آموزش ArcGIS Pro: خلاقیت های کارتوگرافی

دینامیک فضایی و زمانی رسوبات معلق در رودخانه نگرو، حوضه آمازون، از داده های سنجش از دور In Situ و Sentinel-2

چکیده 

پایش رسوبات معلق از طریق داده های سنجش از دور در رودخانه های سیاه آب یک چالش است. در اینجا، بازتاب سنجش از راه دور ( Rrs ) از اندازه‌گیری‌های درجا و تصاویر ابزار چند طیفی Sentinel-2 (MSI) برای تخمین غلظت رسوب معلق (SSC) در بزرگترین رودخانه سیاه‌آب حوضه آمازون استفاده شد. رودخانه نگرو مقادیر Rrs بسیار پایینی (<0.005 sr -1 در نوارهای مرئی و نزدیک به مادون قرمز) نشان می دهد که دلیل آن جذب بالا مواد آلی محلول رنگی (aCDOM در 440 نانومتر > 7 m – 1 ) ناشی از مقدار زیاد کربن آلی محلول (DOC > 7 mg L -1و SSC کم (<5 mg L -1 ). تغییرپذیری بین سالانه Rrs عمدتاً توسط ورودی رسوبات معلق از رودخانه برانکو کنترل می شود، که یک رودخانه آبی شفاف است که بر تغییرات خواص نوری ظاهری رودخانه سیاه، حتی در فواصل بیش از 90 کیلومتر از رودخانه کنترل می شود. دهان نتایج بهتری با استفاده از باند قرمز Sentinel-2 MSI (باند 4 در 665 نانومتر) به منظور برآورد SSC، با مقدار R2 بیشتر از 0.85 و خطای کمتر از 20٪ در مدل‌های تنظیم‌شده، به دست آمد. بزرگی بازتاب آب در باند قرمز Sentinel-2 MSI با Rrs درجا مطابقت داشت .اندازه‌گیری‌ها، نشان‌دهنده تنوع فضایی زیاد مقادیر پایین‌تر SSC (0 تا 15 میلی‌گرم در لیتر ) در یک دامنه انشعاب پیچیده رودخانه سیاه‌پوست است. داده‌های درجا و ماهواره‌ای که در این مطالعه تحلیل شده‌اند، فرآیندهای رسوب‌گذاری را در رودخانه سیاه پایین در نزدیکی رودخانه آمازون نشان می‌دهند. نتایج نشان می‌دهد که ویژگی‌های رادیومتری حسگرها، مانند Sentinel-2 MSI، برای نظارت بر غلظت رسوب معلق در رودخانه‌های بزرگ استوایی آب سیاه مناسب هستند.
کلمات کلیدی: رسوبات معدنی بازتاب سنجش از دور ; رودخانه سیاه آب ؛ مجمع الجزایر رودخانه ای ; انشعاب ; دشت سیلابی

1. مقدمه 

رودخانه‌های بزرگ به‌عنوان اجزای مهم لندفرم‌های قاره‌ای، نقش مهمی در فرسایش قاره ایفا می‌کنند و عوامل اصلی برای انتقال محصولات فرسایش به اقیانوس‌ها هستند [ 1 ، 2 ]. بنابراین، نظارت بر انتقال رسوب در رودخانه‌های بزرگ به درک چرخه‌های بیوژئوشیمیایی به منظور تعیین کمیت فرسایش خاک و شکل‌گیری مناظر کمک می‌کند [ 3 ، 4 ، 5 ]. با این حال، اندازه‌گیری منظم و منظم رسوبات توسط ایستگاه‌های اندازه‌گیری در رودخانه‌های بزرگ در دسترس نیست و نیاز به تخمین‌های غیرمستقیم دارد [ 1 ]]، به ویژه در مناطق گرمسیری. بنابراین، ماهواره‌های رصد زمین در سی سال گذشته به کسب اطلاعات در مورد رسوبات معلق در سیستم‌های آبی مختلف کمک کرده‌اند و این ابزارها برای نظارت بر آب‌های ساحلی و داخلی ضروری شده‌اند [ 6 ، 7 ، 8 ].
تصاویر ماهواره ای از اواخر دهه 1970 برای ارزیابی تغییرپذیری مکانی و زمانی خواص فیزیکی، شیمیایی و بیولوژیکی آب استفاده شده است [ 9 ، 10 ]. در دهه‌های آینده، مأموریت‌های جدیدی راه‌اندازی خواهند شد تا بر اساس مأموریت‌های موجود و کمک به تصمیم‌گیری [ 11 ]. پیشرفت های علمی در این فناوری به ایجاد سیستم هایی کمک کرده است که از راه دور رسوبات معلق را در رودخانه ها و دریاچه ها نظارت می کنند. در حال حاضر، موسسات در سراسر جهان از سنجش آب از راه دور برای تکمیل نظارت برجا استفاده می کنند [ 12 ، 13 ، 14]. در دسترس بودن داده های فرکانس بالا و پلت فرم های مداری مختلف، سنجش آب از راه دور را تسهیل می کند [ 15 ]. به عنوان مثال، همراه با دیگر رودخانه های بزرگ گرمسیری، مطالعات در حوضه آمازون به پیشرفت های اخیر در نظارت از راه دور غلظت رسوب کمک کرده است [ 16 ، 17 ، 18 ، 19 ، 20 ].
ویژگی‌های اولیه آب‌های آمازون توسط دینامیک رسوبات معدنی معلق ناشی از آند هدایت می‌شود [ 21 ]. مقدار بالای مواد آلی محلول رنگی به دلیل تخریب شدید کربن آلی زمینی [ 22 ، 23 ] از جنگل های اطراف است. رودخانه نگرو کمترین غلظت رسوب معلق و بیشترین غلظت کربن آلی محلول در حوضه آمازون را دارد [ 24 ، 25 ]]. حتی برای چنین سطوح غلظتی، رسوبات معلق عمیقاً بر فرآیندهای بیوژئوشیمیایی تأثیر می گذارد و بر بهره وری اولیه و انتشار گازهای گلخانه ای تأثیر می گذارد [ 26 ، 27 ]. بنابراین، غلظت رسوب معلق یک شاخص مهم برای کیفیت آب در شرایط طبیعی، و همچنین یک نماینده برای فعالیت های انسانی، مانند جنگل زدایی، معدن، یا تاسیسات سد در رودخانه های بزرگ است [ 28 ، 29 ، 30 ].
ویژگی‌هایی مانند جذب نور بالا، پاسخ انعکاس سنجش از دور بسیار کم ( Rrs ) و سیگنال ضعیف خروج آب، نظارت بر رسوبات معلق توسط سنسورهای ماهواره‌ای غیرفعال در رودخانه‌های بزرگ سیاه‌آب را به چالشی تبدیل می‌کند. با این حال، افزایش غلظت رسوب معلق انرژی را افزایش می دهد که توسط سطح آب در نوارهای مرئی و مادون قرمز نزدیک منعکس می شود، که استفاده از تصاویر ماهواره ای را برای نقشه برداری از تغییرات مکانی و زمانی مواد معدنی معلق در دریاچه ها، رودخانه ها و مصب ها امکان پذیر می کند [ 18 ]. ، 29 ، 31 ، 32 ، 33 ، 34]. مطالعات اخیر نشان می دهد که عملکرد خوبی را می توان بین غلظت رسوب معلق و انعکاس سنجش از دور بدنه های آبی داخلی [ 17 ، 35 ، 36 ، 37 ، 38 ، 39 ] با استفاده از مدل های تجربی با یک باند برای محیط های کم (<50 میلی گرم در لیتر) به دست آورد. -1 ) و غلظت های بالا (> 100 میلی گرم در لیتر ) [ 34 ، 40 ، 41 ، 42 ].
به منظور تخمین رسوب معلق در سیستم‌های آبی آمازون، تحقیقات بر روی رودخانه‌هایی که از آند سرچشمه می‌گیرند، مانند رودخانه‌های Solimões و Madeira [ 19 ، 43 ، 44 ]، در شاخه‌هایی مانند رودخانه Purus [ 45 ] و همچنین متمرکز شد. در دشت سیلابی پایین رودخانه آمازون [ 17 ، 46 ، 47 ]. مطالعات اندکی بر روی تجزیه و تحلیل رسوبات معلق و RRS درجا متمرکز شده انددر رودخانه های آمازون که مواد آلی محلول بر آنها غالب است، مانند رودخانه سیاه. این رودخانه بزرگ 11٪ از کل مساحت حوضه آمازون را تشکیل می دهد و 14٪ از تخلیه آب را تشکیل می دهد. اهمیت اکولوژیکی زیادی دارد و اکوسیستم اصلی جنگلی است که توسط آب سیاه (جنگل ایگاپو) در آمازون غرق شده است. این فقدان مطالعات با داده های سنجش از دور به دلیل چالش کار با سیگنال کم آب است، که به طور متوسط ​​حداکثر 0.5٪ در نوار قرمز در سطح آب می رسد و اندازه گیری های رادیومتری را دشوار می کند [ 18 ، 48 ].
حوضه رودخانه Negro شامل ایستگاه های سنجش با کمترین تراکم در مقایسه با ایستگاه هایی است که در رودخانه های بزرگ در آمازون قرار دارند [ 49 ]. از سوی دیگر، پیشرفت‌ها در داده‌های سنجش از دور و فناوری می‌تواند شکاف‌های حوضه‌هایی که نظارت ضعیفی دارند را پر کند [ 10 ، 50 ، 51 ]. با رویکرد فوق، هدف این مطالعه برآورد غلظت رسوب معلق در رودخانه سیاه با استفاده از Rrs درجا بود .و تصاویر ابزار چند طیفی Sentinel-2 (MSI). بر اساس اندازه‌گیری‌های رادیومتری که در دوره‌های مختلف هیدرولوژیکی جمع‌آوری شد، این مطالعه به درک ویژگی‌های نوری ظاهری (AOPs) آب در رودخانه‌هایی که توسط مواد آلی محلول و غلظت‌های بسیار کم رسوب معلق غالب هستند، کمک می‌کند.

2. مواد و روشها

2.1. منطقه مطالعه

این مطالعه در امتداد مسیر پایینی رودخانه نگرو، شمال حوضه آمازون، و بین تلاقی رودخانه‌های سیاه و برانکو و پارک ملی Anavilhanas انجام شد ( شکل 1 a). رودخانه نگرو با 712000 کیلومتر مربع مساحت زهکشی و میانگین جریان آب سالانه 28000 متر مکعب بر ثانیه در 1 ، یک رودخانه چند کاناله بزرگ و پیچیده با مجمع الجزایر است. مجمع الجزایر Anavilhanas با توجه به الگوی انشعاب پیچیده آن، با صدها جزیره و دریاچه های دشت سیلابی، قابل توجه ترین ویژگی ژئومورفولوژیکی در مسیر پست این رودخانه است [ 52 ].
مجموع مقادیر تخلیه رسوب معلق از 1 تا 7 میلیون تن در سال، عمدتاً از مناطق سپر گویان و ساوانا، با نرخ فرسایش کمتر از 10 تن متغیر است. کیلومتر 2 سال -1 [ 49 ، 53 ]. رودخانه برانکو که از نظر دبی و رسوب معلق شاخه اصلی حوضه است، دارای جریان متوسط ​​سالانه 3000 متر مکعب بر ثانیه (در ایستگاه کاراکرای ) است و حدود 50 درصد از جریان معلق در قسمت پایینی را تشکیل می دهد. رودخانه سیاه [ 53 ، 54]. میانگین غلظت رسوب معلق سالانه رودخانه های سیاه و برانکو، بر اساس داده های درجا، به ترتیب ~5 میلی گرم در لیتر و 30 میلی گرم در لیتر است [ 49 ، 55 ، 56 ، 57 ]. خاک های حوضه توسط جنگل های انبوه استوایی پوشیده شده، از نظر مواد مغذی فقیر، و در اثر هوازدگی سنگ های کریستالی تشکیل شده اند [ 58 ].
حوضه ریو نگرو در حوزه‌های ژئومورفولوژیکی سپرهای گویان واقع شده است، که شامل زمین‌های پرکامبرین بسیار فرسایش‌شده با تأثیر کمی بر جریان‌های کربن معدنی محلول که توسط رودخانه‌ها حمل می‌شوند [ 23 ]. در این حوضه، سنگ های قدیمی غالب هستند (گرانیت ها) و حضور قابل توجهی از کربنات ها وجود ندارد [ 59 ].
آب و هوای این حوضه بر اساس طبقه بندی کوپن، گرمسیری و بدون فصل خشک (Af) است. میانگین بارندگی سالانه 2000 میلی متر است که مقادیر آن در شمال غربی حوضه بیش از 3500 میلی متر است. تغییر سالانه سطح آب رودخانه سیاهپوست به 10 متر می رسد، با دوره سیل بیش از هفت ماه. در منطقه مورد مطالعه دوره پرآب و کم آب به ترتیب بین خرداد و تیر و مهر و آبان رخ می دهد.
سیولی [ 60 ] انواع اولیه آب در رودخانه های آمازون را به سه نوع طبقه بندی کرد: رودخانه هایی با آب سفید، سیاه یا شفاف. رودخانه‌های سیاه‌آب در حوضه رودخانه سیاه‌آب با حضور آب اسیدی (PH نزدیک به 4)، رسانایی الکتریکی کم (<20 µS)، غلظت کربن آلی محلول (DOC) بیش از 8 میلی‌گرم در لیتر و معلق هستند . غلظت رسوب کمتر از 10 میلی گرم در لیتر [ 25 ] . با غلظت متوسط ​​کلروفیل a در حدود 1 میکروگرم در لیتر ، غلظت بالای DOC تضعیف نور را در ستون آب افزایش می‌دهد و تولید فیتوپلانکتون اولیه را در رودخانه نگرو محدود می‌کند. 61 ، 62 ].

