چهارشنبه, ۲۲ اردیبهشت ۱۴۰۰ ۱۰:۱۱ ۹۸
چچ
کاربرد سنجش از دور در مهندسی آبیاری و زهکشی

کاربرد سنجش از دور در مهندسی آبیاری و زهکشی

در این نگارش به بررسی مطالعات انجام شده در مورد شیوه های آبیاری دقیق، با استفاده از فناوری سنجش از دور پرداخته شده است.

آبیاری به معنی کاربرد آب (سطحی یا زیرزمینی) توسط ابزار مصنوعی به منظور مدیریت کمبود بارش در طی دوره ی فصل رشد گیاه می باشد (Ozdogan و همکاران، 2010) .آبیاری، بزرگترین مصرف کننده ی منابع آب شیرین با برداشت تقریباً هفتاد درصد از آب های زیر زمینی می باشد (Bastiaanssen و همکاران، 2000). آب آبیاری هم از طریق منابع سطحی (منحرف شده از طریق سازه های کنترلی مانند سد) و هم منابع آبهای زیرزمینی تامین می شود. ماهواره های سنجش از دور ابزاری را جهت پایش آبیاری در مقیاس های بزرگ فراهم می آورند. اساساً زمانی که صحبت از پایش آبیاری می کنیم، در حقیقت مطالعات ما از سه جنبه اهمیت می یابند:


  • تعیین مناطقی که آبیاری ها صورت می گیرند.
  • تعیین میزان آب آبیاری مصرف شده.
  • تعیین آب مورد نیاز جهت کاهش تنش آبی گیاه.

در ادامه، تحقیقات کاربردی شکل گرفته در 3 حوزه ی مذکور را در طی دهه های اخیر معرفی می نماییم.


معرفی تاریخچه ی تحقیقات کاربردی سنجش ازدور در آبیاری دقیق


الف) پهنه بندی مناطق تحت آبیاری:


پهنه بندی دقیق مناطق تحت آبیاری از 3 نقطه نظر حائز اهمیت می باشد:

  • دستیابی به تخصیص آب دقیق در کشاورزی
  • توسعه ی فهم از بیلان و تراز آبی
  • توسعه ی مدل های شبیه سازی محصول و هیدرولوژیک

در حوزه ی سنجنده های نوری (اپتیکی)، اطلاعات سنجنده های MODIS، AVHRR و Landsat بیشترین استفاده را جهت آشکارسازی مناطق تحت آبیاری داشته اند. ما می دانیم که پهنه بندی آبیاری به دو روش انجام می شود:


  • تحلیل و آنالیز طرح های طیفی یک تصویر انفرادی به منظور طبقه بندی سطوح آبیاری از غیر آبیاری.
  • استفاده از تصاویر سری زمانی (مثلا دوره ی رشد گیاه) به منظور بررسی تغییرات زمانی-مکانی الگوهای آبیاری.

پایه های مفهومی این دو روش بر تغییرات مربوط به بازتابش طیفی سطوح آبیاری شده در مقایسه با دیگر طبقات کاربری اراضی قرار دارد.


استفاده از سنجنده های مادون قرمز و نوری :
به شکل سنتی، تفسیر بصری به منظور تعیین مناطق تحت آبیاری با استفاده از نقشه های استاتیک صورت گرفته است. در همین راستا می توان به کار های Heller و Johnson در سال 1979 و Rundquist و همکاران در 1989 و همچنین Thiruvengadachari در سال 1981 اشاره نمود. یکی از قدیمی ترین کارها در زمینه ی تعیین مناطق تحت آبیاری با استفاده از تفسیر بصری توسط Heller وJohnson در سال 1975 و با استفاده از تصاویر کاذب رنگی لندست 1 صورت گرفته است. شکل 1 تصویر سیاه و سفید شده ی مربوط به زمین های تحت آبیاری در جنوب غربی آیداهو را نشان می دهد. شبکه ی گرید متشکل از 9 ردیف و 30 ستون با ابعاد 3/6 در 3/6 کیلومتر جهت برآورد درصد زمین های تحت کشت آبی در این منطقه مورد استفاده قرار گرفته است.


تصویر سیاه و سفید شده ی تصویر رنگی کاذب لندست 3 (B:4,G:5,R:7) از زمین های  <strong class='sis-keyword'>آبیاری</strong> شده ای در جنوب غربی آیداهو در ایالات متحده در تاریخ 5 آگوست 1975
شکل-1: تصویر سیاه و سفید شده ی تصویر رنگی کاذب لندست 3 (B:4,G:5,R:7) از زمین های آبیاری شده ای در جنوب غربی آیداهو در ایالات متحده در تاریخ 5 آگوست 1975.


در کاری که در سال 1989 توسط Rundquist و همکاران انجام شده است هدف اصلی، ارزیابی سالانه نحوه کار سیستم های آبیاری چرخشی محور مرکزی (Center Pivot) در یک دوره ی بلند مدت (1972-1989) در نبراسکا در ایالات متحده بوده است. به همین منظور از زمان آغاز پروژه در 1973 تا پایان آن در 1989، 5 ماهواره از سری لندست در مدار قرار گرفتند. لذا با توجه به تفاوت های موجود در سنجنده ها در طی زمان، روش ها و متدولوژی های بکارگرفته شده نیز تغییر نمودند. اما هدف تعیین مزارع با سیستم آبیاری چرخان که در وضعیت سالمی به سر می برند بود. نمونه ای از این تصاویر مربوط به باند 3 Landsat TM ( ژوئیه 1987) مربوط به نبراسکا (نزدیک به اتکینسون) را نشان می دهد. دوایر تیره مربوط به مزارع سالم می باشند.


صاویر مربوط به باند 3 Landsat TM ( ژوئیه 1987) در نبراسکا (نزدیک به اتکینسون). دوایر تیره مربوط به مزارع سالم می باشند که با تحت سیستم  <strong class='sis-keyword'>آبیاری</strong> چرخان (Center Pivot) قرار دارند.
شکل-2: تصاویر مربوط به باند 3 Landsat TM ( ژوئیه 1987) در نبراسکا (نزدیک به اتکینسون). دوایر تیره مربوط به مزارع سالم می باشند که با تحت سیستم آبیاری چرخان (Center Pivot) قرار دارند.


