31435

برآورد آبدهي رودخانه با استفاده از سنجش از دور مبتني بر الگوريتم geoBAM

كارشناسي ارشد

مهندسي عمران- گرايش مهندسي و مديريت منابع آب

1400

1403/06/27

دكتر حسين عليزاده- دكتر برات مجردي

ندارم

مهندسي عمران

دبي (آبدهي) رودخانه نقش مهمي در درك ديناميك مكاني و زماني آب‌هاي سطحي روي زمين دارد و كمي سازي آن در تسهيل مديريت منابع آب و پيش بيني از وضع آينده از اهميت بسزايي برخوردار است. علي‌ رغم اهميت پايش دبي، امكان اندازه‌گيري در هر موقعيت جغرافيايي دلخواه از رودخانه توسط ايستگاه‌هاي پايش وجود ندارد و دست‌يابي به داده‌هاي ايستگاهي اغلب به دلايل اقتصادي و سياسي امكان پذير نيست. در تلاش براي مقابله با مشكل كمبود داده در مناطق داراي آمار كم يا فاقد آمار، رويكردهاي بسياري مبتني بر سنجش از دور در سال‌هاي اخير ظهور كرده و در حال رشد است. هدف اين پژوهش، تخمين دبي رودخانه با استفاده از الگوريتم geoBAM در دو حالت دسته‌بندي expert و unsupervised بود. الگوريتم geoBAM بر پايه رويكرد McFLI و ريخت‌شناسي رودخانه عمل مي‌كند. به منظور فراهم كردن داده‌هاي اوليه، عرض آبراهه از تصاوير ماهواره‌اي و ساير داده‌هاي مورد نياز از مدل هيدروليكي HEC-RAS بدست آمد. 17تصوير Landsat 8 و 78 تصوير Sentinel-2 براي سال آبي 97-1396 در قسمتي بدون انشعاب و مئاندر از محدوده ايستگاه ملاثاني تا ايستگاه اهواز در رودخانه كارون مورد استفاده قرار گرفته‌است. مقايسه نتايج سري زماني دبي با داده‌هاي ايستگاه ملاثاني، نشان داد كه روش مورد استفاده در هر دو حالت دسته‌بندي با بكارگيري عرض‌هاي بدست آمده از تصاوير ماهواره Sentinel-2 دقت قابل‌قبول و بالاتري نسبت به حالت استفاده از تصاوير ماهواره Landsat 8 دارد. براي بررسي تأثير تعداد داده‌هاي بيشتر و كاهش شكاف زماني آن‌ها در عملكرد الگوريتم، داده‌هاي بدست آمده از دو ماهواره تركيب شدند. ضريب كارايي نش-ساتكليف با استفاده از تصاوير Landsat 8 و Sentinel-2 و تلفيق داده‌هاي بدست آمده از دو ماهواره در حالت دسته‌بندي expert به ترتيب 0.2، 0.53، 0.51 و در حالت دسته‌بندي unsupervised، 0.14، 0.74 و 0.74 بدست آمده‌است. بالا بودن قدرت تفكيك مكاني و زماني ماهواره Sentinel-2 نسبت به ماهواره Landsat 8 مسبب دقت بالاتر و خطاي بدست آمده كمتر مي‌باشد. همچنين افزودن عرض‌هاي جريان بدست آمده از Landsat 8 بر مجموعه عرض‌هاي جريان بدست آمده از Sentinel-2 تأثيري در بهبود نتايج نداشته‌است.

1403/08/11

River discharge estimation using remote sensing based on geoBAM algorithm

9/17/2025 12:00:00 AM

River discharge is a critical parameter in comprehending the spatiotemporal dynamics of Earth's surface water resources. Its precise quantification is of paramount importance for effective water resource management and informed future planning. Despite the importance of river discharge monitoring, limitations in station deployment can prevent comprehensive data collection in specific and desired geographic locations. Accessing data from these gauging stations is often hindered by economic or political constraints. In response to the data scarcity in poorly gauged or ungauged regions, numerous remote sensing-based approaches have emerged and evolved in recent years as complementary tools to field measurements. This research aimed to estimate river discharge using the geoBAM algorithm, a river geomorphology-based McFLI algorithm, in two classification modes: expert and unsupervised. The initial dataset was compiled by deriving the river width from satellite imagery and supplementing it with data from the HEC-RAS hydraulic model. 17 Landsat 8 and 78 Sentinel-2 images collected during the period from September 23, 2017 to September 22, 2018 were employed in a non-branching and non-meandering reach of the Karoun River, from the Malatani to Ahvaz gauging stations.Time series validation of the estimated discharge against observed data revealed that the proposed method, employing river widths extracted from Sentinel-2 satellite imagery, exhibited superior accuracy in both classification modes compared to the Landsat 8 imagery. To investigate the impact of increased data volume and reduced temporal gaps on algorithm performance, data acquired from both satellites were integrated. The Nash-Sutcliffe efficiency coefficient (NSE) values obtained for the Landsat-8, Sentinel-2 and integrated satellite data scenarios, respectively, were 0.2, 0.53 and 0.51 in the expert classification mode and 0.14, 0.74 and 0.74 in the unsupervised classification mode. The higher spatial and temporal resolution of Sentinel-2 images compared to Landsat 8 results in greater accuracy and lower associated errors. Additionally, incorporating channel widths extracted from Landsat-8 data into the Sentinel-2-derived width dataset did not yield any significant improvement in results.

سنجش از دور , تخمين دبي رودخانه , ريخت شناسي , رودخانه كارون

Remote sensing , River discharge estimation , geomorphology , Karoun River

Neda Salahnezhad

Dr Hossein Alizadeh- Dr Barat Mojaradi