2.2. جمع آوری داده ها در محل

شکل 2 نمودار جریانی از روش مورد استفاده در این مطالعه را نشان می دهد. جمع‌آوری داده‌ها بین سال‌های 2016 و 2019 در هشت ایستگاه نمونه که در دوره‌های مختلف سطح آب بازدید شده‌اند، اتفاق افتاد ( شکل 1).ب). توجه داشته باشید که از نامگذاری زیر برای تمایز رودخانه ها و دریاچه ها استفاده شده است: BCO، RN، و LAP به ترتیب مخفف رودخانه برانکو، رود سیاه و دریاچه آپاکو هستند. سه ایستگاه در نزدیکی منطقه تلاقی سیاه‌پوستان (ایستگاه‌های RN1 و RN2) و رودخانه‌های برانکو (ایستگاه BCO) قرار دارند. ایستگاه های RN1 و RN2 به ترتیب در بالادست و پایین دست دهانه رودخانه برانکو قرار دارند. پنج ایستگاه در بالادست (RN3)، داخل (RN4، RN5، و LAP) و پایین دست (RN6) مجمع الجزایر Anavilhanas قرار دارند. در داخل مجمع‌الجزایر Anavilhanas، ایستگاه LAP در دریاچه آپاکو قرار دارد و ایستگاه‌های RN4 و RN5 به ترتیب در کانال‌هایی در سمت راست و چپ رودخانه نگرو قرار دارند. هر ایستگاه نمونه مربوط به یک مختصات ثابت است.

2.2.1. رادیومتری

اندازه‌گیری‌های انعکاس سنجش از دور، Rrs در sr -1 ، بر اساس اکتساب‌های رادیومتری بالای آب با استفاده از سه طیف‌سنج TriOS RAMSES که در محدوده طیفی 350-950 نانومتر کار می‌کنند، که به‌طور گسترده در رودخانه‌های بزرگ آمازون استفاده می‌شود، انجام شد [ 18 ، 38 ] ، 44 ]. پیکربندی حسگر و هندسه جمع‌آوری داده‌ها به گونه‌ای تنظیم شد که از پروتکل پیشنهادی Mobley پیروی کند [ 63]، یعنی با استفاده از زاویه دید 40 درجه و آزیموت نسبی از خورشید 135 درجه. اصل اصلی رادیومتری در بالای آب، تصحیح سهم بازتاب سطح (عمدتا نورگیر) به سیگنال اندازه گیری شده برای به دست آوردن مناسب درخشندگی خروجی آب است [ 64 ]. این مرحله به‌ویژه برای آب با جذب بالا، که در آن تابش‌های خروجی کم می‌مانند و به طور بالقوه عدم قطعیت زیادی در Rrs‌های بازیابی‌شده ایجاد می‌کنند، حیاتی است .
صدها Rrs با در نظر گرفتن تأثیرات قطبش نور [ 65 ] و وابستگی طیفی بازتاب نورگیر بر روی سطح آب [ 66 ] به منظور کاهش خطاها و عدم قطعیت های بالقوه محاسبه شد. مقادیر Rrs فراطیفی از طریق معادله (1) بازیابی شدند، که در آن وابستگی های هندسی به خاطر اختصار نادیده گرفته می شوند:

که در آن L t تابش کل (آب + سطح) حسگر است که رو به پایین است، L s حسگر تابش آسمان است که به سمت بالا است، و Es کل تابش طیفی رو به پایین بالای آب است. به اصطلاح ضریب بازتاب سطح، ρ (rho)، اندازه گیری نورگیر را به سهم سطح در درخشندگی کل تبدیل می کند. در اینجا، ρ از محاسبات انتقال تشعشعی از طریق نرم افزار OSOAA [ 67 ] هنگام در نظر گرفتن تأثیرات بار آئروسل در جو و زبری آب تعدیل شده توسط سرعت باد به دنبال روشی که در Gilerson و همکاران، [ 66 ] توضیح داده شد، گرفته شد.]. سرعت باد، ws، در طول جمع‌آوری داده‌ها اندازه‌گیری شد و ضخامت نوری آئروسل، aot، از مجموعه داده‌های خدمات نظارت بر جو کوپرنیک (CAMS) [ 68 ] تنظیم شد. عدم قطعیت هایی که به مقادیر Rrs بازیابی شده متصل شده بودند به عنوان انحراف استاندارد محاسبه شده بیش از صدها اکتساب فردی جمع آوری شده برای هر ایستگاه نمونه در نظر گرفته شد. توجه داشته باشید که هر دنباله اکتساب بیش از 10 دقیقه به طول انجامید و بازیابی آماری قوی Rrs با واریانس کمتر [ 69 ] را ممکن می سازد. این زمان اندازه گیری مجموعه داده ای را تولید کرد که برای بررسی پایداری و تغییرپذیری Rrs مناسب بود64 ].

2.2.2. کیفیت آب

در مجموع 9 اندازه گیری در سطح آب به منظور تعیین غلظت رسوب معلق (SSC) در هر ایستگاه نمونه و در دوره های مختلف هیدرولوژیکی جمع آوری شد. SSC به دنبال پروتکل سرویس مشاهده HYBAM [ 13 ] تعیین شد، جایی که نمونه آب با یک فیلتر تخلخل 0.45 میکرومتر (غشاهای استات سلولز) فیلتر می‌شود و سپس بر روی یک تعادل تحلیلی وزن می‌شود. عدم قطعیت های متصل به اندازه گیری های SSC به عنوان انحراف استاندارد محاسبه شده بر روی 9 اندازه گیری در سطح جمع آوری شده در هر ایستگاه نمونه گرفته شد.
نمونه های آب (سه بار در هر ایستگاه) با غشاهای شیشه میکروفایبر (قطر 47 میلی متر و تخلخل 0.7 میکرومتر) فیلتر شدند، برای ترکیبات آلی (تقسیم در دمای 450 درجه سانتیگراد به مدت 4 ساعت) آلودگی زدایی شدند، در ویال های تاریک نگهداری شدند، در یخچال قرار گرفتند و در یخچال فرآوری شدند. تحلیلگر کربن کل Shimadzu TOC-VCPH برای تعیین غلظت کربن آلی محلول (DOC).
تخمین‌های جذب مواد آلی محلول رنگی (aCDOM) با استفاده از طیف‌سنج فراطیفی TriOS VIPER انجام شد که با یک کووت 10 سانتی‌متری در محدوده بین 350 و 750 نانومتر با وضوح 2 نانومتر کار می‌کند. نمونه آب در یک غشای شیشه میکروفیبر (قطر 47 میلی‌متر و تخلخل 0.7 میکرومتر) فیلتر شد، در ویال‌های تیره نگهداری شد و سپس در یخچال نگهداری شد. آب Milli-Q به عنوان مرجع استفاده شد.

2.3. مدل های تخمین SSC

طیف گسترده ای از روش ها در حال حاضر برای ارتباط داده های رادیومتری با SSC در دسترس هستند، مانند استفاده از باند واحد [ 34 ، 36 ، 40 ]، نسبت باند [ 18 ، 44 ، 70 ]، روش های نیمه تحلیلی [ 33 ، 71 ]، یادگیری ماشینی [ 72 ] و شبکه های عصبی مصنوعی [ 73 ]. مطالعات قبلی نشان می‌دهد که مدل‌های تجربی که SSC را تابعی از Rrs تخمین می‌زننددر باندهای مرئی و مادون قرمز نزدیک (VNIR) در رگرسیون های خطی تنظیم شده تک باند [ 18 ، 36 ، 42 ، 74 ] و با نسبت باندهای NIR و قرمز [ 18 ، 38 ، 43 ] به خوبی عمل می کنند.
در این مطالعه، ما مدل‌های تجربی را توسعه دادیم که مبتنی بر تحلیل رگرسیون بین SSC و Rrs بود. مشخصه اصلی رسوبات معلق غیرآلی تاثیر زیاد آن بر ضریب پراکندگی و به نوبه خود افزایش درخشندگی آب خروجی به دلیل ضریب شکست بیشتر آنها است [ 9 ، 31 ]. بنابراین، رویکرد رگرسیون انتخاب شد زیرا مقادیر SSC در نظر گرفته شده از کم تا متوسط ​​متغیر است. برای چنین محدوده ای، Rrs تقریباً به صورت خطی قبل از رسیدن به رژیم مجانبی (یا بازتاب “اشباع”) برای مقادیر بیشتر SSC، معمولاً > 70 میلی گرم در لیتر افزایش می یابد . 75 ]. رویکرد رگرسیون فاصله متعامد (ODR) [ 76 ] علاوه بر روش معمولی حداقل مربعات معمولی (OLS) برای توضیح بهتر عدم قطعیت‌های ذاتی هر مجموعه داده ( Rrs ، SSC) استفاده شد. مزیت اصلی ODR نسبت به OLS توانایی آن در در نظر گرفتن کامل عدم قطعیت متصل به Rrs و SSC است [ 77 ، 78 ].
Rrs درجا به عنوان تابعی از شکل و قدر طیفی آنالیز شد. ضرایب همبستگی پیرسون (r) برای توصیف رابطه بین SSC، DOC، و Rrs ، در طول موج‌های مختلف و به عنوان تابعی از دوره هیدرولوژیکی محاسبه شد. تغییرپذیری مکانی و زمانی SSC توسط Rrs ، همراه با DOC و سطح آب رودخانه سیاه مورد تجزیه و تحلیل قرار گرفت. این ماده فعال نوری در این مطالعه به دلیل غلظت کم کلروفیل-a از رودخانه سیاه (≈1 میکروگرم در لیتر ) در نظر گرفته نشد.
برآورد این عدم قطعیت ها به ترتیب به انحراف استاندارد محاسبه شده از چندین نمونه Rrs و SSC هر ایستگاه اختصاص داده شد، همانطور که در بخش قبل مشخص شد. برای هر مدل تجربی با استفاده از روش OLS، ریشه میانگین مربعات خطا (RMSE، معادله (2)) و میانگین درصد خطای مطلق (MAPE، معادله (3)) برای ارزیابی عملکرد در رابطه با ضریب تعیین (R) استفاده شد. 2 ).

که در آن x obs و x i به ترتیب مقادیر SSC درجا و تخمینی هستند. n تعداد نمونه ها است.

