حوضه رودخانه زرد (YRB) با کمبود شدید آب مواجه بوده است. از این رو، نظارت پویا درازمدت منطقه آب های سطحی آن (SWA) برای استفاده کارآمد از منابع آبی و توسعه اجتماعی-اقتصادی پایدار ضروری است. به منظور شناسایی مسیر متغیر SWA YRB و عوامل مؤثر بر آن، از تصاویر موجود لندست از سال 1986 تا 2019 و یک روش مبتنی بر شاخص‌های آب و پوشش گیاهی برای تجزیه و تحلیل تنوع مکانی-زمانی چهار نوع SWA استفاده کردیم. گستره دائمی، فصلی، حداکثر و متوسط ​​و ارتباط آنها با بارش (Pre)، دما (Temp)، شاخص سطح برگ (LAI) و رطوبت سطحی خاک (SM). و SWA فصلی 46.48% و 53.52% در حوضه رودخانه زرد (YRB) را به خود اختصاص داده است. به ترتیب. توده‌های آبی دائمی و فصلی به ترتیب در قسمت‌های بالادست پراکنده شده‌اند که به ترتیب 22/70 درصد و 79/48 درصد از این گونه‌ها را تشکیل می‌دهند. نرخ افزایش SWA دائمی 49.82 کیلومتر بود2 /a که بخش پایینی بیشترین سهم را داشته است (34.34%) و میزان کاهش SWA فصلی 79.18 کیلومتر بوده است. ./a که سهم منطقه مبدا بیشترین (99/25 درصد) بود. SWA فصلی فقط در 13 زیرحوضه روند کاهشی را نشان داد که 15٪ از کل زیرحوضه ها را تشکیل می دهد، که نشان می دهد کاهش SWA فصلی عمدتاً ناشی از تغییر SWA در منطقه کانال اصلی رودخانه است. از سال 1986 تا 2019، از سال 1986 تا 2019 در YRB، تبدیل از آب فصلی به آب غیرآبی، و از بدنه آبی فصلی به آب دائمی بود. SWA با بارش همبستگی مثبت داشت و با دما همبستگی منفی داشت. از آنجایی که بدنه های آبی دائمی و فصلی به ترتیب در منطقه کانال رودخانه و زیر حوضه ها به طور غالب توزیع شده اند، تغییر در SWA دائمی به طور قابل توجهی تحت تأثیر تنظیم مخازن اصلی قرار گرفت. در حالی که تغییر در SWA فصلی بیشتر با تغییرات آب و هوایی مرتبط بود. افزایش رطوبت خاک در تشکیل توده های آبی دائمی مفید بود. افزایش تبخیر و تعرق ناشی از سبز شدن پوشش گیاهی نقش مثبت قابل‌توجهی در افزایش SWA از طریق اثرات خنک‌کننده و مرطوب‌کننده محلی، که تبخیر سطح آب شتاب‌زده ناشی از گرم شدن اتمسفر را خنثی می‌کند، ایفا کرد.

کلید واژه ها:

حوضه رودخانه زرد ; سطح آب سطحی ؛ موتور گوگل ارث ؛ تغییر مکانی – زمانی ; عوامل موثر

1. مقدمه

منابع آب برای شکوفایی اقتصادی انسان، توسعه تولید، حفظ عملکرد اکوسیستم و ارتقای توسعه پایدار حیاتی هستند [ 1 ]. به عنوان یک جزء ضروری از منابع آب، بدنه های آب سطحی (به عنوان مثال، دریاچه ها، مخازن، رودخانه ها، نهرها و حوضچه ها) مجموعه ای از خدمات اکوسیستم، مانند تامین و تنظیم آب، تنظیم آب و هوا، و تولید غذا را ارائه می دهند [ 2 ، 3 ] . بنابراین، توزیع فضایی آب‌های سطحی و تغییرات آن در طول زمان در بسیاری از مسائل کشاورزی، زیست‌محیطی و اکولوژیکی نقش محوری دارد و از عوامل مهم توسعه اجتماعی-اقتصادی انسان است [ 4 ، 5 ، 6 ].]. تغییرات آب و هوای جهانی و فعالیت‌های انسانی می‌توانند تأثیرات شگرفی بر تغییرات بین سالانه و درون‌سالانه در آب‌های سطحی داشته باشند، که می‌تواند تأثیرات عمیقی بر جامعه انسانی و اکوسیستم‌های طبیعی داشته باشد [ 6 ، 7 ، 8 ]. بنابراین، نظارت بر پویایی مکانی-زمانی منطقه آب سطحی (SWA) با استفاده از فناوری سنجش از دور برای تحقیقات علمی، و همچنین برای مدیریت سازگار و پایدار اکوسیستم و توسعه اجتماعی بسیار مهم است [ 9 ، 10 ، 11 ].
با توجه به جمع‌آوری راحت داده‌ها، پیش‌پردازش ساده، دامنه وسیع مشاهدات و دقت نسبتاً بالا در تشخیص خودکار آب‌ها، تصاویر سنجش از دور نوری به منبع داده اولیه برای پایش دینامیکی بلندمدت آب‌های سطحی در مناطق بزرگ تبدیل شده است. به ویژه در مقیاس جهانی و قاره ای. روش آستانه بازتاب سطحی تک باند [ 12 ، 13 ] برای اولین بار برای استخراج خودکار آب های سطحی استفاده شد. اگرچه استفاده از آن ساده و سرراست است، اما در استخراج آب های سطحی کوچک مشکل دارد و جداسازی سایه ها و بدنه های آبی مشکل ساز است [ 14 ]. متعاقبا، مکفیترز و همکاران. [ 15] شاخص تفاوت نرمال شده آب (NDWI) را معرفی کرد و رویکرد آستانه بر اساس این شاخص به طور قابل توجهی دقت استخراج بدنه آب را افزایش می دهد. با این حال، زمانی که بدنه آب در پس زمینه ای با ساختمان ها وجود داشته باشد، هنوز بی اثر است. به منظور پرداختن به این موضوع، Xu و همکاران. [ 16 ] NDWI اصلاح شده (mNDWI) را پیشنهاد کرد که به یکی از پرکاربردترین و مؤثرترین روش‌ها برای ترسیم آب‌های آزاد با استفاده از Landsat Thematic Mapper™ سبز (باند 2) و موج کوتاه مادون قرمز (باند 5) تبدیل شده است. کانال‌هایی که می‌توانند به طور موثر سیگنال را از نویز زمین ساخته شده سرکوب کنند [ 17 ]. mNDWI هنوز هنگام تمایز بین آب و پوشش گیاهی اشتباه می کند [ 18 , 19 ]]. پوشش گیاهی تالاب عامل اصلی منجر به اشتباهات طبقه بندی به دلیل توزیع مخلوط آب و علف در تالاب ها است [ 20 ].
این به یکی از رایج ترین شاخص های آب تبدیل شده است. اگرچه شاخص آب و رویکردهای نقشه برداری بدنه آب مبتنی بر آستانه از نظر محاسباتی کارآمد هستند، اما عدم قطعیت زیادی در تعیین آستانه بهینه برای طبقه بندی مناطق آبی و غیرآبی وجود دارد. اگرچه الگوریتم‌های طبقه‌بندی نظارت شده – مانند ماشین بردار پشتیبانی (SVM)، حداکثر احتمال (ML) و الگوریتم‌های جنگل تصادفی (RF) [ 21 ، 22 ] – همچنین می‌توانند برای طبقه‌بندی بدنه‌های آبی استفاده شوند، فرآیندهای محاسباتی این یادگیری ماشینی الگوریتم ها زمان بر هستند و دقت بدنه آبی شناسایی شده به شدت تحت تاثیر نمونه های آموزشی است. اخیرا زو و همکاران. [ 23] شاخص‌های mNDWI و پوشش گیاهی، از جمله شاخص گیاهی پیشرفته (EVI) و شاخص گیاهی تفاوت عادی (NDVI) را برای نقشه‌برداری از توده‌های آبی، که به مقدار آستانه منحصر به فردی برای شاخص آب نیاز نداشت، ترکیب کرد. اخیراً پیشنهاد شده است که ترکیب mNDWI، NDVI و EVI می تواند نتایج بهتری ایجاد کند و پایدارتر از استفاده از شاخص های فردی [ 24 ، 25 ، 26 ]، به ویژه برای تالاب ها [ 27 ] باشد. این روش عمدتاً در نقشه برداری آب های سطحی در مقیاس جهانی و قاره ای استفاده شده است [ 24 ].
با توسعه سریع فناوری پلت فرم محاسبات ابری (مثلاً موتور Google Earth) در سال‌های اخیر، نقشه‌برداری انواع پوشش زمین در مقیاس جهانی و قاره‌ای با استفاده از داده‌های سنجش از راه دور سری زمانی متراکم که در یک انباشته شده است، کاربردی‌تر و کارآمدتر شده است. وضوح فضایی متوسط ​​(به عنوان مثال، Landsat و Sentinel) [ 25 ، 28 ]. با استفاده از پلت فرم ابر موتور Google Earth، Pekel و همکاران. [ 29 ] اولین محصول جهانی دینامیک آب سطحی پیوسته سنجش از دور را با وضوح 30 متر ایجاد کرد. موتور Google Earth همچنین برای آشکار کردن پویایی مکانی-زمانی SWA و عوامل محرک آن در استرالیا [ 30 ]، فلات مغولستان داخلی [ 31 ] و چین [ 31] استفاده شده است.32 ] استفاده شده است.].
حوضه رودخانه زرد (YRB)، که تنها 2.2 درصد از کل رواناب چین را تشکیل می دهد، مسئول تأمین آب برای 15 درصد از زمین های قابل کشت و 12 درصد از جمعیت چین است [ 33 ، 34 ]. تضاد بین عرضه و تقاضا برای منابع آب در YRB تحت تأثیر تغییرات آب و هوا و فعالیت های انسانی به طور فزاینده ای برجسته شده است و YRB در حال تبدیل شدن به یکی از مناطق با جدی ترین کمبود منابع آب در چین است [ 35 ، 36 ].]. از آنجا که منابع آب سطحی برای حفظ ثبات اکوسیستم و توسعه پایدار اقتصادی و اجتماعی در YRB بسیار مهم است، نظارت بر تغییرات مداوم در SWA با استفاده از مشاهدات سنجش از دور ماهواره‌ای بسیار مهم است. با این حال، مطالعات قبلی در درجه اول بر مناطق فرعی YRB، مانند منطقه آبیاری Hetao [ 37 ]، دریاچه Hongjiannao [ 38 ] و منطقه سرآب [ 39 ] متمرکز شده‌اند.]، و هیچ مطالعه ای به طور مداوم تغییرات SWA را در کل YRB طی چند دهه گذشته ردیابی نکرده است. بنابراین، در این مطالعه، ما از داده‌های سری زمانی بدنه آب‌های سطحی با وضوح 30 متر برای سال‌های 1986 تا 2019 بر اساس موتور Google Earth استفاده کردیم تا ویژگی‌های تغییرات تاریخی انواع مختلف آب‌های سطحی را در زیر مجموعه‌های مختلف نشان دهیم. مناطق YRB، و ما روابط بین SWA و تغییرات آب و هوا و پوشش گیاهی را تجزیه و تحلیل کردیم.

