منطقه شمال شرقی بنگلادش اغلب در طول دوره قبل از برداشت محصول برنج بورو ، که محصول عمده غلات در کشور است ، سیل ناگهانی را تجربه می کند. در این مطالعه، هدف ما ترسیم تأثیر سیل ناگهانی 2017 (که در 27 مارس 2017 آغاز شد) بر برنج بورو با استفاده از داده‌های چند زمانی Landsat-8 OLI و MODIS بود. در ابتدا، ما تصمیم گرفتیم از داده های Landsat-8 OLI برای نقشه برداری از آسیب ها استفاده کنیم. با این حال، در طول و پس از رویداد سیل، دستیابی به تصاویر بدون ابر چالش برانگیز بود. بنابراین، ما از این داده‌ها برای نقشه‌برداری سطح زیر کشت برنج بورو با در نظر گرفتن کاشت تا مراحل بلوغ محصول استفاده کردیم. همچنین به منظور ترسیم وسعت بورو آسیب دیدهدر منطقه، از داده‌های MODIS استفاده کردیم، زیرا ترکیبات 16 روزه آنها اطلاعات رایگان ابری را ارائه می‌کردند. نتایج ما نشان داد که هر دو برآورد سطح بورو کشت شده و آسیب دیده بر اساس داده‌های ماهواره‌ای دارای روابط قوی هستند در حالی که در مقایسه با تخمین‌های زمینی (یعنی r 2 تقریباً 0.92 برای هر دو مورد و RMSE 18374 و 9380 هکتار برای کشت و آسیب دیده است. مناطق، به ترتیب). در نهایت، ما معتقدیم که مطالعه ما برای برنامه ریزی و تضمین امنیت غذایی برای کشور حیاتی خواهد بود.

واژه‌های کلیدی:

 Landsat-8، MODIS، شاخص گیاهی تفاوت نرمال شده (NDVI)، داده‌های چند زمانی، برنج بورو

1. مقدمه

سیل ناگهانی یک اختلال طبیعی مکرر در بخش شمال شرقی بنگلادش است. این منطقه یک چشم‌انداز منحصربه‌فرد را به نمایش می‌گذارد که متشکل از صدها « هاور » است که به‌عنوان فرورفتگی بزرگ زمین‌ساختی کاسه‌ای یا نعلبکی‌شکل مشخص می‌شود [ 1 ]. این هاورها که مجموعاً به عنوان حوضه هاور شناخته می شوند، بین فصل های موسمی و پس از موسمی که معمولاً بین ژوئن و نوامبر هر سال را در بر می گیرد، کاملاً غرق می شوند [ 2 ]. از سوی دیگر، حوضه هاور از دسامبر تا مه تقریباً به طور کامل خشک می شود، زمانی که کشاورزان تنها محصول غلات معروف به برنج بورو را کشت می کنند [ 2 ].]. با این حال، وقوع بارندگی‌های محلی/منطقه‌ای بیش از حد در اواخر ماه مارس تا آوریل اغلب باعث سیل‌های ناگهانی می‌شود که باعث تخریب گسترده برنج بورو می‌شود و بنابراین تهدیدی جدی برای عرضه مواد غذایی (همچنین به عنوان امنیت غذایی) در سطح ملی ایجاد می‌کند. به عنوان مثال، روی و همکاران. [ 3 ] گزارش داد که سیل ناگهانی شش بار در ماه های بین مارس و آوریل در طول دوره 2000-2017 با مشورت پروفسور سیفول اسلام از دانشگاه مهندسی و فناوری بنگلادش، منطقه را درنوردید. این تاریخ ها عبارتند از: (i) 30 آوریل 2000; (ii) 19 آوریل 2002; (iii) 15 آوریل 2004; (IV) 3 آوریل 2010; (v) 17 آوریل 2016; و (vi) 27 مارس 2017. علاوه بر این، Biswas [ 4] فراوانی سیل زودهنگام را که به عنوان تابعی از داده های بارندگی منطقه ای موجود از اداره هواشناسی بنگلادش بین 29 مارس تا 3 آوریل رخ داده است، تجزیه و تحلیل کرد. این نشان داد که بیش از 150 میلی‌متر بارندگی در این روزها می‌تواند منجر به وقوع سیل زودهنگام شود. در واقع، چنین رویدادهایی از سال 1956 شش بار با بالاترین میزان بارندگی (یعنی 625 میلی متر) در سال 2017 رخ داده است . 13.20 متر، 13.50 متر و 11.25 متر در رودخانه Surma در Kanaighat، رودخانه Kushiyara در Sheola، و رودخانه Surma در Sylhet به ترتیب در هفته اول آوریل 2017 [ 5 ]. سطح خطربرای سطح آب رودخانه تعریف شده است که بر اساس میانگین سالانه سطح سیلاب در محل مورد نظر تعیین شده است. سطح آب برابر یا بیشتر در مقایسه با سطح خطر ممکن است باعث ایجاد فرآیند غرقابی در اطراف زمین‌های اطراف شود و به طور بالقوه باعث آسیب به محصولات کشاورزی و سکونتگاه‌ها شود [ 6 ]. بنابراین، ما تصمیم گرفتیم که تأثیر رویداد سیل زودهنگام 2017 را بر روی محصول بورو در این مطالعه ترسیم کنیم.

در واقع، برنج بورو عامل اصلی در میان سایر انواع برنج در بافت بنگلادش است [ 7 ]. برای مثال، به طور متوسط ​​بین سال‌های 2011 و 2016، حدود 55 درصد از تولید برنج در سال را به خود اختصاص داده است [ 8 ]. همچنین نکته جالب توجه این است که منطقه سیل زده ناگهانی (یعنی حوضه هاور همانطور که در پاراگراف قبل ذکر شد) که از شش ناحیه (یعنی سیلهت، مولوی بازار، سونامگونج، هوبیگونج، کیشورگونج و نتروکونا) تشکیل شده است. بخش شمال شرقی بنگلادش به طور متوسط ​​بین سال‌های 2011 و 2016 تقریباً 15 درصد از کل تولید بورو را در سال تولید کرده است [ 8 ]. بنابراین، هر گونه اختلال (مانند سیل ناگهانی) در بوروتولید به طور بالقوه بر عرضه غذای اصلی مردم در سطح محلی، منطقه ای و ملی تأثیر می گذارد. در نتیجه، وجود یک روش کارآمد برای تخمین به موقع سطح زیر کشت/تولید بورو بسیار مهم است. در واقع، دولت بنگلادش (به عنوان مثال، وزارت کشاورزی) با جمع آوری داده های آماری به دست آمده از بازدیدهای میدانی و مصاحبه با کشاورزان، سطح زیر کشت و تولید برنج را جمع آوری و سنتز می کند [ 9 ]]. با این حال، این فرآیند ماهیت سنتی در نظر گرفته می‌شود و زمان‌بر، پرهزینه، کار فشرده است و اطلاعات فقط در زمان‌های خاصی در دسترس است. برای پرداختن به این نگرانی‌ها، یکی از روش‌های کارآمد، مقرون‌به‌صرفه و قابل دوام، استفاده از رویکرد سنجش از دور مبتنی بر ماهواره‌ای چندگانه و/یا چند زمانی برای نقشه‌برداری سطح زیر کشت/تولید برنج در شرایط عادی است [ 10 ، 11 ، 12 ، 13 ] و شرایط فاجعه بار [ 14 , 15 , 16 , 17 , 18]. در صورت چنین نقشه‌برداری آسیب ناشی از سیل، می‌توانیم ادبیات را به دو دسته طبقه‌بندی کنیم: رادار و رویکردهای مبتنی بر سنجش از دور نوری. برخی از نمونه‌های مطالعات موردی که در آن محققان عمدتاً از تصاویر راداری استفاده کردند به شرح زیر است:

  • چاودوری و حسن [ 19 ] از چهار تصویر رادار دیافراگم مصنوعی RADARSAT-1 (SAR) که قبل، در طول و بعد از دوره سیل به دست آمده بودند برای ترسیم خسارات وارده بر برنج در جنوب غربی بنگلادش در سال 2000 استفاده کردند.
  • هالدار و همکاران [ 15 ] تصاویر SAR چند زمانی را برای تولید یک ماسک برنج و سپس برای تعیین کمیت تأثیر سیل در رابطه با طوفان Phailin بر فراز اودیشا، هند در سال 2013 تجزیه و تحلیل کرد.
  • وایسوراسینگها و همکاران [ 16 ] یک تصویر RADARSAT-1 SAR به دست آمده در اوج فصل سیل، مدل ارتفاع دیجیتال با وضوح بالا و سطح آب در ایستگاه‌های اندازه‌گیری خاص را به منظور ایجاد نقشه عمق سیل بر روی دشت سیلابی پایین رودخانه چی، تایلند در سال 2001 ترکیب کرد. آنها از چنین نقشه عمقی در ارتباط با نقشه برنج تماتیک پیشرفته (ETM+) Landsat-7 استفاده کردند تا آستانه عمق سیل را در رابطه با خسارت برنج تعیین کنند.
  • لی و لی [ 20 ] چهار تصویر RADARSAT-1 SAR را در دوره قبل، حین و پس از سیل به دست آوردند. و سه کلاس برنج غیرغرقابی، بازیافتی و احیا نشده پس از غرقابی تولید کرد. آنها از مجموعه داده Landsat-5 Thematic Mapper (TM) که قبل از فصل سیل به دست آمده بود برای ایجاد نقشه کاربری/پوشش زمین استفاده کردند. که سپس برای اعتبار سنجی نقشه آسیب ناشی از SAR استفاده شد.

 

در واقع، استفاده از تصاویر SAR راه حل های منحصر به فردی را در نقشه برداری از آسیب برنج در نتیجه سیل ارائه می دهد. این به دلیل این واقعیت است که ماهواره‌های رادار قادر به گرفتن تصاویر در هر شرایط جوی هستند، که به ویژه هنگام در نظر گرفتن ویژگی‌های اقلیمی مانند تراکم ابر بالا در پایین‌تر جو و بارندگی مرتبط با رویدادهای سیل مفید است. با وجود این، دو عامل محدود کننده وجود دارد، از جمله (1) فرکانس بازدید مجدد این ماهواره ها معمولا طولانی تر است (یعنی 24 روز برای پلت فرم رادارسات)، (2) تصاویر برای کشورهای تولید کننده برنج که عمدتاً در حال توسعه هستند بسیار گران هستند. اقتصادها

به منظور رفع محدودیت‌های پلت‌فرم‌های رادار، می‌توان از ماهواره‌های سنجش از دور نوری در مواردی که برخی از آنها به صورت رایگان و با وضوح زمانی بالا در دسترس عموم هستند (مانند Landsat با ۱۶ روز و تصویربرداری با وضوح متوسط) استفاده کرد. طیف رادیومتر، یعنی MODIS در مقیاس روزانه به ویژه). برخی از موارد نمونه عبارتند از:

  • دائو و لیو [ 17 ] در سال 2013 در سه مرحله آسیب برنج را در منطقه مرکزی کامبوج ترسیم کردند. در ابتدا، آنها با استفاده از دو تصویر Landsat-8 که مراحل قبل و بعد از سیل به دست آمده بود، منطقه سیل زده را ترسیم کردند. ثانیا، آنها وسعت فضایی کشت برنج را با استفاده از سری زمانی شاخص‌های گیاهی مبتنی بر MODIS تولید کردند. در نهایت، آنها میزان آسیب برنج را با ترکیب دو مرحله اول تولید کردند.
  • کواک و همکاران [ 18 ] چارچوبی متشکل از سه مرحله برای ترسیم خسارات برنج در سراسر کشور را پیشنهاد کرد و در سال 2007 در بنگلادش اجرا شد. اولاً، آنها از شاخص آب مبتنی بر MODIS برای ترسیم وسعت سیل استفاده کردند. ثانیاً، آنها شاخص‌های پوشش گیاهی مبتنی بر MODIS، مجموعه داده‌های پوشش زمین جهانی توسط سازمان‌های نقشه‌برداری ملی [ 18 ]، و نقشه جهانی مناطق آبیاری (GMIA ver.5) [ 18 ] را به منظور تولید وسعت فضایی برنج ترکیب کردند. در نهایت، آنها نقشه آسیب برنج را با ترکیب دو مرحله قبلی ایجاد کردند.
  • چوهان و همکاران [ 21 ] از سه تصویر Landsat-8 که در طول فصل قبل و بعد از سیل در سال 2014 و فصل پیش از سیل در سال 2015 به دست آمده بود، به منظور تعیین کمیت خسارات ناشی از سیل بر محصولات کشاورزی از جمله برنج بر روی دشت سیلابی رودخانه چناب استفاده کرد. حفیظ آباد، پنجاب، پاکستان. آنها هر دو طبقه بندی نظارت شده و شاخص پوشش گیاهی تنظیم شده خاک را در چنین ارزیابی خسارت اعمال کردند.
  • ممون و همکاران [ 22 ] مجموعه‌ای از شاخص‌های آب مشتق‌شده از MODIS را برای ترسیم وسعت طغیان و آسیب‌های مرتبط با آن بر انواع کاربری/پوشش زمین از جمله محصولات کشاورزی در چندین استان پاکستان در سال 2012 مطالعه کردند. آنها این شاخص‌ها را در برابر Landsat-7 ETM+ ارزیابی کردند. مشتق شده ها

 

پس از بررسی متون، تصمیم گرفتیم از تصاویر سنجش از دور نوری علیرغم محدودیت آنها در مشاهده سطح زمین در حضور پوشش ابر استفاده کنیم. بنابراین، هدف کلی این مقاله استفاده از چنین تصاویر سنجش از دور نوری برای ارزیابی تأثیر سیل بر تولید برنج بورو در مناطق مستعد سیل در بنگلادش بود، که با سه هدف خاص تقویت شد. در مرحله اول، ما تصمیم گرفتیم از تصاویر چند زمانی Landsat-8 Operational Land Image (OLI) که در طول فصل خشک غالب (از دسامبر تا مارس، زمانی که آسمان در بیشتر مواقع بدون ابر خواهد بود) به دست آمده استفاده کنیم تا تخمین بزنیم. بورو _سطح زیر کشت برنج، و اعتبار آن با برآوردهای موجود از وزارت توسعه کشاورزی (DAE) دولت بنگلادش. در واقع، مطالعه قبلی ما (یعنی [ 23 ]) نشان داد که تصاویر MODIS به دست آمده در طول دوره زمانی مشابه (یعنی ژانویه تا مارس) در سراسر بنگلادش قادر به تخمین سطح زیر کشت برنج بورو هستند. ثانیاً، ما برنامه‌ریزی کردیم تا از ترکیب 16 روزه شاخص تفاوت نرمال شده گیاهی (NDVI) مشتق شده از MODIS بین دسامبر 2016 و آوریل 2017 به منظور برآورد خسارات وارده به بورو استفاده کنیم.برنج به ویژه، و اعتبار آن با استفاده از برآورد خسارت گزارش شده توسط وزارت مدیریت بلایای طبیعی (DDM) دولت بنگلادش. در ماه آوریل 2017 هیچ تصویر لندست 8 بدون ابری برای این منطقه در دسترس نبود. در نهایت، با ترکیب نتایج حاصل از داده‌های Landsat-8 و MODIS برای کمک ، وسعت فضایی بورو زنده‌مانده /آسیب‌دیده را تولید کردیم. درک بهتر تاثیر در سطح چشم انداز.

2. منطقه مطالعه و داده مورد نیاز

2.1. شرح کلی منطقه مورد مطالعه

همانطور که در نشان داده شده است، ما شش منطقه شمال شرقی بنگلادش را به عنوان منطقه مطالعه خود در نظر گرفتیمشکل 1. منطقه مورد مطالعه بین 23 درجه و 58 دقیقه تا 25 درجه و 12 دقیقه عرض شمالی و 90 درجه و 27 دقیقه تا 90 درجه و 30 دقیقه طول شرقی است که مساحتی به وسعت 17800 کیلومتر مربع را پوشش می دهد . بخش مرکزی منطقه مورد مطالعه در محدوده منطقه افسرده به نام حوضه هاور قرار می گیرد. این حوضه تقریباً 24500 کیلومتر مربع [24] را اشغال می کند که در منطقه مورد مطالعه ما و فراتر از آن واقع شده است. همچنین به رشته تپه‌های هند محدود می‌شود، از شمال با مگالایا، از جنوب تریپورا و میزورام، و از شرق آسام و مانیپور [ 25 ]. همانطور که در پاراگراف اول بخش “مقدمه” ذکر شد، حوضه هاور در درجه اول از کشت برنج بورو در طول سال پشتیبانی می کند. فراتر از هاورحوضه، بخش‌های شرقی منطقه مورد مطالعه شامل نواحی سیله، مولوی‌بازار و حبی‌گونج، عمدتاً ارتفاعات یا تپه‌هایی هستند که عمده‌ترین کاربری اراضی/پوشش زمین باغ چای، جنگل‌های طبیعی و کاشته‌شده و درختچه‌ها است.