یکی از خروجی های پروژه ی مذکور، نقشه ی شکل 3 می باشد که وضعیت توزیع زمین های تحت کشت آبیاری چرخان را در 31 دسامبر سال 1986 در ایالات متحده نمایش می دهد.


نقشه ی توزیع زمین های تحت کشت  <strong class='sis-keyword'>آبیاری</strong> چرخان در 31 دسامبر سال 1986 در نبراسکا- ایالات متحده (با استفاده از تصاویر Landsat-TM)
شکل-3: نقشه ی توزیع زمین های تحت کشت آبیاری چرخان در 31 دسامبر سال 1986 در نبراسکا- ایالات متحده (با استفاده از تصاویر Landsat-TM)


شکل 4 نیز میزان رشد تجمعی مزارع با سیستم آبیاری چرخان را در فاصله ی زمانی 1986-1972 در نبراسکا نمایش می دهد.


میزان رشد تجمعی مزارع با سیستم  <strong class='sis-keyword'>آبیاری</strong> چرخان را در فاصله ی زمانی 1986-1972 در نبراسکا
شکل-4: میزان رشد تجمعی مزارع با سیستم آبیاری چرخان را در فاصله ی زمانی 1986-1972 در نبراسکا


داده های لندست برای تشخیص الگوهای آبیاری در نواحی جنوبی نیمه خشک استان تامیل نادو در هند. مناطق آبیاری شده با استفاده از آبهای سطحی قابل تفکیک از نواحی آبیاری شده با استفاده از آب های زیرزمینی با استفاده از داده های لندست یک روز هستند. تغییرات زمانی در سطوح آبیاری می تواند از تصاویر چند زمانه استخراج گردد. الگوهای کشت مخلوط، همپوشانی دوره های رشد، و عدم دسترسی به تصاویر بدون ابر تعیین گونه های گیاهی را مشکل می کند. تفسیر عکس و روش های ارزیابی دستی با استفاده از تصاویر لندست می تواند به شکل مفیدی در تخمین سطح محصولات تحت کشت آبی مفید باشد. اطلاعات در ارتباط با طبیعت و توسعه ی زمین های آبیاری به منظور فرموله کردن سیاست های پربار مدیریت آب در مناطق نیمه خشک مفید است. شکل 5 منطقه ی مورد مطالعه در استان تامیل نادو و اندکس تصاویر لندست را در این منطقه نشان می دهد.


اندکس تصاویر لندست در استان تامیل نادو
شکل-5: اندکس تصاویر لندست در استان تامیل نادو


شکل 6 تصویر موزاییک لندست مربوط به منطقه ی مورد مطالعه در ایالت تامیل نادو را نشان می دهد.


تصویر موزاییک شده ی 4 سین لندست مربوط به استان تامیل نادو در هند در فوریه ی 1973
شکل-6: تصویر موزاییک شده ی 4 سین لندست مربوط به استان تامیل نادو در هند در فوریه ی 1973


شکل 7 نتیجه ی تصویر بصری لندست نمایش داده شده در شکل 6 را نشان می دهد. در این نقشه، مناطق تحت آبیاری زیر زمینی با مناطق تحت آبیاری سطحی با استفاده از تفسیر بصری از یکدیگر تفکیک شده اند.


نقشه ی طبقه بندی شده بر اساس تفسیر بصری تصویر لندست از منطقه ی مورد مطالعه:
شکل-7: نقشه ی طبقه بندی شده بر اساس تفسیر بصری تصویر لندست از منطقه ی مورد مطالعه


مناطق تحت آبیاری سطحی و آبیاری زیر زمینی از یکدیگر تفکیک شده اند.


نتیجه ی تفسیر تصاویر لندست از منطقه ی مورد مطالعه در تامیل نادو که زمین های تحت کشت آبی (تیره) را به همراه مخزن  <strong class='sis-keyword'>آبیاری</strong> (خاکستری) در کنار آنها نمایش می دهد.
شکل-8: نتیجه ی تفسیر تصاویر لندست از منطقه ی مورد مطالعه در تامیل نادو که زمین های تحت کشت آبی (تیره) را به همراه مخزن آبیاری (خاکستری) در کنار آنها نمایش می دهد.


شکل 8 نتیجه ی تفسیر بصری تصاویر لندست از منطقه ی مورد مطالعه را نشان می دهد. در این نقشه، مزارع تحت کشت آبی (تیره) ‌به همراه مخازن آبیاری(خاکستری)‌ که در مجاورت آنها قرار دارند نمایش داده شده است. اطلاعات قرمز و مادون قرمز به شکل گسترده ای برای تفسیر بصری استفاده می شود. این کارها همچنین تصاویر سری زمانی چند تاریخ مختلف را هم به منظور بررسی تفاوت های موجود در زمانبندی آبیاری و مراحل رشد لحاظ می نمایند. علی رغم دقت آنها، تفسیر بصری، یک فرآِیند وابسته به زمان و هزینه بر است. همچنین تفسیر بصری تنها در یک مقیاس محلی اجرا می شود. اما روش های طبقه بندی تصویر (استفاده از ویژگی های طیفی) در محیط دیجیتال (رستر) مانند تکنیک بیشترین احتمال (MLC)، طبقه بندی درخت تصمیم گیری، density slicing with threshold و طبقه بندی چند مرحله ای(Multi-stage) نیز رفته رفته مورد استقبال محققین قرار گرفت. مثلاً ISLAM ABOU EL-MAGD و همکاران از دانشگاه ساوت همپتون در انگلستان از یک روش طبقه بندی نظارت شده ی بیشترین احتمال چند مرحله ای (Multi-stage) به منظور تفکیک مزارع آبیاری شده در آسیای مرکزی استفاده نمودند و دقت طبقه بندی در مقایسه با روش سنتی طبقه بندی نظارت شده از 85 درصد به 94 درصد افزایش یافت. محققین در مقاله ی خود به این موضوع اشاره می نمایند که برآورد دقیق آب مصرفی در زمین های تحت کشت آبی به منظور آبیاری از نقطه نظر اختصاص آب در مناطق وسیع حائز اهمیت بالایی است. اگرچه دقت 85 درصد در تحقیق های سنجش از دور دقت نسبتا بالایی است اما به منظور برآورد دقیق آب مصرفی زمین های کشاورزی مناسب نمی باشد. افزایش دقت 9 درصدی در تحقیق مذکور از این جهت یک موفقیت قابل توجه محسوب می گردد.


