر جهان تأثیر گذاشته است [ 3] و دریاچه های شهری نیز از این دسته مستثنی نیستند. این وضعیت با کمبود فزاینده منابع آبی موجود، شهرنشینی رو به رشد و فقدان یک سیستم حاکمیت آب، که عمدتاً کشورهای اخیراً شهری شده را تحت تأثیر قرار می دهد، تقویت می شود. این و سایر عوامل مرتبط با انسان، همراه با تغییرات آب و هوایی و افزایش دما، به عنوان عوامل احتمالی که باعث افزایش روند افزایش فراوانی سیانوباکتری ها می شود، پیشنهاد شده است [ 4 ]]. در میان مشکلات ناشی از اوتروفیکاسیون، توجه ویژه ای به سموم و تولید طعم و بو توسط برخی گونه های جلبک و سیانوباکتری ها می شود. چنین سمومی می توانند از طریق راه های دهانی، پوستی و استنشاقی از طریق آب آشامیدنی، مصرف غذای آب شیرین و فعالیت های تفریحی آب وارد بدن شوند. علاوه بر این، آنها می توانند انسان ها و حیواناتی را که آب و غذای آلوده مصرف می کنند مسموم یا حتی بکشند [ 2 ، 3 ]. اگرچه غلظت‌های پایین سموم سیانوباکتری‌ها و جلبک‌ها ممکن است به اندازه کافی با تصفیه آب معمولی از آب منبع حذف شوند، اما در غلظت‌های اولیه بالا ممکن است این مورد صادق نباشد [ 5 ].]. در فلوریدا، افزایش خطر ابتلا به سرطان کبد در مقایسه با ساکنان ساکن در مناطق مجاور، با سکونت در منطقه ای که توسط یک کارخانه تصفیه آب های سطحی سرو می شود، مرتبط است [ 6 ].
اولین گزارش علمی از آلودگی حیوانات از شکوفه جلبکی مضر (HAB) مربوط به سیانوباکتری ها در سال 1878 توسط جرج فرانسیس [ 7 ] رخ داد. او یک HAB را در دریاچه الکساندرینا (استرالیا) گزارش کرد و مشاهده کرد که حیوانات پس از نوشیدن آب آن، مسموم شدند و به سرعت مردند. نویسنده حتی زمانی را مشاهده کرد که سیانوتوکسین ها باعث مرگ در حیوانات مختلف شدند: در گوسفند، از شش تا هشت ساعت. در اسب، از هشت تا بیست و چهار ساعت؛ در سگ ها از چهار تا پنج ساعت و در خوک ها از سه تا چهار ساعت. یکی از اولین موارد گزارش شده از تلفات انسانی مرتبط با سیانوباکتری ها و سموم آنها در سال 1996 در شهر Caruaru، PE، برزیل رخ داد، جایی که قرار گرفتن در معرض از طریق دیالیز کلیه منجر به مرگ حدود 50 بیمار شد [ 8 ].]. این فاجعه آگاهی مدیران کیفیت آب، آژانس های زیست محیطی، سیاست گذاران و عموم مردم را نسبت به مشکل HAB ها افزایش داد. به همین ترتیب، این حادثه در مورد نیاز به نظارت قابل اعتماد و مداوم بر HAB ها توسط برنامه های محیطی و بهداشت عمومی هشدار داد. گروه کاری سازمان جهانی بهداشت (WHO) در مورد حفاظت و کنترل کیفیت آب آشامیدنی، سیانوتوکسین ها را به عنوان موضوعی که نیاز به توجه فوری دارد، شناسایی کرد. در ایالات متحده، 22 بستری از دویست و نود و شش مورد توسط مرکز کنترل و پیشگیری از بیماری (CDC) در طی سال های 2009-2010 گزارش شده است [ 9 ].
تولید اولیه فیتوپلانکتون به عنوان یک شاخص قابل اعتماد و دقیق برای پایش اوتروفیکاسیون و HAB ها در نظر گرفته شده است [ 3 ]. به نوبه خود، چندین مطالعه تحقیقاتی تأیید کرده اند که کلروفیل a (chl- a ) به دلیل تجلی قابل مشاهده آن و به دلیل اینکه بخشی از فرآیند اوتروفیکاسیون است، یک شاخص شناخته شده جهانی برای فراوانی فیتوپلانکتون و حالت تغذیه ای است [ 10 ، 11 ]. بنابراین، غلظت chl- مدتهاست که به عنوان شاخصی برای پایش کیفیت آب در آبهای داخلی استفاده می شود. اگرچه chl- aدر مقایسه با زیست توده جلبکی نسبتاً آسان اندازه گیری می شود، روش های سنتی شامل نمونه برداری از آب صحرایی و تجزیه و تحلیل آزمایشگاهی است که معمولاً پرهزینه و وقت گیر هستند [ 12 ]. در نتیجه، پایش کیفیت آب با نظم کافی انجام نمی شود، که به نوبه خود ممکن است منجر به محدودیت در مطالعه پویایی محیطی شود.
به دلیل این حقایق، علاقه به سرعت در حال رشد در استفاده از فناوری سنجش از دور ماهواره ای در مدیریت محیط زیست وجود دارد. دلایل چنین علاقه ای مبتنی بر چندین مزیت است، مانند: (1) نمای همدید تصاویر ماهواره ای، که به کاربر اجازه می دهد اطلاعات را از مناطق جغرافیایی بزرگ بازیابی کند. (2) به دست آوردن داده ها از مکان هایی که در غیر این صورت دسترسی به آنها دشوار است. (3) وضوح زمانی، که می تواند یک مجموعه داده تاریخی را فراهم کند که به کاربران امکان می دهد اطلاعات گذشته را بازیابی کنند [ 13 ]. در نتیجه، فناوری سنجش از دور به طور فزاینده ای برای تسهیل فرآیند تصمیم گیری مدیران و سیاست گذاران محیط زیست مورد استفاده قرار گرفته است.
مطالعات متعددی بر استخراج اطلاعات غلظت chl از ماهواره‌های سنجش از دور در آب‌های داخلی متمرکز شده‌اند [ 11 ، 12 ، 14 ، 15 ]. با این حال، محدودیت‌های متعددی عمدتاً مربوط به وضوح حسگر مورد نیاز برای نظارت بر سیستم‌های آبی با چنین بی‌نظمی‌های فضایی بالا و اغلب مناطق کوچک وجود دارد. اوگاشاوارا و همکاران [ 14] به مشکل وضوح مکانی، زمانی و طیفی تصاویر ماهواره ای در پایش آب های داخلی پرداخت. با توجه به وضوح فضایی، نویسندگان یک آب کوچک را مطالعه کردند که در آن استفاده از یک حسگر با وضوح فضایی پایین باعث تداخل زیاد در سیگنال از ویژگی‌های مجاور (نه هدفمند) می‌شد. نویسندگان همچنین اهمیت تفکیک طیفی را مورد بحث قرار دادند، زیرا برای آب‌های داخلی کدر، مدل‌های بیواپتیکی معمولاً بر اساس ویژگی‌های نوری واقع در مناطق قرمز و مادون قرمز نزدیک (NIR) طیف هستند [ 16 ، 17 ، 18 ] . این الگوریتم‌ها از نسبت پیک بازتابی chl- a در حدود 700 نانومتر (NIR) به بازتاب نزدیک به 675 نانومتر استفاده کردند که chl- a قرمز است .باند جذب [ 19 ، 20 ]. تفکیک زمانی نیز جنبه بسیار مهمی از تخمین سنجش از دور chl- a در سیستم های آبی است، زیرا واکنش سریع chl- a به تغییرات در محیط است. بنابراین، وضوح زمانی خوب برای نظارت بر کیفیت آب پایدار بسیار مهم است.
هدف از این مطالعه ارزیابی کاربرد طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS) محصول بازتاب سطحی روزانه (MOD09GA) برای تشخیص غلظت chl- در یک دریاچه کوچک داخلی، با استفاده از دریاچه Thonotosassa، یک دریاچه حومه‌ای در تامپا، فلوریدا، ایالات متحده آمریکا، که شکوفه های اپیزودیک جلبک سبز آبی (سیانوباکتری) را تجربه کرده است [ 21]. ما استفاده از MOD09GA را با وضوح فضایی آن (500 متر) توجیه می‌کنیم، که بالاتر از وضوح فضایی باندهای طیفی است که معمولاً در الگوریتم‌های رنگ اقیانوس استفاده می‌شوند. علاوه بر این، از آنجایی که این یک محصول روزانه است، می‌تواند پوشش پایش زمانی شکوفه‌های جلبکی را در این سیستم آبی که در حال حاضر به صورت ماهانه برای سه ایستگاه نمونه‌برداری با روش‌های سنتی انجام می‌شود، بهبود بخشد. علاوه بر نگرانی‌های اکولوژیکی در مورد کیفیت آب این دریاچه، نگرانی‌های بهداشت عمومی مربوط به استفاده تعیین شده از آن برای تفریحات انسانی و این واقعیت است که خروجی این دریاچه به رودخانه هیلزبورو و در نهایت به مخزن آبی که تامین کننده آب آشامیدنی است می‌ریزد. به شهر تامپا
اهداف خاص این مطالعه عبارت بودند از: (1) ارزیابی استفاده از رایج‌ترین الگوریتم‌های رنگ اقیانوس اعمال شده بر روی محصولات MODIS Level 0 برای تخمین تخمین‌های chl- a . (2) برای ارزیابی استفاده از باندهای طیفی MODIS با وضوح فضایی 1 کیلومتری در بازیابی chl- a . و (3) برای پیشنهاد یک الگوریتم تجربی برای chl- تخمین غلظت در دریاچه Thonotosassa با کالیبراسیون فصلی با استفاده از محصول MOD09GA. انگیزه این اهداف قصد ما برای پیشنهاد نظارت بیشتر بر chl- a بود(چه از نظر زمانی و چه مکانی) برای مدیریت بهداشت عمومی در این دریاچه، توسعه روشی که می تواند برای تولید الگوریتم های مناسب برای استفاده در دریاچه های مشابه در مناطق دیگر استفاده شود.