یک فایل خارجی که دارای یک تصویر، تصویر و غیره است. نام شیء sensors-17-02347-g001.jpg است.

شکل 1

نقشه ای که گستره فضایی منطقه مورد مطالعه را در بافت بنگلادش نشان می دهد ( a , b )، که در آن چند ضلعی های سیاه و زرد در ( b ) به ترتیب مرزهای منطقه مورد مطالعه و ناحیه فردی را نشان می دهند. علاوه بر این، توزیع نرمال ماهانه بارندگی در طول دوره 1981-2010 در ایستگاه های هواشناسی Sylhet و Srimangal [نقاط زرد در ( b )] در ( c ) نشان داده شده است. و مکان های سطح آب که بالاتر از سطح خطر در طول رویداد سیل اندازه گیری شده است به عنوان نقاط سیاه در ( b ) نشان داده شده است.

از نظر رژیم های اقلیمی، منطقه مورد مطالعه شرایط نیمه گرمسیری با سه فصل غالب مانند، (1) زمستان خشک (دسامبر تا فوریه) را مشاهده می کند. (2) تابستان گرم پیش از موسمی (مارس تا مه)؛ و (iii) فصل بارانی موسمی (ژوئن تا اکتبر) [ 23 ]. این منطقه سردترین دما (یعنی در محدوده 10-12.9 درجه سانتیگراد) را در ژانویه و گرمترین دما (~32 درجه سانتیگراد) را در آوریل تجربه می کند [ 26 ]. این منطقه در مقایسه با میانگین کشوری (یعنی 1600-2300 میلی متر) میزان بارندگی به طور قابل توجهی بالاتری را در بازه بین 3280 و 4780 میلی متر دریافت می کند . چنین مقادیر بالاتری از بارندگی در دو ایستگاه هواشناسی (به عنوان مثال، Srimangal و Sylhet) درشکل 1از نظر رژیم های نرمال بارندگی در دوره 1981-2010. همچنین، نشان می دهد که مقدار کمی بارندگی معمولا بین ژانویه تا مارس رخ می دهد. در ماه آوریل، بارندگی شروع به افزایش می کند و این برای حمایت از رشد و پایداری محصول بورو بسیار مهم است.

2.2. داده های مورد استفاده و پیش پردازش آن

در این مطالعه، تصاویر Landsat-8 OLI رایگان در دسترس را در قالب بازتاب سطحی و NDVI با وضوح فضایی 30 متری که به‌طور رایگان از وب‌سایت‌های سازمان زمین‌شناسی ایالات متحده (USGS) در منطقه مورد مطالعه بین دسامبر 2016 و آوریل 2017 در دسترس است، ارزیابی کردیم. توجه داشته باشید که این تصاویر با ترکیبی از مسیر-ردیف 136-043 و 137-043 به ترتیب در قسمت راست و چپ منطقه مورد مطالعه به دست آمده اند، همانطور که در نشان داده شده است.شکل 1. این فرآیند ما را بر آن داشت تا دو مجموعه از تصاویر بدون ابر را تعیین کنیم: (i) 16 دسامبر 2016، 17 ژانویه 2017، 18 فوریه 2017، و 22 مارس 2017 برای ردیف مسیر 137-043. و (ii) 9 دسامبر 2016، 10 ژانویه 2017، 11 فوریه 2017، و 15 مارس 2017 برای ردیف 136-043. همچنین نشان داد که هیچ تصویری بدون ابر در آوریل 2017 در منطقه مورد مطالعه وجود ندارد. بنابراین، ما از این تصاویر به‌دست‌آمده بین دسامبر 2016 و مارس 2017 (یعنی دوره زمانی پیش از سیل) برای نقشه‌برداری از مناطق تحت کشت بورو استفاده کردیم ، جایی که این دوره با شرایط رشد بورو مرتبط با کاشت تا مراحل بلوغ همزمان بود.

از آنجایی که هیچ تصویر بدون ابر Landsat-8 در ماه آوریل 2017 در دسترس نبود، ما تصمیم گرفتیم قابلیت انطباق سایر تصاویر رایگان در دسترس سازمان ملی هوانوردی و فضایی (ناسا) را بررسی کنیم. اینها تصاویر ترکیبی NDVI 16 روزه مشتق شده از MODIS با وضوح فضایی 250 متر (یعنی MOD13Q1 نسخه 006) برای شرایط قبل و بعد از سیل بین دسامبر 2016 و آوریل 2017 و به بعد در منطقه مورد مطالعه به منظور ارزیابی بودند. آسیب های مرتبط با برنج بورو شایان ذکر است که کامپوزیت 16 روزه MODIS این مزیت را دارد که اکثر پیکسل های آلوده به ابر موجود در یک تصویر را حذف می کند. همچنین، چنین کامپوزیت با موفقیت برای نقشه برداری بورو در مطالعات دیگر استفاده شد [ 9 ، 14 ،23 ]. تاریخ های تصاویر ترکیبی MODIS NDVI عبارتند از: 18 تا 31 دسامبر 2016، 1 تا 16 ژانویه 2017، 17 ژانویه تا 1 فوریه 2017، 2 تا 17 فوریه 2017، 18 فوریه تا 5 مارس 2017، 6 تا 21 مارس 2017، 7 تا 22 آوریل 2017، 23 آوریل تا 8 مه 2017، 9 تا 24 می 2017، و 25 مه تا 9 ژوئن 2017. توجه داشته باشید که به دلیل وجود ابرهای ضخیم در طول دوره مورد علاقه

پس از به دست آوردن تمام مجموعه داده های مورد نیاز، مجموعه مراحل پیش پردازش زیر را برای تصاویر Landsat-8 OLI و MODIS انجام دادیم. این موارد عبارتند از: (1) بازتاب دادن تصاویر به منطقه 46 N Universal Traverse Mercator (UTM) با داده سیستم جهانی ژئودتیک 1984 (WGS84)، (ب) برش دادن تصاویر در وسعت منطقه مورد مطالعه، (iii) شناسایی ابر پیکسل های آلوده با استفاده از اطلاعات “ارزیابی کیفیت” برای تصاویر MODIS برای حذف آنها از تجزیه و تحلیل بیشتر، و (iv) تولید تصاویر NDVI چند زمانی. این تصاویر متعاقباً در نقشه برداری از سطح زیر کشت بورو، آسیب بورو ، و وسعت بورو آسیب دیده/بازمانده استفاده شد که در بخش زیر توضیح داده شده است.

جدای از استفاده از تصاویر ماهواره ای به دست آمده از طریق Landsat-8 و MODIS، ما همچنین از یک منبع تصویر با وضوح بسیار بالا (یعنی Google Earth) برای شناسایی و تأیید فیلدهای طبقه بندی شده بورو استفاده کردیم. توجه داشته باشید که Google Earth در چندین مطالعه برای شناسایی و تأیید پوشش زمین مانند آب، مزارع برنج و غیره استفاده شده است [ 9 ، 14 ، 23 ]. علاوه بر این، ما از اطلاعات زمینی آماری کشاورزی برای (i) مناطق کشت شده برنج بورو (یعنی شرایط قبل از سیل) که به طور رایگان از DAE در دسترس است، همانطور که در [ 3 ] گزارش شده است، استفاده کردیم. و (ii) بوروارزیابی خسارت/بقا (یعنی خسارت محصول به دلیل سیل ناگهانی) از DDM که به طور رایگان در دسترس است همانطور که در Nirapad [ 28 ] گزارش شده است. DAE داده های آماری کشاورزی را با انجام بررسی های میدانی و مصاحبه با کشاورزان جمع آوری می کند. برآورد سطح زیر کشت برنج از طریق بررسی های سالانه و/یا فصلی در زمین انجام می شود. کارکنان میدانی داده‌های بررسی را چندین بار در طول فصول رشد ثبت می‌کنند، که توسط افسران آمار منطقه‌ای برای تولید داده‌های آماری ملی کشاورزی بررسی و پردازش می‌شوند [ 14 ].

