هدف این مطالعه استخراج مساحت سطح آب و دمای آب سطح دریاچه (LSWT) و ارائه تجزیه و تحلیل مکانی-زمانی بلندمدت این متغیرها همراه با پارامترهای هواشناسی است. سه دریاچه در منطقه دریاچه های ترکیه به نام های دریاچه بوردور، ایگیردیر و بی شهیر به عنوان محل آزمایش در نظر گرفته شدند. شاخص تفاوت نرمال شده آب (NDWI) برای استخراج وسعت آب در پلت فرم مبتنی بر ابر Google Earth Engine (GEE) برای داده های Landsat 5 و 8 از سال 2000 تا 2021 اعمال شد. علاوه بر مساحت سطح دریاچه، از تصاویر حرارتی لندست برای بررسی LSWT استفاده شد. یافته‌ها نشان داد که پیکسل‌های آب را می‌توان با دقت با استفاده از NDWI، با دقت کلی 98 درصد استخراج کرد. بین سال‌های 2000 و 2021، ارزش سطح آب دریاچه بوردور بیش از 22 درصد کاهش یافت. در حالی که دریاچه Egirdir کمتر از 4٪ کاهش یافته است و دریاچه Beysehir تغییر محسوسی نداشته است. LSWT دریاچه های Burdur و Egirdir به ترتیب بیش از 2.13 درجه سانتیگراد و 0.32 درجه سانتیگراد افزایش یافت، در حالی که برای دریاچه Beysehir حدود 1.5 درجه سانتیگراد کاهش یافت. نتایج به‌دست‌آمده با پارامترهای هواشناسی مورد ارزیابی قرار گرفت و یافته‌های ما نشان داد که فعالیت‌های ناشی از انسان بر خلاف سایرین، بر دریاچه بوردور غالب‌تر از اثرات آب و هوایی بود.

کلید واژه ها:

دمای آب سطح دریاچه (LSWT) ؛ شاخص اختلاف آب نرمال شده (NDWI) ; موتور Google Earth (GEE) ؛ سنجش از دور (RS) ؛ لندست ; ترکیه ; منطقه دریاچه

1. مقدمه

دریاچه ها از جمله مهم ترین منابع آبی هستند که برای اکوسیستم و آب و هوای منطقه ای حیاتی هستند زیرا نقش های متعددی مانند تامین آب آشامیدنی و تنظیم تغییرات آب و هوایی دارند، علاوه بر این به عنوان مکان های طبیعی احیا، آب های ماهیگیری، مخازن آب های زیرزمینی و … ترویج توسعه پایدار هر کشور و هر ملتی تلاش می کند تا آب را حفظ کند و از کمترین مقدار آب استفاده کند، زیرا حیات همه موجودات زنده به آن بستگی دارد. آب‌های سطحی مانند رودخانه‌ها، دریاچه‌ها، اقیانوس‌ها و تالاب‌ها برای تعادل اکولوژیکی محیط و چرخه هیدرولوژیکی حیاتی هستند [ 1 , 2 ]]. تغییرات اقلیمی و فعالیت های انسانی ممکن است تأثیر چشمگیری بر تغییرات بین سالانه و درون سالانه آب های سطحی داشته باشد، که ممکن است تأثیر عمیقی بر جامعه انسانی و اکوسیستم ها داشته باشد [ 3 ، 4 ]. علل اولیه زوال و از بین رفتن آب داخلی شامل تغییرات کاربری زمین، گسترش در مناطق کشاورزی، انحراف آب توسط سدها، زیرساخت های فاضلاب (به ویژه در دره های رودخانه ها و مناطق ساحلی)، آلودگی هوا و آب، و تخلیه مواد مغذی [ 5 ] است.]. تغییرات سطح آب ناشی از فعالیت های انسانی در درجه اول مربوط به برداشت آب به دلایل کشاورزی و مصارف خانگی است. نقشه برداری مکانی-زمانی وسعت سطح آب دریاچه برای ارزیابی اثرات اکولوژیکی و زیست محیطی حیاتی است. بنابراین، به دست آوردن داده های قابل اعتماد در مورد پویایی چنین سطوح آبی به تصمیم گیرندگان در حفاظت از آنها به دلیل مزایای متعددی که در بالا ذکر شد، کمک می کند و آنها را قادر می سازد تا استراتژی های مدیریت بلندمدت را توسعه دهند.
سنجش از دور (RS) به عنوان یک ابزار مقرون به صرفه برای نظارت بر تغییرات مکانی و زمانی در منابع آب سطحی بدون تماس مستقیم با جسم یا زمین استفاده شده است [ 6 ، 7 ]. پوشش گسترده، فرکانس بازگشت بالا، محتوای اطلاعات غنی و هزینه نسبتاً پایین ویژگی های اولیه داده های تصویر RS هستند که در نقشه برداری کاربری زمین و پوشش زمین با طیف های زمانی-فضایی متنوع مورد استفاده قرار می گیرند. تصاویر ماهواره ای امکان تشخیص توده های آب سطحی را در یک منطقه وسیع در یک لحظه مشخص می کنند. از آنجایی که داده های ماهواره ای به راحتی در دسترس هستند و در زمان کارآمد هستند، فناوری RS به یکی از پرکاربردترین ابزارها برای شناسایی آب های سطحی در سال های اخیر تبدیل شده است [ 1 ، 8 ].]. سنسورهای ماهواره‌ای که معمولاً برای نقشه‌برداری و نظارت بر سطح آب استفاده می‌شوند، عبارتند از: رادیومتر پیشرفته با وضوح بسیار بالا (AVHRR) [ 9 ]، طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS) [ 10 ، 11 ]، Systeme Probatoire d’Observation de la Terre. SPOT) [ 12 ]، مجموعه رادیومتر تصویربرداری مادون قرمز مرئی رادیومتر تصویربرداری مادون قرمز مرئی (VIIRS) [ 13 ]، Landsat [ 14 ، 15 ، 16 ] و Sentinel-2 [ 17 ، 18 ]] تصاویر ماهواره ای یکی از پرکاربردترین حسگرهای نوری در منابع آب های سطحی و سایر تحقیقات زیست محیطی، سری ماهواره های لندست با رکورد طولانی مدت داده و پوشش بازگشتی گسترده آن است. حسگرهای تمام مأموریت های لندست یکی از مفیدترین، رایگان ترین و پیوسته ترین مجموعه داده ها را با وضوح زمانی 16 روزه برای تشخیص و نظارت طولانی مدت سطح زمین از سال 1972 در اختیار جامعه علمی قرار داده اند [ 19 ].
از سال 2008، محققان از تمام تصاویر قابل دسترس Landsat برای بدست آوردن بهتر اطلاعات تغییر آب های سطحی به لطف اشتراک گذاری باز داده های Petabyte-Scale Landsat استفاده کرده اند [ 20 ]]. به طور همزمان، در سال های اخیر، چندین پلت فرم محاسبات ابری برای تجزیه و تحلیل داده های مکانی در مقیاس بزرگ بدون نیاز به دانش فنی یا تلاش زیاد ایجاد شده است و پتانسیل زیادی را در نقشه برداری پوشش زمین در مقیاس بزرگ نشان داده اند. پلتفرم‌های رایانش ابری مانند Google Earth Engine (GEE) پلت‌فرم‌های مبتنی بر ابر معمولی هستند که می‌توانند داده‌ها را به صورت ذاتی موازی و با کارایی بالا مدیریت کنند و GEE شامل داده‌های سنجش از راه دور چند پتابایتی است که برای آماده‌سازی از قبل پردازش شده است. – استفاده آزادانه و موثر همچنین برای بررسی تغییرات وسعت آب دریاچه ها در طول زمان انجام می شود [ 21 ].
تشخیص سطح آب ارتباط نزدیکی با مطالعات مبتنی بر RS دارد. تکنیک های مختلفی برای استخراج اطلاعات بدنه آب های سطحی توسعه داده شده است زیرا برای کاربردهای عملی مانند نقشه برداری سطح آب، نیاز به تبدیل تصاویر سنجش از راه دور به اطلاعات است. بسیاری از مطالعات از ترکیبی از روش‌های شاخص طیفی آب استفاده کردند که در آن‌ها می‌توان مناطق سطح آب را با دقت، سریع و آسان استخراج کرد. به گفته بوما و همکاران. [ 22 ]، شاخص تغییر نرمال شده آب اصلاح شده (MNDWI) یک شاخص موثر برای نقشه برداری تغییرات منطقه اخیر در دریاچه چاد با دقت کلی حدود 96٪ بود و برای تخمین تغییرات در مساحت دریاچه از سال 2003 تا 2003 استفاده شد. 2016. شیا و همکاران. [ 4] داده‌ها را بر روی پلت فرم GEE با استفاده از 16760 صحنه موجود از تصاویر Landsat در حوضه رودخانه Huai از سال 1989 تا 2017 تجزیه و تحلیل کرد. برای تعیین کمیت تغییرپذیری مکانی-زمانی تغییرات سطح آب های سطحی در طول زمان استفاده می شود. وانگ و همکاران [ 23 ] از تمام تصاویر موجود لندست (7534 صحنه) برای درک تغییرات طولانی مدت سطح آب سطحی در دشت هتائو با استفاده از MNDWI، NDVI، و EVI برای نقشه برداری از آب های آزاد از سال 1989 تا 2019 در GEE استفاده کرد. پلت فرم ابری آنها تغییرپذیری بدنه های آبی را در طول 32 سال مطالعه کردند و با ارزیابی مساحت و تعداد بدنه های آبی مختلف، روند تغییر را شناسایی کردند. بای و همکاران [ 24] تغییرات دینامیکی را در سه نوع مجزا از دریاچه های داخلی در آسیای مرکزی بررسی کرد. در آن مطالعه، تصاویر Landsat به دلیل آرشیو گسترده بیش از 40 سال، برای تشخیص تغییرات مورد استفاده قرار گرفتند و یافته ها نیز با توجه به تغییرات آب و هوا و فعالیت های انسانی مورد تجزیه و تحلیل قرار گرفتند. در مطالعه دیگری، مساحت سطح دریاچه گرگوری در استرالیا با استفاده از داده های ماهواره لندست و تکنیک تصادفی توسط سلطانی و همکاران پیش بینی شد. [ 25 ].
جدا از اطلاعات سطح آب، دمای آب سطحی متغیر مهم دیگری است که بر بودجه انرژی زمین و بسیاری از فرآیندهای محیطی تأثیر می گذارد. دمای آب دریاچه ها به طور چشمگیری در سراسر جهان افزایش یافته است و این روند احتمالاً تأثیر منفی بر اکوسیستم های آبی خواهد داشت [ 26 ]. بنابراین، مطالعات متعددی بر روی دمای آب دریاچه انجام شده است. Yamak و Comert [ 27 ] از تصاویر Landsat برای استخراج نقشه دمای سطح زمین (LST) استفاده کردند و مقادیر پایین LST در مناطق پوشش گیاهی، مناطق جنگلی و تالاب ها مشاهده شد. در مطالعه Xie و همکاران. [ 28]، داده‌های MODIS LST برای بررسی تغییرات مکانی و زمانی در دمای آب سطح دریاچه (LSWT) دریاچه‌های چین بین سال‌های 2001 و 2016 مورد استفاده قرار گرفت. با میانگین نرخ 0.26 درجه سانتیگراد در دهه.
به دلیل خشکسالی و استفاده نادرست از منابع آبی، نیمی از آب های داخلی ترکیه در 40 سال گذشته کیفیت اکولوژیکی و اقتصادی خود را از دست داده اند [ 29 ]. تهدیدهای اصلی برای آب های داخلی در ترکیه، که دلایل اصلی تلفات هستند، شامل پروژه های زیرساختی آب بدون برنامه مانند سدهای ساخته شده بر روی رودخانه های تغذیه کننده دریاچه ها، علاوه بر انتقال آب بین حوضه ای، استفاده بیش از حد از آبیاری در کشاورزی، آلودگی، شکار و ماهیگیری غیرقانونی و سایر سرمایه گذاری های کلان مانند بزرگراه ها [ 30 ]. از داده های RS برای بررسی آب های داخلی ترکیه نیز استفاده شده است. با استفاده از تصاویر لندست، فتحی و همکاران. [ 31 ] مساحت دریاچه بی‌شهر را 652 کیلومتر مربع در سال 1984، 617 کیلومتر محاسبه کرد.2 در سال 2005 و 639 کیلومتر مربع در سال 2014. علاوه بر این، برای دریاچه ایگیردیر، وسعت سطح آب 463 کیلومتر مربع در سال 1984، 455 کیلومتر مربع در سال 1990، 458 کیلومتر مربع در سال 2004، و 454 کیلومتر مربع در سال 2013 بود. و همکاران [ 32 ] از تصاویر Landsat استفاده کرد و مشخص کرد که سطح آب دریاچه بوردور 13.74 متر (2-٪) کاهش یافته است و مساحت سطح دریاچه از 211 کیلومتر مربع به 130 کیلومتر مربع ( -38.39٪) طی 42 سال (1975-2017) کاهش یافته است. علاوه بر این، درویش اوغلو [ 30] تغییرات زمانی در سایت های داخلی رامسر ترکیه را با استفاده از تصاویر ماهواره ای Landsat و NDWI ارزیابی کرد. کشف شد که تالاب های داخلی با نرخ های متفاوتی بین سال های 1985 و 2020 کاهش یافته است. علاوه بر این، ابوجیاب و همکاران. [ 33 ] 570 صحنه Landsat را از GEE برای استخراج سطح دریاچه بوردور در طی یک دوره 34 ساله بین سال‌های 1984 و 2019 جمع‌آوری کرد، جایی که یک نوسان فصلی در ناحیه بدنه‌های آبی با ترکیب تکنیک استخراج پیشنهادی آنها با NDWI تعیین شد. با توجه به مطالعه اصلان و کوک سان [ 34]، سطح آب و LSWT دریاچه های بوردور و ایگیردیر با استفاده از تصاویر ماهواره ای لندست به دست آمده در سال های 1998، 2008 و 2018 مورد تجزیه و تحلیل قرار گرفت. بنابراین، پس از یک دوره 20 ساله، مشخص شد که افزایش مقادیر LSWT حدود 2.2 درجه است. C برای دریاچه Burdur و حدود 1.3 درجه سانتیگراد برای دریاچه Egirdir و سطح آب هر دو دریاچه کاهش یافت.
این مطالعه در ابتدا با هدف شناسایی و تجزیه و تحلیل تغییرات مکانی-زمانی در مناطق سطح آب و LSWTs دریاچه Burdur، Egirdir و Beysehir در منطقه دریاچه ها با استفاده از تصاویر Landsat از طریق پلت فرم GEE انجام شد. این تغییرات در سطح آب دریاچه‌های انتخاب شده بر اساس دوره‌ای از سال 2000 تا 2021 مورد ارزیابی قرار گرفت. بسیاری از مطالعات فوق از یک تصویر ماهواره‌ای برای هر سال تجزیه و تحلیل شده به‌جای مجموعه داده‌های سری زمانی استفاده کردند. برخی از آنها فقط وسعت آب های سطحی را تجزیه و تحلیل کردند، در حالی که دیگران فقط LSWT را بررسی کردند. علاوه بر این، تعداد کمی از آنها از پارامترهای هواشناسی برای درک تأثیر آب و هوا بر تغییرات استفاده کردند. در این مطالعه، تجزیه و تحلیل‌های بلندمدت دقیقی از تغییرات سطح آب و LSWT و رابطه آن‌ها با پارامترهای هواشناسی ارائه می‌کنیم. اولا، به منظور درک تغییرات بلندمدت، تمام تصاویر لندست بدون ابر موجود از سنسورهای Landsat TM و OLI که بین سال‌های 2000 تا 2021 به دست آمده‌اند، برای نقشه‌برداری از آب‌های آزاد تعیین شدند. در مرحله دوم، این مطالعه از NDWI برای شناسایی پیکسل‌های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (یعنی بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی انجام شد تا اثرات آب و هوایی بر سطح آب و LSWT آشکار شود. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. تمام تصاویر لندست بدون ابر موجود از سنسورهای Landsat TM و OLI که بین سال‌های 2000 تا 2021 به دست آمده‌اند، برای نقشه‌برداری از آب‌های آزاد تعیین شدند. در مرحله دوم، این مطالعه از NDWI برای شناسایی پیکسل‌های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (یعنی بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی انجام شد تا اثرات آب و هوایی بر سطح آب و LSWT آشکار شود. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. تمام تصاویر لندست بدون ابر موجود از سنسورهای Landsat TM و OLI که بین سال‌های 2000 تا 2021 به دست آمده‌اند، برای نقشه‌برداری از آب‌های آزاد تعیین شدند. در مرحله دوم، این مطالعه از NDWI برای شناسایی پیکسل‌های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (یعنی بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی انجام شد تا اثرات آب و هوایی بر سطح آب و LSWT آشکار شود. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. که بین سال های 2000 تا 2021 به دست آمد، برای نقشه برداری از آب های آزاد تعیین شد. در مرحله دوم، این مطالعه از NDWI برای شناسایی پیکسل‌های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (یعنی بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی انجام شد تا اثرات آب و هوایی بر سطح آب و LSWT آشکار شود. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. که بین سال های 2000 تا 2021 به دست آمد، برای نقشه برداری از آب های آزاد تعیین شد. در مرحله دوم، این مطالعه از NDWI برای شناسایی پیکسل‌های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (یعنی بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی انجام شد تا اثرات آب و هوایی بر سطح آب و LSWT آشکار شود. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. این مطالعه از NDWI برای شناسایی پیکسل های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (به عنوان مثال، بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی برای آشکار کردن اثرات آب و هوایی بر سطح آب و LSWT انجام شد. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. این مطالعه از NDWI برای شناسایی پیکسل های آب برای محاسبه وسعت آب دریاچه هر دریاچه استفاده کرد. ثالثاً، ما تصاویر LSWT را استخراج کردیم و اتصالات ادعایی بین وسعت آب دریاچه و متغیر LSWT را بررسی کردیم. در نهایت، تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (به عنوان مثال، بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی برای آشکار کردن اثرات آب و هوایی بر سطح آب و LSWT انجام شد. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (به عنوان مثال، بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی برای آشکار کردن اثرات آب و هوایی بر سطح آب و LSWT انجام شد. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد. تجزیه و تحلیل همبستگی نتایج به‌دست‌آمده با پارامترهای هواشناسی (به عنوان مثال، بارش، دما و تبخیر) جمع‌آوری‌شده از ماهواره‌های هواشناسی برای آشکار کردن اثرات آب و هوایی بر سطح آب و LSWT انجام شد. یافته های ما به عنوان خروجی های ارزشمند برای سایر کشورهای منطقه ای که به دنبال حفظ ذخایر آب هستند، عمل خواهد کرد.