2. مواد و روشها

2.1. سایت مطالعه

محل مطالعه این تحقیق دریاچه Thonotosassa (28°03′ شمالی، 82°16’W) است که در منطقه ای حومه ای در شهرستان هیلزبورو، فلوریدا، ایالات متحده آمریکا واقع شده است ( شکل 1 ). این دریاچه عمدتاً توسط رواناب از باغ‌های مرکبات اطراف و از Baker Creek، یک کانال زهکشی بهبودیافته که از دوور، فلوریدا سرچشمه می‌گیرد، تامین می‌شود [ 22 ]. مساحت دریاچه 3.45 کیلومتر مربع ، با عمق متوسط ​​3.5 متر و حداکثر عمق 5.1 متر است. دمای آب دریاچه Thonotosassa از 14 تا 34 درجه سانتیگراد در طول سال متغیر است و میانگین آن تقریباً 25 درجه سانتیگراد است. طبقه بندی حرارتی کوتاه مدت (کمتر از 5 درجه سانتیگراد از سطح به پایین) و کمبود اکسیژن در قسمت های عمیق تر دریاچه در طول ماه های گرم تر (مه-اکتبر) [ 23 ] رخ می دهد.]. کاول و همکاران [ 22 ] نشان داد که دریاچه در مراحل پیشرفته اوتروفی با تجزیه و تحلیل ویژگی های لیمنولوژیکی آن قرار دارد. نویسندگان مشاهده کردند که فرآیند اوتروفیکاسیون به دلیل 15 سال غنی سازی مصنوعی توسط ضایعات آلی حاصل از فاضلاب خانگی و کارخانه های فرآوری مرکبات رخ داده است. یافته‌های آن‌ها نشان داد که سطوح مواد مغذی معدنی و همچنین کمبود اکسیژن در هیپولیمنیون و در فصل مشترک گل و آب بالا بود. جامعه فیتوپلانکتون‌ها بزرگ بود و تحت سلطه سیانوباکتری‌هایی بود که نرخ بهره‌وری اولیه قابل مقایسه با دریاچه‌های به شدت آلوده را ایجاد می‌کردند.
سطوح بالای اوتروفیکاسیون در دریاچه تونوتوساسا توجه سیاست گذاران را به خود جلب کرد و در نتیجه، کمیسیون حفاظت از محیط زیست شهرستان هیلزبورو (EPCHC) کیفیت آب آن را از سال 1975 کنترل کرده است . میانگین سالانه غلظت کل فسفر برای دریاچه Thonotosassa برای دوره 1992-2000 از 0.3 تا 0.77 میلی گرم در لیتر متغیر است. میانگین کل نیتروژن سالانه برای مدت مشابه از 1.8 تا 4.1 میلی گرم در لیتر متغیر بود. این غلظت های بالای مواد مغذی منجر به زیست توده جلبکی (غلظت chl- a ) شد که از 62 میکروگرم در لیتر تا 179 میکروگرم در لیتر در طول مدت مشابه بود. بر اساس استانداردهای فعلی، میانگین chl- aسطوح بیشتر از 20 میکروگرم در لیتر نشان دهنده کیفیت پایین آب برای زندگی آبزیان در دریاچه های فلوریدا [ 24 ] در نظر گرفته می شود.

2.2. مجموعه داده

2.2.1. مجموعه داده های لیمنولوژیکی

داده های کیفیت آب دریاچه Thonotosassa مورد استفاده در این مطالعه توسط EPCHC جمع آوری و ارائه شد. داده ها ماهانه به عنوان بخشی از برنامه های معمول پایش کیفیت آب از سه ایستگاه نمونه برداری، یکی در ورودی، دیگری در وسط و سومی در مناطق خروجی دریاچه جمع آوری شد ( شکل 1 را برای مکان ها ببینید). چنین برنامه نظارتی همچنین خلیج تامپا و آب های حوضه آن را پوشش می دهد. در این مطالعه از اندازه گیری فسفر کل (TP)، نیتروژن کل (TN) و chl- a استفاده شد.غلظت، که در طول دوره زمانی بین سال‌های 2001 و 2011 جمع‌آوری شد. نمونه‌های آب ماهانه توسط آزمایشگاه EPCHC، که یک آزمایشگاه تایید صلاحیت‌شده آزمایشگاهی ملی محیط‌زیست (NELAP) است، تجزیه و تحلیل شد. تجزیه و تحلیل کیفیت آب با استفاده از ترکیبی از روش‌های استاندارد آژانس حفاظت از محیط زیست (EPA) و انجمن بهداشت عمومی آمریکا (APHA)، پیروی از دستورالعمل‌های تضمین کیفیت و کنترل کیفیت (QA/QC) از هر دو روش و همه قوانین NELAP QA/QC انجام شد. غلظت TP به دنبال روش EPA 365.4 تعیین شد. غلظت TN با مجموع نیتروژن کل Kjeldahl (TKN) و نیتروژن نیترات / نیتریت محاسبه شد، که در آن TKN توسط EPA 351.2 و غلظت نیترات نیترات / نیتروژن با روش های استاندارد 4500 NO 3 تعیین شد.F (SM 4500 NO 3 F) [ 25 ]. غلظت Chl- a با روش استاندارد 10200 H (SM 10200 H) [ 25 ]، با استفاده از استون و آسیاب بافت تعیین شد. جزئیات بیشتر در مورد روش های تجزیه و تحلیل آزمایشگاهی و نمونه برداری از داده های درجا قبلاً توضیح داده شده است [ 18 ، 26 ، 27 ].
Ijgi 03 01234 g001 1024
شکل 1. موقعیت دریاچه Thonotosassa در ایالت فلوریدا، ایالات متحده آمریکا، و محل نقاط نمونه برداری از کمیسیون حفاظت از محیط زیست شهرستان Hillsborough.

2.2.2. محصولات سنجش از دور

مجموعه داده سنجش از دور شامل دو محصول MODIS بود. داده‌های MODIS زیر مورد استفاده قرار گرفت: داده‌های MODIS سطح 0 (L0_LAC) در وضوح فضایی 1 کیلومتر و بازتاب سطحی روزانه L2G در وضوح فضایی 500 متر (MOD09GA). داده های MODIS L0 توسط Ocean Color Products ناسا از طریق پورتال وب آنها ارائه شد [ 28 ]. داده‌های MOD09GA توسط سیستم اطلاعات و داده‌های سیستم رصد زمین ناسا (NASA/EOSDIS) از طریق پورتال وب Reverb [ 29 ] ارائه شد. برای پردازش محصولات L0 MODIS به محصولات سطح 3، از سیستم تجزیه و تحلیل داده SeaWiFS (SeaDAS) [ 30 ] استفاده کردیم.]. ابزار بازپرداخت مجدد MODIS (MRT) برای پروژه مجدد مجموعه داده MOD09GA به سیستم مختصات UTM با داده WGS-84 به عنوان مرجع استفاده شد. مقادیر بازتاب با استفاده از ضریب مقیاس MOD09GA برای محصولات MOD09GA Collection 5 که در همان روز مجموعه لیمنولوژی از سال 2000 تا 2011 به دست آمد محاسبه شد.

2.3. ارزیابی الگوریتم های رنگ اقیانوس

الگوریتم‌های رنگ اقیانوسی برای MODIS معمولاً از باندهای طیفی با وضوح مکانی 1 کیلومتر استفاده می‌کنند. همانطور که به طور گسترده شناخته شده است، چنین وضوحی برای بازیابی اطلاعات از سیستم های آبی کوچک داخلی مفید نیست، زیرا سیگنال اختلاط از اهداف دیگر با بدنه آبی مورد نظر متفاوت است. با این وجود، ما از آنها برای مقایسه با الگوریتم پیشنهادی خود استفاده کردیم. ما سه الگوریتم رنگ اقیانوسی پیاده‌سازی شده در SeaDAS را ارزیابی کردیم تا نشان دهیم چگونه باندهای 1 کیلومتری MODIS نمی‌توانند داده‌های ژئوشیمیایی را از دریاچه Thonotosassa بازیابی کنند.