3. روش ها

شکل 2نمودار شماتیک روش های پیشنهادی را نشان می دهد. این شامل سه جزء اصلی بود: (1) نقشه برداری از سطح زیر کشت بورو قبل از سیل ناگهانی با استفاده از تصاویر Landsat-8 OLI، (2) نقشه برداری از خسارت بورو پس از رویداد سیل ناگهانی با استفاده از تصاویر MODIS، و (iii) تعیین میزان بورو آسیب دیده / زنده مانده در منطقه مورد مطالعه با ترکیب نتایج حاصل از دو جزء اول. این موارد در زیر بخش های زیر به اختصار توضیح داده شده است.

یک فایل خارجی که دارای یک تصویر، تصویر و غیره است. نام شی sensors-17-02347-g002.jpg است.

شکل 2نمودار شماتیک روش های پیشنهادی و اعتبار سنجی آنها.

3.1. نقشه برداری سطح زیر کشت برنج بورو از تصاویر Landsat-8 OLI

به منظور تهیه نقشه سطح زیر کشت برنج بورو با استفاده از تصاویر Landsat-8 OLI در طول سیل قبل از فلاش، مجموعه ای از مراحل را انجام دادیم. در مرحله اول، ما یک الگوریتم خوشه‌بندی، به عنوان مثال، تکنیک تجزیه و تحلیل داده‌های خودسازمان‌دهی تکراری (ISODATA) را بر روی دو مجموعه (یعنی 136-043 و 137-043) تصاویر NDVI چند زمانی (یعنی سری‌های زمانی NDVI) اعمال کردیم. ما الگوریتم خوشه‌بندی ISODATA را به دلیل توانایی آن در تخصیص آماری هر پیکسل از یک تصویر برای ایجاد کلاس‌هایی بر اساس شباهت‌های طیفی [ 29 ]، برای تعریف کلاس‌های متعدد با استفاده از ویژگی‌های ذاتی در سری‌های زمانی (یعنی چند زمانی)، و برای طبقه بندی وسعت بیشتری از مناظر ناهمگن (شامل انواع مختلف پوشش گیاهی) [ 30]. این تکنیک خوشه‌بندی 50 کلاس از هر مجموعه سری‌های زمانی با آستانه همگرایی 0.995 با حفظ تعداد بی‌نهایت تکرار ایجاد کرد. ما در نظر داشتیم که سه طبقه اصلی پوشش زمین ایجاد کنیم: (i) بورو ، (ب) آب چند ساله، و (iii) دیگر با استفاده از امضاهای موقت برای طبقات مورد علاقه. توجه داشته باشید که کلاس آب های سطحی باز از سری زمانی به عنوان آب چند ساله در نظر گرفته می شود، زیرا این تصاویر در خشک ترین دوره سال به دست آمده اند (به پاراگراف دوم بخش “منطقه مطالعه و الزامات داده ها مراجعه کنید”) [ 7 ، 31 ].

در مرحله دوم، امضاهای زمانی خاص کلاس را در گروه بندی 50 کلاس در سه کلاس پوشش زمین مورد نظر همانطور که قبلا ذکر شد ارزیابی کردیم. به منظور کمک به این فرآیند، ما به چندین منبع دیگر مانند: (i) تصویر Google Earth مراجعه کردیم. (ب) باندهای چند طیفی Landsat-8 مبتنی بر بازتاب سطحی با ترکیبات مختلف. و (iii) الگوهای مرتبط با نقشه برداری برنج بورو شرح داده شده در مصلح و حسن [ 9 ]، برای شناسایی الگوهای امضاهای زمانی برای هر طبقه پوشش زمین بر اساس توزیع فضایی آنها بر روی زمین. در این مرحله، مشاهده کردیم که تعداد کمی از امضاها به اشتباه به عنوان boro طبقه بندی شده بودندبرنج، در حالی که با داده‌های چند طیفی Landsat-8 به‌دست‌آمده در 22 مارس 2017 مقایسه می‌شود، که با کلاس آب چند ساله که بخشی از بدنه‌های آبی را نشان می‌دهد، مخلوط شده بود. بنابراین، ما همه امضاهای خاص boro را به دو کلاس کیفیت گروه بندی کردیم: (i) قابل قبول و (ii) مشکل ساز.

پس از شناسایی مناطق مشکل ساز، ما تصمیم گرفتیم در مرحله بعدی از تصویر بازتاب سطحی مبتنی بر Landsat-8 استفاده کنیم که در ماه مارس 2017 به دست آمد. در این مورد، ما مقادیر بازتاب سطحی آب را برای باندهای طیفی باندهای مادون قرمز نزدیک (NIR) و قرمز (R) بررسی کردیم. تجزیه و تحلیل ما نشان داد که مقادیر باندهای NIR و R به ترتیب کمتر از 0.1871 و 0.068 بر روی بدنه‌های آبی بود. بنابراین، ما از این مقادیر به عنوان آستانه در تولید یک کلاس آب در مدل خود استفاده کردیم. در نهایت، طبقات قابل قبول و اصلاح شده (یعنی تبدیل از کلاس آب بورو به کلاس آب چند ساله) را برای تهیه نقشه سطح زیر کشت بورو کشت شده اضافه کردیم. ما در نهایت دو بورو تولید کردیمنقشه های سطح زیر کشت از دو مجموعه از سری های زمانی NDVI (یعنی 136-043 و 137-043)، و موزاییک کردن آن ها به منظور تولید یک نقشه سطح زیر کشت برنج بورو کشت شده از کل منطقه مورد مطالعه.

در نهایت، نقشه را با داده های زمینی اعتبارسنجی کردیم. در این فرآیند، ما سطح زیر کشت برنج بورو را در شش منطقه محاسبه کردیم و آن را با داده های زمینی آماری مقایسه کردیم. ما درجه توافق بین تخمین های نقشه برداری شده و زمینی خود را به دو روش تعیین کردیم: (1) درصد خطا یا انحراف در سطح منطقه مورد مطالعه، و (2) ضریب تعیین (یعنی r2 ) از تحلیل رگرسیون خطی، و ریشه میانگین مربعات خطا (RMSE) در شش سطح ناحیه.

3.2. نقشه برداری از مساحت بورو آسیب دیده از تصاویر MODIS

ما دو مرحله اصلی را برای نقشه برداری بورو آسیب دیده به دلیل سیل ناگهانی با استفاده از تصاویر MODIS در طول سیل قبل و بعد از فلاش انجام دادیم. ابتدا، ما یک الگوریتم خوشه‌بندی ISODATA را برای سری‌های زمانی NDVI مبتنی بر MODIS اعمال کردیم. این فرآیند 50 کلاس را با همان آستانه همگرایی و تکرارهای ذکر شده در بخش فرعی قبلی ایجاد کرد. در این مورد، ما چهار شرایط مختلف مرتبط با برنج بورو را در نظر گرفتیم ، مانند: (الف) کاملاً آسیب دیده، (ب) در ابتدا زنده ماند اما در نهایت آسیب دید، (ج) به نحوی زنده ماند اما وضعیت نامناسبی داشت، و (د) زنده ماند یا تحت تأثیر قرار نگرفت.