2. منطقه مطالعه

200 دریاچه طبیعی ترکیه دارای مساحتی بالغ بر 906000 هکتار است که بیش از 1.6 درصد از مساحت کل کشور را تشکیل می دهد که توسط اداره کل حفاظت از طبیعت و پارک های ملی (GDNCNP) که زیر نظر وزارت کشاورزی و جنگلداری (MOAF) اداره می شود. ). فهرست ملی شامل 302 دریاچه و تالاب مجزا با مساحت 8.0 تا 357269 هکتار است [ 35 ]]. منطقه مورد مطالعه انتخاب شده در منطقه دریاچه ها است که در منطقه مدیترانه ترکیه بین عرض های جغرافیایی 37 درجه و 01 دقیقه شمالی و 38 درجه و 30 دقیقه شمالی و طول جغرافیایی 29 درجه و 33 دقیقه شرقی و 32 درجه و 21 دقیقه شرقی واقع شده است. حوضه و 16 دریاچه که اکثریت آنها منشأ تکتونیکی دارند. نیمه غربی منطقه شامل چندین حوضه بسته است که قابل توجه ترین آنها دریاچه بوردور است. منطقه شرقی (حوضه دریاچه بی‌شهیر و دریاچه سوگلا) شامل زیرحوضه‌های حوضه بزرگ قونیه است. بخش میانی این منطقه توسط یک تنگه طبیعی در سراسر دریاچه کووادا به دریای مدیترانه مرتبط است که به آب اضافی دریاچه ایگیردیر اجازه می دهد تا به رودخانه آکسو بریزد. در این منطقه ارتفاع از 1000 تا 1500 متر متغیر است. آب و هوای این منطقه در تابستان خشک و گرم و در زمستان سرد است.36 ]. در رکوردهای هواشناسی سال 2021، کمترین دما در گوکسون با 3.5 درجه سانتیگراد و بالاترین آن در کویچگیز 46.1 درجه سانتیگراد بوده است. برعکس، میانگین بارندگی سالانه 507.5 میلی متر در سپتامبر 2021 بود در حالی که میانگین بلندمدت 666.5 میلی متر [ 37 ] بود.
در این مطالعه، سه دریاچه اولیه در منطقه دریاچه‌ها به‌عنوان مکان‌های آزمایشی انتخاب شدند تا تغییرات سطح آب در بازه زمانی 2000 تا 2021 بررسی شود ( شکل 1 ). دریاچه بوردور (آب شور) در استان های بوردور و ایسپارتا قرار دارد. دریاچه ایگیردیر (آب شیرین) در استان ایسپارتا و دریاچه بی شهیر (آب شیرین) در استان های قونیه و اسپارتا واقع شده است. حداکثر وسعت، ارتفاع، حداکثر عمق و سایر خصوصیات مربوط به دریاچه های مورد بررسی در جدول 1 نشان داده شده است.