2. مواد و روشها

2.1. حوزه مطالعه و پردازش داده ها

رودخانه زرد با طول کل 5464 کیلومتر دومین رودخانه طولانی در چین است. YRB بیشتر در مناطق نیمه خشک تا نیمه مرطوب قرار دارد، جایی که میانگین بارندگی سالانه بین 300 تا 700 میلی متر است و میانگین دمای چند ساله بین 4- تا 14 درجه سانتی گراد است. میانگین حجم رواناب چند ساله و دبی رسوب در کانال اصلی رودخانه 58 میلیارد متر مکعب و 1.6 میلیارد تن است [ 40 ].]، به ترتیب. قسمت های بالای رودخانه جایی است که جریان رودخانه زرد از آنجا سرچشمه می گیرد، در حالی که قسمت های میانی جایی است که رسوب رودخانه زرد سرچشمه می گیرد. در نواحی بالا و میانی، تغییرات تاریخی آب و هوا و فعالیت‌های شدید انسانی منجر به وخامت قابل توجه اکوسیستم شده است. گزارش شده است که شرایط سطح زیربنایی به طور چشمگیری تغییر کرده است، و اینکه محیط زیست محیطی و ظرفیت حفاظت از خاک و آب به طور قابل توجهی پس از سال 2000، زمانی که پروژه‌های بازسازی اکولوژیکی گسترده اجرا شد، بهبود یافت. 41 ].]. علاوه بر این، چندین مخزن بزرگ به تدریج بر روی کانال اصلی رودخانه توسط دولت ملی برای تنظیم جریان و رسوب و تخصیص بهینه منابع آب در YRB ساخته شده است. در این مطالعه، YRB بر اساس موقعیت جغرافیایی شش ایستگاه هیدرولوژیکی کلیدی، از جمله Tangnaihai (TNH)، Qingtongxia (QTX)، Toudaoguai (TDG)، Longmen (LM)، Huayuankou (HYK) به شش منطقه فرعی تقسیم شد. و ایستگاه های لیجین (LJ) واقع در امتداد کانال اصلی رودخانه ( شکل 1). ناحیه بالای TNH ناحیه منبع YRB است و ناحیه بالای TDG قسمت بالایی YRB است. منطقه فرعی QTX-TDG یک ​​منطقه کویری بادخیز معمولی و یک منطقه آبیاری است. منطقه بین TDG و HYK دامنه میانی YRB است و بخش TDG-LM منطقه اصلی تشکیل رسوب است. منطقه بین HKY و LJ قسمت بالایی YRB است. بخش بالایی YRB منطقه منبع اصلی رواناب رودخانه است و نواحی میانی منبع اصلی رسوبات است.
تمامی تصاویر ماهواره‌ای لندست موجود با وضوح 30 متر (Landsat5 TM، Landsat7 ETM+ و Landsat8 OLI) که کل YRB را از سال 1986 تا 2019 پوشش می‌دهند، در این مطالعه بر اساس پلت فرم Google Earth Engine ( https://earthengine) استفاده شد. google.com/ ، در 16 مارس 2022، که برای آن سیستم پردازش تطبیقی ​​اختلال اکوسیستم Landsat (LEDAPS) [ 42 ] برای تولید بازتاب سطحی هر پیکسل Landsat و یک الگوریتم F-mask [ 26 ، 43 ] استفاده شد. سپس برای شناسایی پیکسل های آلوده مانند ابرها، سایه ابرها و پوشش برف استفاده شد. توزیع فضایی فراوانی مشاهدات واضح Landsat بر روی YRB از سال 1986 تا 2019 در شکل 2 نشان داده شده است.که در آن تعداد موثر مشاهدات در منطقه شمالی بیشتر از مناطق جنوبی با پوشش ابر بیشتر است. مقادیر بالای مشاهدات در ناحیه مشاهدات ماهواره‌ای همپوشانی رخ می‌دهد و مقادیر پایین عمدتاً در ناحیه سرآب توزیع می‌شوند. شکل 3تغییرات بین سالانه نسبت مساحت فرکانس را با سطوح مختلف (0-4، 5-10، 10-20، 20-40، 40-70، و 70-100) مشاهدات واضح Landsat بر روی YRB نشان می دهد. مشاهده می شود که با به روز رسانی سنسورهای ماهواره لندست، تعداد مشاهدات واضح لندست به تدریج افزایش یافت. علاوه بر این، پارامترهای هواشناسی شامل بارش روزانه (پیش) و دما (دما) طی سال‌های 1986 تا 2019 از 295 ایستگاه واقع در YRB از سرویس اشتراک‌گذاری داده‌های علم هواشناسی چین به دست آمد.https://data.cma.cn/ ، در 16 مارس 2022 مشاهده شد)، و داده های شطرنجی بارندگی و دما در مقیاس 1 کیلومتری با استفاده از یک الگوریتم درونیابی فضایی در نرم افزار AUSPLINE [ 44 ] تولید شد.
ماهواره جهانی سطح زمین (GLASS) ( https://www.glass.umd.edu/ ، مشاهده شده در 16 مارس 2022) [ 45 ] محصول شاخص سطح برگ (LAI) با وضوح 8 روز و 1 کیلومتر انتخاب شد. تغییر ساختار پوشش گیاهی را طی سال های 1986-2019 مشخص می کند. داده‌های تبخیر و تعرق روزانه (ET) و رطوبت سطحی خاک (SM) در دمای 0.25 درجه در طول سال‌های 1986-2019 از مدل جهانی تبخیر زمین آمستردام (GLEAM) ( https://www.gleam.eu/ ، در تاریخ 16 مارس 2022) به دست آمد. [ 46 ] v3.5a محصول. در نهایت، پارامترهای هواشناسی روزانه، LAI 8 روزه، ET روزانه و SM به طور موقت به کل سالانه Pre و ET، و میانگین دمای سالانه، LAI و SM ارتقا یافتند.

2.2. الگوریتم نقشه برداری بدنه آب سطحی

شاخص آب و پوشش گیاهی و روش مبتنی بر آستانه پیشنهاد شده توسط زو و همکاران. [ 23 ] در این مطالعه استفاده شد. الگوریتم های شاخص های آب و پوشش گیاهی و قوانین آستانه به شرح زیر است:

جایی که ، ، ، ، و به ترتیب بازتاب سطحی طول موج های قرمز، سبز، آبی، نزدیک به مادون قرمز و موج کوتاه مادون قرمز هستند.

از آنجایی که خطاهای کارکرد جدی در بدنه های آبی طبقه بندی شده در تپه های سایه دار وجود دارد، قانون شیب زمین کمتر از 8 درجه نیز به منظور بهبود دقت شناسایی بدنه های آبی در مناطق تپه ای و کوهستانی مورد استفاده قرار گرفت [ 47 ]. سپس، فرکانس طغیان آب (WIF) با تقسیم تعداد آب های شناسایی شده بر تعداد مشاهدات شفاف لندست در یک سال محاسبه شد (معادله (4)). بدنه‌های آبی با 25% ≤ WIF ≤ 75% به عنوان آب فصلی و بدنه‌های آبی با WIF > 75% بر اساس مطالعات قبلی به عنوان آب‌های دائمی تعریف شدند [ 48 ، 49 ].

که در آن N تعداد کل مشاهدات معتبر در یک سال است و W تعداد کل دفعاتی است که بدنه آبی شناسایی شده است.

به جز SWA آب فصلی و دائمی، حداکثر SWA سالانه بر اساس بدنه های آبی با WIF ≥ 25% محاسبه شد و میانگین SWA سالانه به عنوان مجموع تمام مناطق موثر (900 متر مربع ) تعریف شد. در یک پیکسل Landsat ضرب در WIF [ 23 ، 24 ]. بنابراین، سری زمانی بین سالانه چهار نوع SWA (مناطق آب دائمی، فصلی، حداکثر سالانه و متوسط ​​سالانه) برای مناطق فرعی مختلف و زیرحوضه‌های مختلف به منظور تجزیه و تحلیل فضایی – زمانی استخراج شد. تغییر می کند.

2.3. ارزیابی دقت

به منظور ارزیابی دقت طبقه‌بندی توده‌های آبی به‌دست‌آمده در این مطالعه، ما 995 نمونه حاوی انواع معمولی از بدنه‌های آبی (رودخانه‌ها، دریاچه‌ها، مخازن و سدهای بررسی) را از طریق تفسیر بصری مصنوعی بر اساس تصاویر Google Earth با وضوح فضایی بالا انتخاب کردیم. . از آنجایی که تصاویر Google Earth با وضوح بالا همه در طول سال‌های 2019-2020 به دست آمده‌اند، ما فقط دقت طبقه‌بندی بدنه آب را در سال 2019 با استفاده از موتور Google Earth ارزیابی کردیم. علاوه بر این، ما دقت بدنه های آبی شناسایی شده با استفاده از آستانه های مختلف WIF (5٪، 10٪، 15٪، 25٪، 35٪، 50٪ و 75٪) را مقایسه کردیم.

2.4. محاسبه شیب خطی

به منظور آشکار کردن ویژگی‌های تغییرات زمانی SWA در طول زمان در YRB، ما از شیب مدل رگرسیون خطی برای توصیف نرخ تغییر سالانه SWA در طول سال‌های 1986-2019 در YRB استفاده کردیم. شیب به صورت زیر محاسبه شد:

که در آن X i SWA در سال i است و n تعداد کل سالها است. هنگامی که شیب > 0 است، SWA در حال افزایش است. و هنگامی که شیب <0 است، SWA در حال کاهش است.

سپس، شیب SWA های فصلی، دائمی، حداکثر سالانه و میانگین سالانه SWA در کل YRB مورد تجزیه و تحلیل قرار گرفت و سهم SWAs در زیر مناطق مختلف و زیرحوضه های مختلف مقایسه شد.

2.5. تجزیه و تحلیل همبستگی جزئی

بارندگی منبع اصلی آب های سطحی است، افزایش دما می تواند تبخیر از سطوح آب های سطحی را افزایش دهد، پوشش گیاهی با تبخیر و تعرق از سطوح آب های سطحی مرتبط است و رطوبت خاک بر دما و بارندگی تأثیر می گذارد. به منظور بررسی اثرات تامین آب طبیعی، گرم شدن جو، سبز شدن پوشش گیاهی و SM بر روی SWA، ما یک تحلیل همبستگی جزئی برای بررسی روابط بین SWA و پارامترهای آب و هوایی، وضعیت پوشش گیاهی و وضعیت ذخیره آب انجام دادیم. خاک سطحی تحلیل همبستگی جزئی قدرت و جهت یک رابطه خطی بین دو متغیر را اندازه گیری می کند در حالی که اثر یک یا چند متغیر دیگر کنترل می شود. به این ترتیب، نقش فردی عوامل موثر در پویایی SWA را می توان تعیین کرد. ضریب همبستگی جزئی به صورت زیر محاسبه شد:

جایی که زمانی که l 1 , l 2 … l n کنترل می شوند n th ( n = k− 2) ضریب همبستگی جزئی مرتبه بین i و j است و k تعداد کل متغیرها است. و ضریب همبستگی جزئی مرتبه ( n – 1) هستند. چه زمانی > 0، رابطه بین i و j مثبت است. در غیر این صورت منفی است.

همچنین با انجام آزمون فرضیه، اهمیت این همبستگی را بررسی کردیم.

جایی که t مقدار آزمون t است، m اندازه نمونه است (در اینجا m = 34)، و k درجه آزادی است. وقتی t < 0.05، همبستگی جزئی از نظر آماری معنی‌دار است (در سطح معنی‌داری آماری 95 درصد).

3. نتایج

3.1. نتایج طبقه بندی بدنه آب سطحی و اعتبارسنجی دقت

WIF در YRB برای هر سال از سال 1986 تا 2019 محاسبه شد و WIF های شش آب سطحی معمولی در YRB در ارائه شده است. شکل 4 ارائه شده است.. SWA دریاچه Hongjiannao به تدریج کاهش یافت، در حالی که SWA مخزن Longyangxia افزایش یافت. SWA مخزن Xiaolangdi به دلیل ذخیره مخزن پس از شروع به کار به طور ناگهانی افزایش یافت. SWA دریاچه Wuliangsuhai به دلیل بارندگی و انحراف مصنوعی آب بین سال‌ها به شدت در نوسان بود. می توان مشاهده کرد که SWA در سد چکی به تدریج افزایش یافت، که نشان می دهد که سد چکی ساخته شده در دهه 1980 نه تنها مقادیر زیادی رسوب را رهگیری می کرد بلکه به عنوان یک تاسیسات ذخیره آب برای آبیاری محلی نیز عمل می کرد. همچنین می توان مشاهده کرد که رژیم رودخانه پایین دست در کایفنگ به طرز چشمگیری تغییر کرد و رژیم رودخانه پس از سال 2015 نسبتاً پایدار شد.
دقت طبقه‌بندی بدنه‌های آب سطحی به دست آمده با استفاده از آستانه‌های مختلف WIF بر اساس نمونه‌های انتخاب شده از انواع معمولی بدنه‌های آبی تأیید شد. نتایج نشان می‌دهد که دقت طبقه‌بندی بدنه‌های آبی با استفاده از آستانه‌های WIF 5٪، 10٪، 15٪، 25٪، 35٪، 50٪ و 75٪ 97.33٪، 97.23٪، 97.17٪، 97.12٪، 97.00 است. به ترتیب 96.86% و 96.38% ( شکل 5 ). مقدار متوسط ​​دقت طبقه‌بندی تا 97.01 درصد بود که نشان می‌دهد الگوریتم شناسایی آب سطحی مورد استفاده در این مطالعه بسیار دقیق و قوی است.

3.2. توزیع فضایی بدنه های آب سطحی در YRB

توزیع فضایی بدنه‌های آبی دائمی و فصلی به دست آمده از میانگین چند ساله WIF طی سال‌های 1986-2019 در شکل 6 نشان داده شده است . مشاهده می‌شود که توده‌های آبی فصلی همیشه در نواحی انتقالی بین توده‌های آبی دائمی و غیرآبی وجود داشته و آب‌های فصلی بیشتری در نزدیکی کانال رودخانه وجود داشته است.
انواع مختلف SWA ها در تمام مناطق فرعی YRB محاسبه شد ( شکل 7 ). برای کل YRB، بدنه‌های آبی دائمی مساحتی معادل 4048.76 کیلومتر مربع و بدنه‌های آبی فصلی مساحتی معادل 4661.69 کیلومتر مربع را پوشش می‌دهند که به ترتیب 46.48 درصد و 53.52 درصد از آب‌های سطحی در YRB را تشکیل می‌دهند. حداکثر مساحت بدنه آبی 8710.45 کیلومتر مربع و متوسط ​​مساحت بدنه آبی سالانه 5853.17 کیلومتر بود. .. SWA در ناحیه منبع بالادست و ناحیه بالادست رودخانه زرد (بالاتر از Toudaoguai) حاوی 58.75٪ از بدنه های آبی در YRB است، در حالی که بخش Huayuankou-Lijin شامل 18.86٪ است. فواصل Toudaoguai-Longmen و Longmen-Huayuankou به ترتیب شامل 9.74٪ و 12.86٪ از حداکثر بدنه های آبی در YRB بودند. این نتایج نشان می دهد که YRB تحت سلطه آب های فصلی بود. با این حال، می توان مشاهده کرد که بخش Tangnaihai دارای حجم آب دائمی بسیار بیشتری نسبت به آب های فصلی بود. در منطقه منبع، نسبت بدنه‌های آبی دائمی به فصلی 3.24 بود، در حالی که نسبت‌ها در بخش‌های Tangnaihai-Qingtongxia، Qingtongxia-Toudaoguai، Toudaoguai-Longmen، Longmen-Huayuankou، و Huayuankou-Huayuankou، و Huayuankou-Huayuankou، 0.75،0.7، 0.7، 0.7، 0.7 و 0.7 لیجین بود. و به ترتیب 0.55.
شکل 8 مناطق آماری انواع مختلف آب را در 86 زیرحوضه انتخاب شده در YRB نشان می دهد. رودخانه وی (101.18 کیلومتر مربع ) بزرگترین آب فصلی و رودخانه Xianchuan (0.07 کیلومتر مربع ) کوچکترین آب بودند. رودخانه شوشوی (58.96 کیلومتر مربع ) بزرگترین آب دائمی و رودخانه مانگلا کوچکترین (0 کیلومتر مربع ) بود. از نظر توده های آبی اصلی، رودخانه وی بیشترین مساحت (135.63 کیلومتر مربع ) و رودخانه Mangla (0.08 کیلومتر مربع) کمترین مساحت را داشت . برای میانگین سالانه آب، رودخانه شوشوی (80.94 کیلومتر مربع ) و رودخانه Mangla (0.03 کیلومتر مربع) بیشترین مساحت را داشتند. و رودخانه مانگلا (0.03 کیلومتر مربع) کوچکترین مساحت را داشت.

3.3. تغییرات در SWA در YRB از سال 1986 تا 2019

شکل 9 تغییرات دینامیکی پیوسته را در انواع مختلف بدنه‌های آبی – از جمله حجم‌های آب فصلی، دائمی، حداکثر و میانگین سالانه – در کل YRB طی سال‌های 1986-2019 نشان می‌دهد. مناطق حداکثر و فصلی بدنه آبی روند کاهشی معمولی را از سال 1986 تا 2019 نشان دادند، اما مناطق آبی دائمی و سالانه روند کمی افزایشی را نشان دادند. حداکثر مساحت آب از 02/7984 کیلومترمربع تا 55/13145 کیلومترمربع متغیر است ، یعنی به ترتیب 75/35 درصد بیشتر و 48/18 درصد کمتر از متوسط ​​مساحت 99/9683 کیلومترمربع . مساحت آب دائمی از 4547.8 کیلومتر مربع تا 7109.7 کیلومتر مربع متغیر است ، یعنی 16.95 درصد کمتر و 29.84 درصد بیشتر از مقدار متوسط ​​(5475.95 کیلومتر). .)، به ترتیب. مساحت آب فصلی از 2624.57 کیلومتر مربع تا 7595.80 کیلومتر مربع در طول یک سال متغیر بود، یعنی به ترتیب 37.63 درصد کمتر و 80.51 درصد بیشتر از مقدار متوسط ​​(4208.04 کیلومتر مربع ) بود. از آنجایی که میانگین مساحت آب بر اساس سطح پیکسلی بدنه‌های آبی بود، تغییرات بدنه‌های آبی را در یک سال به بهترین شکل منعکس می‌کند. مساحت آبی سالانه از 17/5708 کیلومترمربع تا 84/8344 کیلومترمربع متغیر است ، یعنی به ترتیب 8/16 درصد کمتر و 64/21 درصد بیشتر از مقدار متوسط ​​(40/6860 کیلومتر مربع ) . همانطور که در شکل 6 نشان داده شده است ، آمار بدنه های آبی روندهای کاهشی را در حداکثر مساحت بدنه آبی نشان می دهد ( p<0.01) و مساحت بدنه آب فصلی ( p <0.01) از سال 1986 تا 2019. منطقه آبی دائمی ( p <0.01) و سطح بدنه آبی سالانه ( p <0.01) روند افزایشی را نشان دادند. SWA کل YRB در ابتدا کاهش یافت و سپس در طول دوره مطالعه افزایش یافت. بر اساس مدل رگرسیون خطی، مساحت آب سالانه در YRB به میزان 27.2 کیلومتر مربع در سال از سال 1986 تا 2019 افزایش یافته است.
شکل 10 تغییرات در انواع مختلف آب در شش منطقه فرعی در YRB را نشان می دهد. توده های آبی فصلی روند کاهشی را در هر شش زیر منطقه نشان دادند. منطقه منبع دارای بیشترین نرخ تغییر به میزان 20.66- کیلومتر مربع در ساعت است که 25.99٪ را شامل می شود. بدنه های آبی دائمی روند افزایشی را در هر شش زیر منطقه نشان دادند. بخش Huayuankou-Lijin دارای بیشترین نرخ تغییر 17.1 km2 / a با 34.34٪ بود. در میان بخش‌های فرعی باقی‌مانده، در بخش Huayuankou–Lijin، بزرگترین بدنه آبی روندی افزایشی را نشان داد (9.33 کیلومتر مربع بر الف). منطقه منبع بیشترین روند منفی (16.85 کیلومتر مربع) را داشت/a)، با 34.87٪. به جز در منطقه منبع و بخش Toudaoguai-Longmen که روندهای کاهشی جزئی تقریباً 1-km2 / a را نشان می دهد، بخش Huayuankou-Lijin همچنان قوی ترین روند افزایشی را از نظر میانگین حجم سالانه آب داشته است (13.85 کیلومتر). 2 /a)، 44.48٪ در کل YRB را شامل می شود.
شکل 11 نرخ تغییر انواع مختلف بدنه‌های آبی را در 86 زیرحوضه YRB از سال 1986 تا 2019 نشان می‌دهد. حوضه رودخانه داون دارای بالاترین نرخ رشد دائمی SWA (1.63 کیلومتر مربع بر ثانیه) است، در حالی که حوضه Kequ دارای بالاترین نرخ رشد SWA دائمی است. حوضه رودخانه بالاترین نرخ کاهش دائمی SWA (-0.24 کیلومتر مربع / a) را داشت. رودخانه Yiluohe (0.54 km2 / a) بالاترین نرخ رشد فصلی SWA را داشت و رودخانه Wei (-5.56 km2 / a) بالاترین نرخ کاهش فصلی SWA را داشت. رودخانه Yiluohe (1.89 km2 / a) بالاترین حداکثر نرخ رشد SWA را داشت و رودخانه Wei (-4.99 km2 / a) بالاترین حداکثر نرخ کاهش SWA را داشت. رودخانه داون (1.63 کیلومتر مربع/a) دارای بالاترین میانگین سالانه نرخ رشد SWA و Huangshui (-0.74 کیلومتر مربع / a) بالاترین نرخ کاهش را داشت.

3.4. تبدیل انواع مختلف آب های سطحی

انواع تبدیل بین آب های مختلف از سال 1986 تا 2019 به تبدیل غیرآبی به فصلی، غیرآبی به دائمی، فصلی به غیرآبی، فصلی به دائمی، دائمی به غیرآبی و دائمی به فصلی تقسیم شد. الگوی فضایی انواع مختلف تبدیل در شکل 12 و شکل 13 نشان داده شده است . رایج ترین تبدیل در منطقه منبع، از توابع فصلی به غیرآبی، با مساحت تبدیل 357.05 کیلومتر مربع بود ، در حالی که کمترین تبدیل از توابع غیر آبی به آب دائمی، با مساحت تبدیل 39.7 کیلومتر مربع بود . . با مساحت تبدیل 241.87 کیلومتر مربع، تبدیل‌های فصلی به توده‌های غیرآبی در بخش Tangnaihai-Qingtongxia رایج‌ترین بودند. برعکس، تبدیل‌های بدنه‌های غیرآبی به توده‌های آبی فصلی با مساحت تبدیل 10.03 کیلومتر مربع کمترین میزان رایج را داشتند . انتقال از توده‌های غیرآبی به توده‌های آبی دائمی کمترین میزان را در بخش Qingtongxia-Toudaoguai داشت، در حالی که انتقال از بدنه‌های فصلی به غیرآبی با مساحت 414.35 کیلومتر مربع رایج‌ترین بود . در بخش Toudaoguai-Longmen، رایج‌ترین تبدیل از توده‌های آبی فصلی به آب‌های دائمی با مساحت تبدیل 104.5 کیلومتر مربع بود ، در حالی که کمترین تغییر از بدنه‌های غیرآبی به آب‌های فصلی، با مساحت تبدیل 19.62 بود. کیلومتر2 . سناریوی طولانی هوآ قابل مقایسه با بخش Qingtongxia-Toudaoguai است که در آن کمترین تغییر از بدنه‌های غیرآبی به بدنه‌های آبی دائمی با مساحت تبدیل 12.2 کیلومتر مربع بود ، در حالی که بیشترین تغییر از فصلی به غیر فصلی بود. توده های آبی، با مساحت تبدیل 173.75 کیلومتر مربع .
شکل 14 بیشتر SWA ها را در انواع مختلف تبدیل بدنه آبی در هر زیرحوضه نشان می دهد. می توان مشاهده کرد که تبدیل بدنه های آبی در YRB ناهمگنی فضایی قوی را نشان می دهد. بزرگترین تبدیل بدنه های غیر آبی به آب های دائمی در رودخانه داون (2.58 کیلومتر مربع ) و کوچکترین آن در جیاکو (0 کیلومتر مربع ) رخ داده است. بزرگترین تبدیل بدنه های غیر آبی به آب های فصلی در Duoqu (11.23 کیلومتر مربع ) و کوچکترین در Jiaqu (0 km2) رخ داده است. بزرگترین تبدیل آب فصلی به غیرآبی در هوانگشوئی (122.51 کیلومتر مربع ) و کمترین آن در یانگجیاچوان (0 کیلومتر مربع) رخ داده است .). بزرگترین تبدیل بدنه های آبی فصلی به آب های دائمی در Weihe (18.60 کیلومتر مربع ) و کمترین آن در Hulouhe (0 کیلومتر مربع ) رخ داد . بزرگترین تبدیل بدنه های آبی دائمی به غیرآبی در Huangshui (22.31 کیلومتر مربع ) و کوچکترین آن در رودخانه Pianguan (0 km2) رخ داد . بیشترین تبدیل بدنه های آبی دائمی به آب های فصلی در هوانگشوی (13.96 کیلومتر مربع ) و کمترین آن در رودخانه قوچان (0 کیلومتر مربع ) رخ داده است.

3.5. رابطه بین SWA و عوامل محیطی

به منظور کشف اثرات تامین آب، گرم شدن جو، سبز شدن پوشش گیاهی، و SM سطح بر SWA، ما تجزیه و تحلیل همبستگی جزئی را برای استخراج همبستگی بین SWA و Pre، Temp، LAI و SM انجام دادیم. طی سال‌های 1986 تا 2019، Pre، LAI، Temp، و SM در کل YRB همگی افزایش یافتند، با نرخ تغییر Pre 1.69 km 2 / a بود، و نرخ‌های تغییر LAI، Temp و SM به همان اندازه نبود. بزرگ ( شکل 15 الف). ضرایب همبستگی جزئی بین انواع مختلف بدنه های آبی و Pre، Temp، LAI و SM در شکل 15 نشان داده شده است.ب انواع مختلف بدنه‌های آبی با دما همبستگی منفی داشتند، در حالی که LAI با انواع مختلف بدنه‌های آبی همبستگی مثبت داشت. ایجاد بدنه‌های آبی دائمی با افزایش SM سطحی که منجر به کاهش اندک در بدنه‌های آبی فصلی شد، کمک شد. هیچ یک از همبستگی های بین Pre و انواع مختلف بدنه های آبی معنی دار نبود.
همبستگی های متفاوتی بین SWA و Pre، Temp، LAI و SM در 86 زیرحوضه مشاهده شد ( شکل 16 و شکل 17). از نظر بدنه های آبی دائمی، در 62.8 درصد از زیرحوضه ها که عمدتاً در منطقه منبع قرار داشتند، همبستگی بین Pre و SWA منفی بود و رودخانه Longwu بالاترین ضریب همبستگی منفی را داشت. افزایش دما باعث کاهش SWA در 76.7 درصد حوضه ها شد که بیشتر در ناحیه سرچشمه و بالادست و میانی بود و رودخانه فن دارای بیشترین ضریب همبستگی منفی بود. همبستگی بین LAI و SWA در 86 درصد حوضه ها مثبت بود که کل YRB را در بر می گرفت و رودخانه Hantai بالاترین ضریب همبستگی مثبت را داشت. همبستگی بین SM و SWA در 9/70 درصد حوضه‌ها، عمدتاً در میان‌دسته‌ها مثبت بود و رودخانه کویه بیشترین ضریب همبستگی مثبت را داشت.
از نظر آب های فصلی، همبستگی بین Pre و SWA در 67.4 درصد از زیرحوضه ها، بیشتر در میان دست ها مثبت بود و رودخانه Qin دارای بالاترین ضریب همبستگی مثبت بود. SWA با افزایش دما در 94.2 درصد از حوزه های آبخیز در YRB کاهش یافت و ضریب همبستگی منفی Kariqu بالاترین بود. در 55.8 درصد از حوضه های آبخیز، LAI با SWA همبستگی مثبت داشت، در درجه اول در بخش میانی، و رودخانه Hashila بیشترین تأثیر مثبت را بر SWA داشت. در 55.8 درصد از حوضه ها، SM با SWA، عمدتاً در مناطق منبع و بالادست همبستگی مثبت داشت و Lenaqu بالاترین ضریب همبستگی مثبت را داشت. LAI با SWA همبستگی ناچیز داشت، اما همبستگی بین SWA و Pre، Temp،

4. بحث

4.1. مکانیسم تأثیر بالقوه عوامل محیطی بر SWA

بارندگی طبیعی منبع اصلی آب بدنه های آب سطحی در YRB است. با این حال، همبستگی‌های ناچیز بین Pre و انواع مختلف بدنه‌های آبی مشاهده شد ( شکل 15 )، که نشان می‌دهد Pre عامل اصلی تأثیرگذار بر تغییر SWA در YRB طی سال‌های 1986-2019 نبوده است. افزایش دما می تواند تبخیر بالقوه و کمبود فشار بخار اتمسفر را افزایش دهد و تبخیر واقعی آب های سطحی را تسریع کند [ 23 ]. شیا و همکاران در مطالعه خود در مورد رودخانه Huai [ 26 ] به همین نتیجه رسیدند.
طبق مطالعات، افزایش یا کاهش قابل توجه پوشش گیاهی می تواند الگوی آب های سطحی را تغییر دهد [ 50 ]. افزایش LAI می تواند سطح زمین را کاهش دهد، تابش خورشیدی جذب شده توسط تاج پوشش گیاهی را افزایش دهد، و تعرق و تبخیر رهگیری از پوشش گیاهی را افزایش دهد [ 51 ] ( شکل 18 a). افزایش گرمای نهان می تواند منجر به کاهش دمای سطح زمین و افزایش رطوبت هوا و در نتیجه کاهش تبخیر از آب های سطحی شود [ 52 ]. بنابراین، افزایش LAI پوشش گیاهی به افزایش SWA کمک می کند [ 53 ، 54]، و Zeng و همکاران. همین الگو را در مطالعات شمال شرقی چین و مناطق فلات لوس یافت [ 55 ]. علاوه بر این، پوشش گیاهی امپدانس رواناب سطحی را بهبود می بخشد و ET محبوس شده و ذخیره آب خاک [ 56 ] را به شدت افزایش می دهد، که ممکن است توسعه بدنه های آبی فصلی را تغییر دهد. بنابراین، بدنه های آبی فصلی به شدت با شاخص سطح برگ همبستگی ندارند.
رطوبت خاک یک متغیر مهم در چرخه آب و انرژی است زیرا بر نحوه تقسیم بارندگی به رواناب، ذخیره سطحی و اجزای نفوذ، و نحوه تقسیم تابش خورشیدی و امواج بلند ورودی به تابش امواج بلند خروجی، گرمای نهان تأثیر می گذارد. و غیره رطوبت خاک یک متغیر مهم در چرخه آب و انرژی است. از سوی دیگر، دمای سطح یک جزء کلیدی در برقراری تعادل گرما و رطوبت سطح زمین است. دمای سطح، موج بلند ورودی، گرمای محسوس و جریان گرمای سطحی را تعیین می کند. به طور کلی دمای سطح افزایشی را نشان می دهد که با کاهش رطوبت خاک مطابقت دارد [ 57]. با این حال، هرچه سطح SM بزرگتر باشد، لایه خاک ذخیره آب راحت‌تر اشباع می‌شود، بدنه آب سطحی ممکن است پس از شکل‌گیری طولانی‌تر باقی بماند و احتمال ایجاد یک بدنه آبی دائمی بیشتر می‌شود. همانطور که در شکل 15 و شکل 16 نشان داده شده است ، همبستگی بین SM و SWA برای بدنه های آبی دائمی مثبت و برای بدنه های آبی فصلی منفی بود.
با توجه به تعریف بدنه‌های آبی دائمی و فصلی، افزایش حجم آب دائمی برابر است با از دست دادن بدنه‌های آبی فصلی، با روند مخالف در تغییرات آنها و در نتیجه تغییرات عمده در تأثیر متغیرهای تأثیرگذار بر هر دو. لازم به ذکر است که در مقایسه با آب های فصلی، SWA بدنه های آبی دائمی با Pre و Temp همبستگی کمتری داشت و حتی با Pre همبستگی منفی داشت ( شکل 15 و شکل 16 ). این عمدتاً به این دلیل است که بیشتر آب های دائمی در ناحیه کانال اصلی توزیع شده اند ( شکل 18ب) و اثرات ذخیره سازی و تنظیم مخازن بزرگ واقع در کانال اصلی به طور قابل توجهی بر تغییر SWA در منطقه کانال تأثیر گذاشته است.
در مقابل، بدنه های آبی فصلی به طور کلی در زیر حوضه هایی قرار داشتند که در آن اثر مخازن کوچک بر SWA کمتر از مخازن بزرگ واقع در کانال اصلی بود. بنابراین، تغییر SWA بدنه‌های آبی فصلی بیشتر به بارش طبیعی و فرآیندهای هیدرولوژیکی وابسته بود. با این حال، گسترش گسترده پوشش گیاهی و اقدامات مهندسی حفاظت از آب به طور قابل توجهی توزیع مجدد بارش را از طریق مهار تاج پوشش، بستر، و جذب خاک تغییر داده است [ 58 ، 59 ]، که منجر به همبستگی ناچیز بین بارش و سطح آب سطحی [ 60 ] شده است.

4.2. عدم قطعیت ها

علیرغم اینکه روش F-mask برخی از ابرها و سایه های ابر را از تصاویر سنجش از دور حذف کرده است، ابرهای نازک شناسایی نشده یا مناطق سایه کوهستانی همچنان در این تحقیق بر استخراج بدنه آبی تأثیر می گذارد. اگرچه مجموعه قانون شاخص ترکیبی اتخاذ شده برای استخراج آب از دقت بالایی برخوردار بود، اما هنوز برخی از اشتباهات تشخیص بر اساس مقایسه با عکس‌های با وضوح بالا Google Earth وجود داشت. آستانه های WIF مورد استفاده برای تمایز بین آب های دائمی و فصلی در این مطالعه بر اساس یافته های تعداد زیادی از مطالعات قبلی است، اما این آستانه ها ممکن است بسته به مکان متفاوت باشد. در این مطالعه، همبستگی بین SWA و عوامل مؤثر مختلف با استفاده از روش ضریب همبستگی جزئی محاسبه شد. که فقط میزان همبستگی بین دو تغییر را به صورت آماری تجزیه و تحلیل کرد و اثرات عوامل مختلف تأثیرگذار بر SWA را به صورت کمی محاسبه نکرد. با این حال، این مطالعه اثرات متقابل بین چندین عامل کمک کننده را در نظر گرفته است که می تواند برخی عدم قطعیت های تحلیل تأثیر را کاهش دهد. همچنین لازم به ذکر است که به دلیل عدم مشاهدات آب های زیرزمینی، در این مطالعه از تأثیر تامین آب زیرزمینی بر SWA غفلت شد.

5. نتیجه گیری ها

در این مطالعه، ما تغییرپذیری مکانی-زمانی SWAs چهار نوع آب (میزان دائمی، فصلی، حداکثر و متوسط) و روابط آنها با بارش (پیش)، دما (Temp)، LAI، و SM سطح را تجزیه و تحلیل کردیم. با استفاده از تمامی تصاویر موجود لندست که از سال 1986 تا 2019 به دست آمده و روشی مبتنی بر شاخص آب و پوشش گیاهی است. نتایج نشان می‌دهد که دقت روش شناسایی بدنه آبی مورد استفاده در این مطالعه 97 درصد است، بر اساس تأیید صحت بر اساس تصاویر Google Earth با وضوح بالا.
SWA دائمی YRB با نرخ 49.82 کیلومتر مربع در سال افزایش یافت که بیشترین نسبت – 34.34٪ – در منطقه پایین دست اتفاق افتاد، در حالی که SWA فصلی با نرخ 79.18 کیلومتر مربع کاهش یافت ./y، با بیشترین نسبت – 25.99٪ – در منطقه منبع رخ می دهد. در 50 زیرحوضه از 86 زیرحوضه، SWA بدنه‌های آبی دائمی افزایش یافت و این زیرحوضه‌ها عمدتاً در قسمت میانی و پایین دست قرار داشتند. SWA بدنه‌های آبی فصلی در پنج زیرحوضه افزایش یافته است که فقط 5.8٪ از کل را تشکیل می‌دهد، که نشان می‌دهد تغییرات SWA در مناطق زیرحوضه عامل اصلی کاهش SWA در حوزه است. آب های فصلی از سال 1986 تا 2019 در YRB، تبدیل از بدنه‌های آبی فصلی به غیرآبی و از بدنه‌های آبی فصلی به دائمی، روند غالب بود.
برای بدنه‌های آبی دائمی، SWA با Pre و Temp همبستگی کمتری داشت و با Pre همبستگی منفی داشت ( شکل 15 و شکل 16 ) زیرا بیشتر بدنه‌های آب دائمی در ناحیه کانال اصلی توزیع شده بودند ( شکل 18 a). و اثرات ذخیره سازی و تنظیم مخازن بزرگ تراس واقع در کانال اصلی به طور قابل توجهی بر تغییرات SWA در منطقه کانال تأثیر گذاشت.
آب های فصلی عمدتاً در زیر حوضه ها قرار داشتند و آب های سطحی عمدتاً توسط فرآیندهای هیدرولوژیکی طبیعی کنترل می شدند. بنابراین، SWA بیشتر به عوامل اقلیمی وابسته بود. افزایش SM سطح می تواند منجر به ایجاد توده های آبی دائمی و همچنین کاهش حجم آب فصلی شود. با اصلاح شرایط آب و هوایی محلی، افزایش قابل توجهی در ET به دلیل افزایش پوشش گیاهی ممکن است تبخیر آب سطحی را کاهش دهد و تا حدی تبخیر سریعتر سطح آب ناشی از افزایش دمای هوا را جبران کند.

منابع

  1. Amprako, JL گزارش توسعه جهانی آب سازمان ملل متحد در سال 2015: آب برای جهانی پایدار. Future Food J. Food Agric. Soc. 2016 ، 4 ، 64-65. [ Google Scholar ]
  2. کوستانزا، آر. d’Arge، R. دی گروت، آر. فاربر، اس. گراسو، ام. هانون، بی. لیمبورگ، ک. نعیم، س. اونیل، RV; پارولو، جی. و همکاران ارزش خدمات اکوسیستمی و سرمایه طبیعی جهان Nature 1997 , 387 , 253. [ Google Scholar ] [ CrossRef ]
  3. چوب، EF; راندی، JK; تروی، تی جی. ون بیک، LPH; Bierkens، MFP; بلیت، ای. د رو، ا. دول، پی. اک، م. فامیگلیتی، جی. و همکاران مدل‌سازی سطح زمین با وضوح فوق‌العاده: مواجهه با یک چالش بزرگ برای نظارت بر آب‌های زمینی منبع آب Res. 2011 ، 47 ، W05301. [ Google Scholar ] [ CrossRef ]
  4. شویرنوگوف، AP; Kartushinsky، AV; Vysotskaya، GS کاربرد داده های ماهواره ای برای بررسی فرآیندهای دینامیکی در آب های داخلی: دریاچه شیرا (خاکاسیا، سیبری)، مطالعه موردی. آکوات. Ecol. 2002 ، 36 ، 153-164. [ Google Scholar ] [ CrossRef ]
  5. رابوس، بی. ایندر، م. راث، ا. باملر، آر. ماموریت توپوگرافی رادار شاتل – کلاس جدیدی از مدل‌های ارتفاعی دیجیتال که توسط رادار فضایی به دست آمده است. ISPRS J. Photogramm. Remote Sens. 2003 , 57 , 241-262. [ Google Scholar ] [ CrossRef ]
  6. هال، جی دبلیو. گری، دی. گاریک، دی. فانگ، اف. براون، سی. دادسون، اس جی. Sadoff، CW مقابله با نفرین تنوع آب شیرین. علوم 2014 ، 346 ، 429-430. [ Google Scholar ] [ CrossRef ]
  7. Tulbure، MG; برویچ، م. Stehman، SV; Kommareddy، A. دینامیک وسعت آب سطحی از سه دهه سری زمانی پیوسته فصلی Landsat در مقیاس شبه قاره در یک منطقه نیمه خشک. سنسور از راه دور محیط. 2016 ، 178 ، 142-157. [ Google Scholar ] [ CrossRef ]
  8. هوانگ، سی. چن، ی. ژانگ، اس. Wu, J. تشخیص، استخراج و نظارت بر آب های سطحی از فضا با استفاده از حسگرهای نوری: یک بررسی. کشیش ژئوفیس. 2018 ، 56 ، 333-360. [ Google Scholar ] [ CrossRef ]
  9. کول، جی جی. پریری، YT; کاراکو، NF; مک داول، WH; Tranvik، LJ; استریگل، آر جی. دوارته، سی ام. کورتلاینن، پی. داونینگ، جی. Middelburg، JJ Plumbing the Global Carbon Cycle: ادغام آبهای داخلی در بودجه کربن زمینی. اکوسیستم ها 2007 ، 10 ، 172-185. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. کارول، ام ال. تاونشند، جی آر جی؛ دی میسلی، سی ام. لوبودا، تی. سولبرگ، دریاچه‌های در حال کوچک شدن قطب شمال: روابط فضایی و مسیر تغییر. ژئوفیز. Res. Lett. 2011 ، 38 ، L20406. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. کراگلیا، ام. دی بی، ک. جکسون، دی. پسری، م. Remetey-Fülöpp، G. وانگ، سی. آنونی، ا. بیان، ال. کمبل، اف. اهلرز، ام. زمین دیجیتال 2020: به سوی چشم انداز دهه آینده. بین المللی جی دیجیت. زمین 2012 ، 5 ، 4-21. [ Google Scholar ] [ CrossRef ]
  12. جیانبو، ال. Changda، D. کاربرد تصویر TM در پایش وضعیت مخزن. Natl. سنسور از راه دور. 1996 ، 1 ، 54-58. [ Google Scholar ]
  13. Bi، HY; وانگ، سی. زنگ، جی. ژائو، ی. وانگ، اچ. یین، اچ. مقایسه و تحلیل چند روش متداول استخراج آب بر اساس تصویر TM. Remote Sens. Inf. 2012 ، 27 ، 77-82. [ Google Scholar ]
  14. جیاجو، ال. Shihong, L. بهبود تکنیک های تشخیص آب از داده های TM. J. Remote Sens. 1992 ، 1 ، 17-23. [ Google Scholar ]
  15. McFeeters، SK استفاده از شاخص تفاوت عادی آب (NDWI) در ترسیم ویژگی‌های آب آزاد. بین المللی J. Remote Sens. 1996 ، 17 ، 1425-1432. [ Google Scholar ] [ CrossRef ]
  16. Xu, H. مطالعه ای در مورد استخراج اطلاعات بدنه آبی با شاخص تغییر نرمال شده آب اصلاح شده (MNDWI). J. Remote Sens. 2005 ، 9 ، 589-595. [ Google Scholar ]
  17. Xu، H. اصلاح شاخص آب تفاوت نرمال شده (NDWI) برای افزایش ویژگی های آب باز در تصاویر سنجش از راه دور. بین المللی J. Remote Sens. 2006 ، 27 ، 3025-3033. [ Google Scholar ] [ CrossRef ]
  18. لی، جی. ژانگ، لی. Wylie, B. تجزیه و تحلیل آستانه های دینامیکی برای شاخص آب نرمال شده تفاوت. فتوگرام مهندس Remote Sens. 2009 ، 75 ، 1307-1317. [ Google Scholar ]
  19. ورپورتر، سی. کوتسر، تی. Tranvik، L. نقشه برداری خودکار آب با استفاده از داده های چند طیفی Landsat. لیمنول. Oceanogr. Methods 2015 ، 10 ، 1037-1050. [ Google Scholar ] [ CrossRef ]
  20. سانتورو، ام. وگمولر، یو. لامارچ، سی. بونتمپس، اس. دفومی، پ. Arino، O. نقاط قوت و ضعف اندازه‌گیری‌های چندساله Envisat ASAR backscatter برای نقشه‌برداری آب‌های آزاد دائمی در مقیاس جهانی. سنسور از راه دور محیط. 2015 ، 171 ، 185-201. [ Google Scholar ] [ CrossRef ]
  21. گومز، سی. سفید، JC; Wulder، MA داده های سری زمانی سنجش از دور نوری برای طبقه بندی پوشش زمین: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2016 , 116 , 55–72. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. خاتمی، ر. مونتراکیس، جی. Stehman، SV یک متاآنالیز تحقیقات سنجش از دور بر روی فرآیندهای طبقه‌بندی تصویر پوشش زمین مبتنی بر پیکسل نظارت شده: دستورالعمل‌های عمومی برای پزشکان و تحقیقات آینده. سنسور از راه دور محیط. 2016 ، 177 ، 89-100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. زو، ژ. دونگ، جی دبلیو. منارگوئز، MA; Xiao، XM; QIN، YW; دوغی، RB; هوکر، KV; هامبرایت، KD کاهش مستمر سطح آب سطحی باز در اوکلاهاما طی سال‌های 1984-2015. علمی کل محیط. 2017 ، 595 ، 451-460. [ Google Scholar ] [ CrossRef ]
  24. زو، ژ. Xiao، XM; دونگ، جی دبلیو. Qin، YW; دوغی، RB; منارگوئز، MA; ژانگ، جی ال. وانگ، جی. روندهای واگرا در ناحیه بدنه آب سطحی باز در ایالات متحده از 1984 تا 2016. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2018 ، 115 ، 3810–3815. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. لیو، XP؛ هو، جی اچ. چن، YM; لی، ایکس. Xu، XC; لی، سی. پی، اف اس. Wang, SJ نقشه برداری چندزمانی با وضوح بالا از زمین شهری جهانی با استفاده از تصاویر Landsat بر اساس پلت فرم موتور Google Earth. سنسور از راه دور محیط. 2018 ، 209 ، 227-239. [ Google Scholar ] [ CrossRef ]
  26. Xia، HM; ژائو، جی. Qin، YC; یانگ، جی. Cui، YM; آهنگ، HQ; Ma، LQ; جین، ن. منگ، QM تغییرات در سطح آب طی سال‌های 1989 تا 2017 در حوضه رودخانه Huai با استفاده از داده‌های Landsat و موتور گوگل ارث. Remote Sens. 2019 ، 11 ، 1824. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. ژو، ی. دونگ، جی دبلیو. Xiao، XM; شیائو، تی. یانگ، ZQ; ژائو، جی اس. زو، ژ. الگوریتم‌های نقشه‌برداری آب سطحی باز Qin، YW: مقایسه شاخص‌ها و حسگرهای طیفی مرتبط با آب. Water 2017 , 9 , 256. [ Google Scholar ] [ CrossRef ]
  28. دونگ، جی دبلیو. Xiao، XM; منارگوئز، MA; ژانگ، جی ال. Qin، YW; تاو، دی. بیرادار، سی. Moore III، B. نقشه برداری از منطقه کاشت برنج شالیزاری در شمال شرقی آسیا با تصاویر Landsat 8، الگوریتم مبتنی بر فنولوژی و موتور Google Earth. سنسور از راه دور محیط. 2016 ، 185 ، 142-154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. پکل، جی اف. کوتام، ا. گولیک، ن. Belward، AS نقشه برداری با وضوح بالا از آب های سطحی جهانی و تغییرات طولانی مدت آن. طبیعت 2016 ، 540 ، 418-422. [ Google Scholar ] [ CrossRef ]
  30. مولر، ن. لوئیس، ا. رابرتز، دی. حلقه.؛ ملروز، آر. لیمبرنر، ال. مکلنتاایر، ا. تان، پی. Curnow, S. مشاهدات آب از فضا: نقشه برداری از آب های سطحی از تصاویر 25 ساله لندست در سراسر استرالیا. سنسور از راه دور محیط. 2016 ، 174 ، 341-352. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. ژو، ی. دونگ، جی دبلیو. Xiao، XM; لیو، آر جی. زو، ژ. ژائو، جی اس. Ge، QS نظارت مستمر بر پویایی دریاچه در فلات مغولستان با استفاده از تمام تصاویر موجود Landsat و موتور Google Earth. علمی کل محیط. 2019 ، 689 ، 366-380. [ Google Scholar ] [ CrossRef ]
  32. وانگ، XX; Xiao، XM; زو، ژ. دونگ، جی دبلیو. دوغی، RB; منارگوئز، MA; چن، BQ; وانگ، جی بی. Ye, H. سودآوران و بازندگان منابع آب سطحی و زمینی در چین طی سال‌های 1989-2016. نات. اشتراک. 2020 ، 11 ، 3471. [ Google Scholar ] [ CrossRef ]
  33. تانگ، QH; لیو، XC; ژو، YY; وانگ، جی. تأثیرات آبشاری Yun، XB تغییر برج آب آسیایی بر سیستم‌های آب پایین دست. گاو نر چانه. آکادمی علمی 2019 ، 34 ، 1306-1312. [ Google Scholar ]
  34. جیا، اس. Liang, Y. پیشنهادات برای تخصیص استراتژیک منابع آبی رودخانه زرد تحت شرایط جدید. منبع. علمی 2020 ، 42 ، 29-36. [ Google Scholar ] [ CrossRef ]
  35. شیا، جی. پنگ، اس ام؛ وانگ، سی. هونگ، اس. چن، جی. لو، ایکس. تأثیر تغییر اقلیم بر منابع آب و مدیریت تطبیقی ​​در حوضه رودخانه زرد. رودخانه زرد 2014 ، 36 ، 15. [ Google Scholar ]
  36. لیو، سی ام؛ تیان، دبلیو. لیو، XM تجزیه و تحلیل و درک تغییرات رواناب رودخانه زرد در 100 سال اخیر. رودخانه زرد 2019 ، 41 ، 11–15. [ Google Scholar ]