در مرحله دوم، کلاس‌های مشتق‌شده از خوشه‌بندی ISODATA را که در نقشه سطح زمین بورو مشتق شده از Landsat-8 قرار داشتند (همانطور که در بخش 3.1 بحث شد ) ارزیابی کردیم. متعاقباً، ما هر یک از نشانه‌های زمانی خاص کلاس‌های میانگین مقادیر NDVI را بررسی کردیم و آن‌ها را با یکی از چهار شرایط بورو عمومی مرتبط کردیم (نگاه کنید بهشکل 2برای جزئیات). چنین امضاهای عمومی با بهره‌برداری از پروفایل‌های NDVI در رابطه با مراحل رشد بورو در شرایط محیطی/اقلیمی معمولی همانطور که در مصلح و حسن [ 9 ] توضیح داده شد، ایجاد شد. توجه داشته باشید که سیل ناگهانی در مرحله “بالغ” برنج بورو در منطقه مورد مطالعه ما رخ داده است، بنابراین ما فرض کردیم که شباهت ها یا انحرافات امضاهای NDVI در مقایسه با مشخصات رشد طبیعی بورو پس از رویداد سیل ناگهانی نشان دهنده متفاوت است. شرایط بورو اینها عبارت بودند از:

  • بورو کاملاً آسیب دیده : افت شدید مقادیر NDVI به صفر یا بسته، که نشان می‌دهد محصول بورو کاملاً زیر آب رفته است.
  • بورو در ابتدا زنده ماند اما در نهایت آسیب دید : کاهش تدریجی مقادیر NDVI به صفر یا بسته شدن در دومین یا سومین دوره تصویربرداری بعدی پس از وقوع سیل.
  • به نحوی جان سالم به در برد اما وضعیت بد بورو : کاهش تدریجی مقادیر NDVI به قدرهای کمتر (مثلاً حدود 0.4)، و با مقادیر مشابه برای بقیه فصل ادامه دهید. و
  • بورو زنده مانده یا تحت تأثیر قرار نگرفته است: امضاها از الگوهای مشابهی با محصول بورو در حال رشد عادی پیروی می کنند .

 

پس از تعریف چهار کلاس بورو ، ما آنها را با آب چند ساله مشتق شده از Landsat-8 و سایر کلاس‌ها ادغام کردیم تا پویایی فضایی منطقه مورد مطالعه را ایجاد کنیم.

در نهایت، ما تخمین‌های برنج بورو آسیب‌دیده حاصل از داده‌های سنجش از دور را با داده‌های زمینی موجود از DDM [ 28 ] ارزیابی کردیم. در این مورد، ما دو طبقه را از نقشه نهایی در نظر گرفتیم (یعنی بورو کاملاً آسیب دیده و در ابتدا جان سالم به در برد اما در نهایت بورو آسیب دید ) برای برآورد خود از سطح زیر کشت برنج بورو آسیب دیده. در فرآیند ارزیابی، میزان توافق بین بورو آسیب‌دیده و تخمین‌های زمینی را به دو صورت کمی کردیم: (1) درصد خطا یا انحراف در سطح منطقه مطالعه، و (ii) r2 از تحلیل رگرسیون خطی، و RMSE در سطوح شش منطقه.

4. نتایج

4.1. نقشه برداری سطح زیر کشت برنج بورو از سری زمانی NDVI مشتق از OLI Landsat-8

شکل 3امضاهای موقت مقادیر NDVI مشتق شده از Landsat-8 را بین دسامبر 2016 و مارس 2017 نشان می دهد (یعنی زمان وقوع سیل قبل از فلاش). ما متوجه شدیم که امضای سه کلاس مورد نظر ما (یعنی بورو ، آب و سایرین) متمایز است. برای مثال، امضاهای کلاس «آب (چندساله)» مقادیر میانگین NDVI بسیار پایین (یعنی صفر یا نزدیک) را برای کل دوره سری زمانی نشان می‌دهد. توجه داشته باشید که تعداد کمی از امضاها مقادیر میانگین NDVI کمی بالاتر را نشان می‌دهند، که احتمالاً به دلیل وجود علف‌های هرز آب شناور یا غوطه‌ور، و شرایط کدورت بدنه‌های آبی بوده است. امضاهای کلاس “دیگران” مقادیر میانگین NDVI بالاتری را در طول دوره سری زمانی نشان دادند. بورو _برنج بین مرحله کاشت یا نشاء اولیه (یعنی از دسامبر تا فوریه) و مرحله بلوغ (یعنی در ماه مارس) ویژگی های منحصر به فردی از خود نشان داد. مرحله اولیه کمترین میانگین مقادیر NDVI را نشان داد که نشان دهنده سطح بسیار پایین زیست توده است، و مرحله بالغ بالاترین میانگین مقادیر NDVI را به دلیل رشد کامل و گلدهی (یعنی حداکثر سطح سبزی/زیست توده) نشان داد. توجه داشته باشید که مرحله اولیه طیف وسیعی از تغییرات را در میانگین مقادیر NDVI نشان داد، که احتمالاً به دلیل زمان‌های متغیر کاشت/کاشت در حدود سه ماه (یعنی از دسامبر تا فوریه) بود. چنین مرحله اولیه طولانی به دلیل کاهش تدریجی آب در هاورها بود. با این وجود، میانگین مقادیر NDVI روندهای افزایشی را از مراحل اولیه به بلوغ نشان داد که نشان دهنده رشد تدریجی فنولوژیک محصول بورو به سمت بلوغ بود. دینامیک زمانی مشاهده شده ما از امضاها در رابطه با مراحل توسعه مشابه با موارد گزارش شده در ادبیات یافت شد (به عنوان مثال، [ 9 ، 14 ، 23 ]). علاوه بر این، امضاهای حاصل از سنجش از دور محصولات برنج مورد مطالعه در کشورهای دیگر، پویایی مشابهی را در مراحل رشد نشان دادند [ 32 ، 33 ].

یک فایل خارجی که دارای یک تصویر، تصویر و غیره است. نام شیء sensors-17-02347-g003.jpg است.

شکل 3دینامیک زمانی میانگین مقادیر NDVI بورو ، آب و سایر موارد در طول فصل کاشت تا بلوغ با استفاده از سری زمانی داده‌های Landsat-8 OLI برای ردیف مسیر: 136-043 ( a ) و 137-043 ( b ) .

در میان امضاهای مبتنی بر NDVI مخصوص boro همانطور که در نشان داده شده استشکل 3برخی از آنها منجر به طبقه بندی نادرست آب های چند ساله به عنوان برنج بورو شد. چنین موردی مثال در نشان داده شده استشکل 4. در واقع، ما از داده‌های چند طیفی Landsat-8 که در 22 مارس 2017 به‌دست‌آمده بود، برای رسیدگی به این مشکل استفاده کردیم، جایی که مراحل دقیق در بخش 3.1 مورد بحث قرار گرفت . در نتیجه، ما اثربخشی استفاده از داده‌های چند طیفی Landsat-8 را در به حداقل رساندن خطاهای طبقه‌بندی در صورت استفاده از سری‌های زمانی NDVI نشان دادیم.

یک فایل خارجی که دارای یک تصویر، تصویر و غیره است. نام شی sensors-17-02347-g004.jpg است.

شکل 4نمونه ای از طبقه بندی نادرست بخش آب در بخش شمال غربی منطقه سونامگونج به عنوان برنج بورو که با استفاده از چند ضلعی های نقطه زرد در چند ضلعی نشان داده شده است (در 17 ژانویه، 18 فوریه و 22 مارس 2017) تصاویر NDVI مشتق شده از داده های Landsat-8 (پانل( a ))؛ امضای NDVI چند زمانی حاصل آن ( b ). همچنین، این نواحی در واقع معجون اجسام آبی بودند همانطور که با استفاده از چندضلعی‌های نقطه‌دار زرد روی یک ترکیب رنگی کاذب از داده‌های چند طیفی Landsat-8 به‌دست‌آمده در 22 مارس 2017 ( ج ) نشان داده شد. در پانل ( a )، رنگ‌های مایل به قرمز، سیاه مایل به آبی و زرد، آب‌های طبقه‌بندی اشتباهی را به‌عنوان بورو ، آب‌ها و بورو نشان می‌دهند.به ترتیب. از سوی دیگر، رنگ‌های سیاه مایل به آبی و رنگ‌های مایل به قرمز در پانل ( c ) به‌ترتیب واتر بوید و بورو را نشان می‌دهند .

پس از تعیین امضاهای قابل قبول بورو و تجدید نظر در موارد مشکل ساز، ما قبل از شروع رویداد سیل ناگهانی، یک سطح زیر کشت برنج بورو بر اساس Landsat-8 تولید کردیم. متعاقبا، آنها را با برآوردهای زمینی در سطح منطقه مورد مطالعه و شش منطقه مقایسه کردیم. در هر دو مورد، ما دریافتیم که سطح توافق قوی بود، یعنی (i) درصد خطای 4٪ در سطح منطقه مورد مطالعه. و (ii) r2 -ارزش 0.92 و RMSE 18374 هکتار در سطح شش ناحیه (نگاه کنید بهشکل 5آ).