نقشه ی طبقه بندی شده ی با روش نظارت شده ی چند مرحله ای که با دقت 94 درصد مزارع  <strong class='sis-keyword'>آبیاری</strong> شده را تفکیک می نماید.

شکل-9: نقشه ی طبقه بندی شده ی با روش نظارت شده ی چند مرحله ای که با دقت 94 درصد مزارع آبیاری شده را تفکیک می نماید.


در سال 1990 Eckhardt et al، تحقیقی را در غرب نوادا که حاوی 25000 هکتار از زمین های تحت آبیاری می باشد با استفاده از تصاویر SPOT HRV انجام دادند. با توجه به تغییرات سالانه ی الگوهای کشت آبی در این منطقه، لازم است تا به منظور برآورد دقیق مصرف آب در بخش ها و مناطق مختلف، زمین های تحت کشت آبی و غیر آبی به شکل مداوم به روز رسانی گردند. لذا در این تحقیق نشان داده می شود که چگونه تصاویر اخذ شده در 1987 و 1988 توسط ماهواره ی فوق با قدرت تفکیک بالا و سیستم اطلاعات جغرافیایی (GIS) به تفکیک مناطق تحت آبیاری و غیر آبیاری از یکدیگر کمک می نماید. از روش طبقه بندی پیکسل به پیکسل (Pixel by pixel classification) برای تفکیک کلاس های آبیاری و غیر آبیاری استفاده گردید. در واقع هر پیکسل با توجه به حد آستانه ی انتخابی برای دو پارامتر درخشندگی و سبزینگی به دو کلاس "آبیاری" و "غیر آبیاری" طبقه بندی شدند. مقادیر حد آستانه ی فوق با استفاده از دانش و اطلاعات افرادی که با منطقه ی مورد مطالعه و همچنین برنامه ی عملیات کشاورزی مورد استفاده آشنایی کامل دارند تعیین و انتخاب گردید. در واقع مناطق با حدآستانه ی بیش از یک مقدار سبزینگی خاص و همچنین کمتر از یک مقدار درخشندگی خاص تحت عنوان مزارع تحت عملیات آبیاری طبقه بندی گردیدند. در تحقیقی Manavalan و همکاران تغییرات در الگوی کشت در حد فاصل بهار تا پاییز 1991 را در حد فاصل استانها ی آندراپرادش و کارناتاکا در هندوستان با استفاده از تصاویر (IRS)-L1SS 2 بررسی نمودند. تکنیک آشکارسازی تغییرات (change detection) بکار گرفته شده در این تحقیق بر اساس تفاضل تصاویر دو زمانه و مربوط به تغییرات بازتابش طیفی کلاس های کاربری اراضی در تاریخ های مختلف می باشد. شکل 10 تصویر ترکیبی رنگی کاذب (FCC) دو تاریخ مذکور را نشان می دهد. نتیجه ی حاصل از بکار گیری تکنیک آشکارسازی تغییرات در شکل 11 نشان داده شده است. از شکل 11 مشخص است که میزان زیادی تغییرات از محصول برنج به کتان در حدفاصل بهار تا پاییز رخ داده است حال آنکه میزان تغییرات کتان به برنج صفر بوده است.


 تصاویر رنگی کاذب مربوط به SPOT در دو تاریخ فوریه ی 1991 و اکتبر 1991
شکل-10: تصاویر رنگی کاذب مربوط به SPOT در دو تاریخ فوریه ی 1991 و اکتبر 1991


نتیجه ی بکارگیری تکنیک تفاضل دو تصویر به منظور آشکارسازی تغییرات در حد فاصل بهار تا پاییز 1991- تغییر Paddy به Cotton در حد فاصل زمانی مورد مطالعه کاملا قابل تشخیص است.
شکل-11: نتیجه ی بکارگیری تکنیک تفاضل دو تصویر به منظور آشکارسازی تغییرات در حد فاصل بهار تا پاییز 1991- تغییر Paddy به Cotton در حد فاصل زمانی مورد مطالعه کاملا قابل تشخیص است.


در تحقیق دیگری که در دشت Haouz در مرکز مراکش انجام شده است با ترکیب مدل های فیزیکی برآورد تبخیر و تعرق و نقشه های طبقه بندی شده ی کاربری اراضی با استفاده از روش درخت تصمیم گیری و سری زمانی شاخص پوشش گیاهی (NDVI) از 10 تصویر لندست TM از 7 نوامبر 2002 تا 18 می 2003 میزان دقیق سطح مزارع تحت کشت آبی به منظور برآورد میزان آب مصرفی تخمین زده شد. مهمترین کاربرد سنجش از دور در این تحقیق، برآورد ضریب گیاهی (Kc) با استفاده از تصاویر چند زمانه می باشد. این ضریب یکی از مهمترین پارامترها جهت تخمین تبخیر و تعرق گیاهی در مزرعه می باشد. برخی محققین اعلام کرده اند که NDVI وKc در طول فصل زراعی، عموماً یک رابطه ی خطی با یکدیگر دارند. (Bausch and Neale 1987, Ray and Dadhwal . 2001, Duchemin et al. 2006, Er-Raki et al. 2006).