2.4. داده های ماهواره ای و پردازش

مجموعه داده تا حدی بدون ابر از تصاویر ماهواره‌های Sentinel-2A و Sentinel-2B که در طول سال 2017 به دست آمده‌اند، برای نقشه‌برداری پویایی مکانی و زمانی SSC در منطقه مرکزی مجمع‌الجزایر Anavilhanas (ایستگاه‌های RN4، RN5 و LAP در شکل 1 ) استفاده شد. داده‌های Sentinel-2 MSI برای تعیین کمیت عملکرد سیستم‌های انشعاب از راه دور که توسط بخش‌های باریک متعدد و حوض‌های کوچک تعریف شده‌اند که فقط از طریق داده‌های ماهواره‌ای با وضوح بالا قابل دسترسی هستند، تجزیه و تحلیل شدند. توجه داشته باشید که Sentinel-2 نیز به دلیل تعداد زیاد باندهای طیفی برای چنین تحلیل هایی مناسب است. تاریخ‌های دریافت تصاویر ماهواره‌ای Sentinel-2 مورد استفاده در این مطالعه را می‌توان در جدول مواد تکمیلی جدول S1 مشاهده کرد.. ارزیابی رابطه بین داده‌های کیفیت آب و داده‌های ماهواره Sentinel-2 به دلیل فاصله زمانی زیاد بین اندازه‌گیری‌های ماهواره و درجا (±10 روز) ممکن نبود.
Rrs ابرطیفی درجا برای شبیه‌سازی ویژگی‌های چند طیفی حسگر Sentinel-2 MSI استفاده شد، در حالی که پهنای باند خاص آنها را در نظر گرفت. بازتاب باندهای Sentinel-2 MSI بر اساس توابع پاسخ نسبی آنها شبیه سازی شد. شبیه‌سازی یک باند طیفی شامل اعمال توابع پاسخ نسبی حسگرهای چند طیفی بر روی داده‌های ابرطیفی درجا است [ 69 ]. جدول 1 پیکربندی طیفی باندهای ارزیابی شده را نشان می دهد و تابع پاسخ طیفی حسگر MSI در [ 79 ] موجود است.]. تصاویر Sentinel-2 MSI با Level-1C (L1C) از مرکز دسترسی آزاد کوپرنیک ( https://scihub.copernicus.eu ) (دسترسی در 24 ژانویه 2021) که توسط آژانس فضایی اروپا (ESA) ارائه شده بود، مشاهده شد.
تصاویر ماهواره‌ای Sentinel-2 به دلیل موقعیت جغرافیایی کم رودخانه نگرو، اغلب توسط سیگنال‌های نور خورشید (انعکاس ناخواسته نور خورشید روی سطح آب) آلوده می‌شدند. در نتیجه، اصلاحات برای نور خورشید علاوه بر خود جو برای به حداکثر رساندن تعداد تصاویر و پیکسل‌های قابل بهره‌برداری در آن تصاویر الزامی بود. برای چنین هدفی، الگوریتم GRS، مخفف Glint Removal of Sentinel-2-like images [ 81 ] برای پردازش کامل تصاویر L1C و ارائه مقادیر طیفی Rrs استفاده شد.
الگوریتم GRS به طور خاص برای کنترل و تصحیح نور مستقیم خورشید که توسط سطح آب منعکس شده و به طور بالقوه به سنسور (یعنی سیگنال نور خورشید) ماموریت های Sentinel-2 می رسد، که یک حسگر مشاهده نادر یا نزدیک به نادر با امواج مادون قرمز است، توسعه یافته است. باندهای (SWIR). پردازنده GRS از سه ماژول برای تصحیح (i) جذب گاز، (2) پخش نور از آسمان و انعکاس آن توسط رابط هوا و آب، و (iii) سیگنال آفتاب برای بازیابی سیگنال خروج آب در آب تشکیل شده است. سطح سطح
ابتدا، تصحیح جذب گازی (عمدتاً CO 2 ، H 2 O و O 3 ) با نرم افزار SMAC [ 82 ] انجام می شود. برای هر پیکسل، مولفه تابش پراکنده برای هندسه مشاهده داده شده (یعنی زاویه دید سنسور و خورشید و زاویه نسبی) و مقادیر پارامترهای آئروسل تجویز شده (یعنی ضخامت نوری آئروسل و وابستگی طیفی آن) از نگاه از پیش محاسبه‌شده بازسازی می‌شود. جداول (LUT). فشار اتمسفر، غلظت گاز و پارامترهای آئروسل از درون یابی دوخطی در شبکه مجموعه داده CAMS بازیابی می شوند [ 68 ، 83 ].
تصحیح نور خورشید بر اساس تخمین تابع توزیع بازتاب دو طرفه (BRDF) سطح آب ناهموار از باندهای SWIR (یعنی ~ 1610 و ~ 2200 نانومتر) انجام می شود. سیگنال آفتابی که در SWIR به دست می‌آید سپس به سمت NIR و نوارهای قابل مشاهده تعمیم داده می‌شود. تخمین تابش نور خورشید بر این واقعیت استوار است که بدن آب عملاً کاملاً جذب می شود. ضریب جذب آب در SWIR چندین مرتبه بزرگتر از ضریب جذب آب در NIR است. پس از تصحیح تابش پراکنده جو، تابش باقیمانده در SWIR به عنوان جزء سطح خالص سیگنال تفسیر می شود و سپس به BRDF ترجمه می شود. این BRDF در SWIR هنگام در نظر گرفتن تغییرات طیفی ضریب شکست آب و پیامدهای مهم آن بر روی تغییرات طیفی سیگنال آفتابی به باندهای دیگر تعمیم داده می شود. هارمل و همکاران را ببینید. [ 81 ] برای جزئیات. جزء خروجی آب در سطح سطح آب در نهایت پس از تقسیم بر گذر کل (یعنی انتشار + انتقال کل) که برای مدل آئروسل دووجهی از LUT محاسبه می شود، به دست می آید.

3. نتایج

3.1. ترکیب آب از داده های درجا

جدول 2 محدوده اندازه گیری های SSC و DOC را که در طی 9 سفر دریایی در هر ایستگاه نمونه در امتداد رودخانه های نگرو و برانکو به دست آمد، خلاصه می کند. رودخانه نگرو، در بالادست دهانه رودخانه برانکو (ایستگاه RN1)، میانگین SSC 4.45 میلی‌گرم در لیتر را نشان داد که به ترتیب از 2.32 تا 7.61 میلی‌گرم در لیتر بین دوره‌های پرآب و کم آب متغیر بود. میانگین SSC رودخانه برانکو در نزدیکی دهانه 14.70 میلی گرم در لیتر با تغییر 4.00 میلی گرم در لیتر ( دوره کم آب) تا 22.64 میلی گرم در لیتر در لیتر بود .(دوره پر آب). پس از تلاقی با رودخانه برانکو، رودخانه سیاه در ایستگاه RN2 افزایش SSC (متوسط ​​6.18 میلی گرم L -1 ) با مقادیر بالاتر در طول دوره پرآب را نشان داد. در مجمع‌الجزایر Anavilhanas (ایستگاه‌های RN4، RN5 و LAP)، میانگین SSC 3.41 میلی‌گرم در لیتر بود که کمترین غلظت‌ها در دوره پرآب مشاهده شد.
در ایستگاه RN1 ، میانگین غلظت DOC رودخانه نگرو 10.64 میلی گرم در لیتر بود که از 9.54 میلی گرم در لیتر در دوره کم آب تا 11.26 میلی گرم در لیتر در دوره پرآب متغیر بود. کمترین غلظت DOC در رودخانه برانکو در طول دوره کم آب (4.20 میلی گرم در لیتر ) ، با مقدار متوسط ​​6.98 میلی گرم در لیتر مشاهده شد. در نزدیکی مجمع‌الجزایر Anavilhanas، میانگین غلظت DOC 9.50 میلی‌گرم در لیتر بود و از 6.47 میلی‌گرم در لیتر در لیتر ( LAP ایستگاه) تا 12.74 میلی‌گرم در لیتر در لیتر متغیر بود.(ایستگاه RN3). کربن آلی محلول رودخانه سیاه تنوع فضایی و زمانی کوچکی را با ضریب تغییرات (CV) 19 درصد نشان می‌دهد، کمتر از رسوب معلق (CV = 73 درصد).
شکل 3 تغییرات ضرایب جذب نور (aCDOM) را برای هشت ایستگاه نمونه در رودخانه های نگرو و برانکو و یک دریاچه دشت سیلابی در مجمع الجزایر Anavilhanas نشان می دهد. aCDOM در 440 نانومتر در ایستگاه‌هایی که تحت تسلط رودخانه‌های آب سیاه (غنی از مواد آلی محلول) هستند ، بالاتر (> 7 m -1 ) و در ایستگاه BCO (رودخانه‌ای با آب شفاف ) کمتر (<2 m -1 ) بود. .

3.2. روابط بین R rs و کیفیت آب

شکل 4 داده های Rrs در محل رودخانه های نگرو و برانکو را در طول دوره پرآب و کم آب نشان می دهد. شکل و بزرگی Rrs تفاوت های واضحی بین هر دو رودخانه دارد ( شکل 4 a,b). علیرغم Rrs پایین در رودخانه سیاه، تفاوت های فضایی و فصلی را می توان در بالادست ( شکل 4 c,d)، در داخل ( شکل 4 e-g)، و پایین دست ( شکل 4h) مجمع الجزایر Anavilhanas مشاهده کرد.
بازتاب معمولی رودخانه نگرو را می توان در شکل 4 a مشاهده کرد، با Rrs <0.002 sr -1 در سراسر طیف درجا ایستگاه RN1 بدون تغییر زیاد بین دوره های آب زیاد و کم. در طول دوره پرآب، Rrs درجای رودخانه برانکو ( شکل 4 ب) مقادیر بالاتری را در نوار قرمز (≈0.020 sr – 1 بین 640 و 690 نانومتر) نشان داد، در حالی که، در دوره کم آب، R اوج rs در باند سبز بود (≈0.017 sr -1بین 560 تا 590 نانومتر). این الگو به وضوح نشان دهنده تغییرات فصلی SSC این رودخانه است ( جدول 2 ). Rrs درجا رودخانه برانکو ویژگی‌های جذب را در طول موج‌های 610 و 675 نانومتر با پیک جزئی Rrs در 810 نانومتر نشان داد. رودخانه نگرو در ایستگاه RN2 ( شکل 4 ج) Rrs را با شدت بالا در باند قرمز (بین 630 تا 700 نانومتر)، به عنوان یک نتیجه از سهم رسوبات معلق از رودخانه برانکو نشان داد. بنابراین، با SSC بالاتر، انعکاس تمایل به افزایش در جهت طول موج های طولانی تر، به ویژه در باندهای قرمز و NIR دارد، در نتیجه شکل طیفی R را تغییر می دهد. rs _
بالادست، داخل و پایین دست مجمع الجزایر Anavilhanas ( شکل 4 d-h)، Rrs افزایش سریع بین 500 تا 650 نانومتر را نشان می دهد، به دنبال آن اوج در 690 نانومتر، کاهش بین 700 و 730 نانومتر، و اوج دوم را نشان می دهد. در 800 نانومتر این قله‌ها در نوار قرمز شدت‌های متفاوتی دارند، با مقادیر بالاتر Rrs در بالادست Anavilhanas (ایستگاه RN3)، در کانال سمت چپ (ایستگاه RN5) و در دریاچه آپاکو (ایستگاه LAP)، ایستگاه‌های نمونه با بالاتر مشاهده می‌شوند. SSC از مشاهده شده در ایستگاه RN4 ( جدول 2 ).
R درجا مشاهده شده در رودخانه برانکو محیطی با SSC متوسط ​​را نشان می دهد، در حالی که Rrs رودخانه سیاه محیطی را نشان می دهد که جذب نور به دلیل مواد آلی محلول، با کاهش بازتاب در مرئی (بین 400 تا 760 نانومتر) تحت سلطه است. ) و افزایش جزئی در NIR (بین 760 تا 900 نانومتر). بنابراین، بین ایستگاه های BCO و RN6، کاهش تا 90 درصد در Rrs در طول موج 665 نانومتر مشاهده شد که مربوط به کاهش SSC در دستیابی بین دهانه ریو برانکو و بالادست از دهانه رودخانه است. ریو نگرو.
ما مشاهده کردیم که SSC به طور قابل توجهی با DOC همبستگی دارد (r = -0.68، p <0.05) ( شکل 5 ). بزرگی ضریب همبستگی در طول دوره سطح آب بالا (r = -0.83، p <0.05) بالا بود. SSC به طور قابل توجهی با DOC (r = -0.52، P > 0.05) در دوره کم آب همبستگی نداشت .

3.2.1. همبستگی باندهای شبیه سازی شده MSI چندطیفی با SSC و DOC

همبستگی ضرایب پیرسون (r) بین باندهای شبیه سازی شده SSC و Sentinel-2 MSI نشان دهنده یک رابطه مثبت در دوره های مختلف هیدرولوژیکی است ( شکل 6 b,c). در طول دوره آب بالا، همبستگی بالاتر بود، از 0.77 تا 0.98 ( p <0.05، شکل 6 ب). برای همه مجموعه داده ها (دوره های کم آب و پر آب)، r بین 0.67 (در 865 نانومتر) و 0.92 (در 665 نانومتر) قرار داشت ( شکل 6 a).
در مقابل، همبستگی بین باندهای شبیه سازی شده DOC و Sentinel-2 MSI نشان دهنده یک رابطه منفی است. در طول دوره آب بالا، ضرایب همبستگی از 0.75- تا 0.87- ( p <0.05، شکل 6 ب) و در دوره کم آب، همبستگی از 0.60- تا 0.64- متغیر بود ( p <0.05، شکل 6 c. ). برای همه مجموعه داده‌های DOC، همبستگی از 0.62- (در 560 نانومتر) تا -0.66 (در 705 نانومتر) متغیر بود ( شکل 6 ).
به طور کلی، نوارهای مرئی و لبه قرمز همبستگی بالایی با SSC نشان دادند در حالی که NIR (باند 8a) و نسبت NIR/قرمز (باند 8a/باند 4) همبستگی کمتری را نشان دادند. این ارزیابی نشان می‌دهد که باندهای قابل مشاهده عملکرد بهتری برای بازیابی داده‌های SSC Sentinel-2 MSI در رودخانه سیاه دارند.