یک فایل خارجی که حاوی یک تصویر، تصویر و غیره است. نام شیء sensors-17-02347-g005.jpg است.

شکل 5روابط بین تخمین های زمینی و سنجش از دور بورو کشت شده ( a ) و آسیب دیده ( b ) در شش منطقه، که در آن خطوط خط تیره نشان دهنده خطوط رگرسیون است.

4.2. نقشه برداری از سطح زمین آسیب دیده برنج بورو از سری زمانی NDVI مشتق از MODIS

شکل 6امضاهای زمانی مقادیر NDVI مشتق شده از MODIS را بین دسامبر 2016 و مه 2017 نشان می دهد (یعنی زمان های قبل و بعد از وقوع سیل). پس از جمع‌آوری امضاهای ویژه شرایط بورو و شناسایی مکان‌های فضایی مربوطه، ما یک نقشه نهایی آسیب ایجاد کردیم، که در آن کلاس‌های «در ابتدا زنده ماندند اما در نهایت آسیب دیدند» و «کلاً آسیب دیدند» به عنوان سطح زمین بورو آسیب برای اهداف ارزیابی در نظر گرفته شدند. سپس چنین برآوردهای خسارت با برآوردهای زمینی مقایسه شد. در این موارد، ما همچنین روابط قوی بین آنها مشاهده کردیم، مانند: (1) درصد خطا 3-٪ در سطح منطقه مورد مطالعه، و (ii) r2 – ارزش 0.92، و RMSE 9380 هکتار در سطح منطقه مورد مطالعه. شش سطح منطقه (نگاه کنید بهشکل 5ب).

یک فایل خارجی که حاوی یک تصویر، تصویر و غیره است. نام شی sensors-17-02347-g006.jpg است.

شکل 6دینامیک زمانی مقادیر میانگین NDVI مشتق از MODIS در طول فصل کاشت تا برداشت نشان‌دهنده شرایط مختلف بورو پس از وقوع سیل ناگهانی است.

4.3. دینامیک فضایی بورو کشت شده و آسیب دیده

شکل 7وسعت فضایی بورو کشت شده مشتق شده از Landsat-8 در طول دوره زمانی پیش از سیل (پانل (الف))، و بورو آسیب دیده مشتق شده از MODIS در نتیجه رویداد سیل ناگهانی (پانل (ب)) را نشان می دهد. مطابق باشکل 7الف، ما دریافتیم که حدود 34.5٪ از منطقه مورد مطالعه تحت کشت برنج بورو بود. جالب است بدانید که مناطق عمده ای از نواحی نتروکونا (یعنی حدود 63٪ از کل مساحت)، کیشورگونج (یعنی حدود 56٪)، سونامگونج (یعنی حدود 52٪) و هابیگونگ (یعنی حدودا 46 درصد از کشت بورو استفاده شد. در مقابل، مناطق نسبتاً کوچکتر در نواحی سیله (یعنی حدود 19٪ از کل مساحت) و هوبیگانج (یعنی حدود 13٪) تحت کشت بورو قرار گرفتند.

یک فایل خارجی که حاوی یک تصویر، تصویر و غیره است. نام شی sensors-17-02347-g007.jpg است.

شکل 7گستره فضایی: ( الف ) بورو کشت شده حاصل از تصاویر Landsat-8 OLI در طول دوره زمانی پیش از سیل، و ( ب ) بورو آسیب دیده ناشی از تصاویر MODIS به دلیل رویداد سیل ناگهانی. همچنین، سطح تجمعی تحت هر چهار شرایط بورو که در پانل ( b ) نشان داده شده است، در واقع همان سطح زیر کشت برنج بورو کشت شده برآورد شده با استفاده از داده های Landsat-8 است که در پانل ( a ) نشان داده شده است.

به منظور تعیین میزان بورو آسیب دیده ، پویایی آن را بر اساس بهره برداری از تصاویر MODIS در مناطقی که به عنوان مناطق کشت برنج بورو طبقه بندی شده بودند، با استفاده از داده های Landsat-8 همانطور که در پانل (الف) نشان داده شده است، بررسی کردیم. ما متوجه شدیم که حدود 37 درصد از برنج بورو کشت شده به دلیل سیل ناگهانی آسیب دیده است. توجه داشته باشید که ما دو شرط boro یعنی آسیب دائمی و در ابتدا زنده ماندن اما در نهایت آسیب دیده را در دسته آسیب دیده در نظر گرفتیم. برای دسته بورو زنده مانده ، دو شرط دیگر را در نظر گرفتیم، یعنی به نوعی با شرایط بد زنده ماندیم و جان سالم به در برد. منطقه سونامگونج که حدود 65 درصد از بورو کشت شده در آن بیشترین تأثیر را داشته استآسیب دیده. منطقه بعدی که تحت تاثیر قرار گرفت کیشورگونج بود که حدود 44 درصد از بورو کشت شده آسیب دید. ناحیه نتروکونا حدود 21 درصد خسارت بورو کشت شده خود را نشان داد .

5. بحث

هنگامی که نتایج خود را از تولید سطح زیر کشت برنج بورو کشت شده از Landsat مقایسه کردیم ( یعنی r2 -ارزش 0.92)، متوجه شدیم که نتایج مشابهی نیز در ادبیات گزارش شده است. به عنوان مثال: (i) Chen et al. [ 34 ] در مورد فیلیپین دقت حدود 76 درصد را شاهد بودیم. (ii) مصلح و همکاران. [ 23 ] در مورد بنگلادش به دقت بین 93 تا 94 درصد رسید. و (iii) جین و همکاران. [ 10 ] سطح دقت را در حدود 85 درصد در دشت سانجیانگ در چین مشاهده کرد. علاوه بر این، ما همچنین نتایج خود را از تخمین سطح زیر کشت برنج بورو آسیب دیده مشتق شده از MODIS ارزیابی کردیم ( یعنی r2-مقدار 0.92) در مقابل سایر مطالعات مرتبط. در واقع، ما مشاهده کردیم که نتایج مشابهی در ادبیات دیگر یافت شد، مانند: (i) دائو و لیو [ 17 ] تفاوت 2.52 درصدی را با داده‌های آماری در سطح جامعه در منطقه مرکزی کامبوج نشان دادند. (ii) کواک و همکاران. [ 18 ] حدود 80% سازگاری با سرشماری دولتی بر اساس تحقیقات و بررسی میدانی در کامبوج نشان داد. و (iii) Chowdhury و Hassan [ 19 ] دریافتند که اطلاعات خسارت 75 درصدی محصول با برآوردهای دولت در جنوب غربی بنگلادش توافق شده است.