تصویر رنگی واقعی 18 می 2003 لندست TM (RGB:743) و منطقه ی مورد مطالعه (دشت Haouz) در مرکز مراکش که با پلیگون قرمز نشان داده شده است.پوشش گیاهی که متناظر با زمین های  <strong class='sis-keyword'>آبیاری</strong> شده می باشد به رنگ سبز نمایش داده شده است.
شکل-12: تصویر رنگی واقعی 18 می 2003 لندست TM (RGB:743) و منطقه ی مورد مطالعه (دشت Haouz) در مرکز مراکش که با پلیگون قرمز نشان داده شده است.پوشش گیاهی که متناظر با زمین های آبیاری شده می باشد به رنگ سبز نمایش داده شده است.


این رابطه ی خطی توسط FAO به شکل زیر ارائه شده است:


Kcb=1.64X (NDVI-NDVImin)


البته پس از آنکه پوشش گیاهی به 100 درصد خود می رسد، حتی اگر پس از آن ،توده حیاتی (Biomass) همچنان افزایش یابد، تعرق به دلیل افزایش سایه و زبری سطح (roughness) کاهش می یابد.

در تحقیق دیگری که توسط Velpuri و همکاران در سال 2009 انجام شد ارتباط بین قدرت تفکیک 4 سنجنده ی ماهواره ای AVHRR ( 10000m) ،MODIS(250m) ،MODIS( 500m) و AVHRR( 10000m) و دقت اندازه گیری سطح زیر کشت مناطق تحت آبیاری بررسی گردید. (شکل13) قدرت تفکیک مکانی بالاتر، توانای بهتر در تفکیک مزارع آبیاری شده: مناطق تحت کشت آبی در حوزه ی آبریز رودخانه ی Krishna در سال 2000 با استفاده از تصاویر لندست ETM+ با قدرت تفکیک 30 متر برابر 9.4 میلیون هکتار ، با تصویر 250 متر MODIS برابر با 8.9 میلیون هکتار، با MODIS 500 متر، 8.6 میلیون هکتار و با AVHRR 10 کیلومتر، 8/1 میلیون هکتار بدست آمد.


 توزیع مکانی مناطق تحت کشت آبی در قدرت تفکیک های مختلف در حوزه ی آبریز رودخانه ی Krishna در هندوستان در سال 2000. در قدرت تفکیک های مکانی کم (AVHRR و MODIS)‌،‌ مناطق بر اساس کسر (درصد) زیر پیکسل مربوط به کشت آبی طبقه بندی گردیدند. در قدرت تفکیک Landsat، مناطق بر اساس اندازه ی واقعی پیکسل طبقه بندی گردیدند. Major Irrigation شامل  <strong class='sis-keyword'>آبیاری</strong> سطحی، Minor Irrigation شامل  <strong class='sis-keyword'>آبیاری</strong> زیر زمینی و تلفیقی (سیستم  <strong class='sis-keyword'>آبیاری</strong> بارانی و قطره ای با هم) می گردد. مناطق به رنگ سفید غیر  <strong class='sis-keyword'>آبیاری</strong> می باشند.
شکل-13: توزیع مکانی مناطق تحت کشت آبی در قدرت تفکیک های مختلف در حوزه ی آبریز رودخانه ی Krishna در هندوستان در سال 2000. در قدرت تفکیک های مکانی کم (AVHRR و MODIS)‌،‌ مناطق بر اساس کسر (درصد) زیر پیکسل مربوط به کشت آبی طبقه بندی گردیدند. در قدرت تفکیک Landsat، مناطق بر اساس اندازه ی واقعی پیکسل طبقه بندی گردیدند. Major Irrigation شامل آبیاری سطحی، Minor Irrigation شامل آبیاری زیر زمینی و تلفیقی (سیستم آبیاری بارانی و قطره ای با هم) می گردد. مناطق به رنگ سفید غیر آبیاری می باشند.


در این تحقیق با توجه به مشکل زیر-پیکسل (Sub-Pixel)‌ در قدرت تفکیک های ضعیفتر مانند AVHRR و MODIS و خطایی که ممکن است در نتایج نهایی ایجاد نماید، ابتدا متوسط درصد زمین های تحت کشت آبی در هر پیکسل این سنجنده ها با استفاده از تصاویر با قدرت تفکیک بالا (لندست) محاسبه گردید و سپس از رابطه ی زیر ، سطح زیر کشت مزارع آبی بدست آمد:


SPA _ FPA * IAF


که SPA = مساحت زیر پیکسل
FPA= مساحت کل پیکسل
وIAF، کسر مساحت آبیاری شده در هر پیکسل است.


دقت تخمین های مساحت، بستگی به تخمین دقیق IAF دارد که با سه روش زیر محاسبه گردید:


  • با استفاده از تصاویر با قدرت تفکیک بالای Google Earth (IAF-GEE)
  • با استفاده از تصاویر با قدرت تفکیک بالای ماهواره ای (IAF-HRI)
  • تکنیک تجزیه ی زیر پیکسل (IAF-SPDT) Thenkabail و همکاران (2007a)

دقت نهایی طبقه بندی بترتیب برای لندست، MODIS250 ،MODIS500 و AVHRR برابر با 77،79،84 و 63 درصد بدست آمد.


پس از ویژگی های طیفی، استفاده از شاخص های پوشش گیاهی جهت تفکیک زمین های آبیاری از غیر آبیاری مورد استفاده قرار گرفت. مثلاً در تحقیقی که توسط Ozdogon و همکاران انجام گرفت، با استفاده از آستانه گذاری روی شاخص NDVI تصاویر لندست در اوج سبزینگی در تابستان در دشت Harran در ترکیه سطح زیر کشت محصولات تحت کشت آبیاری از سال 1993 تا 2002، 3 برابر گردید. (35000 تا 100000 هکتار) شکل 14.


افزایش سطح زیر کشت مزارع آبی در حد فاصل 1994 تا 2002 با استفاده از شاخص NDVI تصاویر لندست.
شکل-14: افزایش سطح زیر کشت مزارع آبی در حد فاصل 1994 تا 2002 با استفاده از شاخص NDVI تصاویر لندست.