3.2.2. برآوردهای SSC بر اساس باندهای شبیه سازی شده MSI Sentinel-2

چندین باند شبیه سازی شده VNIR Sentinel-2 MSI بر اساس همبستگی های مشاهده شده مورد آزمایش قرار گرفتند ( شکل 6 )، و شکل 7 نتایج SSC را به عنوان تابعی از Rrs در حوضه رودخانه سیاه پایین نشان می دهد. با استفاده از روش OLS، مدل‌هایی با بهترین تناسب با استفاده از باند شبیه‌سازی شده 3 ( Rrs در 560 نانومتر) و باند 4 ( Rrs در 665 نانومتر) Sentinel-2 MSI (R2 > 0.80، RMSE < 1.50 میلی‌گرم ) به دست آمد. L -1 و درصد خطا <17٪ ( جدول 3). نتایج خوبی نیز با باند 5 به دست آمد (R2 > 0.80، RMSE ≈ 1.50 mg L -1 و درصد خطا <17٪). کمترین عملکرد با استفاده از نسبت NIR و نوارهای قرمز (R2 < 0.15، RMSE > 5 mg L -1 و درصد خطا > 60٪) به دست آمد.
شکل 8 SSC مشاهده شده در مقابل SSC مشتق شده از باند 4 شبیه سازی شده MSI Sentinel-2 را نشان می دهد. مشاهده شد که SSC مشتق شده از باند شبیه سازی شده 4 نشان دهنده خوب بودن تناسب است (R2 = 0.86 برای روش های OLS و ODR) و برای SSC مقادیر کمتر از 6 میلی گرم در لیتر ، روش OLS مقادیر مشاهده شده را بیش از حد برآورد کرد. شکل 8 نشان می دهد که مزیت اصلی روش ODR ارائه تمایل کمتر (مقادیر شیب با بایاس کمتر) در مقایسه با مواردی است که با استفاده از روش OLS به دست آمده بودند (کاهش 36٪ از 1.41 به 0.90). بنابراین تاکید می شود که روش ODR (که عدم قطعیت های مرتبط را در نظر می گیرد) نسبت به روش OLS برای تخمین SSC مناسب تر است.

3.3. تغییرپذیری فضایی-زمانی SSC از تصاویر ماهواره ای

در داخل Anavilhanas، امکان تشخیص رابطه بین Rrs در باند قرمز (Sentinel-2 MSI band 4) و سطح آب رودخانه Negro وجود داشت ( شکل 9 a). Rrs در باند قرمز ایستگاه RN4 به تدریج کمتر از آنچه در ایستگاه RN5 مشاهده شد بود این تفاوت ممکن است مربوط به SSC بالاتر در ایستگاه RN5 باشد، منطقه ای که تحت تاثیر ورودی رسوبات معلق از رودخانه برانکو است که اندکی AOPs رودخانه سیاه را در طول دوره پر آب تغییر می دهد.
در ایستگاه RN5، حداکثر SSC در نزدیکی قله سیل رودخانه سیاه رخ می دهد، در حالی که، در ایستگاه RN4، تشخیص رفتار واضح در SSC و سطح آب ممکن نبود ( شکل 9 ب). به جز در داده‌هایی که در نوامبر 2017 جمع‌آوری شد ( شکل 9 ب را ببینید)، مقدار SSC در کانال سمت چپ (ایستگاه RN5) بیشتر از کانال سمت راست (ایستگاه RN4) بود. برعکس، DOC همیشه در ایستگاه RN4 در مقایسه با ایستگاه RN5 بالاتر بود.
رابطه به‌دست‌آمده با روش ODR با استفاده از باند 4 در بخش 3.2.2 برای تصاویر Sentinel-2 MSI در سال 2017 اعمال شد. این مجموعه داده ماهواره‌ای برای مقایسه سطوح مختلف آب در طول چرخه سالانه استفاده می‌شود. شکل 10توزیع تخمینی SSC را بر اساس تصاویر باند 4 Sentinel-2 MSI در طول دوره های افزایش، بالا، پایین و کم آب در سال 2017 ارائه می دهد. در این محدوده مجمع الجزایر Anavilhanas، رودخانه سیاه دارای دو کانال اصلی و چندین دریاچه با اشکال مختلف است. و اندازه ها تصاویر باند 4 MSI Sentinel-2 به خوبی تغییرپذیری فضایی-زمانی SSC را ثبت کردند. جزئیات زیاد، غلبه رسوبات معلق در دریاچه های دشت سیلابی و کانال های نزدیک به ساحل چپ مجمع الجزایر Anavilhanas به دلیل نفوذ رسوبات معلق رودخانه برانکو بسیار قابل توجه است.
شکل 11 a نمای کلی از SSC را بر روی مجمع الجزایر Anavilhanas در دوره های پرآب و کم آب ریو نگرو در سال 2017 نشان می دهد، که غلبه مقادیر بالاتر نزدیک به ساحل چپ مجمع الجزایر را برجسته می کند. شکل 11b نمایه متقاطع SSC را بین کرانه های چپ و راست رودخانه سیاه نشان می دهد. تفاوت بین تخمین های ماهواره ای SSC در کرانه های چپ و راست بیش از 50 درصد در دوره پرآب و کم آب بود.

4. بحث

4.1. انتقال رسوب معلق در یک رودخانه انشعاب

رودخانه سیاه پایین یک سیستم چند کاناله قدیمی و پیچیده است که به دلیل وجود مجمع الجزایر Anavilhanas [ 84 ]، با غلظت رسوب معلق بسیار کم و تحت تأثیر شدید اثرات پسابی رودخانه آمازون [ 85 ] است. این رفتار رسوبی آبی امکان ذخیره آب و رسوبات را در این مجمع الجزایر فراهم می کند که اساساً از رودخانه برانکو تامین می شود [ 49 ]. در نتایج ارائه شده ( جدول 2رودخانه نگرو در پایین دست از دهانه رودخانه برانکو (ایستگاه RN2) در مقایسه با ایستگاه نمونه بالادست (RN1) 39 درصد افزایش SSC را نشان داد. از سوی دیگر، میانگین اختلاف SSC بین ایستگاه‌های نمونه RN2 و RN6 (فاصله 250 کیلومتری) کاهش 75 درصدی را نشان می‌دهد که نشان‌دهنده احتباس رسوب معلق در مجمع‌الجزایر Anavilhanas است. علیرغم حجم بالای آب، این فرآیند ته نشینی مربوط به سرعت بسیار کم رودخانه نگرو (≈0.50 ms -1 )، اثر آب پس‌آب از رودخانه آمازون، و فرآیند فرسایش کم در مجمع‌الجزایر Anavilhanas [ 49 ، 52 ] است. ].
در کانال‌های رودخانه نگرو بدون تأثیر رسوب معلق از رودخانه برانکو (ایستگاه‌های نمونه RN1، RN4 و RN6 در شکل 10 )، مقادیر پایین SSC ثبت‌شده در طول دوره پر آب می‌تواند مربوط به فرآیند رقت‌سازی باشد که ناشی از آن است. حجم بیشتر آب موجود دینامیک آب رسوبی رودخانه نگرو مشابه فرآیند مشاهده شده در محل تلاقی رودخانه های نگرو و آمازون [ 38 ] و در دشت سیلابی آمازون است [ 86 ، 87 ].
در رودخانه آمازون و شاخه های اصلی آن، با افزایش غلظت رسوبات معلق، غلظت کربن آلی محلول کاهش می یابد، همانطور که توسط Moreira-Turcq و همکاران برجسته شده است. [ 25 ]. در رودخانه سیاه پایین، مشاهده کردیم که SSC به طور معکوس با DOC همبستگی دارد، در درجه اول در دوره پر آب ( شکل 5 ). آب رودخانه نگرو تحت سلطه مواد آلی محلول [ 23 ، 25 ] است که به دلیل مواد آلی محلول رنگی (CDOM) باعث جذب نور شدید می شود. رودخانه سیاه ارزش بالاتری از aCDOM را در مقایسه با رودخانه‌های آمازون و دریاچه‌های دشت‌های سیلابی آن نشان می‌دهد [ 46 ]، 88 ] یا مخازن در منطقه نیمه خشک برزیل [ 89 ]، در حالی که قدر دریاچه های استونی تحت سلطه CDOM [ 90 ] را نشان می دهد، همانطور که در شکل 3 مشاهده شده است.
حتی در محیط‌هایی با جذب قوی ناشی از CDOM، نتایجی که در اینجا ارائه شده است ( شکل 7 ) نشان می‌دهد که مدل‌هایی با یک باند طیفی منفرد برای آبی با غلظت رسوب معلق کم مناسب‌تر هستند. مطالعات قبلی همچنین نتایج خوبی را برای تخمین SSC آبهای داخلی با استفاده از نوارهای منفرد گزارش کردند [ 33 ، 34 ، 36 ، 41 ، 42 ]. همانطور که انتظار می رود، Rrs بالاتر در رودخانه های سیاه و برانکو به افزایش پراکندگی نور توسط ذرات معدنی مربوط می شود [ 9 ، 18 ].
در ناحیه مرکزی Anavilhanas (به ایستگاه های RN4 و RN5 در شکل 1 مراجعه کنید )، تخلیه آب از طریق دو کانال بزرگ نزدیک به سمت راست و چپ مجمع الجزایر جریان می یابد. با این حال، SSC بیشتری در کانال در ساحل چپ رودخانه سیاه از در محل (ایستگاه نمونه RN5 در جدول 2 ) و داده های Sentinel-2 ( شکل 11 a) مشاهده شد. به عنوان مثال، در دوره پر آب، تفاوت در تخلیه رسوب معلق بین ایستگاه های RN4 و RN5 می تواند بیش از ده برابر باشد [ 49 ]. در داخل مجمع الجزایر Anavilhanas، بالاترین دامنه SSC در دریاچه آپاکو مشاهده شد (ایستگاه LAP در جدول 2) با حداقل و حداکثر مقادیر به ترتیب در دوره پرآبی و کم آبی بدست می آید. در طول دوره کم آب، بخشی از آبی که در طول دوره پرآب در دریاچه‌های Anavilhanas ذخیره شده بود به کانال‌های رودخانه سیاه سرازیر می‌شود و این پویایی ممکن است بر روند افزایش غلظت SSC در برخی کانال‌ها و دریاچه‌های Anavilhanas تأثیر بگذارد. مجمع الجزایر، همانطور که در شکل 10 و شکل 11 مشاهده شده است.
با وجود مقادیر بالای aCDOM، داده‌های Sentinel-2 MSI می‌توانند ناهمگونی فضایی SSC برآورد شده با داده‌های Rrs درجا را تأیید کنند. در طول دوره های پر و کم آب، مسیر ترجیحی رسوبات معلق در داخل Anavilhanas را می توان با جزئیات زیاد مشاهده کرد ( شکل 11 a). تصاویر Sentinel-2 MSI که در سال 2017 به دست آمد این امکان را برای ما فراهم می کند که ببینیم، حتی در 90 کیلومتری دهانه آن، رسوب معلق رودخانه برانکو بر Rrs در رودخانه سیاه در مجمع الجزایر Anavilhanas تأثیر می گذارد، دینامیکی که تفاوت هایی را ایجاد می کند . در ترکیب جانوران و گیاهان محلی [ 56 , 91 , 92 ]. نیمرخ متقاطع SSC که توسط داده های Sentinel-2 بازیابی شده است ( شکل 11 ب را ببینید) جزئیات این گرادیان بیوژئوشیمیایی را نشان می دهد، که تمایل کاهش غلظت رسوب معلق را بین کرانه چپ (ایستگاه RN5)، دریاچه ها (ایستگاه LAP) و ساحل راست نشان می دهد. ایستگاه RN4) مجمع الجزایر Anavilhanas.

