بررسی کارایی شاخص BADI: رویکرد بهبود یافته جهت تشخیص طوفان‌های گردوغبار خاورمیانه با استفاده از تصاویر سنجنده MODIS

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه آبخیزداری و مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 استاد گروه آبخیزداری و مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 استادیار گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

4 استادیار، گروه جغرافیای طبیعی، دانشگاه خوارزمی

5 استاد، گروه زمین شناسی، دانشگاه شهید چمران اهواز

چکیده

گردوغبار یکی از رویدادهای جوی مناطق خشک و نیمه‌خشک جهان است که در سال‌های اخیر افزایش قابل توجهی داشته و آثار و پیامدهای نامطلوبی را در بخش‌های مختلف بر جای گذاشته است. تصاویر سنجنده MODIS به دلیل قدرت تفکیک طیفی و زمانی بالا، به طور گسترده‌ای برای تشخیص طوفان گردوغبار استفاده می‌شوند. شاخص‌های گردوغبار زیادی مبتنی بر MODIS موجود هستند. در این مطالعه، از شاخص بهبود یافته دمای روشنایی گردوغبار (BADI) برای پایش چندین موج طوفان گردوغبار در غرب خاورمیانه بین سال‌های 2000 تا 2016، با استفاده از ترکیب دمای روشنایی سه باند تصاویر MODIS: باند 20 (84/3-66/3 میکرومتر)، باند 31 (28/11-78/10 میکرومتر) و باند 31 (27/12-77/11 میکرومتر) استفاده شده است. تفسیر بصری خروجی BADI نشان داد که این روش تشخیص، قادر است نه تنها به طور مؤثر محل هسته‌های اصلی طوفان‌های گردوغبار را شناسایی کند، بلکه می‌تواند گردوغبار را از زمین‌های لخت و ابرها تشخیص دهد. تجزیه و تحلیل رگرسیون نشان داد که ارتباط معنی‌داری بین BADI وMODIS Deep Blue AOD وجود دارد. برای پنج موج طوفان گردوغبار، ضرایب تعیین (R2) رگرسیون بین مقادیر BADI و MODIS Deep Blue AOD به ترتیب 44/0، 48/0، 67/0، 53/0 و 45/0 (01/0 >P) بود. نتایج نشان داد که شاخص BADI در مقایسه با اغلب شاخص‌های گردوغبار مبتنی بر تصاویر MODIS از قبیل شاخص اختلاف دمای روشنای در باند 32 و 31 (BTD32-31) و شاخص تفاضل نرمال شده گردوغبار (NDDI)، مقدار و تراکم فضایی طوفان گردوغبار را دقیق‌تر نشان می‌دهد. همچنین BADI هماهنگی خوبی با شاخص عمق هواویز نوری (MODIS Deep Blue) نشان می‌دهد (R2 = 0.70, P < 0.01).

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the performance of BADI Index: An improved approach to detect dust storms using MODIS imagery in West of Middle East

نویسندگان [English]

  • Seyed Abdolhossein Arami 1
  • Majid Ownegh 2
  • Ali Mohammadian Behbahani 3
  • Mehri Akbari 4
  • Alireza Zarasvandi 5
1 Ph.D. Student, Watershed and Arid Zone Management Department, Gorgan University of Agricultural Sciences and Natural Resources
2 Professor, Watershed and Arid Zone Management Department, Gorgan University of Agricultural Sciences and Natural Resources, Iran.
3 Assistant Professor, Watershed and Arid Zone Management Department, Gorgan University of Agricultural Sciences and Natural Resources, Iran.
4 Assistant Professor, Geographical Science Department, Kharazmi University, Iran.
5 Professor, Geology Department, Shahid Chamran University of Ahvaz, Iran.
چکیده [English]

Dust event is one of the atmospheric events of world arid and semi-arid regions that had a notable increase in a recent year and negative effects in different parts. MODIS imagery provides an acceptable data source for accurate and timely monitoring of dust storms. However, there are useful dust indices based on MODIS imagery. In this study, it has been used an improved brightness temperature adjusted dust index by Compound the brightness temperatures of three thermal infrared MODIS bands including band 20, band 31 and band 32 to monitor six representative dust storms over the West of Middle East between 2000 and 2016. When the dust storm indices of MODIS including the brightness temperature difference index in bands 32 and 31 (BTD32-31) and the normalized difference dust index (NDDI) and BADI compared together, the BADI index more accurately estimated the spatial density of dust storms in our study area. The regression analysis has been showing significant correlations between the BADI index and MODIS Deep Blue Aerosol Optical Depth values. For the Five dust storms, the determination coefficients (R2) of the regression between the BADI index and MODIS Deep Blue AOD values were 0.44, 0.48, 0.67, 0.53 and 0.45 (P < 0.01), respectively. Considering that BTD 32-31 and NDDI are two widely used indices to detect dust storm, we compared the results obtained using the BTD 32-31, NDDI and BADI for detection of a dust-storm event that occurred on 17 Jul 2016 in order to illustrate the advantages of the BADI. The BADI index with the standard density index of MODIS Deep Blue Aerosol Optical Depth had the statistically significant relationship at P ≤ 0.01.