در نتیجه سیل زودهنگام آغاز شده در 27 مارس 2017، ما از سری زمانی NDVI مشتق شده از MODIS برای ترسیم پویایی شرایط بورو استفاده کردیم . تجزیه و تحلیل ما نشان داد که چهار شرایط خاص بورو ، یعنی (i) زنده ماند/تحت تاثیر قرار نگرفت، (2) در ابتدا زنده ماند اما در نهایت آسیب دید، (iii) به نحوی جان سالم به در برد اما در شرایط بد، و (IV) بورو کاملاً آسیب دید . ما دریافتیم که میانگین مقادیر NDVI روندهای افزایشی (یعنی از مقادیر NDVI کمتر به بالاتر) از مراحل کاشت/پیوند اولیه تا مراحل بلوغ در طول رویداد سیل قبل از فلاش نشان داد. علاوه بر این، مشاهده کردیم که این روندها پس از وقوع سیل به چهار الگوی متمایز از ارزش‌های NDVI ظهور کردند. به عنوان مثال: ” بورو زنده مانده/تأثیر نشده است” کلاس دینامیک زمانی امضاها مشابه روند کاهشی تدریجی طبیعی (یعنی از مقادیر بالاتر NDVI به پایین تر) از مراحل بالغ تا برداشت بورو در طی آوریل تا می 2017 نشان داد. چنین روند نزولی مقادیر NDVI در مرحله برداشت به دلیل فرآیند رسیدن محصول بود، زمانی که گیاهان سبز بالغ با دانه های برنج با از دست دادن کلروفیل و محتوای آب خود شروع به طلایی یا زرد شدن کردند. دینامیک زمانی مشاهده شده ما از امضاها در رابطه با مراحل بلوغ و برداشت شبیه به آنچه در ادبیات گزارش شده است (به عنوان مثال، [ 9 ، 14 ، 23 ) یافت شد.]). در مورد کلاس “در ابتدا زنده مانده اما در نهایت آسیب دیده”، متوجه شدیم که دینامیک زمانی امضاها دارای مقادیری NDVI در اولین تاریخ تصویربرداری پس از رویداد سیل (یعنی 7 آوریل 2017) هستند، اما مقادیر NDVI نزدیک بودند. در تاریخ های تصویربرداری بعدی (یعنی 23 آوریل 2017 و به بعد) به صفر یا منفی برسد. این نشان می دهد که آن محصولات بورو در ابتدا زنده مانده بودند، اما در نهایت غرق شدند و آسیب دیدند. برای کلاس “به نحوی زنده ماند اما شرایط بد”، مشاهده کردیم که دینامیک زمانی امضاها به دلیل داشتن مقادیر NDVI پایین تر (مثلاً 0.4) در 7 آوریل 2017، و با مقادیر مشابه NDVI برای تاریخ های تصویربرداری زیر ادامه می یابد. . این مقادیر پایین‌تر NDVI در مقایسه با مقادیر طبیعی کاهشی NDVI در مرحله برداشت بسیار کمتر بود، که نشان دادبورو در وضعیت بدی قرار داشتند. در نهایت، کلاس “کلاً آسیب دیده” بورو افت شدید امضاهای موقت با مقادیر NDVI (یعنی نزدیک به صفر یا منفی) را در تصویر به دست آمده در 7 آوریل 2017 (یعنی اولین تصویر پس از رویداد سیل) نشان داد. ، که نشان می دهد محصول کاملاً زیر آب رفته و آسیب دیده است.

در مورد ارزیابی دقت هر دو وسعت بورو کشت شده و آسیب دیده ، مشاهده کردیم که نتایج ما قوی بود، یعنی r 2 = 0.92 برای هر دو سطح بورو کشت شده و آسیب دیده . علی‌رغم چنین توافق‌هایی، ممکن است برخی عدم قطعیت‌ها در رابطه با طرح‌های طبقه‌بندی پیشنهادی ما وجود داشته باشد. که به طور بالقوه با استفاده از اطلاعات سطح زیر کشت در سطح منطقه کاهش یافت. به منظور حذف این نوع وضعیت، اطلاعات دقیق زمینی بسیار توصیه می شود. این خارج از محدوده این مطالعه است.

از میان شش منطقه مورد توجه، مشاهده کردیم که در نواحی سیله و مولوی بازار بورو کمتر کشت شده است . در واقع، این ولسوالی ها دارای زمین های مرتفع نسبتاً مرتفع با میزان بارندگی بیشتر هستند که باعث می شود چشم انداز برای کاشت چای مناسب تر باشد. ما همچنین مشاهده کردیم که سه ناحیه سونامگونج، کیشورگونج و نتروکونا مقادیر بیشتری از بورو آسیب دیده را تجربه کرده اند . این امر به دلیل وجود درصدهای بالاتر از هاور و مناطق کم ارتفاع در این ولسوالی ها اتفاق افتاده است. علاوه بر این، منطقه سیله و مولوی بازار به دلیل وجود حفره های کمتر در این بخش از منطقه مورد مطالعه کمتر تحت تأثیر قرار گرفتند .

6. نتیجه گیری

در این مطالعه، ما یک مکانیسم مبتنی بر سنجش از دور ساده اما جامع برای تعیین وسعت فضایی مناطق بورو کشت‌شده و آسیب‌دیده به دلیل سیل ناگهانی بر روی حوضه هاور در شمال شرقی بنگلادش پیشنهاد کردیم. ما اثربخشی استفاده از سری‌های زمانی مبتنی بر Landsat-8 و MODIS را به ترتیب برای نقشه‌برداری زمین‌های بورو کشت‌شده و آسیب‌دیده نشان دادیم. نتایج ما نشان داد که یک رابطه قوی در صورت مقایسه نتایج با تخمین‌های زمینی وجود دارد (یعنی r2 = 0.92 برای هر دو بورو کشت شده و آسیب دیدهزمین ها). علیرغم دقت روش‌های پیشنهادی ما، ما قویاً توصیه می‌کنیم که ارزیابی روش پیشنهادی قبل از اعمال آن در سایر حوزه‌های قضایی کاملاً بررسی شود.

علاوه بر این، ما پیشنهاد می‌کنیم که بنگلادش باید کاربرد انواع برنج فصل خشک را با یک فصل رشد کوتاه‌تر که ۹۰ روز طول می‌کشد، بررسی کند، جایی که واریته‌های فعلی حدود ۱۵۰ روز هستند. به این ترتیب، محصول برنج را می توان قبل از شروع فصل جاری شدن سیل که معمولاً در ماه آوریل رایج است، برداشت کرد. گزینه دیگر می تواند تجزیه و تحلیل شرایط آب و هوایی، به ویژه رژیم های دما و بارش باشد، تا مشخص شود که آیا می توان فصل بورو را زودتر از روش های فعلی شروع کرد یا خیر.