3. مواد و روشها

3.1. مواد

در این مطالعه، از دو سنسور ماهواره‌ای، از جمله Landsat 5 TM و Landsat 8 OLI/TIRS، برای پوشش دادن حداکثر دوره مطالعه از سال 2000 تا 2021 استفاده شد. /TIRS از سال 2013 تا 2021 پوشش را ارائه می دهد. ویژگی های هر سنسور در جدول 2 ارائه شده است. برای پرس و جو و تجزیه و تحلیل همه این تصاویر از پلتفرم GEE استفاده شد.
GEE یک پلت فرم محاسباتی مبتنی بر ابر است که امکان اجرای تجزیه و تحلیل جغرافیایی در زیرساخت ابری گوگل را فراهم می کند. برای ایجاد و اجرای اسکریپت ها، از یک محیط توسعه یکپارچه مبتنی بر وب (IDE) استفاده می شود. علاوه بر این، این IDE برای تجسم مطالعات جغرافیایی از طریق رابط برنامه نویسی برنامه جاوا اسکریپت (API) استفاده می شود. کتابخانه های GEE را می توان برای ساخت برنامه های جاوا اسکریپت و پایتون استفاده کرد [ 39]. GEE امکان فیلتر کردن و حذف تصاویر با کیفیت پایین را با استفاده از سایه ها، برف و ابرها فراهم می کند. تمامی تصاویر مورد استفاده در این تحقیق بر اساس مرزهای محل های آزمایش پوشانده شدند. تداوم سری زمانی با تجزیه و تحلیل هر چه بیشتر تصاویر بهبود یافت. مجموعه تصاویر از ماهواره های Landsat 5 TM و Landsat 8 OLI/TIRS با اعمال نسبت ابری کمتر از 10٪ (بدون ابر روی دریاچه ها) بر روی صحنه ها به دست آمد.
جدول
جدول 2. اطلاعات در مورد تصاویر ماهواره ای استفاده شده [ 40 ].
در این تحقیق، تمام 606 تصویر در دسترس بین سال‌های 2000 و 2021 برای بررسی تغییرات وسعت دریاچه در مقیاس‌های زمانی دقیق‌تر ( شکل 2 )، به‌جز سال 2012 به دلیل عدم وجود تصویر در آن سال استفاده شد. مطالعات قبلی [ 30 ، 33 ، 35 ، 41] از داده های کوتاه مدت و بلند مدت در پایش تغییرات رخ داده در سطح آب دریاچه ها استفاده کرده اند. با توجه به تشریح الگوهای بلندمدت نوسان آب های سطحی، تصاویر سال های مختلف باید در یک منطقه زمانی (دوره یکسان یک سال) گرفته شود که ممکن است منجر به ناهماهنگی در استخراج آب های سطحی و عدم اطمینان در نتایج شود. علاوه بر این، شناسایی بهترین زمان از سال برای یک تصویر واحد و یافتن تصاویری که در همان بازه زمانی سال‌های مختلف به دست آمده‌اند نیز مشکل ساز است. بنابراین، استفاده از تمام تصاویر قابل دسترس در یک سال به جلوگیری از این مشکلات نقشه برداری، اختلاف و ابهام کمک می کند. در نتیجه، تحقیقات جامعی برای تعیین تغییر مداوم مناطق آب های سطحی با استفاده از تصاویر کافی به دست آمده در چندین فصل و سال مورد نیاز است.
LSWT به دمای آب سطحی دریاچه اشاره دارد که یک شاخص حیاتی برای هیدرولوژی و بیوژئوشیمی دریاچه است. الگوهای دمای سطح در طول زمان می تواند بینشی در مورد چگونگی تأثیر تغییرات آب و هوا بر منطقه دریاچه ارائه دهد. با توجه به اصلان و کوک سان، رابطه ای بین وسعت سطح دریاچه از دست رفته و افزایش اندازه گیری های LSWT وجود دارد [ 34 ]]. مطالعات LST معمولاً از تصاویر Landsat استفاده می کنند که در میان پرکاربردترین انواع داده های RS هستند. در این مطالعه، داده‌های LSWT برای سه دریاچه با استفاده از باندهای حرارتی Landsat 5 TM و Landsat 8 OLI/TIRS و وارونگی تابع پلانک از طریق GEE محاسبه شد. این باندها تفکیک فضایی بومی 120 متر و 100 متر برای ماهواره های لندست 5 و لندست 8 به ترتیب دارند، اما پس از نمونه برداری مجدد به 30 متر توسط سازمان زمین شناسی ایالات متحده (USGS) ارائه می شوند.
میانگین دمای سطح جهان در طول قرن گذشته در حال افزایش بوده است، و پیش بینی می شود که تغییرات آب و هوایی در آینده تأثیر مخربی بر سیستم های آبی خواهد داشت [ 42 ]. تغییر اقلیم تأثیر منفی بر آب های ترکیه و سایر نقاط جهان دارد [ 43 ]. به گفته ابوجیاب و همکاران. [ 33در مطالعه ]، بین کاهش سطح آب و عوامل هواشناسی رابطه مثبت یا منفی قابل توجهی وجود دارد. بنابراین، برای نشان دادن اینکه آیا همبستگی بین سطح آب و LSWT با پارامترهای هواشناسی (دما، تبخیر و بارش) وجود دارد یا خیر، از مجموعه داده ماهانه ماهواره ERA5-Land و TerraClimate در این مطالعه استفاده شد. مجموعه داده ERA5-Land از متغیرهای زمین ERA5 با وضوح افزایش یافته تولید می شود. مراحل پردازش شامل مدل‌سازی داده‌ها با استفاده از مشاهدات جهانی سازگار با در نظر گرفتن قوانین فیزیک است و از سال 1981 داده‌ها (50 متغیر) را در یک شبکه یکنواخت با تفکیک مکانی تقریباً 11 کیلومتر ارائه می‌کنند. داده‌های ماهانه نیز با استفاده از میانگین داده‌های جمع‌آوری شده ساعتی تولید شده‌اند [ 44]. مجموعه داده ماهانه TerraClimate با ترکیب داده های CRU Ts4.0 با متغیر زمانی درون یابی شده و تحلیل مجدد 55 ساله ژاپنی (JRA55) با مجموعه داده WorldClim با وضوح مکانی بالا تولید می شود. برخلاف ERA5-Land، شبکه TerraClimate دارای وضوح مکانی نزدیک به 5 کیلومتر و 14 متغیر از سال‌های 1958 تا 2021 است [ 45 ]. هر دو مجموعه داده در پایگاه داده پلت فرم ابری GEE وجود دارد، بنابراین داده های مربوطه از پایگاه داده GEE برای این تحقیق بازیابی شدند.

3.2. مواد و روش ها

تکنیک‌های مختلفی برای استخراج اطلاعات منطقه آب‌های سطحی توسعه یافته‌اند، زیرا نیاز به تبدیل تصاویر سنجش از راه دور به اطلاعات برای کاربردهای عملی، مانند نقشه‌برداری پوشش زمین و آب‌های سطحی است. بسته به تعداد باندهای مورد استفاده، الگوریتم های موضوعی استخراج سطح آب را می توان به دو دسته اصلی تقسیم کرد: روش های تک باند و چند باند. روش‌های چند باندی که مبتنی بر شاخص آب طیفی هستند، به دلیل مزیت استفاده از تغییرات بازتابی مختلف در طیف که امکان جداسازی آب و سایر طبقات پوشش زمین را ممکن می‌سازد، بهتر از شاخص‌های آب تک باند در استخراج آب هستند. در همین حال، شاخص‌های آب برای استخراج منابع آب سطحی با استفاده از داده‌های سنجش از دور با موفقیت مورد استفاده قرار گرفته‌اند و از مزایای دقیق، ساده،4 ، 46 ]. جریان فرآیند روش شناسی این مطالعه در شکل 3 نشان داده شده است.

3.2.1. استخراج سطح آب

روش شاخص آب همراه با سایر شاخص های RS برای تعیین تفاوت اساسی بین یک بدنه آبی و یک بدنه غیر آبی که در آن استخراج آب کاملاً دقیق است، استفاده می شود. هنگام استخراج وسعت آب های سطحی زیاد، این رویکرد دارای مزایای سرعت، دقت، سادگی، انعطاف پذیری و تکرارپذیری است [ 23 ]. NDWI توسط McFeeters [ 47 ] در معادله (1) معرفی شد. این یک شاخص طیفی است که بازتاب آب را در نوار سبز به حداکثر می‌رساند در حالی که بازتاب آب را در باند مادون قرمز نزدیک (NIR) به حداقل می‌رساند [ 48 ]. مقیاس NDWI از -1 تا +1 است که در آن NDWI > 0 نشان دهنده آب است، در حالی که NDWI ≤ 0 نشان دهنده غیر آب است.

این مطالعه از NDWI برای استخراج مناطق سطح آب از تصاویر ماهواره‌ای Landsat استفاده کرد، زیرا بسیاری از مطالعات [ 46 ، 49 ، 50 ، 51 ] نشان دادند که NDWI نتایج رضایت‌بخشی ارائه کرد. مقدار آستانه صفر برای استخراج پیکسل‌های آب سطحی با تمام مقادیر مثبت NDWI به عنوان آب و همه مقادیر منفی و صفر NDWI به عنوان غیرآبی پیشنهاد شد.

NDWI = (سبز – NIR)/(سبز + NIR)

که در آن سبز نور مرئی سبز منعکس شده و NIR انرژی نزدیک به فروسرخ منعکس شده است.

3.2.2. ارزیابی دقت نقشه سطح آب استخراج شده
هدف از این بخش نشان دادن کارایی تکنیک استخراج آب سطحی پیشنهادی و تأیید کیفیت داده‌های استخراج مرز دریاچه است. برای تعیین ارزیابی دقت آستانه صفر NDWI در GEE برای هر دریاچه، نقشه NDWI با توجه به مرزها بریده شد. سپس تصاویری که کوچکترین و بزرگ ترین مساحت دریاچه را دارند پردازش شدند. نقاط تصادفی برای هر نقشه دریاچه مبتنی بر NDWI با در نظر گرفتن اینکه نقاط تمام سطح دریاچه و مرزهای آن را پوشش می‌دهند، انتخاب شدند. شکل 4).). بنابراین، در مجموع 318 نقطه برای دریاچه بوردور، 403 امتیاز برای دریاچه ایگیردیر، و 495 امتیاز برای دریاچه بی‌شهیر از تصاویر گوگل ارث با وضوح بالا انتخاب شد. سپس نقاط دقت با دریاچه بر روی تصویر چند طیفی لندست مقایسه شد تا بررسی شود که آیا آنها در آب هستند یا نه.
یک ماتریس سردرگمی همانطور که در جدول 3 نشان داده شده است، برای محاسبه دقت تولیدکننده، دقت کاربر، و دقت کلی ارائه شده توسط معادله (2) [ 52 ] تولید شد. علاوه بر این، ضریب کاپا برای ارزیابی میزان تطابق بین داده های مرجع و طبقه بندی کننده تصادفی محاسبه شد. می تواند بین -1 و 1+ متفاوت باشد، جایی که 1 نشان دهنده توافق کامل است [ 53 ]. برای انجام ارزیابی دقت با استفاده از ماتریس سردرگمی، چهار متغیر زیر باید شناسایی شوند:
TP: مقدار مثبت واقعی: تعداد پیکسل های آب صحیح.
FP: مقدار مثبت کاذب: اعداد نادرست پیکسل های آب.
FN: مقدار منفی کاذب: تعداد پیکسل های آب شناسایی نشده است.

TN: مقدار منفی واقعی: تعداد پیکسل های غیرآبی که به درستی رد شده اند.

دقت کلی (%) = (TP + TN) × 100/تعداد کل پیکسل (T)
جدول
جدول 3. ماتریس سردرگمی.
دقت تولید کننده، دقت کاربر و دقت کلی منعکس کننده پیش بینی های دقیق است و محدوده 0 تا 100 درصد را دارد که مقدار نزدیک به 100 درصد نشان دهنده دقت کامل است.
3.2.3. تعیین متغیر LSWT

در این مطالعه، وارونگی تابع پلانک، که یکی از دقیق ترین روش های بازیابی LST با میانگین RMSE برابر با 2.29 K [ 54 ] است، برای استخراج دمای سطح از تصاویر Landsat [ 55 ] استفاده شد. برای تصاویر ماهواره‌ای، یک فیلتر ابر روی GEE اعمال شد و تصحیح اتمسفر (که روشنایی/کنتراست، اثرات زاویه ارتفاع خورشیدی و اثر فاصله زمین-خورشید را تصحیح می‌کند) از طریق تبدیل‌های تابشی و بازتابی اجرا شد. علاوه بر این، تصاویر استفاده شده از طریق باندهای ارزیابی کیفیت (QA) در GEE بررسی شدند. گام اولیه در این رویکرد محاسبه مقادیر دمای روشنایی پس از محاسبه تابش طیفی با استفاده از فرمول های ارائه شده توسط یک مطالعه قبلی بود [ 56 ] بود.] بر اساس باندهای حرارتی هر سنسور. پس از آن، روش آستانه شاخص گیاهی نرمال شده و مقادیر LST تنظیم شده انتشار برای محاسبه مقادیر LSWT [ 57 ] استفاده شد. گسیل سطح زمین (ε) اثربخشی انرژی حرارتی است که از سطح به اتمسفر اطراف منتقل می شود [ 58 ، 59 ]. همه برنامه ها با استفاده از کد GEE برای هر سنسور Landsat بر اساس باند حرارتی آن اعمال شدند. لندست 5 دارای یک باند حرارتی (باند 6) است در حالی که لندست 8 دارای دو باند حرارتی (باند 10 و 11) است. بنابراین از باند 6 لندست 5 و باند 10 (TIR1) لندست 8 در اپلیکیشن استفاده شد. معادلات اساسی زیر در تعیین LSWT استفاده می شود [معادلات (3)-(7)]:

L (TOA) = (M L × Qcal) + A L

که در آن L (TOA) بالای مقدار تابش طیفی اتمسفر بر حسب وات بر متر 2 × sr × میکرومتر است. M L ضریب مقیاس مجدد ضرب خاص باند برابر با 0.055375 برای Landsat 5 و 0.0003342 برای Landsat 8 است. Qcal مقادیر پیکسل محصول استاندارد (DN) کوانتیزه و کالیبره شده است. A L ضریب تغییر اندازه برابر با 1.18243 برای Landsat 5 و 0.1 برای Landsat 8 است.