Irrigated area determination by NOAA-Landsat upscaling techniques, Zayandeh River Basin, Esfahan, Iran
در کاری که توسط تومانیان و همکاران در ایران انجام شد، پردازش و آنالیز مجموعه ای از داده های NOAA-14، سنجنده ی AVHRR، از آرشیو تصاویر ماهواره ای (SAA) برای 1995 تا 1999 صورت گرفت. مقادیر NDVI با استفاده از مقادیر بازتابش باند 1 و 2 سنجنده ی فوق تهیه گردیدند. میانگین شاخص NDVI در سیستم های آبیاری اصلی حوزه ی آبریز زاینده رود، اصفهان در ایران، برای هر تصویر تهیه گردید و تحول زمانی این شاخص بررسی گردید. نهایتا نیز یک ارتباط رگرسیونی بین NDVI و شبکه ی سیستم آبیاری برقرار گردید. نمونه ای از این شاخص ها در منطقه ی مذکور در شکل 15 نشان داده شده است.


شاخص پوشش گیاهی (NDVI) برای منطقه ی حوزه آبریز دشت برخار در اصفهان در ژوئیه 1999
شکل-15: شاخص پوشش گیاهی (NDVI) برای منطقه ی حوزه آبریز دشت برخار در اصفهان در ژوئیه 1999


در شکل 16 نتیجه ی رگسیون بین شاخص NDVI و مساحت مناطق تحت آبیاری در حوزه ی آبریز دشت برخار نشان داده شده است.


ارتباط رگرسیونی بین NDVI و مساحت مناطق  <strong class='sis-keyword'>آبیاری</strong> شده
شکل 16: ارتباط رگرسیونی بین NDVI و مساحت مناطق آبیاری شده


نتایج نشان داد که رگرسیون بین NDVI و مناطق تحت آبیاری در حوزه های همگن بیشتر از حوزه های ناهمگن است. برخی از مطالعات از روش های چند زمانه (Multi-temporal) برای تفکیک مناطق تحت کشت آبی از سایر مناطق استفاده کردند. مثلاً می توان به کاری که توسط Thenkabail و همکاران در سال 2005 در حوزه ی آبریز رودخانه ی گنگ و سند با استفاده از تصاویر چندزمانه ی MODIS انجام شده اشاره نمود. در این تحقیق از 7 باند 42 تصویر MODIS برای تهیه ی نقشه ی پوشش و کاربری اراضی در حوزه ی آبریز رود سند و گنگ استفاده شد. نقشه ی خروجی که حاوی 29 کلاس مختلف که شامل کلاس های کشت آبی نیز می گردد در شکل 17 نشان داده شده است.


نقشه ی پوشش و کاربری اراضی حوزه ی آبریز رود سند و گنگ در هندوستان با استفاده از روش طبقه بندی چند زمانه اعمال شده روی 7 باند 42 تصویر سنجنده ی MODIS در حد فاصل 2001 الی 2002.
شکل-17: نقشه ی پوشش و کاربری اراضی حوزه ی آبریز رود سند و گنگ در هندوستان با استفاده از روش طبقه بندی چند زمانه اعمال شده روی 7 باند 42 تصویر سنجنده ی MODIS در حد فاصل 2001 الی 2002.


استفاده از ترکیب سری های زمانی شاخص های پوشش گیاهی یکی دیگر از روش های تفکیک مناطق تحت آبیاری و غیر آبیاری است. مثلا در تحقیقی که Gumma و همکاران در 2011 انجام دادند، از ترکیب های هشت روزه ی NDVI سنجنده ی MODIS برای پهنه بندی مناطق آبیاری با استفاده از روش طبقه بندی نظارت نشده در حوزه ی آبریز کریشنا در هندوستان استفاده نمود. نتیجه ی طبقه بندی در شکل 18 نشان داده شده است.


شه ی طبقه بندی نظارت نشده با استفاده از روش چند زمانه و شاخص پوشش گیاهی سنجنده ی MODIS در حوزه ی آبریز کریشنا در هندوستان در سال 2000 و 2001. کلاس های 7 و 8 مربوط به مناطق تحت  <strong class='sis-keyword'>آبیاری</strong> می باشد.
شکل 18: نقشه ی طبقه بندی نظارت نشده با استفاده از روش چند زمانه و شاخص پوشش گیاهی سنجنده ی MODIS در حوزه ی آبریز کریشنا در هندوستان در سال 2000 و 2001. کلاس های 7 و 8 مربوط به مناطق تحت آبیاری می باشد.


Xiao et al. (2005) combined eight-day composites of MODIS NDVI, EVI, and LSWI (Land Surface Water Index) using thresholding to detect flooded paddy fields of southern China.
در تحقیقی دیگر، Xiao و همکاران (2005) ترکیب های هشت روزه ی شاخص های NDVI وEVI و (Land Surface Water Index) LSWI سنجنده ی MODIS را با استفاده از آستانه گذاری با یکدیگر ترکیب نمودند تا مزارع برنج تحت کشت غرقابی را آشکار نمایند.(شکل 19)


نقشه ی برنجزارهای استخراج شده در 13 استان جنوبی چین با استفاده از روش آستانه گذاری بر روی شاخص های پوشش گیاهی استخراج شده از تصاویر سنجنده ی MODIS در سال 2002
شکل-19: نقشه ی برنج زارهای استخراج شده در 13 استان جنوبی چین با استفاده از روش آستانه گذاری بر روی شاخص های پوشش گیاهی استخراج شده از تصاویر سنجنده ی MODIS در سال 2002


Xiang و همکاران (2019) از همان روش و داده ها ی فوق برای استخراج برنج زارهای تحت سیستم آبیاری غرقابی در شمال شرقی چین استفاده نمودند.(شکل 20)‌


 نقشه ی برنجزارهای استخراج شده در 13 استان جنوبی چین با استفاده از روش آستانه گذاری بر روی شاخص های پوشش گیاهی استخراج شده از تصاویر سنجنده ی MODIS در سال 2002
شکل-20: نقشه ی برنج زارهای استخراج شده در 13 استان جنوبی چین با استفاده از روش آستانه گذاری بر روی شاخص های پوشش گیاهی استخراج شده از تصاویر سنجنده ی MODIS در سال 2002


در مجموعه ی دیگری از تحقیقات به عمل آمده، اطلاعات طیفی چند زمانه در چارچوب یک روش طبقه بندی نظارت شده (Suoervised) به منظور استخراج مناطق تحت آبیاری استفاده شدند. بر اساس این روش، ‌داده های طیفی ماهواره ای پدیده های سطح زمین با داده های طیفی استخراج شده از سطح زمین و یا اطلاعات تاریخی ماهواره ها مقایسه گردیده و بر اساس میزان همبستگی، نسبت به اختصاص وتعیین کلاس نهایی اقدام گردیده است. نمونه ای از این سری از تحقیقات توسط Thenkabail و همکاران (2007) در حوزه آبریز رودخانه ی کریشنا در هند انجام شده است. بر اساس این روش، ابتدا بانک اطلاعاتی طیفی پدیده های سطح زمین در حوزه آبریز مذکور با استفاده از تصاویر NOAA-AVHRR و عملیات میدانی استخراج گردیده و تحت عنوان سری زمانی تاریخی (Historical Time Series) در فاصله ی زمانی 1982 الی 1986 ذخیره گردیدند و سپس در فاصله ی زمانی 1996 الی 1999 نقشه ی به روز شده ی طبقه بندی سطح زمین بر اساس اطلاعات طیفی مذکور به روز رسانی شدند. منحنی های طیفی استخراج شده و نقشه ی تاریخی تهیه شده مر بوط به کلاس های موجود در منطقه بترتیب در نمودار شکل (21) و نقشه ی شکل 22 نشان داده شده اند.


 منحنی های طیفی کلاس های حوزه آبریز کریشنا در حد فاص 1986-1982

شکل 21: منحنی های طیفی کلاس های حوزه آبریز کریشنا در حد فاص 1986-1982


 نقشه ی طبقه بندی تاریخی تهیه شده در حوزه آبریز کریشنا در هند با استفاده از تصاویر NOAA-AVHRR و عملیات میدانی (1986-1982
شکل-22: نقشه ی طبقه بندی تاریخی تهیه شده در حوزه آبریز کریشنا در هند با استفاده از تصاویر NOAA-AVHRR و عملیات میدانی (1986-1982)


نقشه ی شکل 22 با استفاده از روش های طبقه بندی و عملیات صحرایی استخراج گردید. سپس بر اساس نمودار طیفی استخراج شده برای هر کلاس، نقشه ی طبقه بندی کلاس های حوضه ی مذکور برای سا لهای 1996 الی 1999 مطابق با شکل 23 بدست آمد.


نقشه ی طبقه بندی تهیه شده در حوزه آبریز کریشنا در هند از 1996 الی 1999 با استفاده از تصاویر NOAA-AVHRR و نمودار اطلاعات طیفی شکل 21.زمینهای تحت کشت آبی به رنگ سیاه نشان داده شده اند.
شکل 23: نقشه ی طبقه بندی تهیه شده در حوزه آبریز کریشنا در هند از 1996 الی 1999 با استفاده از تصاویر NOAA-AVHRR و نمودار اطلاعات طیفی شکل 21. زمین های تحت کشت آبی به رنگ سیاه نشان داده شده اند.


در تحقیق دیگری که توسط Sharma و همکاران (2018) انجام گردید، سری زمانی شاخص های NDVI ،NDM و EVI تصاویر لندست از 1990 تا 2015 در یک چارچوب طبقه بندی ماشین بردار پشتیبان (Support Vector Machine) به منظور تعیین مزارع تحت آبیاری در تابستان (1990 تا 2015) در یک حوزه آبریز Kabini در جنوب هندوستان استفاده گردید. نتایج در شکل 24 نشان داده شده است:


نقشه ی طبقه بندی مزارع تحت کشت آبی با استفاده از تصاویر لندست و روش طبقه بندی بردار پشتیبان
شکل-24: نقشه ی طبقه بندی مزارع تحت کشت آبی با استفاده از تصاویر لندست و روش طبقه بندی بردار پشتیبان


آبیاری می تواند به طرح های رشد محصول متفاوتی در مقایسه با کشت دیم منجرگردد. به طور متوسط، عملکرد کشاورزی آبی حدود 2/7 برابر بیشتر از کشاورزی دیم است. گواه این ادعا ، افزایش قابل توجه شاخص NDVI در مقایسه با مناطق با کشت دیم می باشد. در همین راستا، مطالعات متعددی در زمینه ی بکارگیری شاخص ماکزیمم پوشش گیاهی تفاضلی نرمال شده (Maximum Value Composite) به منظور تهیه ی نقشه های پهنه بندی مناطق آبیاری شده انجام شده است. برای مثال Biggs و همکاران (2006) روش طبقه بندی نظارت نشده را بر روی شاخص ترکیبی ماکزیمم NDVI ماهانه ی سنجنده ی MODIS برای سال 2002 اعمال نمودند تا بتوانند مزارع تحت کشت آبی را در حوزه ی آبریز دشت کرشنا در هندوستان استخراج نمایند. Irrigated area mapping in heterogeneous landscapes with MODIS time series, ground truth and census data, Krishna Basin, India نتیجه ی طبقه بندی در شکل 25 نشان داده شده است.