2.3.1. الگوریتم های مورد استفاده برای ارزیابی

ما سه الگوریتم chl- a موجود را ارزیابی کردیم که به طور رایگان از SeaDAS در دسترس هستند: نسبت رنگ اقیانوسی 3 باند (OC3M) [ 31 ]، مدل Garver-Siegel-Maritorena (GSM) [ 32 ] و ویژگی نوری ذاتی تعمیم یافته ( GIOP) [ 33 ]. OC3M یک الگوریتم مرتبه چهارم نسبت باند بازتاب سنجش از دور ( Rrs ) است که می تواند از دو نسبت باند مختلف استفاده کند: Rrs 443/R rs 547 یا R rs 448/R rs 547 [ 31 ].]. GSM یک الگوریتم نیمه تحلیلی بهینه شده است که به طور همزمان ویژگی های نوری ذاتی (IOPs) را از اندازه گیری های طیفی آب نرمال شده خروجی درخشش طیفی (nL w (λ)) بازیابی می کند [ 32 ]. مدل GIOP از رفتارهای طیفی چندین مؤلفه فعال نوری (OACs) در ستون آب برای اعمال در فرآیند وارونگی استفاده می‌کند. این فرآیند بر اساس یافتن مجموعه بهینه مقادیر ویژه بین Rrs مدل شده و MODIS Rrs با استفاده از طرح بهینه سازی Levenberg-Marquardt [ 33 ] است. این سه الگوریتم در جدول 1 ارائه و شرح داده شده است.
جدول
جدول 1. شکل عملکردی الگوریتم های MODIS chl- a . OC3M، نسبت رنگ اقیانوسی 3 باند. GSM، Garver-Siegel-Maritorena; GIOP، ویژگی نوری ذاتی تعمیم یافته.
از جدول، R نسبت باند انتخاب شده است. a 1 ، a 2 ، a 3 ، a 4 و a 5 ضرایبی از معادله چند جمله ای با مقادیر زیر هستند: 0.2424، -2.7423، 1.8017، 0.0015 و -1.2280، به ترتیب. a phy،i ضریب جذب فیتوپلانکتون است که در مدل GSM برای شکل عملکردی جایگزین شده است. a phy,ii ضریب جذب فیتوپلانکتون است که از مدل GIOP مشتق شده است (معادله (2)). و فیزیو * _میانگین ضریب جذب ویژه فیتوپلانکتون است که از Morel [ 34 ] محاسبه شده و در SeaDAS پیاده سازی شده است.
GSM از رابطه (1) برای بازیابی غلظت chl- a ، ضریب جذب برای مواد محلول و آواری (a CDM ) و ضریب پراکندگی معکوس ذرات ( bbp ) در 443 نانومتر استفاده می کند. پارامترهای الگوریتم (معادله (1)) از طریق بازپخت شبیه سازی شده به دست آمد که یک تکنیک بهینه سازی جهانی است [ 32 ].
Lω N( λ ) =تیاف0( λ )n2w∑i = 12gمن{بb w( λ ) +بب ص(λ0)( λ /λ0)– ηبb w( λ ) +بب ص(λ0)( λ /λ0)– η+آw( λ ) + c h lآp h* ( λ ) +آسیدی ام(λ0) e x p ( – S( λ −λ0) )}من��ن(�)=تیاف0(�)��2∑من=12�من{بب�(�)+ببپ(�0)(�/�0)–�بب�(�)+ببپ(�0)(�/�0)–�+آ�(�)+جساعتلآپساعت*(�)+آسی�م(�0)هایکسپ(–اس(�–�0))}من

جایی که t ضریب انتقال هوا به دریا است. F 0 ( λ ) تابش خورشیدی فرازمینی است. n w شاخص شکست آب است. g i یک ضریب برازش از شبیه سازی مونت کارلو از یک اقیانوس ایده آل توسط گوردون [ 35 ] است. الگوریتم GIOP از تخمین های الگوریتم GSM [ 32 ] از چندین ویژگی نوری ذاتی مانند: a phy * ، ضریب جذب ویژه ذرات غیر جلبکی ( a NAP * )، ضریب جذب ویژه مواد آواری رنگی ( a ) استفاده می کند. CDM* )، شیب ضریب جذب ماده آواری رنگی (S CDM )، ضریب پراکندگی معکوس خاص ذرات ( bbp ) و شیب ضریب پراکندگی برگشتی (S bp ) .

2.3.2. داده های MODIS سطح 0 (L0_LAC)

سه الگوریتم SeaDAS chl- a که قبلاً توضیح داده شد با استفاده از محصولات MODIS-Aqua L0 مورد ارزیابی قرار گرفتند. محصولات توسط الگوریتم واحد مدیریت مدل‌های ریاضی دریای شمال (MUMM) با استفاده از تنظیمات پیش‌فرض آن تصحیح شدند. این مدل برای تصحیح اتمسفر به دلیل کاربرد آن برای آب‌های کدر انتخاب شد که با جایگزینی فرض معمول تابش صفر خروجی آب در باندهای NIR افزایش می‌یابد. بنابراین، با فرض همگنی فضایی نسبت بازتاب (748/869)، که برای بازتاب آئروسل و آب در یک تصویر استفاده می‌شود، جایگزین می‌شود [ 36 ].

2.4. توسعه الگوریتم

به عنوان هدف این تحقیق، ما یک الگوریتم تجربی برای دریاچه Thonotosassa، FL، ایالات متحده ایجاد کردیم. فرآیند توسعه به دو بخش تقسیم شد: انتخاب باند و کالیبراسیون و اعتبار سنجی الگوریتم.

2.4.1. انتخاب باند

هنگامی که ارزیابی سه الگوریتم پیاده‌سازی شده با داده‌های L0_LAC تکمیل شد، استفاده از داده‌های MOD09GA را که وضوح فضایی 500 متر دارد، برای تخمین غلظت chl- a ارزیابی کردیم . به منظور انتخاب باندهای طیفی از MOD09GA (باند 1 تا باند 7) برای استفاده در الگوریتم، ابتدا تصاویر را به 4 دوره تقسیم کردیم: ژانویه تا مارس. آوریل تا ژوئن؛ جولای تا سپتامبر؛ و اکتبر تا دسامبر. ما از این توزیع فصلی داده ها استفاده کردیم، زیرا سیستم های آبی به طور متفاوتی به شرایط آب و هوایی و فصلی پاسخ می دهند. بنابراین، برای هر دوره، همبستگی بین باندهای طیفی و chl- a را تحلیل کردیمتمرکز. ما همچنین استفاده از نسبت های باند را از طریق ابزار وب، محیط همبستگی تعاملی (ICE)، موجود در www.dsr.inpe.br/hidrosfera/ice [ 37 ] ارزیابی کردیم. این ابزار وب یک نمودار همبستگی دو بعدی از اندازه گیری رادیومتری (به عنوان مثال ، بازتاب سطح از MOD09GA) و رابطه آن با جزء جالب بیوژئوشیمیایی ( یعنی chl- a ) ایجاد می کند. این نمودار همبستگی دو بعدی برای انتخاب باند مهم است، زیرا توانایی آن در پوشش تمام نسبت‌های باند ممکن است، و آن را به ابزاری مفید برای تجزیه و تحلیل اندازه‌گیری‌های فراطیفی با تعداد زیادی باند طیفی تبدیل می‌کند.

2.4.2. ارزیابی مدل

ما مجموعه داده را به دو گروه تقسیم کردیم: گروه اول با استفاده از محصولات MOD09GA از سال 2000 تا 2007، که برای کالیبره کردن مدل ها استفاده شد. و دومی با استفاده از محصولات MOD09GA از سال 2008 تا 2011. بنابراین، ما ضرایب کالیبراسیون به دست آمده از یک رگرسیون خطی از مجموعه داده کالیبراسیون در مجموعه داده اعتبارسنجی را تأیید کردیم. ما همچنین از برآوردگرهای خطا، مانند بایاس، تعصب نرمال شده (NBias)، ریشه میانگین مربعات خطا (RMSE) و ریشه میانگین مربع خطا (NRMSE) استفاده کردیم که طبق معادلات جدول 2 محاسبه شد . روش توصیف شده ( بخش 2 ) این کار در شکل 2 خلاصه شده است که یک نمودار جریانی شماتیک از کل کار را نشان می دهد.
جدول
جدول 2. برآوردگرهای خطای مورد استفاده در این مطالعه. NBias، تعصب عادی شده.
Ijgi 03 01234 g002 1024
شکل 2. نمودار جریان روش مورد استفاده برای توسعه یک مدل تجربی برای تخمین chl- در دریاچه Thonotosassa. SeaDAS، تعصب نرمال شده. ICE، محیط همبستگی تعاملی.