  37. وانگ، آر.ام. Xia، HM; Qin، YC; نیو، WH; پان، ال. لی، آر.ام. ژائو، XY؛ Bian، XQ; نظارت پویای فو، PD بر سطح آب های سطحی در طول سال های 1989-2019 در دشت هتائو با استفاده از داده های landsat در موتور google Earth. Water 2020 , 12 , 3010. [ Google Scholar ] [ CrossRef ]
  38. لیانگ، ک. تغییرات لی، YZ در ناحیه دریاچه در پاسخ به اجبار آب و هوا در حوضه دریاچه اندورهیک Hongjian، چین. Remote Sens. 2019 , 11 , 3046. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. لو، دی ال. جین، اچ جی; دو، HQ; لی، سی. ما، س. Duan، SQ; Li، GS تنوع دریاچه‌های آلپی از سال 1986 تا 2019 در ناحیه سرآب رودخانه زرد، فلات تبت با استفاده از موتور Google Earth. Adv. صعود چانگ. Res. 2020 ، 11 ، 11-21. [ Google Scholar ] [ CrossRef ]
  40. لیو، ایکس. علل کاهش شدید آب و رسوب در سالهای اخیر در رودخانه زرد . انتشارات علمی: پکن، چین، 2016. [ Google Scholar ]
  41. لی، جی. پنگ، اس. لی، زی. شناسایی و نسبت دادن تغییرات پوشش گیاهی در فلات لس چین. کشاورزی برای. هواشناسی 2017 ، 247 ، 260-270. [ Google Scholar ] [ CrossRef ]
  42. جو، جی سی. روی، DP; ورموت، ای. ماسک، جی. Kovalskyy, V. اعتبارسنجی مقیاس قاره ای روش های تصحیح جوی مبتنی بر MODIS و LEDAPS Landsat ETM+. سنسور از راه دور محیط. 2012 ، 122 ، 175-184. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. زو، ز. وانگ، اس ایکس؛ Woodcock، CE بهبود و گسترش الگوریتم Fmask: تشخیص ابر، سایه ابر و برف برای تصاویر Landsats 4-7، 8 و Sentinel 2. سنسور از راه دور محیط. 2015 ، 159 ، 269-277. [ Google Scholar ] [ CrossRef ]
  44. لیو، ز. لی، ال. تیم، آر.ام. وانیل، تی جی؛ Li, R. معرفی نرم افزار درونیابی حرفه ای برای داده های هواشناسی: ANUSPLINN. هواشناسی دوشنبه 2008 ، 34 ، 92-100. [ Google Scholar ]
  45. مارتنز، بی. Miralles، DG; لیونز، اچ. ون در شالی، آر. de Jeu، RAM؛ فرناندز-پریتو، دی. بک، او؛ دوریگو، WA; Verhoest، NEC GLEAM v3: تبخیر زمین مبتنی بر ماهواره و رطوبت خاک ناحیه ریشه. Geosci. مدل Dev. 2017 ، 10 ، 1903-1925. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. شیائو، ز. لیانگ، اس. وانگ، جی. چن، پی. یین، ایکس. ژانگ، ال. Song, J. استفاده از شبکه های عصبی رگرسیون عمومی برای تولید محصول شاخص سطح برگ GLASS از بازتاب سطحی MODIS سری زمانی. IEEE Trans. Geosci. Remote Sens. 2014 ، 52 ، 209-223. [ Google Scholar ] [ CrossRef ]
  47. ژانگ، ایکس. لیو، LY; وانگ، YJ; هو، ی. Zhang، B. رویکرد طبقه‌بندی عملیاتی مبتنی بر SPECLib: یک آزمایش مقدماتی بر روی نقشه‌برداری پوشش زمین چین در 30 M. Int. J. Appl. زمین Obs. Geoinf. 2018 ، 71 ، 83-94. [ Google Scholar ] [ CrossRef ]
  48. دنگ، XY; آهنگ، CQ; لیو، ک. Ke، LH; ژانگ، WS; Ma، RH; زو، جی. Wu، QH تخمین سنجش از دور انسداد آب مخزن در مقیاس حوضه در رودخانه زرد بالایی و پیامدهایی برای تغییر دبی رودخانه. جی هیدرول. 2020 , 585 , 124791. [ Google Scholar ] [ CrossRef ]
  49. وانگ، سی. جیا، MM; چن، NC; وانگ، دبلیو. تجزیه و تحلیل دینامیک آبهای سطحی بلند مدت بر اساس تصاویر Landsat و پلت فرم موتور گوگل ارت: مطالعه موردی در حوضه رودخانه یانگ تسه میانی. Remote Sens. 2018 , 10 , 1635. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. اگینتون، پی. بیل، اف. باتل، جی. احیای جنگل – پیامدهای تغییر آب و هوا و منابع آب. برای. کرون 2014 ، 90 ، 516-524. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. وانگ، ز. کوی، ز. او، T. نسبت دادن روند تبخیر و تعرق در محدوده های بالایی و میانی حوضه رودخانه زرد با استفاده از محصولات تبخیر و تعرق جهانی. Remote Sens. 2021 , 14 , 175. [ Google Scholar ] [ CrossRef ]
  52. چن، XZ; لیو، LY; سو، YX; یوان، WP; لیو، XD; لیو، زی؛ ژو، GY ارتباط کمی بین اثرات عملکرد آب تغییرات پوشش جنگلی و اثرات بیوفیزیکی پوشش جنگلی بر دما. جی هیدرول. 2021 , 600 , 126529. [ Google Scholar ] [ CrossRef ]
  53. ژو، جی. سان، جی. وانگ، ایکس. ژو، سی. مک نالتی، اس جی; Vose, JM; آماتیا، DM برآورد تبخیر و تعرق اکوسیستم جنگلی در مقیاس های زمانی چندگانه با رویکرد تحلیل ابعادی 1. JAWRA J. Am. منبع آب دانشیار 2008 ، 44 ، 208-221. [ Google Scholar ] [ CrossRef ]
  54. وانگ، اس. فو، بی جی؛ او، CS; سان، جی. گائو، GY تجزیه و تحلیل مقایسه ای از پوشش جنگل و روابط عملکرد آب حوضه در شمال چین. برای. Ecol. مدیریت 2011 ، 262 ، 1189-1198. [ Google Scholar ] [ CrossRef ]
  55. زنگ، ی. یانگ، XK; نیش، NF; Shi, ZH جنگل کاری در مقیاس بزرگ به طور قابل توجهی آب سطحی دائمی را در مناطق بازسازی پوشش گیاهی چین افزایش می دهد. کشاورزی برای. هواشناسی 2020 , 290 , 108001. [ Google Scholar ] [ CrossRef ]
  56. ون دن هورک، BJJM؛ ویتربو، پی. Los, SO تأثیر فصلی شاخص سطح برگ بر تبخیر سالانه سطح زمین در یک مدل گردش جهانی. جی. ژئوفیس. Res. اتمس. 2003 ، 108 ، D6. [ Google Scholar ] [ CrossRef ]
  57. لاکشمی، وی. جکسون، تی جی؛ Zehrfuhs، D. روابط رطوبت و دما خاک: نتایج از دو آزمایش مزرعه. هیدرول. فرآیندها 2003 ، 17 ، 3041-3057. [ Google Scholar ] [ CrossRef ]
  58. هلوی، جی دی. Patric، JH Canopy و رهگیری زباله از بارندگی توسط چوب‌های سخت شرق ایالات متحده. منبع آب Res. 1965 ، 1 ، 193-206. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. جیان، اس کیو. ژائو، سی. نیش، اس ام; Yu, K. اثرات بازسازی پوشش گیاهی مختلف بر ذخیره آب خاک و تعادل آب در فلات لس چین. کشاورزی برای. هواشناسی 2015 ، 206 ، 85-96. [ Google Scholar ] [ CrossRef ]
  60. وو، دی اچ. ژائو، ایکس. لیانگ، اس ال. ژو، تی. هوانگ، KC; تانگ، بی‌جی؛ ژائو، WQ اثرات تأخیر زمانی واکنش‌های گیاهی جهانی به تغییرات آب و هوایی. گلوب. چانگ. Biol. 2015 ، 21 ، 3520-3531. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00305 g001 550
شکل 1. توزیع فضایی ایستگاه های هواشناسی و اندازه گیری در YRB. ایستگاه های گیج به ترتیب TNH، QTX، TDG، LM، HYK و LJ از بالادست به پایین دست هستند.
Ijgi 11 00305 g002 550
شکل 2. توزیع فضایی فراوانی مشاهدات واضح Landsat در YRB از سال 1986 تا 2019.
Ijgi 11 00305 g003 550
شکل 3. تغییرات سالانه در نسبت مساحت فرکانس با سطوح مختلف مشاهدات واضح Landsat در YRB.
Ijgi 11 00305 g004 550
شکل 4. تغییرات در WIF انواع مختلف آب های معمولی در YRB طی سال های 1986-2019.
Ijgi 11 00305 g005 550
شکل 5. اعتبارسنجی دقت طبقه‌بندی بدنه آبی در سال 2019 با استفاده از آستانه‌های مختلف WIF.
Ijgi 11 00305 g006 550
شکل 6. توزیع فضایی بدنه های آب سطحی به دست آمده از میانگین چند ساله WIF طی سال های 1986-2019.
Ijgi 11 00305 g007 550
شکل 7. مناطق انواع مختلف بدنه های آب سطحی به دست آمده از میانگین چند ساله WIF طی سال های 1986-2019 در YRB.
Ijgi 11 00305 g008 550
شکل 8. انواع مختلف بدنه های آبی در هر زیرحوضه برگرفته از میانگین چند ساله WIF طی سال های 1986-2019. پانل های ( a – d ) به ترتیب برای آب های فصلی، دائمی، حداکثر و متوسط ​​سالانه هستند.
Ijgi 11 00305 g009 550
شکل 9. تغییرات دینامیکی مستمر در انواع مختلف بدنه‌های آبی – از جمله حجم‌های آب فصلی، دائمی، حداکثر و میانگین سالانه – در کل YRB طی سال‌های 1986-2019.
Ijgi 11 00305 g010 550
شکل 10. نرخ های تغییر سالانه برای انواع مختلف بدنه های آبی در شش منطقه فرعی از بالا به پایین در YRB در طول سال های 1986-2019.
Ijgi 11 00305 g011 550
شکل 11. تغییرات در انواع مختلف بدنه های آبی در هر زیرحوضه در YRB طی سال های 1986-2019. پانل های ( a – d ) به ترتیب برای SWA های دائمی، فصلی، حداکثر و متوسط ​​سالانه هستند.
Ijgi 11 00305 g012 550
شکل 12. الگوی فضایی تبدیل آب های سطحی از سال 1986 تا 2019 در YRB.
Ijgi 11 00305 g013 550
شکل 13. SWA انواع مختلف تبدیل بدنه آب سطحی از 1986 تا 2019 در هر زیر منطقه در YRB.
Ijgi 11 00305 g014 550
شکل 14. انواع مختلف تبدیل بدنه آبی از سال 1986 تا 2019 در YRB. پانل های ( a – f ) به ترتیب برای تبدیل غیرآبی به دائمی، غیرآبی به فصلی، فصلی به غیرآبی، فصلی به دائمی، دائمی به غیرآبی و دائمی به فصلی هستند.
Ijgi 11 00305 g015 550
شکل 15. ( الف ) تغییرات سالانه در عوامل محیطی، و ( ب ) ضرایب همبستگی بین عوامل محیطی و انواع مختلف بدنه های آبی در کل YRB. ** نشان دهنده p < 0.01; * نشان دهنده p <0.05 است.
Ijgi 11 00305 g016 550
شکل 16. ضرایب همبستگی بین SWA و Pre ( a )، Temp ( b )، LAI ( c )، و SM ( d ) برای آب‌های دائمی در هر زیرحوضه.
Ijgi 11 00305 g017 550
شکل 17. ضرایب همبستگی بین SWA و Pre ( a )، Temp ( b )، LAI ( c )، و SM ( d ) برای آب های فصلی در هر زیرحوضه.
Ijgi 11 00305 g018 550
شکل 18. ( الف ) رابطه بین ET و LAI در کل YRB، و ( ب ) درصد سطح بدنه آب در منطقه کانال اصلی رودخانه و زیرحوضه‌های آب دائمی و فصلی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

20 نظرات

دیدگاهتان را بنویسید