| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 6409796 | 1629915 | 2016 | 13 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
2- ناحیه مورد مطالعه و مجموعه داده ها
شکل 1- (a) نقشه هند و (b) ناحیه مورد مطالعه نشان داده شده با استفاده از باند 40 تصویر L1T هایپریون.
شکل 2- تصویر ماهواره ای هایپریون برای (a) الله آباد: L1R FCC (RGB: باندهای 51، 30، 20 به ترتیب به صورت قرمز، سبز و آبی نمایش داده شده اند) و (b) ناحیه مورد مطالعه: زیرمجموعه L1R ژئورفرنس شده که رودخانه یامونا و نواحی اطراف آن را نشان می دهد. (برای تفسیر مراجع رنگ در راهنمای این شکل، خواننده به نسخه وب این مقاله ارجاع داده می شود.)
3- مواد و روش ها
3- 1- مواد
3- 2- روش شناسی
شکل 3- (a) مراحل پردازش تحلیل فراطیفی داده ها و (b) روش شناسی استفاده شده در این مطالعه.
3- 2- 1- رفع نوارشدگی داده های هایپریون
3- 2- 2- تصحیح جوی
3- 2- 3- تحلیل فراطیفی
3- 2- 4- نمونه برداری
جدول 1- مختصات و مقادیر پارامتر کیفیت آب برای مکان های نمونه برداری 10- 1 در رودخانه یامونا.
4- نتایج
4- 1- طبقه بندی
شکل 4- باندهای 1، 2، 5، 10 و 15 داده هایپریون، به ترتیب از چپ بالا به راست پایین، ناحیه مورد مطالعه.
شکل 5- نمودار پراکنش n- بعدی نشان دهنده (a) خوشه های عضو نهایی، (b) طیف های متوسط هر خوشه که معرف ویژگی آب هستند و (c) طیف های متوسط هر خوشه پس از ادغام رده های مشابه.
شکل 6- تصاویر فراوانی هدف یاب SAM با استفاده از رده های BandMax، که برای هر طیف (عضو نهایی) در مکان های نمونه برداری نشان داده شده ، Y1 تا Y10. (حداکثر گسترش فراوانی طیفی در هر تصویر فراوانی با رنگ آبی مشخص شده است.) (برای تفسیر مراجع رنگ در راهنمای این شکل، خواننده به نسخه وب این مقاله ارجاع داده می شود.)
شکل 7- نقشه های طبقه بندی شده محدوده مورد مطالعه، رودخانه یامونا در نزدیکی الله آباد (a) SAM، (b) SAM با استفاده از BandMax، (c) SVM و (d) ISODATA.
4- 2- تحلیل طیفی عمق باند
شکل 8- طیف های تصویر هایپریون (a-c) و طیف های میدانی (d-f) برای نمونه های Y1، Y5 و Y7 آب رودخانه (طبق جدول 1).
شکل 9- نمودار نشان دهنده انطباق بسیار زیاد، R2 = 0.99 بین جذب عمق باند در nm983.08 طیف¬های تصویری و میدانی نمونه های متناظر 10- 1.
شکل 10- مقایسه بین R2 هریک از مواد شیمیایی با مقادیر عمق باند طیف های میدانی و تصویری.
5- بحث
جدول 2- دامنه های pH رده های SVM.
جدول 3- مقادیر عمق باند جذب و عدم تقارن برای رده های ISODATA (مرتب شده به ترتیب صعودی آلودگی سطح آهن بر اساس مقدار D هر رده).
شکل 11- (a) رده های ISODATA، (b) طیف های متوسط هر رده و (c) طیف های با حذف پیوستار هر طیف متوسط.
شکل 12- انطباق زیاد 0.73 بین عمق باند (D) و غلظت آهن (Fe).
شکل 13- نقشه طبقه بندی شده رودخانه یامونا همراه با کانال های زهکشی و مکان های روستاها.
جدول 4- پراکندگی مکانی سطوح مختلف Fe در محدوده مورد مطالعه (به ترتیب نزولی سطح تحت پوشش نشان داده شده).
6- نتیجه گیری
- Hyperspectral image spectra of river water surface were exploited beyond VNIR region for detecting chemical pollutants.
- The presence of heavy metals - Fe, As, Cd and Pb were detected in the river water.
- River water surface was classified as per proportion of chemical pollutants.
- SVM classifier results matched well with that of ISODATA in classifying homogenous river water surface.
- Absorption feature's band depth was found directly proportional to the concentration of absorbing material.
SummaryA novel attempt is made to use hyperspectral remote sensing to identify the spatial variability of metal pollutants present in river water. It was also attempted to classify the hyperspectral image - Earth Observation-1 (EO-1) Hyperion data of an 8Â km stretch of the river Yamuna, near Allahabad city in India depending on its chemical composition. For validating image analysis results, a total of 10 water samples were collected and chemically analyzed using Inductively Coupled Plasma-Optical Emission Spectroscopy (ICP-OES). Two different spectral libraries from field and image data were generated for the 10 sample locations. Advanced per-pixel supervised classifications such as Spectral Angle Mapper (SAM), SAM target finder using BandMax and Support Vector Machine (SVM) were carried out along with the unsupervised clustering procedure - Iterative Self-Organizing Data Analysis Technique (ISODATA). The results were compared and assessed with respect to ground data. Analytical Spectral Devices (ASD), Inc. spectroradiometer, FieldSpec 4 was used to generate the spectra of the water samples which were compiled into a spectral library and used for Spectral Absorption Depth (SAD) analysis. The spectral depth pattern of image and field spectral libraries was found to be highly correlated (correlation coefficient, R2Â =Â 0.99) which validated the image analysis results with respect to the ground data. Further, we carried out a multivariate regression analysis to assess the varying concentrations of metal ions present in water based on the spectral depth of the corresponding absorption feature. Spectral Absorption Depth (SAD) analysis along with metal analysis of field data revealed the order in which the metals affected the river pollution, which was in conformity with the findings of Central Pollution Control Board (CPCB). Therefore, it is concluded that hyperspectral imaging provides opportunity that can be used for satellite based remote monitoring of water quality from space.
Journal: Journal of Hydrology - Volume 537, June 2016, Pages 221-233