3. نتایج و بحث

3.1. ویژگی های محیطی

متغیرهای limnological در ستون آب برای 11 سال تجزیه و تحلیل ماهانه پاسخ های متفاوتی را در سه ایستگاه واقع در دریاچه Thonotosassa نشان دادند. میانگین غلظت chl- a کمتر (37/15 میکروگرم در لیتر) در ورودی و بالاتر (68/154 میکروگرم در لیتر) در خروجی دریاچه بود. همین الگو برای میانگین غلظت TN برای سه ایستگاه نمونه‌برداری مشاهده شد – غلظت کم (1051.07 میکروگرم در لیتر) در ورودی و غلظت بالا (2785.69 میکروگرم در لیتر) در خروجی. برای غلظت متوسط ​​TP، الگوی مخالف با میانگین غلظت TP بالا (535.04 میکروگرم در لیتر) در ورودی و غلظت پایین (329.20 میکروگرم در لیتر) در خروجی یافت شد. جدول 3آمار مربوط به این متغیرها را خلاصه می کند. میانگین نسبت TN:TP در ورودی (96/1) بسیار کم و در نقاط نمونه برداری وسط (82/8) و خروجی (46/8) تقریباً چهار برابر بیشتر بود. چنین نسبت های افزایشی TN:TP در امتداد ترانسکت بین ورودی و خروجی نشان دهنده روند افزایشی در غلظت TN است، در حالی که یک روند کاهشی در غلظت TP در امتداد همان ترانسکت. جدول 3 خلاصه ای از آمار مربوط به متغیرهای لیمنولوژیکی مورد استفاده در این دست نوشته است.
جدول
جدول 3. آمار خلاصه برای chl- a (μg/L)، نیتروژن کل (TN) (μg/L)، فسفر کل (TP) (μg/L) و نسبت TN:TP برای تجزیه و تحلیل نمونه های آب ماهانه دریاچه Thonotosassa از 2000 تا 2011.
برای ارتباط این تجزیه و تحلیل‌های لیمنولوژیک با زیست توده سیانوباکتری‌ها (CBB)، یک الگوریتم تجربی توسعه‌یافته توسط Beaulieu و همکاران را اعمال کردیم. [ 38 ] برای پیش بینی CBB. چنین الگوریتمی بر اساس داده های تقریباً 1100 دریاچه از کل قاره ایالات متحده توسعه یافته است. نویسندگان مجموعه داده را بر اساس نوع حوضه (دریاچه های کم عمق یا عمیق، و همچنین دریاچه ها یا مخازن طبیعی) تقسیم کردند. برای هر یک از این انواع حوضه، می توان چندین رابطه ایجاد کرد، که از یک دریاچه طبیعی کم عمق که مربوط به دریاچه Thonotosassa است. مدل های پیش بینی CBB بر اساس نوع دریاچه طبیعی کم عمق و غلظت TN و TP (بر حسب میکروگرم در لیتر) به ترتیب در معادلات (2) و (3) نشان داده شده است.
سیB B = – 1.08 + 1.17 ورود به سیستم10تینسیبب=–1.08+1.17 ورود به سیستم10تین
سیB B = 1.19 + 0.76 ورود به سیستم10تیپسیبب=1.19+0.76 ورود به سیستم10تیپ
شکل 3 نتایج به کارگیری هر دو معادله را برای سه نقطه نمونه برداری برای تخمین CBB نشان می دهد. بر اساس TN، شکل 3 A غلظت CBB کمتری را در ورودی (خط آبی) در مقایسه با وسط (خط سبز) و خروجی (خط قرمز) نشان می دهد. شکل 3 B تخمین CBB را بر اساس TP نشان می دهد، که نشان می دهد خط روند TP در ورودی (خط آبی) در بیشتر دوره مطالعه بالاترین میزان است. برای هر دو مورد، تخمین غلظت CBB برای هر نقطه زمانی با داده‌های TN و/یا TP مشاهده شد. از آنجایی که ما داده های درجا برای سیانوباکتری ها نداریم، این نتایج همراه با داده های مربوط به غلظت chl- a ( شکل 3)ج) و سابقه شکوفایی سیانوباکتری ها در دریاچه، حضور سیانوباکتری ها را قویاً نشان می دهد.
Ijgi 03 01234 g003 1024
شکل 3. سری زمانی تخمین های زیست توده سیانوباکتری ها (CBB) از ( A ) TN و ( B ) TP در سه نقطه نمونه برداری، ( C ) داده های مربوط به غلظت های اندازه گیری شده chl-a.
با این حال، شکل 3 A,B الگوهای متفاوتی را برای حضور سیانوباکتری ها در بین سه منطقه نشان می دهد. شکل 3 A، بر اساس معادله (2)، CBB کمتری را در ورودی در مقایسه با دو سایت نظارت دیگر نشان می‌دهد، در حالی که شکل 3 B خلاف آن را نشان می‌دهد. برای ارزیابی بهتر حضور سیانوباکتری ها در دریاچه Thonotosassa، نسبت TN: TP (نشان داده شده در جدول 3 ) را تجزیه و تحلیل کردیم، زیرا نسبت TN:TP با غلظت سیانوباکتری ها در آب دریاچه مرتبط است [ 5 ]. اگرچه پیشنهاد شده است که نسبت های پایین TN:TP منجر به غلظت سیانوباکتری بیشتر می شود [ 39 ، 40 ]]، مورد مخالف نیز پیشنهاد شده است، که در آن نسبت های پایین TN:TP ممکن است نتیجه حضور سیانوباکتری زیاد باشد، به دلیل توانایی احتمالی سیانوباکتری ها در پمپاژ فسفر از رسوبات غنی شده [ 41 ]. علاوه بر این، مطالعات دیگر از توضیحات جایگزین حمایت کرده‌اند، که بر اساس آن عوامل دیگر، مانند تغییرات مواد مغذی، به جای نسبت‌های پایین TN:TP، می‌توانند محرک‌های اصلی غلظت بالای سیانوباکتری یا شکوفه‌های سمی باشند [ 42 ].
در مورد مطالعه ما، جدول 3 رابطه معکوس بین روند TN و TP را در امتداد ترانسکت ورودی-خروجی و رابطه مستقیم بین روندهای chl- a و TN در امتداد آن نشان می دهد. این در واقع می تواند نشان دهد که سیانوباکتری ها نقش مهمی در غلظت کلی chl در ستون آب دریاچه دارند. چنین فرضیه ای را می توان به عنوان یک نتیجه از توانایی شناخته شده سیانوباکتری ها در تثبیت نیتروژن توضیح داد [ 39 ]. سیانوباکتری ها به دلیل شرایط نیتروژن نسبتاً محدود و فسفر فراوان در تامین آب دریاچه نسبت به سایر گونه های فیتوپلانکتون ها ترجیح داده می شوند [ 43 , 44 ]]. بسته به شار مواد مغذی و ظرفیت فرورفتگی رسوبات، ممکن است با جریان آب از ورودی به خروجی دریاچه، نسبت بین TN و TP در ستون آب به تدریج تغییر کند زیرا سیانوباکتری ها TP را از محلول جذب کرده و ثابت می کنند. نیتروژن در محلول در واقع، از جدول 3 می توان متوجه شد که هم نسبت TN:TP و هم غلظت chl- a در ورودی کمترین است، احتمالاً به این دلیل که در آن مکان، آب ورودی با کمترین نسبت TN:TP به تازگی وارد دریاچه شده است. هنوز زمان ماندگاری کافی برای تأثیرگذاری بر سیانوباکتری ها نداشته است. بنابراین، chl- aغلظت کم است سایت‌های میانی و خروجی آب دریاچه را با زمان نگهداری طولانی‌تر نظارت می‌کنند. بنابراین، فرصت طولانی تری برای افزایش فراوانی سیانوباکتری ها با بهره گیری از نسبت TN:TP هنوز پایین است. اگرچه چنین نسبتی با رسیدن آب به وسط و خروجی افزایش یافته است، اما همچنان کم است و بنابراین، همچنان نیتروژن را محدود می کند و در نتیجه برای رشد سیانوباکتری ها مطلوب است. این می تواند غلظت بالاتر chl- را در سایت های میانی و خروجی توضیح دهد.
با توجه به معیارهای محدودیت مواد مغذی پیشنهاد شده توسط Brezonik [ 45 ] و نتایج جدول 3 ، دریاچه Thonotosassa یک محیط با نیتروژن محدود است. چنین معیارهایی پیشنهاد می‌کنند که دریاچه‌هایی با نسبت TN:TP کمتر از 10 دارای نیتروژن محدود هستند، در حالی که دریاچه‌هایی با نسبت‌های بیشتر از 30 دارای فسفر محدود هستند، و دریاچه‌هایی که بین 10 تا 30 هستند متعادل هستند (هر دو ماده مغذی محدود هستند). این، همراه با شکوفه های اپیزودیک سیانوباکتری های گزارش شده در دریاچه [ 21 ]، با ارتباط های گزارش شده در ادبیات بین سیانوباکتری ها و نسبت های TN:TP پایین [ 5 ، 40 ] مطابقت دارد. علاوه بر این، این واقعیت که هر دو نسبت TN: TP و chl- aافزایش غلظت با هم از ورودی به وسط با پیشنهاد Xie و همکاران منطبق نیست. [ 41 ] که نسبت TN:TP پایین نتیجه غلظت بالای سیانوباکتری است، در این صورت، نسبت TN:TP کمتر با chl- a بیشتر انتظار می رود .
به نظر می‌رسد که نسبت TN:TP واقعاً تأثیری بر سیانوباکتری‌های موجود در آب دریاچه داشته باشد، که بیشتر از نسبت TN:TP آب ورودی [ 43 ، 44 ] صادق است. این امر اهمیت برنامه‌های مدیریتی را برای تمرکز بر کاهش ورودی‌های فسفر به عنوان راهی برای جلوگیری از شکوفایی سیانوباکتری‌ها و در نتیجه مسائل بهداشت عمومی نشان می‌دهد. همانطور که اشاره کردیم، از آنجایی که در مورد مطالعه ما بسیار قابل قبول است که chl- a به طور مهمی از سیانوباکتری ها تشکیل شده است، اهمیت نظارت بر chl- a به شیوه ای سازگارتر به عنوان راهی برای نظارت بر اثربخشی چنین برنامه های مدیریتی است. مشهود.

3.2. عملکرد الگوریتم های رنگ اقیانوس

شکل 4 نتایج کاربردی از سه الگوریتم مورد استفاده برای مقایسه را در تصویر MODIS-Aqua L0 نشان می دهد که در 14 آوریل 2006 در ایالت فلوریدا به دست آمده است. همانطور که انتظار می رفت، هیچ یک از سه الگوریتم قادر به بازیابی غلظت chl- a از دریاچه Thonotosassa نبودند. OC3M تنها الگوریتمی بود که می‌توانست تخمین chl را در محصول MODIS L0 انجام دهد ( شکل 4 ). با این حال، چنین تخمینی برای سیستم‌های آبی داخلی، عمدتاً به دلیل اندازه بدنه آبی و در نتیجه مسائل مربوط به تفکیک فضایی مفید نبود. بر این اساس، قبلاً گزارش شده بود که این الگوریتم قادر به بازیابی برخی از تغییرات chl- a در خلیج تامپا، فلوریدا است، یک توده آبی که حدود 1000 کیلومتر مربع را پوشش می‌دهد .در جزر و مد بالا، اما حتی در آن مورد، عملکرد آن در مقایسه با محصول ارتفاع خط فلورسانس کلروفیل MODIS (FLH) با وضوح فضایی 1 کیلومتر به طور قابل توجهی کمتر بود [ 18 ]. استفاده از GSM و GIOP نتوانست هیچ گونه تغییر مکانی غلظت chl-a را بازیابی کند . این نتایج با نتایج یافت شده توسط Tilstone و همکاران مطابقت دارد. [ 46 ]، که الگوریتم‌های مشابهی را برای سواحل دریای عرب شرقی ارزیابی کردند و به طور مشابه دریافتند که OC3M بهترین عملکرد را در بین سه الگوریتم مشابه دارد. این مشاهدات نیاز به توسعه محصولات با کیفیت آب با وضوح فضایی بالاتر برای مطالعه و نظارت بر سیستم‌های آبی کوچک را برجسته می‌کند.
Ijgi 03 01234 g004 1024
شکل 4. برنامه OC3M با استفاده از SeaDAS 7.02 روی محصول MODIS-Aqua L0.

