پیوندهای مفید
آمار
| تعداد نشریات | 26 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 3,523 |
| تعداد مشاهده مقاله | 5,417,129 |
| تعداد دریافت فایل اصل مقاله | 3,702,960 |
مقایسه عملکرد سامانه‌های Google Earth Engine و SNAP در تخمین پارامترهای کیفی آب دریاچه سد میناب با استفاده از تصاویر ماهواره‌ای چندتفکیک‌مکانی | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 09 خرداد 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2025.16743.1557 | ||
| نویسندگان | ||
| فاطمه گروئی1؛ ام‌البنین بذرافشان* 2 | ||
| 1دانش‌آموخته کارشناسی ارشد علوم و مهندسی آبخیزداری، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| 2استاد، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران | ||
| چکیده | ||
| این پژوهش به مقایسه کارایی سامانه (GEE)Google Earth Engine و Sentinel Application Platform (SNAP) در بررسی تغییرات زمانی کیفیت آب دریاچه سد میناب و ارتباط آن با متغیرهای مختلف محیطی شامل دمای آب (SST)، رسوبات معلق (SSC) و غلظت کلروفیل_a پرداخته است. داده‌های این پژوهش طی دوره زمانی 2016 تا 2023 جمع‌آوری و تحلیل شده‌اند. نتایج نشان داد که کیفیت آب دریاچه سد میناب طی دوره مورد بررسی روندی کاهشی داشته است. به‌طور خاص، غلظت کلروفیل_a در فصل‌های بهار و تابستان به دلیل افزایش SST افزایش یافته، در حالی که در پاییز و زمستان به دلیل کاهش دما و نور خورشید، کاهش یافته است. همچنین، تاثیر رسوبات معلق SSC بر کاهش کیفیت آب به ویژه در ماه‌های سردتر مشهود بوده است. مقایسه نتایج نشان داد، SNAP در تصحیح اتمسفری و استخراج جزئیات مکانی (با دقت ۱۵-۲۰% بالاتر) از GEE عملکرد برتری دارد، در مقابل GEE در پردازش داده‌های بلندمدت و کلان (کاهش ۴۰% زمان پردازش) نسبت به SNAP کارآمدتر بود. SNAP تغییرات فصلی کلروفیل_a را با خطای31/4 شناسایی کرد، درحالی که این مقدار برای GEE برابر با 44/4 براورد نمود. لذا SNAP برای مطالعات دقیق و محلی (با قابلیت تنظیم پارامترهای الگوریتمی) مناسب‌تر است در حالی‌که GEE به دلیل دسترسی به داده‌های ابری و ابزارهای یادگیری ماشین، برای تحلیل‌های گسترده و سریع گزینه بهینه‌ای است. این تحقیق نشان داد که عوامل محیطی متعدد مانند دما، نور، مواد مغذی، و جریانات آبی تأثیرات پیچیده‌ای بر تولید فیتوپلانکتون‌ها و در نتیجه غلظت کلروفیل_a دارند و تنها نمی‌توان به یک عامل خاص برای توضیح تغییرات غلظت کلروفیل_a تکیه کرد. در نهایت، یافته‌ها نشان‌دهنده اهمیت کاربرد و تلفیق قابلیت‌های این دو سامانه (GEE مقیاس‌پذیری و SNAP صحت) برای پایش و مدیریت منابع آب است. | ||
| کلیدواژه‌ها | ||
| پایش زمانی؛ پردازش تصاویر ماهواره‌ای؛ کلروفیل_a؛ عوامل محیطی | ||
|
آمار تعداد مشاهده مقاله: 20 |
||