نقشه ی طبقه بندی شده ی حوزه ی آبریز کریشنا در هند با استفاده از شاخص ماهانه ی NDVI سنجنده ی MODIS و روش طبقه بندی نظارت نشده. RFA :کشاورزی دیم، RFG: ترکیب دیم و  <strong class='sis-keyword'>آبیاری</strong> زیرزمینی،IMIN:  <strong class='sis-keyword'>آبیاری</strong> با استفاده از تانکر و سیستم زیرزمینی، IL:  <strong class='sis-keyword'>آبیاری</strong> با استفاده از کانال ICONT: ابیاری پیوسته و IDBL :  <strong class='sis-keyword'>آبیاری</strong> مربوط به کشت دوگانه
شکل-25: نقشه ی طبقه بندی شده ی حوزه ی آبریز کریشنا در هند با استفاده از شاخص ماهانه ی NDVI سنجنده ی MODIS و روش طبقه بندی نظارت نشده. RFA :کشاورزی دیم، RFG: ترکیب دیم و آبیاری زیرزمینی،IMIN: آبیاری با استفاده از تانکر و سیستم زیرزمینی، IL: آبیاری با استفاده از کانال ICONT: ابیاری پیوسته و IDBL : آبیاری مربوط به کشت دوگانه


Jin et al. (2016) applied the Support Vector Machine (SVM) classification algorithm on HuanJing (HJ)-1A/B maximum NDVI timeseries to differentiate irrigated and rainfed wheat agriculture in China for circa 2011.
جین و همکاران (2016) الگوریتم طبقه بندی ماشین بردار پشتیبان را بر روی سری زمانی تصاویر NDVI HJ-1A/B اجرا نمودند تا زمینهای تحت کشت گندم دیم و آبی را در استان شانکسی چین در دوره زمانی سپتامبر تا اکتبر ‌تفکیک نمایند.(شکل های 26 و 27)


نقشه ی مناطق تحت کشت دیم در استان شانکسی چین از سپتامبر تا اکتبر 2011
شکل-26: نقشه ی مناطق تحت کشت دیم در استان شانکسی چین از سپتامبر تا اکتبر 2011


 نقشه ی مناطق تحت کشت آبی در استان شانکسی چین از سپتامبر تا اکتبر 2011
شکل 27: نقشه ی مناطق تحت کشت آبی در استان شانکسی چین از سپتامبر تا اکتبر 2011


Attempts are made to use peak NDVI information in thresholding based decision-tree algorithm framework to derive irrigated areas (Ambika et al. 2016; Pervez et al. 2014). تلاش هایی هم به منظور استفاده از اطلاعات قله ی NDVI (peak) در چارچوب الگوریتم درخت تصمیم گیری مبتنی بر آستانه گذاری انجام شد تا مناطق تحت کشت آبی را استخراج نمایند. Ambika و همکاران (2016) با روش فوق و استفاده از تصاویر MODIS، مناطق کشاورزی (آبی و دیم) و غیر کشاورزی را از یکدیگر جدا نمودند. (شکل 28)


تفکیک مزارع کشاورزی (دیم و آبی) از غیر کشاورزی با استفاده از تصاویر MODIS و الگوریتم درخت تصمیم گیری مبتنی بر آستانه گذاری در هندوستان
شکل-28: تفکیک مزارع کشاورزی (دیم و آبی) از غیر کشاورزی با استفاده از تصاویر MODIS و الگوریتم درخت تصمیم گیری مبتنی بر آستانه گذاری در هندوستان


آقای Chen و همکاران (2018) ویژگی های آبیاری (وسعت، زمانبندی و تواتر) را با استفاده از سری زمانی تصاویر لندست و مودیس به همراه داده های بارش در یک منطقه ی همگن از نقطه نظر کلاس کاربری در شمال چین تعیین نمودند.
سری داده ای زمانی با قدرت تفکیک 30 متر که از فیوژن داده های 500 متر مادیس و 30 متر لندست بدست آمد به منظور استخراج شاخص سبزینگی (Greenness Index) استفاده گردید تا نهایتا رخداد های مبوط به عملیات آبیاری نظیر وسعت، زمانبندی و تواتر آبیاری در نیمه ی اول فصل رشد مشخص گردد. علاوه بر سنجنده های نوری، برخی از محققین با استفاده از سنجنده های ریزموج و برآورد رطوبت خاک، سعی در تفکیک مناطق تحت کشت آبی نموده اند. برتری سنجنده های ریز موج نسبت به نوری در این است که این سنجنده ها نسبت به تشعشعات خورشید و همچنین پوشش ابری حساسیت نشان نمی دهند. ماموریت های جاری برآورد رطوبت خاک با استفاده از ماهواره های SMOS وSMAP دستاوردهای قابل توجهی را در برآورد رطوبت خاک با دقت بالا ارائه داده اند.


استفاده از سنجنده های ریز موج
آقای Lawston و همکاران (2017) دریافتند که محصول رطوبت خاک 9 کیلومتری SMAP توانایی خاصی در تعیین الگوها و طرح های زمانی – مکانی آبیاری در ایالات متحده دارند.تلاش هایی نیز توسط (Qiu et al. 2016; Singh et al. 2016). در مقایسه ی محصولات رطوبت خاک ماهواره ای با بارش و همچنین رفتار پوشش گیاهی جهت بررسی مناطق آبیاری شده صورت گرفته است. علی رغم تلاش های اخیر، بدلیل چالش هایی که در کوپلینگ مدل های هیدرولوژیکی و مدل های سطح زمین وجود دارد این مدل ها قادر نیستند تا تاثیرات آبیاری را لحاظ نمایند. در همین ارتباط، تلاش هایی صورت گرفته است تا به منظور تعیین مناطق تحت کشت آبی، رطوبت خاک شبیه سازی شده توسط این مدل ها (که اثرات آبیاری را در نظر نمی گیرند) با محصولات رطوبت خاک ماهواره ای (که هم بارش و هم آبیاری را لحاظ می نمایند) مقایسه گردند. تحقیقات دیگری هم به منظور بررسی قابلیت اندازه گیری های پس پراکنش راداری جهت آشکارسازی مناطق آبیاری شده انجام شده است. آقای Fieuzal و همکاران (2011) فهمیدند که 〖σ^0〗_HH در سنجنده ی Envisat/ASAR به مناطق تحت کشت گندم آبی در منطقه ی Yaqui در مکزیکو حساس می باشد. به شکل مشابه، Hajj و همکاران (2014) دریافتند که سری زمانی پس پراکنش باند های SARدو ماهواره ی TerraSAR-Xو COSMO-SkyMed-X به عملیات (برنامه) آبیاری در چمنزارها حساسند.در شکل 29 نواحی مشخص شده با پلیگونهای قرمز، مناطق تحت آبیاری در داخل جمنزارها در تاریخ 22 می 2013 می باشند.