3.3. الگوریتم تنظیم شده محلی

3.3.1. انتخاب باند

پس از تایید نتایج رضایت بخش از محصول 1 کیلومتری MODIS-Aqua L0، ما از محصول MOD09GA با وضوح فضایی 500 متر برای توسعه مدل های تجربی استفاده کردیم. با این حال، باندهای طیفی منفرد از محصول MOD09GA برای مطالعات رنگ آب نیز مناسب نیستند، زیرا نمی توانند تغییرات طیفی کوچک مورد نیاز را تشخیص دهند [ 14 ]. ما غلظت chl- را در برابر بازتاب MOD09GA برای تجزیه و تحلیل رابطه آنها با استفاده از بازتاب از باندهای منفرد مقایسه کردیم. جدول 4 همبستگی هر باند طیفی MOD09GA (روزهای بدون پوشش ابر بر روی دریاچه Thonotosassa) را با غلظت chl در هر دوره از سال با استفاده از مجموعه داده کالیبراسیون نشان می دهد. همانطور که در جدول 4 نشان داده شده استالگوریتم‌های مبتنی بر یک باند منفرد برای تخمین غلظت chl- در دریاچه Thonotosassa در شش ماه آخر سال مفید نبودند .
جدول
جدول 4. ضریب تعیین (R 2 ) برای chl- a (μg/L) و مقادیر بازتاب از هر باند برای چهار دوره از سال: ژانویه تا مارس (JFM)، آوریل تا ژوئن (AMJ)، جولای تا سپتامبر ( JAS) و اکتبر تا دسامبر (OND).
باندهای طیفی مختلف برای هر دوره بیشترین همبستگی را داشتند. بیشترین همبستگی در دوره آوریل تا ژوئن (AMJ) مشاهده شد که همچنین دوره ای از سال با غلظت بالاتر chl- a (179.36 میکروگرم در لیتر) است. برای دوره‌های با غلظت پایین chl ، جولای تا سپتامبر (JAS) (126.83 میکروگرم در لیتر) و اکتبر تا دسامبر (OND) (132.12 میکروگرم در لیتر)، R2 کم بود. در نهایت، دوره ژانویه تا مارس (JFM) که در مقایسه با JAS و OND R 2 بالاتری داشت، اما در مقایسه با AMJ R 2 کمتری داشت، یک chl- a ارائه کرد.غلظت بیشتر از JAS و OND، اما کمتر از AMJ (148.49 میکروگرم در لیتر). این مشاهدات نیاز به کالیبراسیون های فصلی الگوریتم های تجربی را نشان می دهد.
برای درک اصول فیزیکی پشت توسعه الگوریتم، میانگین طیف بازتاب را برای هر دوره ترسیم کردیم ( شکل 5 ). هیچ رابطه ای بین غلظت chl- a و پیک بازتاب در باند 2 (در NIR) مشاهده نشد. بالاترین مقدار بازتاب در دوره OND، با میانگین غلظت chl- 132.12 میکروگرم در لیتر، پس از آن به ترتیب دوره های JAS، AMJ و JFM با میانگین غلظت chl- a 126.83 میکروگرم در لیتر، 179.36 میکروگرم در لیتر مشاهده شد. L و 148.49 میکروگرم در لیتر، به ترتیب. از این عدم همبستگی به این نتیجه رسیدیم که نوارهای منفرد برای تخمین غلظت chl- a مفید نیستند .
به عنوان گام بعدی، نسبت باند در بین هفت باند طیفی مورد آزمایش قرار گرفت. اهمیت استفاده از نسبت‌های باند در این واقعیت نهفته است که انعکاس چشمی از آب در شرایط موجی توسط معماری نسبت این نوع الگوریتم سرکوب می‌شود، که بازتاب دیجیتالی را از دو باند مورد استفاده در نسبت خنثی می‌کند [ 47 ]. برای تجزیه و تحلیل همه نسبت‌های باند ممکن، از ICE [ 37 ] برای تولید نمودارهای همبستگی دو بعدی R2 بین غلظت chl- a و مقادیر نسبت باند استفاده کردیم. ICE قبلاً در بخش 2.4.1 توضیح داده شد و اطلاعات بیشتر را می توان در [ 37 ] یافت. شکل 6نمودارهای چهار فصل را نشان می دهد که با استفاده از مجموعه داده کالیبراسیون تحلیل شده اند.
همانطور که توسط چهار نمودار همبستگی دوبعدی در شکل 6 نشان داده شده است ، بهترین عملکردها از نسبت بین باند 1 و باند 4 یا باند 4 و باند 1 به دست می‌آید (بالاترین R2 در نمودار همبستگی رنگ دو بعدی برای همه دوره‌ها ؛ شکل 6 A-D). باند 1 در کانال قرمز حدود 675 نانومتر قرار دارد، جایی که یک ویژگی مهم جذب chl وجود دارد . پیک بازتابی دیگری از chl- a در باند 4 در کانال سبز در حدود 550 نانومتر قرار دارد. با توجه به این، الگوریتمی که در اینجا برای هر چهار فصل پیشنهاد کردیم در معادله (4) نشان داده شده است:

سیh l − a ≈ب1–ب4ب1+ب4سیساعتل–آ≈ب1–ب4ب1+ب4

که در آن B1 مربوط به بازتاب MOD09GA از باند طیفی 1 و B4 مربوط به بازتاب MOD09GA از باند طیفی 4 است .

Ijgi 03 01234 g005 1024
شکل 5. میانگین طیف بازتاب MOD09GA برای هر دوره فصلی.
Ijgi 03 01234 g006 1024
شکل 6. نمودارهای همبستگی دوبعدی باندهای طیفی MOD09GA با استفاده از ICE [ 37 ]. ( الف ) JFM; ( ب ) AMJ; ( ج ) JAS; ( D ) OND.

3.3.2. کالیبراسیون و اعتبارسنجی

الگوریتم به صورت فصلی با استفاده از داده‌های MOD09GA از سال 2000 تا 2007 کالیبره شد. یک کالیبراسیون خطی برای هر دوره برای بازیابی شیب و قطع آن انجام شد. جدول 5 ضرایب کالیبراسیون را نشان می دهد که عملکرد متوسط ​​را برای اکثر دوره ها نشان می دهد، با R 2 از 0.53، 0.56 و 0.67 به ترتیب برای دوره های JFM، AMJ و JAS. با این وجود، R2 به وضوح کمتر (0.06) برای کالیبراسیون خطی در دوره OND شناسایی شد.
جدول
جدول 5. ضرایب کالیبراسیون برای الگوریتم برای هر دوره.
می توان از نمودارهای همبستگی دو بعدی در شکل 6 مشاهده کرد که رابطه بین بازتاب و غلظت chl- a در دوره OND هیچ R2 بالاتر از 0.08 نشان نداد. همین امر با اعمال الگوریتم پیشنهادی با R 2 بسیار کم با مقدار p بسیار بالا (0.440) مشاهده شد. همانطور که از جدول 5 و شکل 7 قابل درک است ، مدل ها برای سه دوره اول بهتر کالیبره شدند: JFM، AMJ و JAS. شکل 7 C یک شیب مثبت را در طول دوره JAS نشان می دهد، در حالی که همه شکل های دیگر ( شکل 7)A-C برای دوره های JFM، AMJ و OND، به ترتیب) یک شیب منفی نشان می دهد. چنین شیب منفی را می توان با ساختار الگوریتم توضیح داد که به جذب فیتوپلانکتون در کانال قرمز و همچنین قله بازتاب فیتوپلانکتون در کانال سبز حساس است. برعکس، شیب مثبت نشان دهنده افزایش سیگنال در کانال قرمز است که مربوط به رنگدانه سیانوباکتری معروف به فیکوسیانین (PC) با پیک فلورسانس در 650 نانومتر است. چنین پیک فلورسانسی نزدیک به مرکز باند 1 MODIS است. این شرایط باعث افزایش سیگنال این نوار در غلظت‌های بالای سیانوباکتری می‌شود. علاوه بر این، دوره JAS معمولاً مربوط به تابستان است که در آن چندین مورد سیانوباکتری عمدتاً به دلیل دمای بالای مشاهده شده در این فصل گزارش می شود.
کالیبراسیون‌های خطی نشان‌داده‌شده در شکل 7 در فرآیند اعتبارسنجی با داده‌های MOD09GA، که دوره 2008 تا 2011 را پوشش می‌دهد، استفاده شد . تولید – محصول. برای ارزیابی عملکرد مدل از برآوردگرهای خطا در جدول 2 استفاده شد. جدول 6 برآوردگرهای خطا را برای چهار دوره سال نشان می دهد.
جدول
جدول 6. برآوردگرهای خطاهای مورد استفاده در مجموعه داده اعتبارسنجی برای هر دوره.
تغییر در برآوردگر خطا از دوره ای به دوره دیگر هر سال را می توان در جدول 6 ارزیابی کرد. هر دو NBias و NRMSE تخمین‌گرهای خطای کمتری را برای دوره‌هایی با غلظت‌های chl- a بالاتر (JFM و AMJ) در مقایسه با دوره‌هایی با غلظت chl- a پایین (JAS و OND) نشان دادند. این خطاها می تواند مربوط به تصحیح جوی محصول MOD09GA باشد که بر اساس استفاده از جداول جستجو (LUTs) مقادیر بازتاب بالای جو (TOA) است [ 48 ]. این مورد برای بازیابی خواص بازتاب سطحی بر اساس مقادیر بازتابی TOA و پارامترهای جوی مورد نیاز است [ 48 ]]. از این رو، دقت استفاده از MOD09GA به جنبه‌های مختلفی از جمله دقت کالیبراسیون حسگر، پارامترهای جوی ورودی، LUT و اجرای عملیاتی تصحیح برای اثرات تابع توزیع بازتاب دو طرفه بستگی دارد [ 49 ]. جزئیات بیشتر در مورد تصحیح اتمسفر مورد استفاده در محصول MOD09GA را می توان در Vermote و همکاران یافت. [ 48 ]. نتایج NRMSE، با این حال، با Cowell و همکاران موافق است. [ 22 ]، که جلبک‌های سبز فراوان ( Chlorophyceae ) را در دریاچه Thonotosassa در طول ماه‌های بهار و اوایل تابستان شناسایی کردند، در حالی که شکوفه‌های جلبک‌های سبز آبی (عمدتاً Anabaena spiroides)) در طول تابستان بودند. این دینامیک فیتوپلانکتون دقت را برای دو سه ماهه اول افزایش داد که خطاهای کمتری دریافت کردند. در طول سه ماهه سوم و چهارم، کاول و همکاران. [ 22 ] وقوع شکوفه های دیاتوم ها (عمدتاً Stephanodiscus hantzschii ) را شناسایی کرد. این می تواند خطاهای بالا را توضیح دهد، زیرا دیاتوم ها شکل طیفی متفاوتی با مقادیر بازتاب بالاتر دارند، و طیف تند آنها از 412 به 510 نانومتر کاهش می یابد [ 50 ]. همانطور که توسط Ogashawara و همکاران نشان داده شده است. [ 14 ]، این محدوده از خطاهای برآوردگر برای chl- aتخمین غلظت از یک محصول MOD09GA منطقی است. این فرض عمدتاً مبتنی بر وضوح طیفی هفت باند اول MODIS است که برای مطالعات رنگ آب ایده‌آل نبودند، زیرا قادر به جمع‌آوری سیگنال از بخش‌های مهمی از طیف‌های تابشی خروجی آب نیستند.
Ijgi 03 01234 g007 1024
شکل 7. نمودارهای رگرسیون خطی کالیبراسیون بین مقادیر مدل و غلظت chl برای هر دوره از سال. ( الف ) JFM; ( ب ) AMJ; ( ج ) JAS; ( D ) OND.
علاوه بر این، چندین مطالعه با استفاده از باندهای طیفی MODIS مناسب‌تر برای آنالیز رنگ آب، هنوز نتایج تخمین‌گر خطای مشابه یا ضعیف‌تری ارائه کرده‌اند. لی و همکاران [ 51 ] از باندهای MODIS 11 (526-536)، 12 (546-556) و 14 (673-683) استفاده کرد، که محدوده باریکی دارند که با محدوده طیفی بازتاب و جذب chl- a مطابقت دارد. با استفاده از این باندهای طیفی، نویسندگان RMSE (٪) 36.5٪ را تولید کردند و همچنین مقدار 39.6٪ از خطا را به الگوریتم های نسبت قرمز-سبز به عنوان قابل قبول برای مصب ها نسبت دادند.

3.4. برنامه های کاربردی ممکن

توسعه الگوریتم‌های تجربی برای نظارت بر غلظت chl- برای دریاچه Thonotosassa می‌تواند به چندین کاربرد محیطی و بهداشت عمومی منجر شود. اوگاشاوارا و همکاران [ 14 ] سودمندی استفاده از الگوریتم‌های تجربی را برای بازیابی یک سری زمانی غلظت chl- برای بهبود نظارت در مناطقی با کمبود قابل‌توجه در اکتساب داده نشان داد. اگرچه دریاچه Thonotosassa ماهانه نظارت می شود، امکان داشتن داده های مکرر مهم است، زیرا پارامترهای کیفیت آب می توانند به سرعت تغییر کنند. علاوه بر این، یک روش پایش مبتنی بر مکان‌های ثابت ممکن است معرف میانگین chl- a نباشد.تمرکز در دریاچه، زیرا سایر مکان‌های بالقوه مورد علاقه در دریاچه در نظر گرفته نمی‌شوند. بنابراین، استفاده از MOD09GA، که یک محصول روزانه است، می‌تواند فرکانس نظارت بر کیفیت آب، عمدتاً شکوفه‌های جلبکی را بهبود بخشد و امکان پوشش مناطقی را در دریاچه که در طرح نظارت معمولی گنجانده نشده‌اند، بیشتر می‌کند. همانطور که توسط محاسبات بر اساس Beaulieu و همکاران نشان داده شده است. [ 38 ] و با تجزیه و تحلیل داده های درجا برای نسبت TN:TP، نشانه مهمی وجود دارد که سیانوباکتری ها جزء اصلی chl- a هستند.موجود در دریاچه Thonotosassa. از آنجایی که جمعیت رو به رشد در مناطق شهری و حومه شهر به طور فزاینده ای به دریاچه ها برای خدمات اکوسیستمی، مانند تفریح، زیبایی شناسی، فرهنگ و زهکشی و تصفیه آب طوفان متکی هستند [ 1 ، 52 ]]، استفاده از روش های عملی زمان و مقرون به صرفه برای نظارت بر کیفیت آب بر این اساس ضروری تر می شود. خطر حضور سیانوباکتری ها در دریاچه های شهری و در نتیجه خطر بالقوه برای سلامت عمومی، اجرای برنامه های پایش کیفیت آب را توجیه می کند. این برنامه ها مهم هستند، زیرا مسمومیت انسان از سیانوتوکسین ها، مانند میکروسیستین، تنها از طریق مصرف آب آشامیدنی یا غذا رخ نمی دهد. همچنین می‌تواند از طریق تماس پوستی تفریحی در طول فعالیت‌های آبی، مانند انجام ورزش‌های آبی، حمام کردن، شنا و غواصی رخ دهد [ 53 ]. علاوه بر این، این فعالیت‌ها باعث بلع تصادفی آب نیز می‌شوند، که یک نگرانی است، زیرا مصرف حتی مقدار کمی سیانوتوکسین می‌تواند عواقب جدی برای سلامتی داشته باشد [ 54 ].]. بنابراین، در گستره وسیع‌تر، نظارت کلی یک نیاز فزاینده مهم است . روش‌های ابزار وب و تکنیک‌های سنجش از دور مورد استفاده در این مطالعه برای کاربردهای آب chl- a مفید نشان داده شد.پایش یا شناسایی شکوفه جلبکی در دریاچه تونوتوساسا علاوه بر این، رویکرد و روش‌های پیشنهادی نیز می‌تواند برای توسعه روش‌های سنجش از دور سفارشی‌سازی شده در دریاچه‌های دیگر با شرایط محیطی مشابه اعمال شود. این ابتکار می تواند سیستم های حاکمیت آب محلی را بهبود بخشد و همچنین می تواند ابزار مهمی برای مدیران محیط زیست و بهداشت عمومی باشد. علاوه بر این، جامعه به عنوان سهامداران اصلی می تواند در استفاده از فناوری سنجش از راه دور آموزش ببیند تا در فرآیند نظارت در یک رویکرد کم هزینه پایدار شرکت کند.

4. نتیجه گیری

تجزیه و تحلیل ما از داده‌های درجا تغییرات در TN: نسبت TP و غلظت chl- در امتداد ترانسکت جریان که سه مکان نظارت را پوشش می‌دهد، حضور سیانوباکتری‌ها را در دریاچه Thonotosassa نشان می‌دهد. برای تأیید این یافته ها، تجزیه و تحلیل از طریق روابط TN و TP که توسط Beaulieu و همکاران ایجاد شده است. [ 38 ] همراه با chl- aغلظت حضور سیانوباکتری ها را برجسته کرد. با توجه به اینکه برخی از گونه‌های سیانوباکتری‌ها توانایی تولید سموم (که از طریق مسیرهای ورودی می‌توانند برای سلامتی انسان خطرناک باشند) همراه با خطر احتمالی مواجهه (زیرا این دریاچه در منطقه‌ای حومه‌ای واقع شده و به رودخانه هیلزبورو تخلیه می‌شود) دارند. منبع اصلی تامین آب شهری شهر تامپا است)، اهمیت اجرای برنامه های نظارتی در این مجموعه آبی مشخص است. چنین اقدامی می تواند مسائل بهداشتی مرتبط در جامعه در تعامل با دریاچه را پیش بینی و از آن جلوگیری کند.
تکنیک‌های سنجش از دور، مانند مدل‌سازی بیواپتیکی، جایگزینی برای پایش کیفی فعالیت بیولوژیکی از طریق غلظت chl- a هستند. با استفاده از محصولات MODIS-Aqua L0 و SeaDAS، ما سه الگوریتم رنگ اقیانوسی را پیاده‌سازی کردیم که به دلیل استفاده از باندهای طیفی با وضوح فضایی پایین، که قادر به شناسایی آب‌های کوچک نبودند، محصولات نامناسبی به دست آوردیم. از آنجایی که آنها الگوریتم‌های جهانی هستند و در اصل برای آب‌های اقیانوسی مدل‌سازی شده‌اند، مدل تجربی ما به‌ویژه برای یک دریاچه کوچک داخلی طراحی شده است تا نتایج را بهبود بخشد. ما از داده‌های MOD09GA (500 متر) برای توسعه یک مدل تجربی chl- یک مدل بیواپتیکی بر اساس انتخاب باند ارائه‌شده توسط نمودارهای همبستگی رنگ دوبعدی R2 استفاده کردیم.بین نسبت باند و اندازه گیری chl- aتمرکز. ما 11 سال داده های MOD09GA را بر اساس سه ماهه گروه بندی کردیم و الگوریتم را برای هر یک از این دوره های زمانی کالیبره کردیم. NRMSE برای سه ماهه اول سال 0.27 و برای سه ماهه دوم، سوم و چهارم به ترتیب 0.34، 0.54 و 1.85 بود. این نتایج نشان دهنده خطای بیشتر در سه ماهه چهارم سال نسبت به سه ماهه دیگر بود. این احتمالاً با حضور دیاتومها در این دوره زمانی توضیح داده می شود که نیاز به توسعه فیلترهایی را برای حذف تأثیر سایر اجزای تشکیل دهنده آب نشان می دهد. ما همچنین در اینجا نیاز به کالیبراسیون فصلی مدل‌های بیواپتیکی را برجسته می‌کنیم، زیرا تنوع فصلی در سیستم آبی می‌تواند پویایی محیط را تغییر دهد. بنابراین، ما کاربرد تکنیک‌های سنجش از دور را برای نظارت بر کیفیت آب، حتی در آب‌های کوچک نشان داده‌ایم. مانند دریاچه Thonotosassa. با این وجود، واضح است که درک عوامل محیطی و اثرات آنها بر تغییرات فصلی برای کالیبراسیون بهتر الگوریتم بسیار مهم است.
اگرچه وضوح فضایی محصولات MODIS اغلب برای آب‌های کوچک مناسب نیست، اما همچنان می‌توان داده‌های روزانه را برای بازیابی یک سری زمانی طولانی‌مدت از یک پیکسل که با شرایط مورد نیاز مطابقت دارد، به دست آورد. این می تواند برای پایش اثرات فعالیت های انسانی در حوزه آبخیز بر کیفیت آب و پیشرفت برنامه های مدیریت زیست محیطی با هدف بهبود کیفیت آب مفید باشد. این بهبود مورد نیاز است، زیرا یک سیستم پایش کافی برای محیط‌های آبی ممکن است مستلزم هزینه‌های بالایی باشد که اجرای آن را دشوار می‌کند. علاوه بر این، گزینه های مدیریتی فوری باید برای ارائه اطلاعات برای جمعیت، به ویژه برای کسانی که به محیط آبی وابسته هستند، در دسترس باشد. تکنیک‌های سنجش از دور پتانسیل بالایی را برای مدیریت بهداشت عمومی و محیطی سیستم‌های آبی داخلی نشان داد. محصولات MODIS کمک بزرگی در درک پویایی های محیطی به منظور پیشنهاد سیاست های زیست محیطی و بهداشتی بهتر در مورد منابع آب است. بنابراین سنجش از دور می تواند ابزار مهمی برای تصمیم گیرندگان محیطی باشد که بر محیط زیست و سلامت انسان تأثیر می گذارد.