منابع

1. احمد I.، Deaton BJ، Sarker R.، Virani T. مالکیت و مدیریت تالاب در یک محیط منابع دارایی مشترک: مطالعه موردی Hakaluki Haor در بنگلادش. Ecol. اقتصاد 2008; 68 :429-436. doi: 10.1016/j.ecolecon.2008.04.016. [ CrossRef ] [ Google Scholar ]
2. Haor به یک سیستم اختصاصی هشدار سیل زودهنگام نیاز دارد. [(دسترسی در 15 ژوئن 2017)]؛در دسترس آنلاین: https://www.theindependentbd.com/arcprint/details/96445/2017-05-27
3. Roy P.، Chowdhury D.، Deshwara M. Havoc in haor : Early Flashfloods Shock Farmers. [(دسترسی در 15 ژوئن 2017)]؛ دیلی استار. 14 آوریل 2017; در دسترس آنلاین: https://www.thedailystar.net/frontpage/havoc-haor-1391089
4. Biswas JK Early Flash Flood: چگونه از شر آن خلاص شویم. [(دسترسی در 15 ژوئن 2017)]؛ دیلی سان. 16 آوریل 2017; در دسترس آنلاین: https://www.daily-sun.com/printversion/details/219729/Early-Flash-Flood:-How-To-Get-Rid-Of
5. بنگلادش – سیل در شمال شرق محصولات برنج را از بین می برد. [(دسترسی در 15 ژوئن 2017)]؛در دسترس آنلاین: https://floodlist.com/asia/bangladesh-floods-north-east-wipe-rice-crops
6. مرکز پیش بینی و هشدار سیل (FFWC) گزارش ماهانه سیل 1998. هیئت توسعه آب بنگلادش. داکا، بنگلادش: سپتامبر 1998. [ Google Scholar ]
7. شهید س. تأثیر تغییر اقلیم بر تقاضای آب آبیاری برنج بورو فصل خشک در شمال غربی بنگلادش. صعود چانگ. 2011; 105 :433-453. doi: 10.1007/s10584-010-9895-5. [ CrossRef ] [ Google Scholar ]
8. دفتر آمار بنگلادش، سالنامه آمار کشاورزی-2015. [(دسترسی در 15 ژوئن 2017)]؛ 2016 در دسترس آنلاین: https://bbs.portal.gov.bd/sites/default/files/files/bbs.portal.gov.bd/page/1b1eb817_9325_4354_a756_3d18412203e2/Yearbook-2015.pdf
9. مصلح MK، حسن QK توسعه یک سیستم نقشه برداری برنج بورو مبتنی بر سنجش از دور . Remote Sens. 2014; 6 : 1938-1953. doi: 10.3390/rs6031938. [ CrossRef ] [ Google Scholar ]
10. Jin C.، Xiao X.، Dong J.، Qin Y.، Wang Z. نقشه برداری توزیع برنج شالیزاری با استفاده از تصاویر چند زمانی Landsat در دشت سانجیانگ، شمال شرقی چین. جلو. علوم زمین 2016; 10 :49-62. doi: 10.1007/s11707-015-0518-3. [ مقاله رایگان PMC ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
11. Torbick N.، Chowdhury D.، Salas W.، Qi J. نظارت بر کشاورزی برنج در سراسر میانمار با استفاده از سری زمانی Sentinel-1 با کمک Landsat-8 و PALSAR-2. Remote Sens. 2017; 9 :119. doi: 10.3390/rs9020119. [ CrossRef ] [ Google Scholar ]
12. Singha M.، Wu B.، Zhang M. نقشه برداری برنج شالیزار مبتنی بر شی با استفاده از داده های HJ-1A/B و ویژگی های زمانی استخراج شده از داده های سری زمانی MODIS NDVI. حسگرها 2017; 17:10 . doi: 10.3390/s17010010. [ مقاله رایگان PMC ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
13. Clauss K., Yan H., Kuenzer C. نقشه برداری برنج شلتوک در چین در سال های 2002، 2005، 2010 و 2014 با سری زمانی MODIS. Remote Sens. 2016; 8 :434. doi: 10.3390/rs8050434. [ CrossRef ] [ Google Scholar ]
14. مصلح MK، حسن QK، Chowdhury EH کاربرد سنسورهای از راه دور در نقشه برداری منطقه برنج و پیش بینی تولید آن: بررسی. حسگرها 2015: 769-791. doi: 10.3390/s150100769. [ مقاله رایگان PMC ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
15. Haldar D.، Nigam R.، Patnaik C.، Dutta S.، Bhattacharya B. ارزیابی مبتنی بر سنجش از دور تأثیر طوفان Phailin بر برنج در اودیشا، هند. محیط آب برنج. 2016; 14 :451-461. doi: 10.1007/s10333-015-0514-y. [ CrossRef ] [ Google Scholar ]
16. Waisurasingha C.، Aniya M.، Hirano A.، Sommut W. استفاده از داده های RADARSAT-1 و یک مدل ارتفاعی دیجیتال برای ارزیابی خسارت سیل و بهبود تولید برنج در قسمت پایینی حوضه رودخانه چی، تایلند. بین المللی J. Remote Sens. 2008; 29 :5837–5850. doi: 10.1080/01431160802029669. [ CrossRef ] [ Google Scholar ]
17. Dao PD، Liou YA نقشه برداری سیل مبتنی بر شی و برآورد مزرعه برنج تحت تأثیر داده های Landsat 8 OLI و MODIS. Remote Sens. 2015; 7 :5077–5097. doi: 10.3390/rs70505077. [ CrossRef ] [ Google Scholar ]
18. Kwak Y.، Shrestha BB، Yorozuya A.، Sawano H. ارزیابی آسیب سریع محصول برنج پس از سیل در مقیاس بزرگ در دشت سیلابی کامبوج با استفاده از داده‌های مکانی زمانی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015; 8 :3700–3709. doi: 10.1109/JSTARS.2015.2440439. [ CrossRef ] [ Google Scholar ]
19. Chowdhury EH، Hassan QK استفاده از داده های سنجش از راه دور در درک یک رویداد سیل بسیار غیر معمول در جنوب غربی بنگلادش. نات. خطرات 2017; 88 : 1805-1823. doi: 10.1007/s11069-017-2947-7. [ CrossRef ] [ Google Scholar ]
20. لی KS، لی SI ارزیابی شرایط پس از غرقابی مزارع برنج با داده های SAR ماهواره ای چند زمانی. بین المللی J. Remote Sens. 2003; 24 :3457–3465. doi: 10.1080/0143116021000021206. [ CrossRef ] [ Google Scholar ]
21. Chohan K.، احمد SR، اسلام Z.، Adrees M. ارزیابی خسارت سیل رودخانه زمین های زیر کشت در امتداد رودخانه چناب با استفاده از GIS و داده های سنجش از دور: مطالعه موردی منطقه حفیظ آباد، پنجاب، پاکستان. جی. جئوگر. Inf. سیستم 2015; 7 :506-526. doi: 10.4236/jgis.2015.75041. [ CrossRef ] [ Google Scholar ]
22. Memon AA, Muhammad S., Rahman S., Haq M. پایش سیل و ارزیابی خسارت با استفاده از شاخص های آب: مطالعه موردی سیل پاکستان 2012. مصر. J. Remote Sens. Space Sci. 2015; 18 :99-106. doi: 10.1016/j.ejrs.2015.03.003. [ CrossRef ] [ Google Scholar ]
23. مصلح MK، حسن QK، Chowdhury EH توسعه یک مدل پیش‌بینی عملکرد برنج مبتنی بر سنجش از دور. طول. جی. آگریک. Res. 2016; 14 :e0907:1–e0907:11. doi: 10.5424/sjar/2016143-8347. [ CrossRef ] [ Google Scholar ]
24. کمیته بین المللی محیط زیست دریاچه چاکرابورتی TR; 2009. [(دسترسی در 15 ژوئن 2017)]. دروس مدیریت Haors ، Baors و Beels در بنگلادش برای مدیریت حوضه دریاچه. در دسترس آنلاین: https://wldb.ilec.or.jp/ILBMTrainingMaterials/resources/Bangladesh.pdf [ Google Scholar ]
25. حور. [(دسترسی در 15 سپتامبر 2017)]؛در دسترس آنلاین: https://en.banglapedia.org/index.php?title=Haor
26. Khatun MA, Rashid MB, Hygen HO Climate of Bangladesh, [(دسترسی در 15 ژوئن 2017)]; 2016 در دسترس آنلاین: https://www.bmd.gov.bd/?/p/=Climate-Report
27. جغرافیای بنگلادش. [(دسترسی در 15 جولای 2017)]؛در دسترس آنلاین: https://en.wikipedia.org/wiki/Geographyof_Bangladesh
28. به روز رسانی وضعیت سیل فلش. [(دسترسی در 15 ژوئن 2017)]؛ 3 اردیبهشت 1396; در دسترس آنلاین: https://reliefweb.int/sites/reliefweb.int/files/resources/Update%20Report%20of%20Flash%20Flood_MAY%2003%2C%202017.pdf
29. Lillesand TM، Kiefer RW، Chipman JW Remote Sensing and Image Interpretation. وایلی; هوبوکن، نیوجرسی، ایالات متحده آمریکا: 2004. [ Google Scholar ]
30. Gumma MK, Nelson A., Thenkabail PS, Singh AS نقشه برداری مناطق برنج جنوب آسیا با استفاده از داده های چند زمانی MODIS. J. Appl. Remote Sens. 2011; 5 doi: 10.1117/1.3619838. [ CrossRef ] [ Google Scholar ]
31. شهید س. تغییرپذیری بارندگی و روند دوره های مرطوب و خشک در بنگلادش. بین المللی جی.کلیماتول. 2010; 30 :2299-2313. doi: 10.1002/joc.2053. [ CrossRef ] [ Google Scholar ]
32. Manjunath KR، More RS، Jain NK، Panigrahy S.، Parihar JS نقشه برداری الگوی کشت برنج و نوع فرهنگی با استفاده از سنجش از دور و داده های جانبی: مطالعه موردی برای کشورهای جنوب و جنوب شرقی آسیا. بین المللی J. Remote Sens. 2015; 36 :6008-6030. doi: 10.1080/01431161.2015.1110259. [ CrossRef ] [ Google Scholar ]
33. بیشتر RS، Manjunath KR، Jain NK، Panigrahy S.، Parihar JS استخراج تقویم محصول برنج و ارزیابی فنومتریک محصول و رابطه عرضی برای کشورهای عمده جنوب و جنوب شرق آسیا: یک رویکرد سنجش از دور. محاسبه کنید. الکترون. کشاورزی 2016; 127 : 336-350. doi: 10.1016/j.compag.2016.06.026. [ CrossRef ] [ Google Scholar ]
34. Chen C.، Quilang EJP، Alosnos ED، Finnigan J. نقشه برداری منطقه برنج، عملکرد، و پیش بینی تولید برای استان Nueva Ecija با استفاده از تصاویر RADARSAT. می توان. J. Remote Sens. 2011; 37 :6-16. doi: 10.5589/m11-024. [  ] [  ]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید