استفاده از مدل جاذبه در سنجش از دور به منظور بررسی شاخص توپوگرافی خیسی

نوع مقاله : پژوهشی

نویسندگان

1 عضو هیئت علمی، دانشکدۀ کشاورزی و منابع طبیعی داراب، دانشگاه شیراز

2 کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تهران

3 عضو هیئت علمی، گروه مهندسی منابع طبیعی (مرتع و آبخیزداری)، دانشکدۀ کشاورزی، دانشگاه فسا

چکیده

هدف از این مطالعه بررسی شاخص توپوگرافی خیسی (TWI) با استفاده از مدل جاذبه در شمال استان فارس است. مدل جاذبه برای اولین‌بار به‌منظور افزایش قدرت تفکیک مکانی مدل رقومی ارتفاع (DEM) استفاده شد. در این تحقیق از دو مدل همسایگی پیکسل‌های مماس (Touching) و مدل همسایگی چهارگانه (Quadrant) به‌منظور تخمین مقادیر زیر‌پیکسل‌ها استفاده شد. پس از ساخت تصاویر خروجی برای زیر‌پیکسل‌ها در مقیاس‌های 2، 3 و 4 با همسایگی‌های متفاوت، بهترین مقیاس با مناسب‌ترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین و مقادیر RMSE برای آنها محاسبه شد. تعداد کل نقاط کنترل زمین به‌دست‌آمده از عملیات نقشه‌برداری، 2118 نقطه بود. نتایج نشان داد از بین مقیاس‌ها با همسایگی‌های مختلف، مقیاس 3 و مدل همسایگی چهارگانه نسبت به بقیۀ روش‌ها بیشترین دقت با کمترین میزان RMSE برای DEM 90 متری را دارد. سپس با استفاده از DEM به‌دست‌آمده از مقیاس 3 و مدل همسایگی چهار‌گانۀ شاخص خیسی حوضۀ مطالعه‌شده تعیین شد. نتایج نشان داد شاخص توپوگرافی خیسی در منطقۀ مطالعه‌شده بین 45/4- تا 06/6+ متغیر است. بخش‌های مرکزی منطقۀ مطالعه‌شده بیشترین مقادیر خیسی را دارند. مقایسۀ شاخص خیسی به‌دست‌آمده از مدل جاذبه (با قدرت تفکیک مکانی بیشتر) با DEM 90 متری (با قدرت تفکیک مکانی کمتر)، نشان داد با استفاده از مدل جاذبه، جزئیات بیشتری از میزان رطوبت در منطقۀ مطالعه‌شده، قابل مشاهده است.‌
 
 

کلیدواژه‌ها

موضوعات


  1.  

    1. Atkinson PM. Sub-pixel target mapping from soft-classified, remotely sensed imagery Photogram. Engineering Remote Sensing. 1997:71 (7): 839–846.
    2. Guo PT, Liu HB, Wu W. spatial prediction of soil organic matter using terrain attributes in a hilly area, International Conference on Environmental Science and Information Application Technology. China. 2009: (3) 1: 759-762.
    3. Wang QM, Wang DF. Sub-pixel mapping based on sub-pixel to sub-pixel spatial attraction model. In: Proceedings of the 2011 IEEE International Geoscience and Remote Sensing Symposium, IGARSS. 2011: 593–596.
    4. Muad AM, Foody GM. Super-resolution mapping of lakes from imagery with a coarse spatial and fine temporal resolution. Journal of Applied Earth Observation Geo information. 2012: (12) 1: 79–91.
    5. Chen CY, Chen LK, Yu FC, Lin SC, Lin YC, Lee C L, et al. Characteristics analysis for the flash flood-induced debris flows. Journal of Natural Hazards. 2008: 47(1): 245-261.
    6. Luca C, Si BC, Farrell RE. Upslope length improves spatial estimation of soil organic carbon content. Canada Journal of Soil Science. 2007: (87) 1: 291-300.
    7. Mertens JC, Verbeke LPC, Ducheyne EI, Wulf RD. Using genetic algorithms in sub-pixel mapping. International Journal of Remote Sensing. 2003: (24) 21: 4241–4247.
    8. Grabs T, Seibert J, Bishop K, Laudon H. Modeling spatial patterns of saturated areas: A comparison of the topographic wetness index and a dynamic distributed model. Journal of Hydrology. 2009: (373) 1: 15-23.
    9. Whelan MJ, Gandolfi C. Modeling of spatial controls on de-nitrification in the landscapes scales. Hydrology Process. 2002: (16) 7: 1437-1450.
    10. Tatem AT, Lewis HG, Atkinson PM. Super resolution target identification from remotely sensed images using a Hopfield neural network, IEEE Trans. Geoscience Remote Sensing. 2001: (39) 4: 781–796.
    11. Sorensen R, Zinko U, Seibert J. On the calculation of the topographic wetness index: evaluation of different methods based on field observation. Hydrology and Earth System Sciences. 2005: (10): 1-10.
    12. Zhong LP, Zhang PX, Li HF. A sub-pixel mapping algorithm based on artificial immune systems for remote sensing imagery. In: Proceedings of the 2009 IEEE International Geoscience and Remote Sensing Symposium, IGARSS: III-1007–III-1010.
    13. Xu X, Zhong Y, Zhang L. A sub-pixel mapping method based on an attraction model for multiple shifted remotely sensed images. Neuron computing. 2014: (134): 79–91.
    14. Hojati M, Mokarram M. Using attraction method to landform classification. quantity geomorphology. 2016: (4) 4: 40-55.
    15. Zhang K, Wu YF, Zhong PX. A new sub-pixel mapping algorithm based on a BP neural network with an observation model. Neuron computing. 2008: (71): 2046–2054.
    16. Maleki S, khormali GH, Karemi AR. The introduction of streaming algorithms for mapping wetness index and organic carbon in the loess land, Tvshn logic Golestan Province. Journal of soil and water. 2014: 21 (1): 145-162. (In Persian)
    17. Welsch DL, Kroll CN, Mc Donnell JJ, Burns DA. Topographic controls on the chemistry of subsurface storm flow. Hydrology Process. 2001: (15) 10: 1925-1938.
    18. Gessler PE, Moore N, McKenzie J, Ryan P J. Soil landscape modeling and spatial prediction of soil attributes. International Journal of GIS. 1995: 9 (4): 421-432. 
    19. Khiavi K, Ghalami A. Application of artificial neural network in precipitation and runoff modeling case study Ghareso watershed, Ardabil. 2011, 3th national congress of Civil Engineering.
دوره 4، شماره 1
فروردین 1396
صفحه 237-245
  • تاریخ دریافت: 17 آذر 1395
  • تاریخ بازنگری: 25 دی 1395
  • تاریخ پذیرش: 30 دی 1395
  • تاریخ اولین انتشار: 01 فروردین 1396
  • تاریخ انتشار: 01 فروردین 1396