T B = K 2 / ln (K 1 / (L (TOA) + 1))

که در آن T B دمای روشنایی است. K 1 (وات / متر 2 × sr × میکرومتر) و K 2 (K) ثابت تبدیل حرارتی باند خاص به دست آمده از فایل ابرداده هستند: K1 = 607.76 و K2 = 1260.56 برای باند 6 از Landsat 5 TM، در حالی که K 1 = 774.89 و K 2 = 1321.08 برای باند 10 Landsat 8 OLI/TIRS.

LSWT = T B /(1+ ((λ × T B /α) × ln(ε)))

جایی که LSWT دمای آب سطح دریاچه است. ε تابش سطحی است. λ طول موج متوسط ​​باند است. α = 1.438 × 10-2 mK . گسیل سطح ε را می توان با استفاده از روش آستانه مبتنی بر NDVI، همانطور که در جدول 4 نشان داده شده است، تخمین زد [ 57 ، 60 ، 61 ].

�آرنوار بازتابی در ناحیه قرمز طیف الکترومغناطیسی است. NDVI با استفاده از باندهای بازتاب قرمز و NIR به صورت زیر به دست می آید:

NDVI = (NIR – قرمز)/(NIR + قرمز)

Pv [ 62 ] نسبت پوشش گیاهی است و توسط:

Pv = ((NDVI – NDVImin)/(NDVImax – NDVImin)) 2
به منظور ارزیابی نتایج LSWT، از داده‌های MODIS LST برای اعتبارسنجی متقاطع استفاده شد زیرا هیچ ایستگاه زمینی در سایت‌های آزمایش وجود ندارد. برای ارزیابی، میانگین سری زمانی LSWT با MODIS LST مقایسه شد و نتایج همبستگی برای هر دریاچه ارائه شد.

4. نتایج و بحث

4.1. ارزیابی دقت نقشه سطح آب استخراج شده

نتایج استخراج شده از تصاویر Landsat، بر اساس هر مرز دریاچه، نقطه به نقطه با نقشه NDWI برای نقشه‌های حداقل و حداکثر سطح آب مقایسه شد تا دقت نتایج ما نشان داده شود. جدول 5 کوچکترین و بزرگترین مقادیر مساحت دریاچه را علاوه بر دقت آنها برای کاربران، تولیدکنندگان و به طور کلی نشان می دهد.
پس از ایجاد ماتریس سردرگمی برای حداکثر و حداقل سطح آب در هر دریاچه طی یک دوره 21 ساله، صحت کلی نتایج بیش از 98 درصد بود، زیرا دقت تولیدکننده و دقت کاربر برای مناطق آبی بیش از 97 درصد بود. علاوه بر این، مقادیر ضریب کاپا نزدیک به 1 بود که نشان دهنده توافق کامل است. با توجه به نتایج تکنیک استخراج پیشنهادی در این مطالعه، ارزیابی نشان‌دهنده دقت بالایی در استخراج آب است که نشان‌دهنده اثربخشی و سادگی آن است. همچنین نشان می‌دهد که این رویکرد می‌تواند در سایر مناطق جغرافیایی مرتبط با زمینه‌های یکسان برای تحقیقات آینده مورد استفاده قرار گیرد.

4.2. تغییرات مکانی و زمانی وسعت آب دریاچه از سال 2000 تا 2021

4.2.1. دریاچه بوردور

دریاچه بوردور دارای ویژگی لب شور و آرسنیک بالایی است که آن را برای آبیاری مسکونی و کشاورزی نامناسب می کند [ 63 ]. با توجه به بررسی تصاویر بلندمدت سنجش از دور، مساحت سطح آب بین سال‌های 2000 تا 2021 به میزان قابل توجهی کاهش یافته است. تغییرات زمانی در سطح آب دریاچه و روند آن بین سال‌های 2000 تا 2021 به تصویر کشیده شده شکل 5 نشان داده شده است.است. شکی نیست که در طول دو دهه اخیر مساحت دریاچه به استثنای دوره 2003 تا 2004 به طور پیوسته کاهش یافته است. روند مساحت تا سال 2021 با همین سرعت کاهش داشته است. از دوره اول تا پایان مطالعه، مساحت سطح آب بیش از 22 درصد کاهش یافته است (35 کیلومتر مربع) . از متوسط ​​مساحت 156.1 کیلومتر مربع در سال 2000 به 121.4 کیلومتر کاهش یافته است. 2 در سال 2021. برای دستیابی به نتایج به‌دست‌آمده، از تحلیل روند سری‌های زمانی با آزمون ANOVA استفاده شد تا نشان دهد آیا این نتیجه خط روند از نظر آماری معنی‌دار است یا خیر، و نتایج آزمون این مقدار را در سطح معنی‌داری 01/ 0p < ثابت کرد.
شکل 6 a تغییرات فصلی سطح آب را بین سال‌های 2000 و 2021 نشان می‌دهد. دریاچه در بهار سال 2004 به حداکثر سطح آب خود با 159.3 کیلومتر مربع رسید و کمترین مقدار خود را در تابستان 2021 با 120.5 کیلومتر مربع دارد . از تصاویر Landsat می توان مشاهده کرد که بخش شمال شرقی دریاچه بیشترین خشکسالی را تجربه می کند ( شکل 6 a). نوارهای از دست رفته در شکل 6 a نشان می دهد که هیچ تصویر یا تصویری بدون ابر در طول فصل مشخص در آن سال وجود ندارد.
به طور کلی، به جز برای سال 2004 که مساحت سطح دریاچه به بالاترین مقادیر خود رسید و 0.68٪ بهبود یافت، مساحت سطح دریاچه بیشتر اوقات کاهش یافت همانطور که در شکل 6 ب نشان داده شده است که در آن تغییرات در سطح آب سالانه با توجه به مساحت سطح آب در سال 2000. بیشترین کاهش در سال 2021 رخ داد که مساحت سطح دریاچه 22.21٪ کاهش یافت.
دلایل اصلی چنین تغییر عظیمی تأثیرات تغییرات آب و هوایی بر حوضه و استفاده اغراق آمیز از منابع آبی است که قرار بود برای تغذیه دریاچه به دلیل نزدیک بودن دریاچه به مرکز شهر باشد. دریاچه بوردور، واقع در یک حوضه بسته، از نزولات جوی، جریان آب به دریاچه از رودخانه ها / نهرها و آب های زیرزمینی تغذیه می شود. در طول سال‌ها، سدها و برکه‌هایی بر روی نهرها/رودخانه‌هایی که آب را به دریاچه بوردور می‌رسانند ساخته شده‌اند، بنابراین تنها منبع آبی دریاچه بارش است. در نتیجه، پس از احداث سدها و حوضچه ها بر روی رودخانه ها/ نهرها که منابع اصلی تغذیه دریاچه هستند، سطح آب دریاچه به دلیل بارش کم و میزان تبخیر زیاد به سرعت کاهش یافت.
4.2.2. دریاچه ایگیردیر
دریاچه ایگیردیر یک دریاچه آب شیرین در منطقه ایسپارتا است که توسط نیروهای زمین ساختی و کارستی ایجاد شده است. این تالاب علاوه بر حوضه آب آشامیدنی طبیعی، با توجه به مزایای بیولوژیکی و مصارف آبیاری، تالاب قابل توجهی است. در دوره مطالعه برای دریاچه Egirdir، مشخص شد که مساحت سطح کمی کاهش یافته است. در طول چند ماه اول سال 2004، سطح آب دریاچه به اوج خود یعنی 464 کیلومتر مربع رسید و در پاییز سال 2021 به کمترین مقدار سطح آب دریاچه یعنی 440 کیلومتر مربع رسید که در شکل 7 مشاهده شده است که یک سری زمانی ارائه می کند. برای تغییرات سطح آب در طول دوره 21 ساله. ارزش سطح آب دریاچه که در سال 2004 به حداکثر خود رسید، بیش از 3 درصد (15 کیلومتر) کاهش یافت. 2 مشاهده شده است . از 458 کیلومتر مربع در سال 2000 تا 443 کیلومتر مربعدر سال 2021. برای این نتیجه، تجزیه و تحلیل روند سری زمانی با آزمون ANOVA برای نشان دادن اینکه آیا این نتیجه خط روند از نظر آماری معنی‌دار است یا خیر، استفاده شد و نتایج آزمون این مقدار را در سطح معنی‌داری 01/ 0p < ثابت کرد.
تغییرات فصلی سطح آب در شکل 8 الف نشان داده شده است. مساحت سطح دریاچه در فصول زمستان و بهار افزایش و در تابستان و پاییز کاهش یافت که نشان از نوسانات فصلی در وسعت دریاچه دارد. این امر به این دلیل است که در طول ماه های تابستان، اهداف آبیاری منجر به کاهش سطح آب های سطحی شده است. شکل 8 a نیز تغییرات فضایی سطح آب را برای اولین و آخرین فواصل ارزیابی نشان می دهد. نوارهای از دست رفته در شکل 8 a نشان می دهد که هیچ داده یا تصویری بدون ابر در طول فصل مشخص در آن سال وجود ندارد.
تغییرات در وسعت دریاچه Egirdir در طول دوره مطالعه فقط 5-15 کیلومتر مربع است که فقط 3-4٪ انحراف از وسعت در سال 2000 را نشان می دهد. همانطور که در مشاهده شد 8 مشاهده شده است.ب، تغییرات سالانه سطح آب دریاچه برای هر سال با توجه به سطح آب در سال 2000 مقایسه شد. بیشترین کاهش در دوره مورد مطالعه در سال 2021 مشاهده شد که وسعت سطح دریاچه به میزان 39/3 درصد کاهش یافت. هنگام مقایسه دریاچه های بوردور و ایگیردیر، دریاچه ایگیردیر تقریباً سه برابر بزرگتر از دریاچه بوردور در سال 2000 بود و به اندازه دریاچه بوردور به مرکز شهر نزدیک نیست. علاوه بر این، تعداد حوضچه ها و سدهای ساخته شده بر روی رودخانه ها/ نهرهای تغذیه کننده دریاچه به اندازه دریاچه بوردور نیست. این شرایط ممکن است با کمتر تحت تأثیر فعالیت های انسانی نسبت به دریاچه بوردور به منطقه آب های سطحی دریاچه Egirdir کمک کرده باشد.
4.2.3. دریاچه بی‌شهیر
سومین دریاچه بزرگ ترکیه، دریاچه بی‌شهیر، یک دریاچه آب شیرین است که در استان قونیه واقع شده است. در سال 1992 این دریاچه به عنوان منطقه حفاظت شده طبیعی تعیین شد و برای آبیاری و مصارف خانگی مورد استفاده قرار می گیرد. در دریاچه بی‌شهیر، پس از تجزیه و تحلیل تصاویر RS، تقریباً هیچ تغییری در سطح آب مشخص نشد. در طول دوره مورد مطالعه بین سال‌های 2000 و 2021، روند متوسط ​​منطقه کمی کمتر از 1٪ در سطح آماری معنی‌دار ( 01/ 0p ) افزایش یافته است، همانطور که در شکل 9 نشان داده شده است. مساحت 685 کیلومتر مربعبه عنوان حداکثر مقدار رخ داده در بهار 1392 تعیین شده است که سالی است که در طول دوره مطالعه افزایش قابل توجهی داشته است. این افزایش به دلیل افزایش میزان بارندگی در آن سال بوده است. علیرغم افزایش اندک جهت وسعت سطح آب طی دوره 21 ساله، مساحت سطح آب که در سال 2000 627 کیلومتر مربع بود ، در سال 2021 به 623 کیلومتر مربع کاهش یافت .
برخلاف فصول تابستان و پاییز، مقادیر سطح دریاچه در فصول زمستان و بهار به بالاترین سطحی که تا به حال ثبت شده است افزایش یافته است، همانطور که در شکل 10 a نشان داده شده است، جایی که بین بهار و پاییز، تغییرات کمی وجود داشته است. نتایج بهار معمولاً تا حدودی بیشتر از نتایج پاییز بوده است. این به این دلیل بود که از آب برای اهداف آبیاری استفاده می شد. نوارهای از دست رفته در شکل 10 a نشان می دهد که هیچ داده یا تصویری بدون ابر در طول فصل معین در آن سال وجود ندارد.
به طور کلی، کاهش در سطح دریاچه اغلب قبل از سال 2013 رخ داده است همانطور که در شکل 10 ب مشاهده می شود، که درصد تغییرات سالانه سطح آب را در مقایسه با سطح دریاچه در سال 2000 نشان می دهد. مساحت سطح دریاچه 2.25٪ با سطح آب کاهش یافت. ارزش مساحت 606 کیلومتر مربع در سال 2021 که در فصل پاییز ثبت شده است. در حالی که بالاترین میزان بازیابی در سطح آب دریاچه در سال 2013 بود، سالانه 3.18 درصد افزایش یافت.