در تحقیق دیگری که توسط Bazzi و همکاران (2019) در منطقه ی کاتالونیای اسپانیا انجام شد،از سری زمانی تصاویر Sentinel 1 و سه روش طبقه بندی جنگل تصادفی با استفاده از تبدیل موجک (WT-RF) ، جنگل تصادفی با استفاده از مولفه های اصلی(PC-RF) و روش شبکه های عصبی کانولوشن (CNN) به منظور استخراج مناطق تحت  <strong class='sis-keyword'>آبیاری</strong> استفاده گردید. نتایج در شکل 30 نشان داده شده است. مناطقی که به رنگ آبی نشان داده شده اند، مناطق  <strong class='sis-keyword'>آبیاری</strong> شده و نواحی قرمز، غیر  <strong class='sis-keyword'>آبیاری</strong> شده هستند.

شکل-29: در تحقیق دیگری که توسط Bazzi و همکاران (2019) در منطقه ی کاتالونیای اسپانیا انجام شد،از سری زمانی تصاویر Sentinel 1 و سه روش طبقه بندی جنگل تصادفی با استفاده از تبدیل موجک (WT-RF)، جنگل تصادفی با استفاده از مولفه های اصلی (PC-RF) و روش شبکه های عصبی کانولوشن (CNN) به منظور استخراج مناطق تحت آبیاری استفاده گردید. نتایج در شکل 30 نشان داده شده است. مناطقی که به رنگ آبی نشان داده شده اند، مناطق آبیاری شده و نواحی قرمز، غیر آبیاری شده هستند.


یک مناطق  <strong class='sis-keyword'>آبیاری</strong> و غیر  <strong class='sis-keyword'>آبیاری</strong> در منطقه ی کاتالونیای اسپانیا با ساتفاده از تصاویر  <strong class='sis-keyword'>سنتینل</strong> 1 و روش های طبقه بندی البف) جنگل تصادفی با استفاده از تبدیل مئجک ب) جنگل تصادفی با استفاده از آنالیز مولفه های اصلی ج) شبکه ی عصبی کانولوشن
شکل-30: تفکیک مناطق آبیاری و غیر آبیاری در منطقه ی کاتالونیای اسپانیا با ساتفاده از تصاویر سنتینل 1 و روش های طبقه بندی البف) جنگل تصادفی با استفاده از تبدیل مئجک ب) جنگل تصادفی با استفاده از آنالیز مولفه های اصلی ج) شبکه ی عصبی کانولوشن


محصولات جهانی پهنه بندی مناطق تحت آبیاری:
تلاش هایی هم در زمینه ی تهیه ی نقشه های مناطق تحت کشت آبی در سطح جهانی انجام شده است که از جمله می توان به نسخی 5 نقشه ی جهانی سطوح آبیاری (GMIA 5) که دوره ی 2000 تا 2008 را در بر می گیرد و محصول Mirca 2000 برای circa 2000 دو مجموعه ی داده ای هستند که با استفاده از اطلاعات سرشماری و نسق های قدیمی تهیه گردیده اند. این دو محصول با قدرت تفکیک تقریبا 8 کیلومتر در دسترس می باشند. نقشه ی سطح آبیاری جهانی (GIAM) یک محصول جهانی است که با استفاده از داده های هواشناسی، کاربری اراضی و اطلاعات سنجنده های چند ماهواره ای توسعه یافته اند. این محصول در اصل با استفاده از روش طبقه بندی نظارت نشده تهیه شده و در قدرت تفکیک 1 کیلومتر برای circa 2000 در دسترس هستند. نقشه های جهانی مزارع برنج آبی و دیم (GRIPC) یک محصول دیگر در مقیاس جهانی می باشد که بر پایه ی آمار، اقلیم و داده های سنجنده ی ماهواره ای می باشند. این محصول با استفاده از یک الگوریتم درخت تصمیم گیری در قدرت تفکیک 500 متر برای سال 2005 تهیه گردیده است. آژانس فضایی اروپا زیر نظر موسسه ی تغییرات اقلیم (CCI) یک نقشه ی کاربری اراضی جهانی، حاوی مناطق تحت کشت آبی و غیر آبی، در قدرت تفکیک 3000 متر برای سال های 2000، 2005 و 2011 و با استفاده از داده های طیف سنج تصویر بردار با قدرت تفکیک متوسط (MERIS) و روش خوشه بندی نظارت نشده و دانش کارشناسی تهیه نمود. Meier و همکاران (2018) یک محصول جهانی نقشه های آبیاری با قدرت تفکیک 1 کیلومتر از 1999 تا 2012 تهیه نمودند. محصول بر پایه ی GMIA و اطلاعات مبتنی بر ماهواره، تحلیل مجدد (reanalysis) و مشاهداتی از پوشش گیاهی، کشاورزی، کاربری اراضی و بارش می باشد. اخیرا Zohaib و همکاران محصول مناطق آبیاری جهانی برای سال 2015 را با استفاد از رطوبت خاک ماهواره ای ،LST و آلبدو سطح به همراه محصول تحلیل مجدد توسعه دادند. این نکته مهم است که توجه داشته باشیم اعتبار سنجی این داده ها در مقیاس جهانی به دلیل فقدان داده های مشاهداتی مشکل است. مطالعات همچنین تفاوت هایی را در این محصولات در مقیاس محلی نشان داده اند.


کمّی سازی آب آبیاری:
برخلاف پهنه بندی مناطق آبیاری، کمی سازی آب در مقیاس بزرگ چالش زا ست. این بخاطر این است که 1) اطلاعات مشاهده شده ی حجم آبیاری شده محدود به مقیاس های زمانی مکانی محدود می باشد. 2) محدودیت های قانونی و فنی راه اندازی و ترتیب دادن ایستگاه های زمینی . علاوه بر آن، سیستم کشاورزی ناهمگن


آدرس کوتاه شده:
فهرست طبقات