منابع

  1. رودریگز، جی پی. ریش، تی دی، جونیور؛ بنت، EM; کامین، جی اس; چوب پنبه، SJ; آگارد، ج. دابسون، AP; پترسون، GD مبادلات بین خدمات فضا، زمان و اکوسیستم. Ecol. Soc. 2006 ، 11 ، 1-14. [ Google Scholar ]
  2. پیتویس، اس. جکسون، MH; وود، BJ منابع مشکلات اوتروفیکاسیون مرتبط با جلبک های سمی: یک مرور کلی. جی. محیط زیست. سلامت 2001 ، 64 ، 25-32. [ Google Scholar ] [ PubMed ]
  3. مودروخ ، ا . مرکز فناوری زیست محیطی بین المللی UNEP: اوزاکا، ژاپن، 1999.
  4. اونیل، جی.ام. دیویس، TW; بورفورد، MA; Gobler، CJ افزایش شکوفه‌های سیانوباکتری‌های مضر: نقش‌های بالقوه اوتروفیکاسیون و تغییرات آب و هوایی. جلبک مضر 2012 ، 14 ، 313-334. [ Google Scholar ] [ CrossRef ]
  5. Kotak, BG; زوراول، سموم سیانوباکتری RW در آب های شیرین کانادا: بررسی. دریاچه رزرو. مدیریت 2007 ، 23 ، 109-122. [ Google Scholar ] [ CrossRef ]
  6. فلمینگ، LE; ریورو، سی. برنز، جی. ویلیامز، سی. Bean, JA; شی، کالیفرنیا؛ Stinn، J. سموم جلبک سبز آبی (سیانوباکتری)، آب آشامیدنی سطحی، و سرطان کبد در فلوریدا. جلبک مضر 2002 ، 1 ، 157-168. [ Google Scholar ] [ CrossRef ]
  7. فرانسیس، جی. دریاچه سمی استرالیا. طبیعت 1878 . [ Google Scholar ] [ CrossRef ]
  8. آزودو، SMFO؛ کارمایکل، WW; Jochimsen، EM; راینهارت، KL; لاو، اس. شاو، GR; Eaglesham، GK مسمومیت انسان توسط میکروسیستین ها در طول درمان دیالیز کلیه در Caruaru-برزیل. Toxicology 2002 ، 181-182 ، 441-446. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. مراکز کنترل و پیشگیری از بیماری (CDC). آب تفریحی – شیوع بیماری های مرتبط – ایالات متحده، 2009-2010. در دسترس آنلاین: http://www.cdc.gov/mmwr/preview/mmwrhtml/mm6301a2.htm?s_cid=mm6301a2_w (در 8 مه 2014 قابل دسترسی است).
  10. جوگنسن، SE; Bendoricchio, G. Fundamentals of Ecological Modeling , 3rd ed.; الزویر: نیویورک، نیویورک، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  11. دال اولمو، جی. Gitelson، AA; راندکوئیست، دی سی; لیویت، بی. بارو، تی. هولز، JC ارزیابی پتانسیل SeaWiFS و MODIS برای تخمین غلظت کلروفیل در آب‌های مولد کدر با استفاده از نوارهای قرمز و مادون قرمز نزدیک. سنسور از راه دور محیط. 2005 ، 96 ، 176-187. [ Google Scholar ] [ CrossRef ]
  12. لی، سی. لی، ی. ژا، ی. سان، دی. هوانگ، سی. Lu, H. مدل نیمه تحلیلی چهار باندی برای تخمین کلروفیل a در دریاچه‌های بسیار کدر: مورد دریاچه Taihu، چین. سنسور از راه دور محیط. 2009 ، 113 ، 1175-1182. [ Google Scholar ] [ CrossRef ]
  13. Hadjimitsis، DG; کلیتون، سی. ارزیابی تغییرات زمانی کیفیت آب در آب های داخلی با استفاده از داده های تصویر سنجش از دور ماهواره ای تصحیح شده جوی. محیط زیست نظارت کنید. ارزیابی کنید. 2009 ، 159 ، 281-292. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. اوگاشاوارا، آی. Alcantara، EH; کورتارلی، نماینده مجلس؛ آدمی، م. Nascimento، RFF; سوزا، AF; Stech، JL; Kampel، M. تجزیه و تحلیل عملکرد محصولات تفکیک فضایی 500 متری MODIS برای تخمین غلظت کلروفیل a در مطالعه موردی آبهای الیگو به مزوتروفیک: مخزن Itumbiara، برزیل. Remote Sens. 2014 ، 6 ، 1634-1653. [ Google Scholar ] [ CrossRef ]
  15. گیتلسون، ا. گاربوزوف، جی. سیلاگی، ف. Mittenzwey، KH; کارنیلی، ا. Kaiser, A. روش‌های سنجش از راه دور کمی برای نظارت بر زمان واقعی کیفیت آب‌های داخلی. بین المللی J. Remote Sens. 1993 ، 14 ، 1269-1295. [ Google Scholar ] [ CrossRef ]
  16. Gons، HJ تشخیص از راه دور نوری کلروفیل a در آب های داخلی کدر. محیط زیست علمی تکنولوژی 1999 ، 33 ، 1127-1132. [ Google Scholar ] [ CrossRef ]
  17. موسی، WJ; Gitelson، AA; بردنیکوف، اس. بولز، جی اچ. پوواژنی، وی. ساپریگین، وی. واگنر، ای جی; مدل‌های NIR-Red مبتنی بر پترسون، KW HICO برای تخمین غلظت کلروفیل در آب‌های مولد ساحلی. IEEE Geosci. Remote Sens. 2014 , 11 , 1111–1115. [ Google Scholar ] [ CrossRef ]
  18. مورنو-مادرینان، ام جی; فیشر، MA عملکرد الگوریتم MODIS FLH در آبهای دهانه رودخانه: تجزیه و تحلیل چند ساله (2003-2010) از خلیج تامپا، فلوریدا (ایالات متحده آمریکا). بین المللی J. Remote Sens. 2013 , 34 , 6467-6483. [ Google Scholar ] [ CrossRef ]
  19. دال اولمو، جی. Gitelson، AA اثر تغییرپذیری پارامترهای بیواپتیکی بر تخمین از راه دور غلظت کلروفیل-α در آب‌های مولد کدر: نتایج تجربی. Appl. انتخاب کنید 2005 ، 44 ، 412-422. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. دال اولمو، جی. Gitelson، AA اثر تغییرپذیری پارامترهای بیواپتیکی و عدم قطعیت در اندازه‌گیری بازتاب در تخمین از راه دور غلظت کلروفیل-α در آب‌های مولد کدر: نتایج مدل‌سازی. Appl. انتخاب کنید 2006 ، 45 ، 3577-3592. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. منطقه مدیریت آب جنوب غربی فلوریدا. طرح بهبود و مدیریت آب سطحی دریاچه Thonotosassa (SWIM) ; منطقه مدیریت آب جنوب غربی فلوریدا: پلانت سیتی، فلوریدا، ایالات متحده آمریکا، 2003.
  22. کاول، BC; رنگ، CW; Ada، RC یک مطالعه سینوپتیک از لیمنولوژی دریاچه Thonotosassa، فلوریدا. بخش اول. اثرات فاضلاب تصفیه شده اولیه و ضایعات مرکبات. Hydrobiologia 1975 ، 46 ، 301-345. [ Google Scholar ] [ CrossRef ]
  23. کاول، BC; Vodopich، DS توزیع و فراوانی فصلی ماکرو بی مهرگان اعماق دریا در یک دریاچه نیمه گرمسیری فلوریدا. Hydrobiologia 1981 ، 78 ، 97-105. [ Google Scholar ] [ CrossRef ]
  24. وزارت مقررات زیست محیطی فلوریدا. ارزیابی یکپارچه کیفیت آب برای فلوریدا: گزارش 305 (b) 2012 و به‌روزرسانی فهرست 303 (د) . وزارت مقررات زیست محیطی فلوریدا – بخش ارزیابی و احیای محیطی: تالاهاسی، فلوریدا، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  25. Clesceri، LS; ایتون، AD; گرینبرگ، AE; فرانسون، MAH (ویرایش‌ها) روش‌های استاندارد برای بررسی آب و فاضلاب . انجمن بهداشت عمومی آمریکا، انجمن کار آب آمریکا و فدراسیون محیط زیست آب: واشنگتن، دی سی، ایالات متحده آمریکا، 1998.
  26. Moreno-Madriñán، MJ تجزیه و تحلیل متغیرهای limnological مرتبط با کیفیت آب در دریاچه های شهرستان Northwestern Hillsborough، فلوریدا. فلا. 2010 ، 73 ، 218-224. [ Google Scholar ]
  27. Moreno-Madriñán، MJ تجزیه و تحلیل رابطه بین پوشش گیاهی آبزی غوطه‌ور (SAV) و وضعیت تغذیه‌ای آب دریاچه‌های خوشه‌بندی شده در شهرستان هیلزبورو شمال غربی، فلوریدا. نظرسنجی خاک هوای آب. 2011 ، 214 ، 539-546. [ Google Scholar ] [ CrossRef ]
  28. وب رنگ اقیانوس. در دسترس آنلاین: http://oceancolor.gsfc.nasa.gov/ (در 3 فوریه 2014 قابل دسترسی است).
  29. EOS Clearing House (ECHO). در دسترس آنلاین: http://reverb.echo.nasa.gov/ (دسترسی در 3 فوریه 2014).
  30. فو، جی. حل و فصل، K. McClain، CR SeaDAS: سیستم تجزیه و تحلیل SeaWiFSData. در مجموعه مقالات کنفرانس سنجش از دور اقیانوس آرام 1998، چینگدائو، چین، 28 تا 31 ژوئیه 1998. دبیرخانه: پکن، چین، 1998; صص 73-77. [ Google Scholar ]
  31. اوریلی، جی. ماریتورنا، اس. اوبراین، ام سی؛ سیگل، دی. تول، دی. منزیس، دی. اسمیت، آرسی. مولر، جی ال. میچل، بی جی; کهرو، م. و همکاران SeaWiFS Postlaunch کالیبراسیون و تجزیه و تحلیل اعتبار ; قسمت 3 جلد 11; اداره ملی هوانوردی و فضایی: واشنگتن، دی سی، ایالات متحده آمریکا، 2000.
  32. ماریتورنا، اس. سیگل، دی. پترسون، AR بهینه سازی یک مدل رنگ اقیانوسی نیمه تحلیلی برای کاربردهای در مقیاس جهانی. Appl. انتخاب کنید 2002 ، 41 ، 2705-2714. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  33. فرانتس، کارشناسی; Werdell، PJ چارچوبی تعمیم‌یافته برای مدل‌سازی ویژگی‌های نوری ذاتی در کاربردهای سنجش از دور اقیانوس. در مجموعه مقالات اپتیک اقیانوس 2010، انکوریج، AK، ایالات متحده آمریکا، 27 سپتامبر تا 1 اکتبر 2010.
  34. مورل، الف. مدل‌سازی نوری اقیانوس بالایی در رابطه با محتوای ماده بیوژن آن (آب‌های مورد اول). جی. ژئوفیس. Res. 1988 ، 931 ، 10749-10768. [ Google Scholar ] [ CrossRef ]
  35. گوردون، سنجش از دور رنگی اقیانوس HR: تأثیر تابع فاز ذرات و زاویه اوج خورشیدی. EOS Trans. صبح. ژئوفیز. Union 1986 , 14 , 1055. [ Google Scholar ]
  36. رادیک، ک. اویدیو، اف. Rijkeboer، M. تصحیح جوی تصاویر SeaWiFS برای آب‌های ساحلی و داخلی کدر. Appl. انتخاب کنید 2000 ، 39 ، 897-912. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. اوگاشاوارا، آی. کورتارلی، نماینده مجلس؛ سوزا، AF; آگوستو-سیلوا، PB; Alcantara، EH; Stech، JL Interactive Correlation Environment (ICE) – یک ابزار وب آماری برای تجزیه و تحلیل همخطی داده ها. Remote Sens. 2014 , 6 , 3059–3074. [ Google Scholar ] [ CrossRef ]
  38. بیولیو، ام. پیک، اف. Gregory-Eaves، I. مواد مغذی و دمای آب پیش‌بینی‌کننده‌های مهم زیست توده سیانوباکتری در مجموعه داده‌های ۱۱۴۷ دریاچه هستند. لیمنول اقیانوسگر. 2013 ، 58 ، 1736-1746. [ Google Scholar ] [ CrossRef ]
  39. اسمیت، VH نسبت نیتروژن به فسفر کم به نفع تسلط جلبک سبز آبی در فیتوپلانکتون دریاچه است. Science 1983 , 221 , 669-671. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. Orihel، DM; پرنده، DF; برایلینسکی، ام. چن، اچ. دونالد، DB; هوانگ، دی. جیانی، ع. کینیبورگ، دی. کلینگ، اچ. Kotak, BG; و همکاران غلظت بالای میکروسیستین تنها در نسبت های کم نیتروژن به فسفر در دریاچه های غنی از مواد مغذی کانادا رخ می دهد. می توان. جی فیش. آکوات. علمی 2012 ، 69 ، 1457-1462. [ Google Scholar ] [ CrossRef ]
  41. زی، ال. زی، پی. لی، اس. تانگ، اچ. لیو، اچ. نسبت TN:TP پایین، علت یا نتیجه شکوفایی میکروسیستیس؟ Water Res. 2003 ، 37 ، 2073-2080. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  42. داونینگ، جی. واتسون، اس بی؛ McCauley، E. پیش بینی تسلط سیانوباکتری ها در دریاچه ها. می توان. جی. فیش. آکوات. علمی 2001 ، 58 ، 1905-1908. [ Google Scholar ] [ CrossRef ]
  43. Schindler، DW تکامل محدودیت فسفر در دریاچه ها. Science 1977 ، 195 ، 260-262. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  44. شیندلر، DW; هکی، RE; Findlay، DL; استینتون، نماینده مجلس؛ پارکر، BR; پترسون، ام جی; Beaty، KG; لینگ، ام. Kasian، SEM Eutrophication دریاچه ها را نمی توان با کاهش ورودی نیتروژن کنترل کرد: نتایج یک آزمایش 37 ساله کل اکوسیستم. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2008 ، 105 ، 11254-11258. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  45. شاخص های وضعیت تروفیک برزونیک، PL: منطقی برای رویکردهای چند متغیره. دریاچه رزرو. مدیریت 1984 ، 1 ، 441-445. [ Google Scholar ] [ CrossRef ]
  46. Tilstone، GH; Lotliker، AA; میلر، پی. اشرف، نخست وزیر؛ کومار، تی اس؛ سورش، تی. راگاوان، بی تی; Menon، HB ارزیابی الگوریتم‌های MODIS-Aqua chlorophyll-α در آب‌های ساحلی و قفسه‌ای دریای عرب شرقی. ادامه Shelf Res. 2013 ، 65 ، 14-26. [ Google Scholar ] [ CrossRef ]
  47. وینسنت، RK; Qin، X. مک کی، RML؛ ماینر، جی. چاکوفسکی، ک. ساوینو، جی. Bridgeman، T. Phycocyanin تشخیص از داده های LANDSAT TM برای نقشه برداری شکوفه های سیانوباکتری در دریاچه ایری. سنسور از راه دور محیط. 2004 ، 89 ، 381-392. [ Google Scholar ] [ CrossRef ]
  48. Vermote، EF; ال سالئوس، NZ; عدالت، تصحیح جوی داده‌های EOS-MODIS مادون قرمز مرئی به مادون قرمز میانی بر روی سطوح زمین: پس‌زمینه، الگوریتم عملیاتی و اعتبارسنجی. جی. ژئوفیس. Res. 1997 ، 102 ، 17131-17141. [ Google Scholar ] [ CrossRef ]
  49. Vermote، EF; Kotchenova، S. تصحیح اتمسفر برای نظارت بر سطوح زمین. جی. ژئوفیس. Res. 2008 , 113 . [ Google Scholar ] [ CrossRef ]
  50. الواین، س. مولن، سی. Dandonneau, Y.; برئون، FM سنجش از دور گروه‌های فیتوپلانکتون در آب‌های مورد 1 از تصاویر SeaWiFS جهانی. Deep Sea Res. I 2005 ، 52 ، 1989-2004. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. لی، سی. هو، سی. انگلیسی، دی. کانیتزارو، جی. چن، ز. فنگ، ال. بولر، آر. کواچ، سی. به سمت یک رکورد طولانی مدت کلروفیل-α در یک مصب کدر با استفاده از مشاهدات MODIS. Prog. اقیانوسگر. 2012 ، 109 ، 90-103. [ Google Scholar ] [ CrossRef ]
  52. بولوند، پ. Hunhammar، S. خدمات اکوسیستم در مناطق شهری. Ecol. اقتصاد 1999 ، 29 ، 293-301. [ Google Scholar ] [ CrossRef ]
  53. گروه کر، من. سیانوباکتری‌های سمی در آب: راهنمای پیامدهای سلامت عمومی، نظارت و مدیریت بارترام، جی . یونسکو/WHO/UNEP: لندن، بریتانیا، 1999. [ Google Scholar ]
  54. سازمان بهداشت جهانی. رهنمودهایی برای محیط های آب تفریحی ایمن، جلد اول: آب های ساحلی و شیرین . سازمان بهداشت جهانی: ژنو، سوئیس، 2003. [ Google Scholar ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370