4.3. رابطه بین LSWT و تغییرات وسعت آب دریاچه

مقادیر LSWT برای سه دریاچه مورد بررسی قرار گرفت، و یک روند صعودی برای دریاچه Burdur و دریاچه Egirdir مشاهده شد، در حالی که یک روند نزولی برای دریاچه Beysehir مشاهده شد. میانگین سالانه دریاچه بوردور در سال 2000 19.00 درجه سانتیگراد بود، در حالی که در سال 2021 به 21.10 درجه سانتیگراد افزایش یافت در حالی که 2.13 درجه سانتیگراد افزایش یافت. در حالی که در سال 2000 15.8 درجه سانتیگراد بود، در سال 2021 برای دریاچه Egirdir به 16.1 درجه سانتیگراد رسید. برای دریاچه بی‌شهیر، این مقدار در سال 2000 17.00 درجه سانتیگراد بود، در حالی که در سال 2021 به 15.50 درجه سانتیگراد کاهش یافت. شکل 11 مشاهده شد.، که میانگین سالانه LSWT را در طول دوره مطالعه به تصویر می کشد. هیچ تصویری برای سال 2012 در دسترس نبود. در نتیجه، مقدار دمای آب سال قابل محاسبه نیست. برخی از تصاویر به دلیل انحراف زیاد از مقادیر میانگین، که احتمالاً ناشی از حضور ابر یا شرایط جوی است، به‌عنوان پرت شناخته شدند.
در سال 1998، بر اساس اصلان و کوک سان [ 34 ]، مساحت دریاچه بوردور تقریباً 161 کیلومتر مربع بود ، اما تا سال 2018، 127 کیلومتر مربع کاهش یافت . بنابراین، بیش از 20٪ از مساحت سطح خود را در دو دهه گذشته از دست داده است، در حالی که مقدار LSWT 2.2 درجه سانتیگراد در طول مدت مشابه افزایش یافته است. بر اساس مطالعه ما پس از ارزیابی داده ها، دمای آب سطحی دریاچه بوردور افزایش یافته و روند به سمت بالا می رود. مقایسه مجموعه داده های 2000 و 2021 نشان می دهد که مساحت سطح دریاچه به میزان 35 کیلومتر مربع کاهش یافته است ، با افزایش LSWT 2.13 درجه سانتی گراد همانطور که در شکل 12 a نشان داده شده است، که نشان دهنده تغییرات در وسعت سطح دریاچه با LSWT است.
مقادیر متوسط ​​LSWT برای فصل های تابستان و پاییز در سال های 2000 و 2021 بر اساس نقشه های NDWI سال مربوطه برای نشان دادن تغییرات مکانی در LSWT ارزیابی و استخراج شده است. مقادیر LSWT بین 20.4 درجه سانتیگراد تا 35.7 درجه سانتیگراد در تابستان 2000 متغیر بود، در حالی که آنها بین 22.4 درجه سانتیگراد تا 35.9 درجه سانتیگراد در تابستان 2021 افزایش یافتند همانطور که در شکل 12 b,d نشان داده شده است که نقشه های LSWT را برای تابستان نشان می دهد. فصل سال 2000 و 2021 به ترتیب. در فصل پاییز، مقادیر LSWT بین 11.3 درجه سانتیگراد تا 20.5 درجه سانتیگراد در سال 2000 متغیر بود، در حالی که در همان فصل سال 2021 بین 15.5 درجه سانتیگراد تا 24.1 درجه سانتیگراد افزایش یافت، همانطور که در شکل 12 نشان داده شده است.ج، ای. دریاچه بیش از 22٪ از مساحت سطح خود را در طول دوره 21 ساله از دست داد، که نشان می دهد LSWT و وسعت سطح دریاچه در رابطه مستقیم با هم هستند.
اصلان و کوک سان [ 34 ] رابطه بین سطح دریاچه و تغییر در LSWT را تجزیه و تحلیل کردند و بیان کردند که مقادیر LSWT با کاهش وسعت دریاچه بین سال‌های 1998 و 2018 افزایش یافت. مقادیر LSWT دریاچه Egirdir بیش از 1.3 درجه افزایش یافت. C و مساحت سطح دریاچه کمتر از 4 کیلومتر مربع کاهش یافته است . بر اساس مقایسه مجموعه داده های 2000 و 2021 در مطالعه ما، LSWT دریاچه Egirdir بیش از 0.32 درجه سانتیگراد افزایش یافته است، در حالی که مساحت سطح آب در طول دوره مطالعه از 2000 تا 2021 به میزان 15 کیلومتر مربع کاهش یافته است، همانطور که در تصویر نشان داده شده است . شکل 13 a که تغییرات سطح دریاچه ها را با LSWT نشان می دهد.
برای نمایش تغییرات فضایی رخ داده در سطح آب به دلیل کاهش یا افزایش دمای آب، مقادیر متوسط ​​LSWT برای فصول تابستان و پاییز در سال‌های 2000 و 2021 محاسبه شده است. مقادیر LSWT بین 17.4 درجه سانتیگراد و 34.8 درجه سانتیگراد در تابستان 2000 متغیر بود، در حالی که در تابستان 2021 بین 20.9 درجه سانتیگراد تا 39.00 درجه سانتیگراد افزایش یافت همانطور که در شکل 13 b,d نشان داده شده است. در فصل پاییز، مقادیر LSWT بین 7.9 درجه سانتیگراد و 24.1 درجه سانتیگراد در سال 2000 متغیر بود، در حالی که آنها بین 9.8 درجه سانتیگراد تا 22.7 درجه سانتیگراد در همان فصل سال 2021 افزایش یافتند، همانطور که در شکل 13 c,e مشاهده می شود. این دریاچه در طول دوره 21 ساله کمتر از 3 درصد از مساحت سطح خود را از دست داده است، که نشان می دهد LSWT می تواند تأثیر جزئی بر وسعت دریاچه داشته باشد.
برای دریاچه بی‌شهیر، با توجه به مجموعه داده‌های سال‌های 2000 و 2021، LSWT تمایل نزولی دارد. شکل 14 a روند کاهشی در LSWT را با حدود 1.5 درجه سانتیگراد در سطح معنی داری آماری نشان می دهد ( p <0.01)، و مساحت سطح آب نیز کمتر از 3 کیلومتر مربع در طول دوره مطالعه کاهش یافته است.
تغییرات فضایی سطح آب با میانگین LSWT برای فصول تابستان و پاییز 2000 و 2021 استخراج شده است. مقادیر LSWT بین 20.6 درجه سانتیگراد تا 39.9 درجه سانتیگراد در تابستان 2000 متغیر بود، در حالی که آنها بین 21.3 درجه سانتیگراد و 31.9 درجه سانتیگراد در تابستان 2021 متغیر بودند، همانطور که در شکل 14 b,d نشان داده شده است. در فصل پاییز، مقادیر LSWT بین 11.9 درجه سانتیگراد و 26.7 درجه سانتیگراد در سال 2000 متغیر بود، در حالی که در همان فصل سال 2021 بین 15.4 درجه سانتیگراد تا 35.3 درجه سانتیگراد افزایش یافت که در شکل 14 c,e نشان داده شده است. تغییرات سطح در طول دوره 21 ساله حدود 1٪ بود، که نشان می دهد LSWT نمی تواند تأثیر بیشتری بر وسعت دریاچه داشته باشد.
از آنجایی که هیچ ایستگاه LST زمینی در منطقه وجود نداشت، ما میانگین سری زمانی LSWT را با MODIS LST برای هر دریاچه مقایسه کردیم. شکل 15 نمودار پراکندگی و مقادیر همبستگی بین LSWT و MODIS LST را برای هر سه دریاچه نشان می دهد. نتایج همبستگی بالای 0.93 بود که نشان داد مقادیر LSWT به‌دست‌آمده با داده‌های MODIS LST سازگاری بالایی دارد.