4.2. استفاده از سنجش از دور ماهواره ای غیرفعال برای پایش SSC در رودخانه سیاه

حسگرهای چند طیفی، مانند Sentinel-2 MSI، برای سنجش از راه دور آب ساخته نشده اند. با این وجود، نتایج در اینجا نشان می دهد که این پیکربندی های طیفی برای نظارت بر SSC در رودخانه های سیاه آب با الگوی کانال پیچیده، مانند رودخانه سیاه، مناسب هستند. در این مطالعه، بیشترین درصد خطا با مدلی که از نسبت نوارهای NIR و NIR/Red استفاده می‌کند، به دست آمد که ممکن است نتیجه پاسخ NIR کم بر روی رودخانه سیاه باشد ( جدول 3 ). علیرغم عملکرد خوب نوار سبز (در 560 نانومتر)، این باند در حسگرهای مداری می تواند به شدت تحت تأثیر اجزای اتمسفر در طول موج های کوتاه تر و نور خورشید قرار گیرد [ 48 ، 93 ].
ما نشان دادیم که در نظر گرفتن کامل عدم قطعیت‌های متصل به مجموعه داده درجا، پارامترسازی باندهای ماهواره‌ای را از نظر غلظت رسوب معلق تغییر می‌دهد. مقایسه بین روش های OLS (بدون در نظر گرفتن عدم قطعیت) و ODR نشان داد که تخمین SSC با باند 4 شبیه سازی شده MSI Sentinel-2 کمتر با دومی دست کم گرفته می شود ( شکل 8 را ببینید ). توصیه می‌شود که تلاش‌ها برای توصیف کامل سوگیری و عدم قطعیت‌های متصل به داده‌های درجا و به‌ویژه برای اندازه‌گیری‌های رادیومتری دنبال شود [ 64 ، 65 ، 66 ]. تنظیم خوبی که بین SSC و R rs به ​​دست می آیددر نوار قرمز (در 665 نانومتر) تحت تأثیر وجود رسوب معلق از رودخانه برانکو است.
رودخانه سیاه پایین یک سیستم انشعاب پیچیده با عرض کانال از 230 متر تا 2800 متر است. علیرغم این پیکربندی محیطی، تصاویر Sentinel-2 MSI به طور کامل تنوع زمانی و مکانی SSC را در کانال‌ها و دریاچه‌های Anavilhanas به تصویر می‌کشد و به طور جزئی، غالب رسوبات معلق در دریاچه‌ها و کانال‌های نزدیک کانال سمت چپ آناویل‌هاناس را برجسته می‌کند. .
اگرچه ترکیب سنسورهای مداری وضوح زمانی بالاتر [ 17 ] را امکان پذیر می کند، احتمال تصویربرداری بدون ابر در منطقه مورد مطالعه در طول یک سال هیدرولوژیکی پایین است [ 94 ]. با این حال، حسگرهای چند طیفی روی وسایل نقلیه هوایی بدون سرنشین می‌توانند تا حدی بر این محدودیت‌ها غلبه کنند، زیرا آنها در ارتفاع پایین و با انعطاف‌پذیری بیشتر در زمان بازبینی و هندسه ثبت تصویر عمل می‌کنند. برعکس، استفاده از حسگرهای آبرنگ متداول با وضوح زمانی بالاتر، مانند MODIS، OLCI، و NPP/VIIRS، به ما اجازه می‌دهد تا با استفاده از یک سری زمانی از SSC در مسیرهای رودخانه نگرو با عرض کانال بیش از 2000 متر بازیابی کنیم. رویکرد مشابهی که برای دیگر رودخانه های بزرگ حوضه آمازون اعمال می شود [ 43 ، 44 ، 45 ، 46 ]. با این حال، سنسورهای ماهواره‌ای با وضوح فضایی بالاتر معمولاً ظرفیت بیشتری برای تشخیص مقادیر SSC بالاتر دارند [ 95 ].
حوضه رودخانه Negro کمترین پوشش را در شبکه اندازه گیری رسوب دارد که توسط آژانس ملی آب برزیل مدیریت می شود. بدون ایستگاه های رسوب سنجی در اطراف مجمع الجزایر Anavilhanas، ارزیابی تغییرات زمانی SSC و روابط بین رویدادهای آب و هوایی شدید (ال نینو/لا نینا) یا تغییرات زمانی که به دلیل سد Bem Querer [ 96 ] در رودخانه برانکو و متعاقباً میزان رسوبی که به مجمع الجزایر Anavilhanas می رسد را کاهش می دهد. مجموعه داده غلظت رسوب معلق جمع آوری شده در این مطالعه قبل و بعد از رسیدن آنها به مجمع الجزایر نشان می دهد که مجمع الجزایر Anavilhanas رسوبات معلق را حفظ می کند و به عنوان غرق ذرات ریز در رودخانه سیاه پایین عمل می کند. جدول 2 ). بنابراین، استفاده از داده‌های ماهواره‌ای غیرفعال می‌تواند ابزار مهمی برای نظارت بر انتقال رسوب معلق در مناطق با اهمیت اکولوژیکی و اجتماعی-اقتصادی، مانند مجمع‌الجزایر Anavilhanas باشد.

5. نتیجه گیری ها

این اولین مطالعه ای است که از داده های کالیبره شده Sentinel-2 MSI برای ارزیابی غلظت رسوب معلق (SSC) در یک رودخانه بزرگ آب سیاه آمازون استفاده کرده است. آب‌های حوضه رودخانه نگرو بودجه جذبی را نشان می‌دهند که توسط مواد آلی محلول رنگی غالب است. ما نشان دادیم که رودخانه‌های به اصطلاح سیاه‌آب، مانند رودخانه سیاه، غلظت رسوب معلق بسیار پایین (≈5 میلی‌گرم در لیتر ) و جذب مواد آلی محلول رنگی بالا (aCDOM> 7 متر -1 در 440 نانومتر را نشان می‌دهند . ). ما نشان می‌دهیم که بازتاب سنجش از دور در ۶۶۵ نانومتر (باند قرمز) می‌تواند به منظور نظارت بر غلظت رسوب معلق در رودخانه نگرو با دقت بالا مورد استفاده قرار گیرد ( R2> 0.86 و خطای کمتر از 30 درصد در مدل های تنظیم شده). بنابراین، حسگرهای غیرفعال که در ماهواره‌هایی که در محدوده 650 تا 690 نانومتر کار می‌کنند، می‌توانند برای نظارت از راه دور غلظت رسوب معلق در این رودخانه بزرگ مورد استفاده قرار گیرند. روش رگرسیون فاصله متعامد نشان داد که تخمین SSC با استفاده از باندهای شبیه‌سازی شده Sentinel-2 MSI در مقایسه با مقادیر به‌دست‌آمده با استفاده از رگرسیون حداقل مربعات معمولی، مقادیر شیب کم‌تری را نشان می‌دهد.
مطالعه ما همچنین نشان داد که رسوبات معلق از رودخانه برانکو باعث تغییراتی در خواص نوری ظاهری در مسیر پایین رودخانه نگرو می شود. در واقع، الگوی بازتاب سنجش از دور که با تصاویر Sentinel-2 MSI در کانال‌ها و دریاچه‌های مجمع‌الجزایر Anavilhanas شناسایی شد، نه تنها مشابه داده‌های درجا بود، بلکه غلظت رسوب معلق بالاتری را در کانال‌ها و دریاچه‌ها نشان داد. تحت تأثیر رودخانه برانکو، که رودخانه آب شفاف اولیه در حوضه رودخانه سیاه است. انتقال رسوب معلق مشخص شده در این مطالعه، فرآیندهای ته نشینی را در یک دامنه انشعاب از رودخانه سیاه در بالادست رودخانه آمازون نشان می دهد.
بنابراین، مجموعه داده بازتابی در محل از این مطالعه به دانش خواص نوری ظاهری در رودخانه‌های آمازون کمک کرد. با این حال، تحقیقات بیشتری باید برای ارزیابی بهتر خواص نوری ذاتی که مبتنی بر رویکردهای چند طیفی و ابرطیفی برای بهره‌برداری از محتوای اطلاعات کامل طیف‌های اندازه‌گیری شده است، انجام شود. این امر به ویژه برای نظارت بر حوضه رودخانه نگرو، از جمله تأثیرات رویدادهای آب و هوایی شدید و تغییرات بالقوه در حمل و نقل رسوب به دلیل جنگل زدایی، استخراج معادن، یا ساخت سد برق آبی در این حوضه مهم خواهد بود.

مواد تکمیلی

موارد زیر به صورت آنلاین در https://www.mdpi.com/2220-9964/10/2/86/s1 ، شکل S1 موجود است: مدل های تجربی بین SSC و Rrs برای باندهای شبیه سازی شده MSI نسبت B8a/B4 Sentinel-2، شکل S2: مقایسه SSC مشاهده و تخمین زده شده با استفاده از باندهای شبیه سازی شده درجا Rrs Sentinel-2 MSI با روش OLS (نقاط سیاه) و ODR (نقاط سفید)، شکل S3: تغییرپذیری Rrs برای باندهای Sentinel-2 MSI (نقطه) و آب سطح (خط چین) رودخانه نگرو در سال 2017 (ایستگاه‌های نمونه RN4 و RN5)، جدول S1: تاریخ‌های سفر صحرایی و تاریخ‌های دریافت اطلاعات ماهواره Sentinel-2.

مشارکت های نویسنده

مفهوم سازی، روجریو ریبیرو مارینیو، تریستان هارمل، ژان میشل مارتینز و نازیانو پانتوجا فیلیزولا جونیور. روش شناسی، روجریو ریبیرو مارینیو، ژان میشل مارتینز، نازیانو پانتوجا فیلیزولا جونیور و تریستان هارمل. اعتبارسنجی، روجریو ریبیرو مارینیو و تریستان هارمل. تحلیل رسمی، روجریو ریبیرو مارینیو، تریستان هارمل و ژان میشل مارتینز. تحقیقات روجریو ریبیرو مارینیو، ژان میشل مارتینز و نازیانو پانتوجا فیلیزولا جونیور. منابع، ژان میشل مارتینز و نازیانو پانتوجا فیلیزولا جونیور. سرپرستی داده، روجریو ریبیرو مارینیو، تریستان هارمل و ژان میشل مارتینز. نوشتن – آماده سازی پیش نویس اصلی، روجریو ریبیرو مارینیو و تریستان هارمل. نوشتن-بررسی و ویرایش، ژان میشل مارتینز، نازیانو پانتوجا فیلیزولا جونیور و تریستان هارمل. نظارت، ژان میشل مارتینز و نازیانو پانتوجا فیلیزولا جونیور; تامین مالی، ژان میشل مارتینز و نازیانو پانتوجا فیلیزولا جونیور. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط Universidade Federal do Amazonas [0621/2017] تامین مالی شد. Institut de Recherche pour le Développement [شماره کمک مالی 262185]; Fundação de Amparo a Pesquisa do Estado do Amazonas [ویرایش شماره 005/2019—PAPAC]؛ Coordenação de Aperfeiçoamento de Pessoal de Nível Superior—Brasil (CAPES) [ 1 ] و The Program National de Télédétection Spatiale (PNTS، https://www.insu.cnrs.fr/pnts (دسترسی در 24 ژانویه 2021) PNTS-2019-13]. این مطالعه تا حدی توسط CNES از طریق برنامه TOSCA (پروژه OBS2CO) تامین شد.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

داده های ارائه شده در این مطالعه به درخواست نویسنده مسئول در دسترس است.

قدردانی

نویسندگان از تیم مدیریت پارک ملی Anavilhanas در Novo Airão (ICMBio) برای ارائه پشتیبانی لجستیکی، Dra، تشکر می‌کنند. ترزا کریستینا دی اولیویرا و Msc. واگنر موریرا برای ارائه داده‌های DOC مورد استفاده در این مطالعه، و Géosciences Environnement Toulouse برای دوره کارآموزی دریافت شده توسط نویسنده اول. نویسنده اول همچنین مایل است از ایرما آیس ریورا، ادیپو کرمون و ایگور ریبیرو برای نظرات مفیدشان تشکر کند. توسعه GRS از طریق برنامه TOSCA آژانس ملی فضایی فرانسه (CNES) تأمین مالی شد و پردازش داده های ماهواره ای در مرکز ECLA، INRAE-RECOVER، Aix-en-Provence، فرانسه به لطف Nathalie Reynaud و Thierry Tormos انجام شد. پردازش GRS تا حدی بر اساس داده های تولید شده با استفاده از اطلاعات سرویس نظارت بر جو کوپرنیک (2017) بود. نه کمیسیون اروپا و نه ECMWF در قبال هرگونه استفاده ای که ممکن است از اطلاعات موجود در آن انجام شود، مسئولیتی ندارند. علاوه بر این، نویسندگان از داوران ناشناس که پیشنهادهای ارزشمندی برای بهبود نسخه ارائه کردند، تشکر می‌کنند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند. تامین کنندگان مالی هیچ نقشی در طراحی مطالعه نداشتند. در جمع آوری، تجزیه و تحلیل یا تفسیر داده ها؛ در نوشتن دست‌نوشته یا تصمیم به انتشار نتایج.