4.4. پارامترهای هواشناسی و تجزیه و تحلیل همبستگی با LSWT و میزان آب دریاچه

برای ارائه اثرات هواشناسی بر نتایج سری زمانی به‌دست‌آمده، تجزیه و تحلیل همبستگی LSWT و سطح آب سطحی با پارامترهای هواشناسی (دما، بارش و تبخیر) انجام شد. برای این منظور، ضریب همبستگی (R) بین LSWT و وسعت سطح آب به‌دست‌آمده از تصاویر ماهواره‌ای Landsat و پارامترهای هواشناسی جمع‌آوری‌شده از مجموعه داده‌های ERA5-Land و TerraClimate برای هر دریاچه تعیین شد. ERA5-Land دارای 50 متغیر در دسترس است، اما تنها از 4 پارامتر (دمای بالای 2 متر، دمای سطوح آب (دمای لایه مخلوط دریاچه)، تبخیر کل و بارش) در مطالعه استفاده شد. مجموعه داده TerraClimate دارای 14 باند است، در حالی که چهار باند، یعنی بارش کل، تبخیر و تعرق، در این مطالعه از نوارهای دمایی (دماهای حداقل و حداکثر) استفاده شد. میانگین دما نیز از باندهای دمایی حداقل و حداکثر محاسبه شد.
با هدف ارزیابی آمار سری‌های زمانی مجموعه داده‌های دما بین سال‌های 2000 تا 2020، نمودارهای جعبه‌ای برای هر دریاچه ایجاد شد که در شکل 16 نشان داده شده است. نمودارهای جعبه خلاصه ای از توزیع داده ها شامل حداکثر مقدار، چارک اول داده، مقادیر میانه و میانگین، ربع سوم داده و حداکثر مقدار هستند. مقدار متوسط ​​با ‘x’ در نمودارهای جعبه نشان داده می شود، و نقاط بالاتر از مقادیر حداقل/حداکثر ( شکل 17 a) نقاط پرت در مجموعه داده هستند. در باکس پلات ها، LSWT و دمای لایه مخلوط دریاچه دمای سطح دریاچه هستند، در حالی که دمای (2 متر) ERA5-Land و دمای متوسط ​​TerraClimate نشان دهنده دمای هوا است.
در حالی که حداکثر مقادیر LSWT دریاچه بوردور مقادیر نزدیک به دمای لایه مخلوط دریاچه را نشان می دهد، حداکثر مقادیر LSWT در دریاچه های Egirdir و Beysehir کمتر از دمای لایه مخلوط دریاچه است. علاوه بر این، حداکثر LSWT از بزرگ‌ترین به کوچک‌ترین را می‌توان به ترتیب به‌عنوان دریاچه بوردور، دریاچه بی‌شهیر و دریاچه ایگیردیر طبقه‌بندی کرد. دلیل اصلی می تواند موقعیت های جغرافیایی (ارتفاع) دریاچه ها باشد که در جدول 1 ارائه شده است. از نظر ارتفاعات، دریاچه بی‌شهیر با ۱۱۲۴ متر در بلندترین موقعیت در بین دریاچه‌ها قرار دارد. دریاچه های Egirdir و Burdur به ترتیب در ارتفاع 917 متری و 857 متری قرار دارند. برعکس، دلایل ثانویه ممکن است مربوط به کم عمقی آب و پیکسل های مخلوط در لبه خط ساحلی باشد.
پارامترهای مهم دیگر بارش و تبخیر هستند. با توجه به آمار این پارامترها برای هر دریاچه ( شکل 17 )، دریاچه بوردور نسبت به دریاچه ایگیردیر بارش کمتر و تبخیر بیشتری دارد. به همین ترتیب دریاچه ایگیردیر نسبت به دریاچه بی‌شهیر بارندگی کمتر و تبخیر کمی دارد. با این حال، حداکثر بارندگی دریاچه ها کاملاً متفاوت است و دریاچه بی شهیر بیشترین میزان بارندگی را دارد. این یافته‌ها همچنین نشان می‌دهد که آمار بارش و تبخیر و تعرق با در نظر گرفتن نتایج سطح آب معنی‌دار است.
تجزیه و تحلیل همبستگی ماهانه با داده های تولید شده (مساحت سطح آب و LSWT) و پارامترهای آب و هوا (دما، بارش و تبخیر/تعرق) انجام شد. مقادیر R به دست آمده از تجزیه و تحلیل همبستگی در جدول 6 ارائه شده است. مقادیر R به عنوان: بسیار زیاد (0.8 ≤ R ≤ 1.0)، زیاد (0.6 ≤ R <0.8)، متوسط ​​(0.4 ≤ R <0.6)، کم (0.2 ≤ R <0.4) و بسیار کم (0 < R) طبقه بندی شدند. < 0.2). علاوه بر این، یک آزمون معنی‌داری آماری دو طرفه برای نشان دادن میزان رابطه بین پارامترها استفاده شد. اهمیت آماری اغلب به عنوان p -value (مقدار احتمال) نامیده می شود. ص _ مقدار به ما اجازه می دهد تا تعیین کنیم که آیا بین دو متغیر همبستگی آماری معنادار وجود دارد یا خیر. به عنوان یک فرض کلی، الفp <0.05 معنی‌داری آماری را نشان می‌دهد در حالی که p <0.01 به عنوان معنی‌داری آماری بالا توضیح داده می‌شود. مشخص شد که بین LSWT و سطح آب همبستگی منفی وجود دارد. همبستگی ماهانه بین سطح آب و LSWT از نظر آماری بسیار معنی دار [( p <0.01) برای هر سه دریاچه] کشف شد. با این حال، همبستگی سالانه برای دریاچه Egirdir از نظر آماری معنی‌دار ( P <0.05) و همبستگی سالانه برای دریاچه Burdur و Beysehir از نظر آماری ناچیز بود ( p> 0.05). زیرا افزایش دمای هوا و تبخیر سطح آب دریاچه بوردور [ 64 ] را تحت تاثیر قرار داده است و منطقه کوچک دریاچه کمی LSWT را در زمان افزایش داده است. همچنین باید اینرسی سیستم های هیدرولوژیکی را که بر نتایج همبستگی به دست آمده تأثیر می گذارد، به خاطر بسپارید.
سطح آب نیز بر خلاف دریاچه بوردور با دما و تبخیر در دریاچه های بی شهیر و ایگیردیر از نظر آماری بسیار معنی دار (01/ 0p <) همبستگی ماهانه دارد. اگرچه کمترین بارش و بالاترین دما را دارد، اما هیچ ارتباطی بین سطح آب و تمام پارامترهای هواشناسی هر دو مجموعه داده در دریاچه بوردور وجود ندارد، اگرچه 22 درصد از دست دادن سطح آب وجود داشت. با این حال، همبستگی های کم و متوسط ​​در مقیاس سالانه تعیین شد.
دمای متوسط ​​TerraClimate نشان‌دهنده همبستگی آماری بسیار معنی‌دار ( 01/ 0p <) با LSWT برای همه دریاچه‌ها است. مجموعه داده‌های بارش و دما در TerraClimate نشان‌دهنده همبستگی بالاتری نسبت به ERA-5 Land در دریاچه بی‌شهیر است. LSWT از لحاظ آماری بسیار معنی دار را نشان داد ( ص<0.01) با مقادیر تبخیر و تبخیر و تعرق به جز دریاچه بی‌شهیر همبستگی دارد و همین الگو برای همبستگی آن با بارش در هر دو مجموعه داده برای همه دریاچه‌ها مشاهده شد. با توجه به نتایج می توان نتیجه گرفت که درجه حساسیت دریاچه ایگیردیر به دما و تبخیر با دریاچه بی‌شهیر یکسان است. این می تواند مربوط به میزان تلفات مشابه آب در این دریاچه ها باشد. برای همه دریاچه ها، بر خلاف دریاچه بوردور، روابط بین سطح آب و سایر پارامترهای هواشناسی برای دریاچه بی شهیر و دریاچه ایگیردیر زیاد است.

5. نتیجه گیری ها

هدف اصلی این تحقیق استفاده از تصاویر RS برای بررسی تغییرات دینامیکی در مناطق آب های سطحی دریاچه های طبیعی است. علاوه بر این، رابطه بین تغییرات وسعت آب و LSWT برای تسهیل درک بهتر علل تغییرات وسعت آب های سطحی مورد بررسی قرار گرفت. تجزیه و تحلیل RS برای تسهیل پردازش سریع و مؤثر بسیاری از تصاویر ماهواره‌ای در محیط ابری GEE انجام شد که امکان ایجاد یک پایگاه داده جدید برای تغییرات مکانی-زمانی دریاچه‌های طبیعی را فراهم می‌کند. مزایای ایجاد چنین پایگاه داده ای از طریق استفاده از ابزارهای فناورانه جدید مانند RS شامل تغییرات طولانی مدت در سطح آب برای توجه تصمیم گیرندگان و سایر مقامات مسئول مدیریت پایدار منابع آب است. آنالیزها به این روش در پلتفرم GEE بدون نیاز به دانلود تصاویر ماهواره ای انجام شد. تصاویر RS از مجموعه‌های Landsat 5 TM و Landsat 8 OLI/TIRS برای نشان دادن منطقه تحقیقاتی استفاده شد و 10% آستانه ابر بر اساس مرزهای هر دریاچه بر روی این تصاویر اعمال شد. علاوه بر این، کیفیت تمام تصاویر با استفاده از باندهای QA بررسی شد.
این مطالعه شامل 606 تصویر لندست است. تصاویر Landsat 5 TM از سال 2000 تا 2011 قابل دسترسی بودند، در حالی که تصاویر Landsat 8 OLI از سال 2013 تا 2021 در دسترس بودند، بنابراین در سال 2012 هیچ تصویری در دسترس نبود. بزرگتر از صفر آب در نظر گرفته شد. در ویرایشگر کد GEE، مقادیر NDWI برای تمام تصاویر موجود در مجموعه محاسبه و برای استخراج سطح آب مورد استفاده قرار گرفت. نتایج نشان می‌دهد که پیکسل‌های آب را می‌توان به خوبی با استفاده از NDWI با دقت کلی بالای ۹۸ درصد برای تمام مناطق دریاچه‌ها استخراج کرد. همچنین نشان داده شده است که کاهش سطح آب همبستگی مستقیمی با افزایش مقادیر LSWT، به ویژه برای دریاچه بوردور و دریاچه ایگیردیر دارد. بر اساس مقایسه بین مجموعه داده های 2000 و 2021، دریاچه بوردور تقریباً 22٪ از سطح آب خود را از دست داده است در حالی که LSWT بیش از 2.13 درجه سانتیگراد افزایش یافته است. در دریاچه ایگیردیر، وسعت آب کمی کمتر از 3 درصد کاهش یافته است و LSWT بیش از 0.32 درجه سانتیگراد از سال 2000 تا 2021 افزایش یافته است. که در آن تغییرات سالانه شخصیت نوسانی به خود گرفت. با این حال، LSWT حدود 1.5 درجه سانتیگراد کاهش یافت. که در آن تغییرات سالانه شخصیت نوسانی به خود گرفت. با این حال، LSWT حدود 1.5 درجه سانتیگراد کاهش یافت. که در آن تغییرات سالانه شخصیت نوسانی به خود گرفت. با این حال، LSWT حدود 1.5 درجه سانتیگراد کاهش یافت.
تجزیه و تحلیل همبستگی برای وسعت آب هر دریاچه و LSWT با پارامترهای هواشناسی دو مجموعه داده مختلف، یعنی ERA-5 Land و TerraClimate انجام شد. نتایج همبستگی نشان می‌دهد که LSWT همبستگی بسیار بالایی با دمای هوا و سطح دریاچه بی‌شهیر و دریاچه ایگیردیر دارد، اما همبستگی متوسطی برای دریاچه بوردور دارد. با توجه به مساحت سطح آب، دریاچه بی‌شهیر و دریاچه ایگیردیر برخلاف دریاچه بوردور، همبستگی بالایی با مجموعه داده‌های دمای ERA5-Land دارند. سطح آب دریاچه بوردور هیچ ارتباطی با پارامترهای هواشناسی ندارد، یعنی خشکسالی دریاچه بوردور ارتباط مستقیمی با پارامترهای هواشناسی ندارد. مسائل متداول برای تغییرات سطح آب، برداشت بیش از حد آب از خود دریاچه ها بود، در درجه اول آنهایی که از طبیعت آب شیرین بودند. استفاده از دریاچه به دلایل صنعتی و اثرات تغییرات آب و هوا. به طور کلی، تغییرات بیشتر به دلیل فعالیت های ناشی از انسان، به ویژه برای دریاچه بوردور بود. به عنوان یک چشم انداز آینده، تمام مناطق دریاچه در ترکیه و در جهان را می توان با تجزیه و تحلیل سری های زمانی یکسان برای آشکار کردن تغییرات مکانی-زمانی آنها تجزیه و تحلیل کرد. مجموعه داده‌ها و روش‌های جدید ممکن است برای کشف بهترین راه‌حل‌ها برای این طرح تحقیق مقایسه شوند.