منابع

  1. گوپتا، A. رودخانه های بزرگ ; گوپتا، ا.، اد. John Wiley & Sons, Ltd.: Chichester, UK, 2007; ISBN 9780470723722. [ Google Scholar ]
  2. Latrubesse، E. استیو، جی. سینها، R. رودخانه های گرمسیری. ژئومورفولوژی 2005 ، 70 ، 187-206. [ Google Scholar ] [ CrossRef ]
  3. آلن، PA از مناظر به تاریخ زمین شناسی. طبیعت 2008 ، 451 ، 274-276. [ Google Scholar ] [ CrossRef ]
  4. بیکر، MM; گاورز، جی. ون دورن، ا. کویتیر، اف. چوورداس، د. Rounsevell، M. پاسخ فرسایش خاک و صادرات رسوب به تغییر کاربری زمین در چهار منطقه اروپا: اهمیت الگوی منظر. ژئومورفولوژی 2008 ، 98 ، 213-226. [ Google Scholar ] [ CrossRef ]
  5. Hinderer، M. از خندق ها تا کمربندهای کوهستانی: مروری بر بودجه های رسوب در مقیاس های مختلف. رسوب. جئول 2012 ، 280 ، 21-59. [ Google Scholar ] [ CrossRef ]
  6. کوهن، سی. د ماتوس والریو، آ. وارد، ن. لوکن، ال. ساواکوچی، هو. کمپل، م. ریچی، جی. استدلر، پی. کرافورد، جی. استریگل، آر. و همکاران عملکرد محصولات بازتابی سطح Landsat-8 و Sentinel-2 برای بازیابی کلروفیل-a و کدورت از راه دور رودخانه. سنسور از راه دور محیط. 2019 ، 224 ، 104-118. [ Google Scholar ] [ CrossRef ]
  7. Mouw، CB; گرب، اس. Aurin، DA; دیجیاکومو، PM; لی، ز. تواردوفسکی، ام اس; صحافی، سی. هو، سی. ما، ر. مور، تی اس; و همکاران سنجش از دور رادیومتری رنگی آبی در آب های ساحلی و داخلی: چالش ها و توصیه هایی برای ماموریت های ماهواره ای آینده سنسور از راه دور محیط. 2015 ، 160 ، 15-30. [ Google Scholar ] [ CrossRef ]
  8. پالمر، SC; کوتسر، تی. هانتر، PD سنجش از دور آب‌های داخلی: چالش‌ها، پیشرفت و مسیرهای آینده سنسور از راه دور محیط. 2015 ، 157 ، 1-8. [ Google Scholar ] [ CrossRef ]
  9. بوکاتا، پایش ماهواره ای RP کیفیت آب داخلی و ساحلی: نگاه به گذشته، درون نگری، جهت آینده . Taylor & Francis Group: Boca Raton, FL, USA, 2005. [ Google Scholar ]
  10. قلی زاده، محمدحسن; Melesse, AM; ردی، L. بررسی جامع بر برآورد پارامترهای کیفیت آب با استفاده از تکنیک‌های سنجش از دور. Sensors 2016 , 16 , 1298. [ Google Scholar ] [ CrossRef ]
  11. دوهرتی، ام. ماموریت های اقلیمی در آینده. در تغییرات آب و هوا و ماهواره ها: دانش برای اقدام . Cracknell, G., Calvaud, R., Roca, R., Eds. مفاهیم Sud[s]: پاریس، فرانسه، 2015. [ Google Scholar ]
  12. Agência Nacional de Águas (ANA). HidroSat—Monitoramento Hidrológico por Satélite. در دسترس آنلاین: https://hidrosat.ana.gov.br/ (در 29 دسامبر 2018 قابل دسترسی است).
  13. SO-HYBAM. سرویس مشاهده SO HYBAM. در دسترس آنلاین: https://www.ore-hybam.org (در 29 دسامبر 2018 قابل دسترسی است).
  14. یونسکو پورتال جهانی کیفیت آب یونسکو-IHP IIWQ. در دسترس آنلاین: www.worldwaterquality.org (در 17 آوریل 2020 قابل دسترسی است).
  15. کرتو، J.-F. اقیانوس و آبهای داخلی. در تغییرات آب و هوا و ماهواره ها: دانش برای عمل . Cracknell, G., Calvaud, R., Roca, R., Eds. مفاهیم Sud[s]: پاریس، فرانسه، 2015. [ Google Scholar ]
  16. د لوسیا لوبو، اف. de Moraes Novo، EML; باربوسا، CCF؛ Galvão، LS طیف های مرجع برای طبقه بندی انواع آب آمازون. بین المللی J. Remote Sens. 2012 , 33 , 3422-3442. [ Google Scholar ] [ CrossRef ]
  17. ماسیل، دی. نوو، ای. د کاروالیو، LS; باربوسا، سی. جونیور، RF; د لوسیا لوبو، F. بازیابی رسوبات معلق کل و معدنی در دریاچه های دشت سیلابی آمازون: یک رویکرد چند حسگر. Remote Sens. 2019 ، 11 ، 1744. [ Google Scholar ] [ CrossRef ]
  18. مارتینز، جی.-ام. اسپینوزا-ویلار، آر. آرمیجوس، ای. سیلوا موریرا، L. خواص نوری آبهای رودخانه و دشت سیلابی در حوضه رودخانه آمازون: پیامدهایی برای اندازه گیری های ماهواره ای ذرات معلق. جی. ژئوفیس. Res. گشت و گذار در زمین. 2015 ، 120 ، 1274-1287. [ Google Scholar ] [ CrossRef ]
  19. Montanher، OC; Novo، EMLM؛ باربوسا، سی سی; رنو، سی دی; مدل‌های تجربی سیلوا، TS برای تخمین غلظت رسوب معلق در رودخانه‌های آب سفید آمازون با استفاده از Landsat 5/TM. بین المللی J. Appl. Obs زمین. Geoinf. 2014 ، 29 ، 67-77. [ Google Scholar ] [ CrossRef ]
  20. پینت، اس. مارتینز، جی.-ام. اویلون، اس. لارتیگز، بی. تنوع خواص نوری ظاهری و ذاتی آب‌های مملو از رسوب در حوضه‌های رودخانه‌ای بزرگ – درس‌هایی از اندازه‌گیری‌های درجا و مدل‌سازی بیواپتیکی ویلار، RE. انتخاب کنید Express 2017 , 25 , A283. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  21. Gibbs, RJ ژئوشیمی سیستم رودخانه آمازون: قسمت اول. عواملی که شوری و ترکیب و غلظت مواد جامد معلق را کنترل می کنند. GSA Bull. 1967 ، 78 ، 1203-1232. [ Google Scholar ] [ CrossRef ]
  22. Leenheer، JA منشاء و ماهیت مواد هیومیک در آبهای حوضه رودخانه آمازون. اکتا آماز. 1980 ، 10 ، 513-526. [ Google Scholar ] [ CrossRef ]
  23. ریچی، جی. پرچین، JI; دیول، ق. اسکله، PD; ویکتوریا، آر. مارتینلی، ال. فورسبرگ، BR بیوژئوشیمی کربن در رودخانه آمازون. لیمنول اقیانوسگر. 1990 ، 35 ، 352-371. [ Google Scholar ] [ CrossRef ]
  24. Filizola، NP Transfert Sédimentaire Actuel par les Fleuves Amazoniens. Ph.D. پایان نامه، دانشگاه پل ساباتیر، تولوز، فرانسه، 2003. [ Google Scholar ]
  25. موریرا-تورک، پ. سیلر، پی. Guyot، JL; Etcheber, H. صادرات کربن آلی از رودخانه آمازون و شاخه های اصلی آن. هیدرول. روند. 2003 ، 17 ، 1329-1344. [ Google Scholar ] [ CrossRef ]
  26. ابریل، جی. مارتینز، جی.-ام. آرتیگاس، LF; موریرا-تورک، پ. Benedetti، MF; ویدال، ال. مزیان، تی. کیم، جی.-اچ. برناردز، ام سی; ساووی، ن. و همکاران خروج گاز دی اکسید کربن رودخانه آمازون توسط تالاب ها تامین می شود. طبیعت 2013 ، 505 ، 395-398. [ Google Scholar ] [ CrossRef ]
  27. فیلیزولا، ن. Guyot, J.-L.; ویتمن، اچ. مارتینز، جی.-ام. Oliveira, E. اهمیت تعیین انتقال رسوب معلق در سناریوی هیدرولوژیکی آمازون. در انتقال رسوب در محیط های آبی ; InTech: Rijeka، کرواسی، 2011; صص 45-64. [ Google Scholar ]
  28. Latrubesse، EM; آریما، ای. دان، تی. پارک، ای. بیکر، VR؛ D’Horta، FM; وایت، سی. ویتمن، اف. زوانون، ج. بیکر، PA; و همکاران سد کردن رودخانه های حوزه آمازون طبیعت 2017 ، 546 ، 363-369. [ Google Scholar ] [ CrossRef ]
  29. لوبو، فلوریدا؛ کاستا، MPF؛ Novo، تجزیه و تحلیل سری زمانی EMLM تصاویر Landsat-MSS/TM/OLI بر روی آب های آمازون تحت تاثیر فعالیت های استخراج طلا. سنسور از راه دور محیط. 2015 ، 157 ، 170-184. [ Google Scholar ] [ CrossRef ]
  30. Winemiller، KO; مک اینتایر، PB; کاستلو، ال. Fluet-Chouinard، E. جیاریزو، تی. نام، اس. بیرد، IG; داروال، WRT؛ لوجان، NK; هریسون، آی. و همکاران متعادل کردن انرژی آبی و تنوع زیستی در آمازون، کنگو و مکونگ. علوم 2016 ، 351 ، 128-129. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. دوکساران، د. Froidefond، J.-M. اسطوخودوس، اس. Castaing, P. امضای طیفی آبهای بسیار کدر. سنسور از راه دور محیط. 2002 ، 81 ، 149-161. [ Google Scholar ] [ CrossRef ]
  32. مرتس، لس آنجلس; دانیل، دی.ال. Melack، JM; نلسون، بی. مارتینلی، لس آنجلس؛ فورسبرگ، BR الگوهای فضایی هیدرولوژی، ژئومورفولوژی و پوشش گیاهی در دشت سیلابی رودخانه آمازون در برزیل از دیدگاه سنجش از دور. ژئومورفولوژی 1995 ، 13 ، 215-232. [ Google Scholar ] [ CrossRef ]
  33. نچاد، بی. رادیک، KG; Park، Y. کالیبراسیون و اعتبار یک الگوریتم چندحسگر عمومی برای نقشه برداری کل مواد معلق در آب های کدر. سنسور از راه دور محیط. 2010 ، 114 ، 854-866. [ Google Scholar ] [ CrossRef ]
  34. نوو، ای. هانسوم، جی. Curran, P. اثر مشاهده هندسه و طول موج بر رابطه بین بازتاب و غلظت رسوب معلق. بین المللی J. Remote Sens. 1989 ، 10 ، 1357-1372. [ Google Scholar ] [ CrossRef ]
  35. برناردو، ن. آلکانتارا، ای. واتانابه، اف. رودریگز، تی. ایمای، ن. کورتارلی، ام. تنظیم مدل بیواپتیکی Barbosa، C. برای بازیابی غلظت کل مواد معلق در مخزن Barra Bonita. سوتین کشیش. کارتوگر. 2015 ، 67 ، 1497-1507. [ Google Scholar ]
  36. چلوتی، GB; مارتینز، جی.ام. Roig، HL; Olivietti، D. تجزیه و تحلیل فضایی-زمانی رسوبات معلق در مخزن کم غلظت با سنجش از دور. براز ج. منبع آب. 2019 ، 24 ، 1-15. [ Google Scholar ] [ CrossRef ]
  37. گالی، ام. مارتینز، جی. آلو، اس. مورا، ا. کوچونو، جی. گاردل، ا. دودو، ج. سرازین، م. چاو تون، اف. لاراک، الف. تأثیر تخریب زمین ناشی از فعالیت‌های معدنی بر جریان‌های رسوب در دو رودخانه بزرگ گویان فرانسه. تخریب زمین توسعه دهنده 2018 ، 29 ، 4323-4336. [ Google Scholar ] [ CrossRef ]
  38. مارینیو، تی. فیلیزولا، ن. مارتینز، جی.-ام. آرمیجوس، ای. Nascimento, A. تغییرپذیری رسوب معلق در محل تلاقی Solimões و Negro بین مه 2013 و فوریه 2014. Geosciences 2018 , 8 , 265. [ Google Scholar ] [ CrossRef ]
  39. یپز، س. لاراک، آ. مارتینز، جی.-ام. دی سا، جی. کاررا، جی.ام. کاستلانوس، بی. گالی، ام. لوپز، JL بازیابی غلظت رسوب معلق با استفاده از تصاویر ماهواره ای Landsat-8 OLI در رودخانه اورینوکو (ونزوئلا). Comptes Rendus Geosci. 2018 ، 350 ، 20-30. [ Google Scholar ] [ CrossRef ]
  40. Knaeps، E. رادیک، ک. دوکساران، د. Dogliotti، A. نچاد، بی. ریمیکرز، دی. Sterckx، S. یک الگوریتم مبتنی بر SWIR برای بازیابی کل مواد معلق در آب های بسیار کدر. سنسور از راه دور محیط. 2015 ، 168 ، 66-79. [ Google Scholar ] [ CrossRef ]
  41. کوران، پی جی. Hansom، JD; پلامر، SE; Pedley، MI سنجش از دور چندطیفی رسوبات معلق نزدیک ساحل: یک مطالعه آزمایشی. بین المللی J. Remote Sens. 1987 ، 8 ، 103-112. [ Google Scholar ] [ CrossRef ]
  42. نووا، اس. دوکساران، د. اودی، ا. وانهلمونت، کیو. لافون، وی. لوباک، بی. Gernez، P. اصلاحات جوی و الگوریتم چند شرطی برای سنجش از راه دور چند سنسوری ذرات معلق در سطح کدورت کم تا زیاد آب های ساحلی. Remote Sens. 2017 , 9 , 61. [ Google Scholar ] [ CrossRef ]
  43. اسپینوزا-ویلار، آر. مارتینز، جی.-ام. آرمیجوس، ای. اسپینوزا، جی.-سی. فیلیزولا، ن. دوس سانتوس، آ. ویلمز، بی. فریزی، پ. سانتینی، دبلیو. Vauchel، P. نظارت فضایی-زمانی رسوبات معلق در رودخانه Solimões (2000-2014). Comptes Rendus Geosci. 2018 ، 350 ، 4-12. [ Google Scholar ] [ CrossRef ]
  44. اسپینوزا ویلار، آر. مارتینز، جی.-ام. لو تکسیر، ام. Guyot, J.-L.; فریزی، پ. Meneses، PR; de Oliveira، E. مطالعه انتقال رسوب در رودخانه مادیرا، برزیل، با استفاده از تصاویر سنجش از دور MODIS. J. South Am. علوم زمین 2013 ، 44 ، 45-54. [ Google Scholar ] [ CrossRef ]
  45. دوس سانتوس، ALMR؛ مارتینز، جی.ام. فیلیزولا، NP; آرمیجوس، ای. Alves، LGS Purus River تنوع رسوب و کمک به رودخانه آمازون را از داده های ماهواره ای (2000-2015) به حالت تعلیق درآورد. Comptes Rendus Geosci. 2018 ، 350 ، 13-19. [ Google Scholar ] [ CrossRef ]
  46. مارتینز، جی.-ام. گیوت، جی. فیلیزولا، ن. Sondag، F. افزایش در تخلیه رسوب معلق رودخانه آمازون با نظارت شبکه و داده های ماهواره ای ارزیابی شد. کاتنا 2009 ، 79 ، 257-264. [ Google Scholar ] [ CrossRef ]
  47. Montanher، OC; de Moraes Novo، EML; de Souza Filho، EE روند زمانی انتقال رسوب معلق رودخانه آمازون (1984-2016). هیدرول. علمی J. 2018 ، 63 , 1901–1912. [ Google Scholar ] [ CrossRef ]
  48. کوتسر، تی. پاول، بی. ورپورتر، سی. لیگی، م. ساومتس، تی. تامینگ، ک. سنجش از دور Casal، G. دریاچه‌های سیاه و استفاده از پیک بازتابی 810 نانومتر برای بازیابی پارامترهای کیفیت آب آب‌های پیچیده نوری. Remote Sens. 2016 ، 8 , 497. [ Google Scholar ] [ CrossRef ]
  49. مارینیو، آر آر. فیلیزولا جونیور، NP; کرمون، É.H. تجزیه و تحلیل رسوبات معلق در مجمع الجزایر Anavilhanas، ریو نگرو، حوضه آمازون. Water 2020 , 12 , 1073. [ Google Scholar ] [ CrossRef ]
  50. اسپینوزا ویلار، RE; مارتینز، جی.-ام. Guyot, J.-L.; فریزی، پ. آرمیجوس، ای. کریو، ا. بازان، اچ. ووچل، پی. لاوادو، دبلیو. ادغام اندازه‌گیری‌های میدانی و مشاهدات ماهواره‌ای برای تعیین بارهای جامد رودخانه در حوضه‌هایی که نظارت ضعیفی دارند. جی هیدرول. 2012 ، 444-445 ، 221-228. [ Google Scholar ] [ CrossRef ]
  51. پریرا، FJS؛ کاستا، CAG; فورستر، اس. بروسینسکی، ا. De Araújo، JC برآورد غلظت رسوب معلق در یک رودخانه متناوب با استفاده از تصاویر ماهواره ای با وضوح بالا چند زمانی. بین المللی J. Appl. Obs زمین. Geoinf. 2019 ، 79 ، 153-161. [ Google Scholar ] [ CrossRef ]
  52. Latrubesse، EM; Stevaux، JC The Anavilhanas و Mariuá Archipelagos: شگفتی های رودخانه ای از رودخانه سیاه، حوضه آمازون. که در مناظر و لندفرم های برزیل ; Vieira, BC, Salgado, AAR, Santos, LJC, Eds. Springer: Dordrecht، هلند، 2015; صص 157-169. [ Google Scholar ]
  53. فیلیزولا، ن. Guyot, JL بازده رسوب معلق در حوضه آمازون: ارزیابی با استفاده از مجموعه داده های ملی برزیل. هیدرول. روند. 2009 ، 23 ، 3207-3215. [ Google Scholar ] [ CrossRef ]
  54. ساندر، سی. Gasparetto، NVL; دوس سانتوس، ام ال. de Carvalho, TM Características do transporte de sedimentos em suspensão na bacia do rio Branco, estado de roraima. Acta Geográfica 2014 ، 8 ، 71-85. [ Google Scholar ]
  55. فیلیزولا، ن. Guyot، JL Fluxo de sedimentos em suspensão nos rios da amazônia. سوتین کشیش. Geociências 2011 ، 41 ، 566-576. [ Google Scholar ] [ CrossRef ]
  56. آشغال، WJ; ویتمن، اف. شونگارت، جی. Piedade، MTF طبقه‌بندی زیستگاه‌های اصلی دشت‌های سیلابی رودخانه‌های سیاه‌آب آمازون و مقایسه با همتایان آب‌های سفید آن‌ها. Wetl. Ecol. مدیریت 2015 ، 23 ، 677-693. [ Google Scholar ] [ CrossRef ]
  57. مید، RH; نوردین جونیور، سی اف. کرتیس، WF; رودریگز، FMC; Vale، CMD؛ ادموند، JM Transporte de sedimentos no rio Amazonas. اکتا آماز. 1979 ، 9 ، 543-547. [ Google Scholar ] [ CrossRef ]
  58. Quesada، CA; لوید، جی. اندرسون، لو. فیلاس، NM; شوارتز، ام. Czimczik، CI Soils of Amazonia با اشاره خاص به سایت های RAINFOR. Biogeosciences 2011 ، 8 ، 1415-1440. [ Google Scholar ] [ CrossRef ]
  59. موکت، J.-S. Guyot, J.-L.; کریو، ا. ویرز، جی. فیلیزولا، ن. مارتینز، جی.-ام. اولیویرا، تی سی؛ سانچز، LSH; لاگان، سی. Casimiro، WSL; و همکاران بار منحل شده رودخانه آمازون: پویایی زمانی و بودجه سالانه از آند تا اقیانوس. محیط زیست علمی آلودگی Res. 2015 ، 23 ، 11405-11429. [ Google Scholar ] [ CrossRef ]
  60. Sioli، H. آمازون و رودخانه های اصلی آن: هیدروگرافی، مورفولوژی مسیرهای رودخانه، و انواع رودخانه ها. در آمازون لیمنولوژی و بوم شناسی چشم انداز رودخانه استوایی توانا و حوضه های آن . Sioli، H.، Ed. Springer: Dordrecht، هلند، 1984; صص 127-165. [ Google Scholar ]
  61. فورسبرگ، BR; دیول، ق. ریچی، جی. مارتینلی، لس آنجلس؛ دوس سانتوس، H. عوامل کنترل کننده غلظت مواد مغذی در دریاچه های دشت سیلابی آمازون. لیمنول اقیانوسگر. 1988 ، 33 ، 41-56. [ Google Scholar ] [ CrossRef ]
  62. اسکافیلد، وی. Melack، JM; باربوسا، PM; آمارال، JHF; فورسبرگ، BR; Farjalla، VF خروج گاز دی اکسید کربن از اکوسیستم های آبی آما زونین در حوضه رودخانه سیاه. Biogeochemistry 2016 ، 129 ، 77-91. [ Google Scholar ] [ CrossRef ]
  63. Mobley، CD تخمین بازتاب سنجش از راه دور از اندازه‌گیری‌های سطح بالا. Appl. انتخاب کنید 1999 ، 38 ، 7442-7455. [ Google Scholar ] [ CrossRef ]
  64. زیباوردی، جی. Voss، KJ; جانسون، BC; پروتکل‌های مولر، JL برای اعتبارسنجی داده‌های رنگی اقیانوسی: رادیومتری نوری درجا . گروه بین المللی هماهنگی رنگ اقیانوس (IOCCG): دارتموث، NS، کانادا، 2019. [ Google Scholar ]
  65. هارمل، تی. گیلرسون، ا. تونیزو، ا. چودری، جی. وایدمن، ا. آرنون، آر. احمد، S. اثرات پلاریزاسیون بر بازیابی درخشندگی آب از اندازه‌گیری‌های رادیومتری بالای آب. Appl. انتخاب کنید 2012 ، 51 ، 8324-8340. [ Google Scholar ] [ CrossRef ]
  66. گیلرسون، ا. کاریزو، سی. فاستر، آر. هارمل، T. تغییرپذیری ضریب بازتاب نورگیر از سطح اقیانوس و پیامدهای آن بر رنگ اقیانوس. انتخاب کنید Express 2018 , 26 , 9615–9633. [ Google Scholar ] [ CrossRef ]
  67. چمی، م. لافرانس، بی. فوگنی، بی. چودری، جی. هارمل، تی. Waquet، F. OSOAA: یک مدل انتقال تابشی برداری از سیستم جو-اقیانوس جفت شده برای کاربرد سطح دریا ناهموار برای تخمین تغییرات جهتی بازتاب خروجی آب برای پردازش بهتر داده‌های سنسورهای ماهواره‌ای چند زاویه‌ای بر روی اقیانوس. انتخاب کنید Express 2015 , 23 , 27829–27852. [ Google Scholar ] [ CrossRef ]
  68. مورکرت، جی.-جی. بوچر، او. جونز، ال. سالموند، دی. بچتولد، پی. بلجارس، ا. Benedetti، A. بونت، ا. Kaiser، JW; رازینگر، ام. و همکاران تجزیه و تحلیل و پیش‌بینی آئروسل در مرکز اروپا برای پیش‌بینی هوای متوسط ​​سیستم پیش‌بینی یکپارچه: مدل‌سازی رو به جلو. جی. ژئوفیس. Res. اتمس. 2009 ، 114 ، 06206. [ Google Scholar ] [ CrossRef ]
  69. لوبو، فلوریدا؛ Jorge، DSF Processamento de dados، modelagem و mapeamento de parametros bio-opticos. در Introdução ao sensoriamento remoto de sistemas aquáticos. Princípios e Aplicações ; Barbosa، CCF، Novo، EMLM، Martins، VS، Eds. Instituto Nacional de Pesquisas Espaciais: سائو خوزه دوس کامپوس، برزیل، 2019؛ صص 82-106. شابک 978-85-17-00095-9. [ Google Scholar ]
  70. متیوز، MW مروری بر رویه‌های تجربی سنجش از دور در آب‌های انتقالی داخلی و نزدیک به ساحل. بین المللی J. Remote Sens. 2011 ، 32 ، 6855-6899. [ Google Scholar ] [ CrossRef ]
  71. درجی، پ. ترس، پ. Broomhall, M. یک مدل نیمه تحلیلی برای تخمین غلظت کل رسوب معلق در آب های ساحلی کدر شمال غربی استرالیا با استفاده از داده های MODIS-Aqua 250 متر. Remote Sens. 2016 , 8 , 556. [ Google Scholar ] [ CrossRef ]