منابع

  1. ژانگ، اف. تییپ، تی. جانسون، وی سی. وانگ، جی. Nurmemet، I. بهبود استخراج آب با استفاده از تصاویر Landsat TM/ETM+ در دریاچه Ebinur، سین کیانگ، چین. Remote Sens. Appl. Soc. محیط زیست 2016 ، 4 ، 109-118. [ Google Scholar ] [ CrossRef ]
  2. دورنهوفر، ک. Oppelt، N. سنجش از دور برای تحقیق و پایش دریاچه – پیشرفت‌های اخیر. Ecol. اندیک. 2016 ، 64 ، 105-122. [ Google Scholar ] [ CrossRef ]
  3. دای، الف. افزایش خشکسالی تحت گرمایش جهانی در مشاهدات و مدل‌ها. نات. صعود چانگ. 2013 ، 3 ، 52-58. [ Google Scholar ] [ CrossRef ]
  4. شیا، اچ. ژائو، جی. Qin، Y. یانگ، جی. کوی، ی. آهنگ، اچ. ما، ال. جین، ن. Meng, Q. تغییرات در سطح آب طی سال‌های 1989-2017 در حوضه رودخانه Huai با استفاده از داده‌های Landsat و موتور Google Earth. Remote Sens. 2019 ، 11 ، 1824. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. RCW – کنوانسیون رامسر در مورد تالاب ها. برگه اطلاعات 3، تالاب ها: قانون ناپدید شدن جهانی. 2015. در دسترس آنلاین: https://www.ramsar.org/sites/default/files/documents/library/factsheet3_global_disappearing_act_0.pdf (دسترسی در 6 آوریل 2022).
  6. Ozesmi, SL; بائر، ME سنجش از دور تالاب ها از راه دور ماهواره ای. Wetl. Ecol. مدیریت 2002 ، 10 ، 381-402. [ Google Scholar ] [ CrossRef ]
  7. آسوکان، ع. Anitha، J. تکنیک های تشخیص تغییر برای برنامه های سنجش از راه دور: یک بررسی. علوم زمین Inf. 2019 ، 12 ، 143-160. [ Google Scholar ] [ CrossRef ]
  8. ژو، ی. دونگ، جی. شیائو، ایکس. شیائو، تی. یانگ، ز. ژائو، جی. زو، ز. Qin، Y. الگوریتم‌های نقشه‌برداری آب سطحی باز: مقایسه شاخص‌ها و حسگرهای طیفی مرتبط با آب. Water 2017 , 9 , 256. [ Google Scholar ] [ CrossRef ]
  9. هولبن، BN ویژگی‌های تصاویر ترکیبی با حداکثر ارزش از داده‌های AVHRR زمانی. بین المللی J. Remote Sens. 1986 ، 7 ، 1417-1434. [ Google Scholar ] [ CrossRef ]
  10. لی، اس. سان، دی. گلدبرگ، ام. Stefanidis، A. استخراج نقشه های آب با وضوح 30 متر از TERRA/MODIS و SRTM. سنسور از راه دور محیط. 2013 ، 134 ، 417-430. [ Google Scholar ] [ CrossRef ]
  11. فنگ، ال. هو، ایکس. ژنگ، ی. نظارت و درک تغییرات شفافیت آب در پنجاه دریاچه بزرگ در دشت یانگ تسه بر اساس مشاهدات طولانی مدت MODIS. سنسور از راه دور محیط. 2019 ، 221 ، 675-686. [ Google Scholar ] [ CrossRef ]
  12. هاروی، KR; تپه، GJ نقشه گیاهی یک باتلاق آب شیرین گرمسیری در قلمرو شمالی، استرالیا: مقایسه عکس‌برداری هوایی، Landsat TM و تصاویر ماهواره‌ای SPOT. بین المللی J. Remote Sens. 2010 ، 1161 ، 2911-2925. [ Google Scholar ] [ CrossRef ]
  13. لی، اس. سان، دی. گلدبرگ، دکتر شوبرگ، بی. سانتک، دی. هو، جی پی. دیویس، ام. رسترپو، پ. لیندزی، اس. هالووی، E. تشخیص سیل تقریباً هم زمان با استفاده از داده‌های Suomi-NPP/VIIRS. سنسور از راه دور محیط. 2018 ، 204 ، 672-689. [ Google Scholar ] [ CrossRef ]
  14. مولر، ن. لوئیس، ا. رابرتز، دی. حلقه.؛ ملروز، آر. سیکس اسمیت، جی. لیمبرنر، ال. مک اینتایر، ای. تان، پی. کرنو، اس. و همکاران 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 ]
  15. چن، بی. چن، ال. هوانگ، بی. میچیشیتا، آر. Xu، B. نظارت پویا از تالاب دریاچه پویانگ با ادغام مشاهدات Landsat و MODIS. ISPRS J. Photogram. Remote Sens. 2018 ، 139 ، 75–87. [ Google Scholar ] [ CrossRef ]
  16. وانگ، ایکس. شیائو، ایکس. زو، ز. چن، بی. ما، جی. دونگ، جی. دوغی، RB; ژونگ، کیو. Qin، Y. دای، اس. و همکاران ردیابی تغییرات سالانه مناطق جزر و مدی ساحلی در چین طی سال های 1986-2016 از طریق تجزیه و تحلیل تصاویر Landsat با موتور Google Earth. سنسور از راه دور محیط. 2020 ، 238 ، 110987. [ Google Scholar ] [ CrossRef ]
  17. دو، ی. ژانگ، ی. لینگ، اف. وانگ، کیو. لی، دبلیو. Li, X. نقشه‌برداری بدنه‌های آبی از تصاویر Sentinel-2 با شاخص تفاوت نرمال‌شده آب اصلاح‌شده در وضوح فضایی 10 متر که با تیز کردن باند SWIR تولید می‌شود. Remote Sens. 2016 ، 8 ، 354. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  18. یانگ، ایکس. ژائو، اس. Qin، X. ژائو، ن. Liang, L. نقشه برداری از آب های سطحی شهری از تصاویر Sentinel-2 MSI با وضوح 10 متر از طریق وضوح تصویر مبتنی بر NDWI. Remote Sens. 2017 , 9 , 596. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. Feyisa، GL; میلبی، اچ. فنشولت، آر. شاخص استخراج آب خودکار Proud، SR: تکنیکی جدید برای نقشه برداری آب های سطحی با استفاده از تصاویر Landsat. سنسور از راه دور محیط. 2014 ، 140 ، 23-35. [ Google Scholar ] [ CrossRef ]
  20. وانگ، ی. ما، جی. شیائو، ایکس. وانگ، ایکس. دای، اس. ژائو، بی. پویایی طولانی مدت آب های سطحی دریاچه پویانگ: یک کار نقشه برداری بر اساس پلت فرم ابر موتور Google Earth. Remote Sens. 2019 , 11 , 313. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  22. بوما، WG; لی، SI; Seo, JY گستره آب سطحی اخیر دریاچه چاد از حسگرهای چند طیفی و GRACE. Sensors 2018 , 18 , 2082. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. وانگ، آر. شیا، اچ. Qin، Y. نیو، دبلیو. پان، ال. لی، آر. ژائو، ایکس. بیان، ایکس. Fu، P. نظارت پویا از 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 ]
  24. بای، جی. چن، ایکس. لی، جی. یانگ، ال. Fang, H. تغییرات در ناحیه دریاچه های داخلی در مناطق خشک آسیای مرکزی در طی 30 سال گذشته. محیط زیست نظارت کنید. ارزیابی کنید. 2011 ، 178 ، 247-256. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. سلطانی، ک. امیری، ع. زین الدین، م. ابتهاج، اول. قره باغی، ب. بنکداری، ح. پیش بینی نوسانات ماهانه سطح دریاچه ها با استفاده از تکنیک های سنجش از دور و روش های جدید یادگیری ماشین. تئو. Appl. صعود 2021 ، 143 ، 713-735. [ Google Scholar ] [ CrossRef ]
  26. اوریلی، سی ام. شارما، اس. خاکستری، DK; همپتون، SE; بخوانید، جی. رولی، RJ; اشنایدر، پی. لنترز، جی دی. مکینتاایر، پی بی; کریمر، بی.ام. و همکاران گرم شدن سریع و بسیار متغیر آبهای سطحی دریاچه در سراسر جهان. ژئوفیز. Res. Lett. 2015 ، 42 ، 10773-10781. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. یامک، بی. یاگچی، ز. Bilgilioglu، BB; Comert, R. بررسی تأثیر شهرنشینی بر دمای سطح زمین مثال بورسا. بین المللی J. Eng. Geosci. 2021 ، 6 ، 1-8. [ Google Scholar ] [ CrossRef ]
  28. زی، سی. ژانگ، ایکس. ژوانگ، ال. زو، آر. Guo, J. تجزیه و تحلیل تغییرات دمای سطح دریاچه ها در چین با استفاده از داده های دمای سطح زمین MODIS. علمی Rep. 2022 , 12 , 2415. [ Google Scholar ] [ CrossRef ]
  29. WWF – صندوق جهانی طبیعت. Türkiye’deki Ramsar Alanları Değerlendirme Raporu. 2008. در دسترس آنلاین: https://awsassets.wwftr.panda.org/downloads/wwf_turkiye_ramsar_alanlari_degerlendirme_raporu.pdf (دسترسی در 6 آوریل 2022).
  30. درویش اوغلو، الف. تجزیه و تحلیل تغییرات زمانی سایت‌های داخلی رامسر در ترکیه با استفاده از موتور Google Earth. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 521. [ Google Scholar ] [ CrossRef ]
  31. فتحی، ف. ایلری، او. Avci، KM; کوکادره، م اغیردیر و بیشهیر گوللرینین اویدو وریلری و توپوغرافیک هاریتا یاردیمیمیلا کییی چیزگیسی دگیشیملری. دوغال کاینکلار اکن. Bülteni 2015 ، 20 ، 37-45. (به ترکی) [ Google Scholar ]
  32. گوزوکارا، جی. آلتونباس، س. مصطفی، س بوردور گولؤندکی seviye değişimi sonucunda ortaya çıkan lakustrin materyalin zamansal ve mekansal değişimi. Anadolu Tarım Bilimleri Derg. 2019 ، 34 ، 386-396. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. ابوجیاب، SK; الموتیری، خ. السوایتی، ام. عمرو، SSA; الکرخی، اف. تاسوغلو، ای. حسین، AM اثرات پارامترهای هواشناسی بر اتلاف آب سطحی در دریاچه بوردور، ترکیه طی 34 سال سری زمانی موتور Google Earth Landsat. Land 2021 , 10 , 1301. [ Google Scholar ] [ CrossRef ]
  34. اصلان، ن. Koc-San, D. بررسی تغییرات دمای سطح دریاچه و مناطق: مطالعه موردی دریاچه های Burdur و Egirdir، ترکیه. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2021 ، 43 ، 299-304. [ Google Scholar ] [ CrossRef ]
  35. فیراتلی، ای. درویش اوغلو، ا. یاگمور، ن. موسی اوغلو، ن. تانیک، الف. ارزیابی فضایی- زمانی دریاچه های طبیعی در ترکیه. علوم زمین Inf. 2022 ، 15 ، 951-964. [ Google Scholar ] [ CrossRef ]
  36. آتالای، من. Efe, R. بوم مناطق منطقه مدیترانه و منطقه دریاچه های ترکیه. در مجموعه مقالات سمپوزیوم بین المللی جغرافیا، آنتالیا، ترکیه، 5-8 ژوئن 2007; صص 3-15. [ Google Scholar ]
  37. سرویس هواشناسی دولتی ترکیه گزارش بارش منطقه ای 2021. در دسترس آنلاین: https://www.mgm.gov.tr/veridegerlendirme/yagis-raporu.aspx (در 5 مه 2022 قابل دسترسی است).
  38. وزارت زراعت و جنگلداری (MOAF). اداره کل حفاظت از طبیعت و پارک های ملی. در دسترس آنلاین: https://saybis.tarimorman.gov.tr/# (دسترسی در 6 آوریل 2022).
  39. موتور Google Earth. در دسترس آنلاین: https://earthengine.google.com/ (در 7 آوریل 2022 قابل دسترسی است).
  40. ناسا در دسترس آنلاین: https://landsat.gsfc.nasa.gov/about/technical-information/ (دسترسی در 7 آوریل 2022).
  41. سارپ، جی. Ozcelik، M. استخراج بدنه آب و تشخیص تغییر با استفاده از سری های زمانی: مطالعه موردی دریاچه بوردور، ترکیه. J. Taibah Univ. علمی 2017 ، 11 ، 381-391. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. EPA. در دسترس آنلاین: https://19january2017snapshot.epa.gov/climate-impacts/climate-impacts-water-resources_.html (دسترسی در 5 مه 2022).
  43. گرگونر، م. Kavvas، ML مدل‌سازی اثرات تغییرات آب و هوایی آینده بر ذخیره‌سازی مخازن و نیازهای آب آبیاری در حوضه مدیترانه. علمی کل محیط. 2020 , 748 , 141246. [ Google Scholar ] [ CrossRef ]
  44. ERA5-Land. در دسترس آنلاین: https://cds.climate.copernicus.eu/cdsapp#!/dataset/reanalysis-era5-land-monthly-means?tab=overview (در 6 مه 2022 قابل دسترسی است).
  45. TerraClimate. در دسترس آنلاین: https://www.climatologylab.org/terraclimate.html (دسترسی در 6 مه 2022).
  46. لی، دبلیو. دو، ز. لینگ، اف. ژو، دی. وانگ، اچ. گی، ی. سان، بی. ژانگ، X. مقایسه نقشه برداری آب سطح زمین با استفاده از شاخص تفاوت نرمال شده آب از TM، ETM+ و ALI. Remote Sens. 2013 , 5 , 5530–5549. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. 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 ]
  48. 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 ]
  49. جیهان، E. تجزیه و تحلیل وسعت آب چند زمانی دریاچه پلایا بیش از حد شور با استفاده از تصاویر Landsat. پایان نامه کارشناسی ارشد، موسسه علم و فناوری، دانشگاه فنی خاورمیانه (METU)، آنکارا، ترکیه، 2016. موجود به صورت آنلاین: https://open.metu.edu.tr/handle/11511/25749 (دسترسی در 6 آوریل 2022) .
  50. Ozelkan، E. تجزیه و تحلیل تشخیص بدنه آب با استفاده از شاخص های NDWI مشتق شده از Landsat-8 OLI. پول جی. محیط زیست. گل میخ. 2020 ، 29 ، 1759-1769. [ Google Scholar ] [ CrossRef ]
  51. آچاریا، تی دی. سبدی، ع. لی، DH ارزیابی شاخص های آب برای استخراج آب های سطحی در صحنه لندست 8 نپال. Sensors 2018 , 18 , 2580. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. Stehman، SV تخمین مساحت و دقت نقشه برای نمونه‌گیری تصادفی طبقه‌ای زمانی که طبقات با کلاس‌های نقشه متفاوت هستند. بین المللی J. Remote Sen. 2014 , 35 , 4923-4939. [ Google Scholar ] [ CrossRef ]
  53. مک هیو، ML درس‌هایی در قابلیت اطمینان بین‌سنجی آمار زیستی: آمار کاپا. بیوشیمی. پزشکی 2012 ، 22 ، 276-282. [ Google Scholar ] [ CrossRef ]
  54. ایسایا ندوسی، م. آودان، U. کاربرد فناوری های کدگذاری منبع باز در تولید نقشه های دمای سطح زمین (LST) از Landsat: یک افزونه PyQGIS. Remote Sens. 2016 ، 8 ، 413. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  55. سکرتکین، ع. Bonafoni، S. تجزیه و تحلیل حساسیت و اعتبار سنجی بازیابی دمای سطح زمین در روز و شب از Landsat 8 با استفاده از الگوریتم های مختلف و مدل های انتشار. Remote Sens. 2020 , 12 , 2776. [ Google Scholar ] [ CrossRef ]
  56. USGS – سازمان زمین شناسی ایالات متحده با استفاده از محصول داده USGS Landsat Level-1. 2019. در دسترس آنلاین: https://www.usgs.gov/landsat-missions/using-usgs-landsat-level-1-data-product (در 6 آوریل 2022 قابل دسترسی است).
  57. والور، ای. Caselles، V. نقشه برداری انتشار سطح زمین از NDVI: کاربرد در مناطق اروپایی، آفریقایی و آمریکای جنوبی. سنسور از راه دور محیط. 1996 ، 57 ، 167-184. [ Google Scholar ] [ CrossRef ]
  58. ونگ، کیو. لو، دی. Schubring، J. برآورد رابطه دمای سطح زمین و فراوانی پوشش گیاهی برای مطالعات جزیره گرمایی شهری. سنسور از راه دور محیط. 2004 ، 89 ، 467-483. [ Google Scholar ] [ CrossRef ]
  59. سوبرینو، جی. Jiménez-Muñoz، JC; سوریا، جی. روماگوئرا، ام. گوانتر، ال. مورنو، جی. پلازا، آ. مارتینز، P. بازیابی گسیل سطح زمین از سنسورهای مختلف VNIR و TIR. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 316-327. [ Google Scholar ] [ CrossRef ]
  60. سوبرینو، جی. Jiménez-Muñoz، JC; Paolini، L. بازیابی دمای سطح زمین از Landsat TM 5. Remote Sens. Environ. 2004 ، 90 ، 434-440. [ Google Scholar ] [ CrossRef ]
  61. ولاسوا، ال. پرز-کابلو، اف. نیتو، اچ. مارتین، پی. ریانو، دی. De La Riva, J. ارزیابی روش‌های بازیابی دمای سطح زمین از تصاویر Landsat-5 TM که برای مدل‌سازی اکوسیستم درخت-علف چند مقیاسی قابل استفاده است. Remote Sens. 2014 , 6 , 4345–4368. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. کارلسون، TN; Ripley، DA در مورد رابطه بین NDVI، پوشش گیاهی کسری، و شاخص سطح برگ. سنسور از راه دور محیط. 1997 ، 62 ، 241-252. [ Google Scholar ] [ CrossRef ]
  63. وزارت امور خارجه – وزارت زراعت و جنگلداری. طرح مدیریت دریاچه بوردور 2018. در دسترس آنلاین: https://www.tarimorman.gov.tr/Konular/Plan-Program-Ve-Faaliyet-Raporlari?Ziyaretci=Orman (در 6 آوریل 2022 قابل دسترسی است).
  64. درویش اوغلو، ا. یاگمور، ن. فیراتلی، ای. موسی اوغلو، ن. تانیک، الف. ارزیابی فضایی-زمانی دریاچه در حال کوچک شدن بوردور، ترکیه. بین المللی جی. محیط زیست. Geoinf. 2022 ، 9 ، 169-176. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00407 g001 550
شکل 1. نقشه موقعیت منطقه مورد مطالعه، تصویر مکان های آزمایش با استفاده از داده های ماهواره لندست با رنگ کاذب (NIR-Red-Green) که در سال 2021 به دست آمده است: ( 1 ) دریاچه بوردور، ( 2 ) دریاچه ایگیردیر، و ( 3 ) دریاچه بی شهیر.
Ijgi 11 00407 g002 550
شکل 2. تعداد تصاویر ماهواره ای استفاده شده در طول سالها.
Ijgi 11 00407 g003 550
شکل 3. گردش کار روش مورد استفاده در مطالعه.
Ijgi 11 00407 g004 550
شکل 4. تصویر نقاط تصادفی مورد استفاده برای ارزیابی دقت سطح دریاچه.
Ijgi 11 00407 g005 550
شکل 5. تغییرات زمانی سطح آب و خط روند دریاچه بوردور بین سال های 2000 و 2021.
Ijgi 11 00407 g006 550
شکل 6. دریاچه بوردور: ( الف ) سطح آب فصلی با تصاویر RS برای سال‌های 2000 و 2021 تغییر می‌کند. ( ب ) تغییرات بلندمدت سطح آب سالانه بر اساس سال 2000.
Ijgi 11 00407 g007 550
شکل 7. تغییرات زمانی سطح آب و خط روند دریاچه Egirdir بین سال های 2000 و 2021.
Ijgi 11 00407 g008 550
شکل 8. دریاچه Egirdir: ( الف ) سطح آب فصلی با تصاویر RS برای سال‌های 2000 و 2021 تغییر می‌کند. ( ب ) تغییرات طولانی مدت سطح آب سالانه.
Ijgi 11 00407 g009 550
شکل 9. تغییرات زمانی سطح آب و خط روند دریاچه بی‌شهیر بین سال‌های 2000 و 2021.
Ijgi 11 00407 g010a 550 Ijgi 11 00407 g010b 550
شکل 10. دریاچه بی‌شهیر: ( الف ) سطح آب فصلی با تصاویر RS برای سال‌های 2000 و 2021 تغییر می‌کند. ( ب ) تغییرات طولانی مدت سطح آب سالانه.
Ijgi 11 00407 g011 550
شکل 11. میانگین بلندمدت سالانه LSWT برای سه دریاچه.
Ijgi 11 00407 g012a 550 Ijgi 11 00407 g012b 550
شکل 12. ( الف ) تغییرات زمانی در وسعت آب دریاچه بوردور با متغیر LSWT. تغییرات فضایی سطح دریاچه با LSWT برای: ( ب ) تابستان 2000، ( ج ) پاییز 2000، ( د ) تابستان 2021 و ( ه ) پاییز 2021.
Ijgi 11 00407 g013 550
شکل 13. ( الف ) تغییرات زمانی در وسعت آب دریاچه Egirdir با متغیر LSWT. تغییرات فضایی سطح دریاچه با LSWT برای: ( ب ) تابستان 2000، ( ج ) پاییز 2000، ( د ) تابستان 2021 و ( ه ) پاییز 2021.
Ijgi 11 00407 g014a 550 Ijgi 11 00407 g014b 550
شکل 14. ( الف ) تغییرات زمانی در وسعت آب دریاچه بی‌شهیر با متغیر LSWT. تغییرات فضایی سطح آب با LSWT برای: ( ب ) تابستان 2000، ( ج ) پاییز 2000، ( د ) تابستان 2021، و ( ه ) پاییز 2021.
Ijgi 11 00407 g015 550
شکل 15. نمودار پراکندگی و مقادیر همبستگی بین LSWT و MODIS LST برای هر سه دریاچه.
Ijgi 11 00407 g016 550
شکل 16. آمار سری زمانی بلند مدت LSWT تولید شده و مجموعه داده دمایی ERA5 و TerraClimate ( a ) دریاچه بوردور. ( ب ) دریاچه بی‌شهیر و ( ج ) دریاچه Egirdir.
Ijgi 11 00407 g017 550
شکل 17. آمار سری زمانی بلند مدت ( الف ) بارش و ( ب ) تبخیر و تعرق TerraClimate برای همه دریاچه ها.

مقالات داخلی و بین المللی

مطالب مرتبط ...

6 نظرات

دیدگاهتان را بنویسید