  72. پترسون، KT; ساگان، وی. سیدیک، پ. کاکس، آل. مارتینز، ام. تخمین غلظت رسوب معلق از تصاویر Landsat در امتداد رودخانه های میسوری پایین و می سی سی پی میانی با استفاده از یک ماشین یادگیری افراطی. Remote Sens. 2018 , 10 , 1503. [ Google Scholar ] [ CrossRef ]
  73. ساری، وی. دوس ریس کاسترو، NM; Pedrollo، OC تخمین غلظت رسوب معلق از داده های نظارت شده کدورت و سطح آب با استفاده از شبکه های عصبی مصنوعی. منبع آب مدیریت 2017 ، 31 ، 4909-4923. [ Google Scholar ] [ CrossRef ]
  74. پاپوتسا، سی. رتالیس، ا. تولیوس، ال. Hadjimitsis، DG تعریف مناطق طیفی Landsat TM/ETM+ و CHRIS/PROBA که در آن ها کدورت را می توان در آب های داخلی با استفاده از طیف سنجی میدانی بازیابی کرد. بین المللی J. Remote Sens. 2014 ، 35 ، 1674-1692. [ Google Scholar ] [ CrossRef ]
  75. لو، ی. دوکساران، د. رادیک، ک. شن، اف. جنتیلی، بی. یان، ال. Huang, H. اشباع بازتاب آب در محیط های بسیار کدر بر اساس اندازه گیری های میدانی، داده های ماهواره ای و مدل سازی بیواپتیکی. انتخاب کنید Express 2018 , 26 , 10435–10451. [ Google Scholar ] [ CrossRef ]
  76. Boggs، PT; برد، RH; راجرز، جی. اشنابل، آر بی راهنمای مرجع کاربر RB برای ODRPACK نسخه 2.01 . وزارت بازرگانی ایالات متحده: Gaithersburg، MD، ایالات متحده آمریکا، 1992.
  77. میکونن، اس. Pitkänen، MRA; نیمینن، تی. لیپونن، ا. ایزوکاانتا، اس. آرولا، ا. Lehtinen، KEJ یادداشت فنی: اثرات عدم قطعیت ها و تعداد نقاط داده در برازش خط – مطالعه موردی بر روی تشکیل ذرات جدید. اتمس. شیمی. فیزیک بحث و گفتگو. 2019 ، 19 ، 12531–12543. [ Google Scholar ] [ CrossRef ]
  78. ولپ، وی. سیلوستری، اس. مارانی، م. سنجش از دور غلظت رسوب معلق در آب های کم عمق. سنسور از راه دور محیط. 2011 ، 115 ، 44-54. [ Google Scholar ] [ CrossRef ]
  79. ESA توابع پاسخ طیفی Sentinel-2 (S2-SRF). در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library/-/asset_publisher/Wk0TKajiISaR/content/sentinel-2a-spectral-responses (دسترسی در 24 ژانویه 2021).
  80. دروش، ام. دل بلو، U. کارلیر، اس. کالین، او. فرناندز، وی. گاسکون، اف. هورش، بی. ایزولا، سی. لابرینتی، پ. مارتیمورت، پی. و همکاران Sentinel-2: ماموریت نوری با وضوح بالا ESA برای خدمات عملیاتی GMES. سنسور از راه دور محیط. 2012 ، 120 ، 25-36. [ Google Scholar ] [ CrossRef ]
  81. هارمل، تی. چمی، م. تورموس، تی. رینود، ن. دانیس، پ.-آ. تصحیح نور خورشید تصاویر ابزار چند طیفی (MSI)-SENTINEL-2 بر روی آب های داخلی و دریا از نوارهای SWIR. سنسور از راه دور محیط. 2018 ، 204 ، 308-321. [ Google Scholar ] [ CrossRef ]
  82. رحمان، ح. Dedieu, G. SMAC: یک روش ساده شده برای تصحیح جوی اندازه گیری های ماهواره ای در طیف خورشیدی. بین المللی J. Remote Sens. 1994 ، 15 ، 123-143. [ Google Scholar ] [ CrossRef ]
  83. Benedetti، A. مورکرت، جی.-جی. بوچر، او. دتوف، ا. Engelen، RJ; فیشر، ام. فلنتجه، اچ. هونئوس، ن. جونز، ال. Kaiser، JW; و همکاران تجزیه و تحلیل و پیش‌بینی آئروسل در مرکز اروپا برای پیش‌بینی هوای متوسط ​​سیستم پیش‌بینی یکپارچه: 2. جذب داده‌ها. جی. ژئوفیس. Res. اتمس. 2009 , 114 , D13205. [ Google Scholar ] [ CrossRef ]
  84. Latrubesse، الگوهای EM کانال های انشعاب: تنظیم نهایی عضو نهایی رودخانه های بزرگ. ژئومورفولوژی 2008 ، 101 ، 130-145. [ Google Scholar ] [ CrossRef ]
  85. مید، RH; رایول، جی.ام. Da Conceicão، SC; اثرات Natividade، JRG پس‌آب در حوضه رودخانه آمازون برزیل. محیط زیست جئول علوم آب 1991 ، 18 ، 105-114. [ Google Scholar ] [ CrossRef ]
  86. Fassoni-Andrade، AC; de Paiva، نقشه برداری RCD دینامیک رسوب مکانی-زمانی دشت های سیلابی رودخانه در آمازون. سنسور از راه دور محیط. 2019 ، 221 ، 94-107. [ Google Scholar ] [ CrossRef ]
  87. پارک، ای. Latrubesse، EM Modeling الگوهای توزیع رسوب معلق رودخانه آمازون را با استفاده از داده های MODIS انجام داد. سنسور از راه دور محیط. 2014 ، 147 ، 232-242. [ Google Scholar ] [ CrossRef ]
  88. داسیلوا، نماینده مجلس؛ ساندر د کاروالیو، لس آنجلس؛ نوو، ای. خورخه، DSF; Barbosa، CCF استفاده از شاخص های جذب نوری برای ارزیابی تنوع فصلی مواد آلی محلول در دریاچه های دشت سیلابی آمازون. Biogeosciences 2020 ، 17 ، 5355-5364. [ Google Scholar ] [ CrossRef ]
  89. کوئیلو، سی. هیم، بی. فورستر، اس. بروسینسکی، ا. De Araujo، JC مشاهده درجا و ماهواره ای CDOM و دینامیک کلروفیل-a در مخازن کوچک سطح آب در منطقه نیمه خشک برزیل. Water 2017 , 9 , 913. [ Google Scholar ] [ CrossRef ]
  90. کوتسر، تی. Casal Pascual, G.; باربوسا، سی. پاول، بی. فریرا، آر. کاروالیو، ال. Toming، K. نقشه برداری محتوای کربن آب داخلی با داده های Landsat 8. بین المللی J. Remote Sens. 2016 , 37 , 2950–2961. [ Google Scholar ] [ CrossRef ]
  91. Montero, JC; Latrubesse، EM ایگاپوی رودخانه سیاه‌پوست در آمازون مرکزی: پیوند جنگل‌های غرقابی متوالی اواخر با ژئومورفولوژی رودخانه‌ای. J. South Am. علوم زمین 2013 ، 46 ، 137-149. [ Google Scholar ] [ CrossRef ]
  92. Scabin، AB; کاستا، FRC؛ Schöngart, J. توزیع فضایی قطع درختان غیرقانونی در مجمع الجزایر Anavilhanas (مرکزی آمازون) و اثرات چوب بر روی گونه ها. محیط زیست حفظ کنید. 2011 ، 39 ، 111-121. [ Google Scholar ] [ CrossRef ]
  93. مارتینز، VS; باربوسا، CCF؛ کاروالیو، لس آنجلس؛ خورخه، DSF; لوبو، FDL؛ نوو، ارزیابی EMLM روش‌های تصحیح جوی برای تصاویر Sentinel-2 MSI اعمال شده در دریاچه‌های دشت سیلابی آمازون. Remote Sens. 2017 , 9 , 322. [ Google Scholar ] [ CrossRef ]
  94. آسنر، پوشش ابر GP در مشاهدات Landsat آمازون برزیل. بین المللی J. Remote Sens. 2001 , 22 , 3855-3862. [ Google Scholar ] [ CrossRef ]
  95. درجی، پ. Fearns، P. تاثیر وضوح فضایی سنسورهای سنجش از راه دور ماهواره‌ای در تعیین کمیت کل رسوب معلق: مطالعه موردی در آب‌های کدر شمال غربی استرالیا. PLoS ONE 2017 , 12 , e0175042. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  96. EPE Usina Hidrelétrica (UHE) Bem Querer. در دسترس آنلاین: https://www.uhebemquerer.com.br/ (در 11 دسامبر 2018 قابل دسترسی است).
شکل 1. ( الف ) منطقه مطالعه و ایستگاه های نمونه برداری شده در 300 کیلومتری رودخانه نگرو. (تصویر Sentinel-2 Multi-Spectral Instrument (MSI) RGB 11-8a-4). ( ب ) سطح آب رودخانه نگرو در ایستگاه فلوویومتریک مانائوس (خط سیاه) بین جولای-2016 و مارس-2020. نقطه ها تاریخ جمع آوری داده ها را در محل نشان می دهند.
شکل 2. روش مورد استفاده برای مدل سازی غلظت رسوب معلق (SSC) با Rrs درجا و کاربرد در تصاویر Sentinel-2 MSI.
شکل 3. ضرایب جذب مواد آلی محلول رنگی (CDOM) رودخانه های نگرو و برانکو و دریاچه آپاکو در مجمع الجزایر Anavilhanas.
شکل 4. درجا Rrهای پرآب (خط سیاه) و کم آب (خط خاکستری) رودخانه های سیاه ( a,c-g ) و برانکو ( b ) و دریاچه دشت سیلابی در مجمع الجزایر Anavilhanas ( ) . تنوع رنگ آب در منطقه مورد مطالعه ( i–m ). توجه: محور y ایستگاه های BCO و RN2 با ایستگاه های نمونه در رودخانه سیاه متفاوت است.
شکل 5. رابطه بین DOC و SSC شامل دوره کم آب (قرمز) و پر آب (آبی). مناطق سایه دار نشان دهنده عدم قطعیت است.
شکل 6. نقشه های کورلوگرام SSC (ردیف های بالا)، DOC (ردیف های پایین) و Sentinel-2 MSI باندهای شبیه سازی شده با Rrs (ستون ها): ( a ) همه مجموعه داده ها. ( ب ) برای دوره آب بالا. ( ج ) برای دوره کم آب. ضرایب همبستگی پیرسون قابل توجه ( 05/ 0p <) در جعبه های خاکستری نشان داده شده است. رنگ های آبی با همبستگی های مثبت و رنگ های قرمز با همبستگی های منفی مطابقت دارند. اشکال بیضی منعکس کننده قدر زیاد و کم ضریب همبستگی پیرسون است.
شکل 7. مدل های تجربی بین SSC و Rrs برای باندهای سبز (B3)، قرمز (B4، B5، B6، و B7) و NIR (B8a) Sentinel-2 شبیه سازی شده MSI با استفاده از رگرسیون فاصله متعامد (ODR) و حداقل مربع معمولی (OLS) ). مناطق سایه دار نشان دهنده عدم قطعیت است. برای نسبت B8a/B4 شکل S1 تکمیلی را ببینید .
شکل 8. مقایسه SSC مشاهده و تخمین زده شده با استفاده از باند 4 شبیه سازی شده Rrs Sentinel-2 MSI در محل با روش های OLS ( a ) و ODR ( b ). خط چین نشان دهنده مقادیر 1:1 است. برای سایر باندهای شبیه‌سازی شده Sentinel-2 MSI شکل تکمیلی S2 را ببینید .
شکل 9. تغییرپذیری Rrs در 665 نانومتر (باند 4 Sentinel-2 MSI) و سطح آب (خط بریده) رودخانه نگرو در سال 2017 ( a ). برای Sentinel-2 MSI سایر باندهای تکمیلی شکل S3 را ببینید . تغییرپذیری SSC، DOC، و سطح آب (خط بریده) رودخانه سیاه در سال 2017 ( b ).
شکل 10. تغییرپذیری مکانی و زمانی SSC بین ماه مه و اکتبر 2017 در محدوده مرکزی مجمع الجزایر Anavilhanas.
شکل 11. توزیع فضایی میانگین SSC بازیابی شده توسط ماهواره در 2017/7/25 (پر آب) و 23/9/2017 (کم آب) در محدوده مرکزی Anavilhanas ( a ). نیمرخ متقاطع SSC بین کرانه های چپ و راست ( b ).

22 نظرات

دیدگاهتان را بنویسید