کلیدواژه‌ها [English]

  • Dust storms
  • Dust Storm
  • MODIS
  • BTD
  • AOD
  • West of Middle East

آرامی سیدعبدالحسین؛ اونق مجید؛ محمدیان بهبهانی علی؛ اکبری مهری؛ زراسوندی علیرضا (1397). تحلیل آماری الگوی فضایی-زمانی طوفان گردوغبار در غرب و جنوب غرب ایران. مجله پژوهش‌های حفاظت آب و خاک، 25(1):83-61.

آرونف استن. (1392). سنجش از دور برای مدیران GIS. مترجمان: علی‌اصغر درویش‌صفت، منیژه رجب‌پوررحمتی، مهتاب پیرباوقار. موسسه چاپ و انتشارات دانشگاه تهران. 720 صفحه.

جعفری رضا؛ ملکیان منصوره (1395). مقایسه و ارزیابی الگوریتمهای شناسایی گردوغبار با استفاده از داده های سطح یک آکوآ و ترا در خاورمیانه. مجله بین المللی سنجش از دور، 36(2): 617-597.

شمشیری سیروس؛ جعفری رضا؛ سلطانی سعید؛ رمضانی نفیسه (1393). آشکارسازیوپهنه‌بندیریزگردهایاستانکرمانشاهبااستفادهازتصاویرماهوارهای MODIS. بوم شناسیکاربردی،3(8): 41-28.

فلاح ززولی محمد؛ وفایی نژاد علیرضا؛ خیرخواه زرکش میرمسعود؛ احمدی دهکاء فریبرز (1393). پایش و تحلیل سینوپتیکی پدیده گرد و غبار با استفاده از سنجش از دور وGIS(مطالعه موردی: گرد و غبار 18 ژوئن 2012). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی سپهر، 23(91):80-69.

کریمی نعمت؛ مریدنژاد علی؛ قلیان سعید؛ ولی سمانی جمال محمد؛ کریمی دانش؛ جوادی سارا (1391). مقایسه فنون شناسایی منبع گردوغبار بر روی زمین در منطقه خاورمیانه با استفاده از داده های MODIS. مجله کانادایی سنجش از دور. 38(5): 599-586.

Ackerman, Steven A, (1989). Using the radiative temperature difference at 3.7 and 11 μm to tract dust outbreaks. Remote Sensing of Environment 27(2): 129-133.

Ackerman, Steven A, (1997). Remote sensing aerosols using satellite infrared observations. Journal of Geophysical Research: Atmospheres 102 (D14): 17069-17079.

Banks, J.R., Brindley, H.E., Flamant, C., Garay, M.J., Hsu, N.C., Kalashnikova, O.V., Klüser, L., Sayer, A.M, (2013). Inter comparison of satellite dust retrieval products over the West African Sahara during the Fennec campaign in June 2011. Remote Sens. Environ. 136, 99–116.

Bozlaker, Ayse, Joseph M. Prospero, Matthew P. Fraser, Shankararaman Chellam, (2013). Quantifying the contribution of long-range Saharan dust transport on particulate matter concentrations in Houston, Texas, using detailed elemental analysis. Environmental science & technology 47 (18): 10179-10187.

Bruzzone, Lorenzo, Diego F. Prieto, (2000). Automatic analysis of the difference image for unsupervised change detection. IEEE Transactions on Geoscience and Remote sensing 38 (3): 1171-1182.

Carreiras JM, Pereira JM, Campagnolo ML, Shimabukuro YE, (2006). Assessing the extent of agriculture/pasture and secondary succession forest in the Brazilian Legal Amazon using SPOT VEGETATION data. Remote Sensing of Environment, 101(3):283-98.

Choobari, O. Alizadeh, P. Zawar-Reza, A. Sturman, (2014). The global distribution of mineral dust and its impacts on the climate system: A review. Atmospheric Research 138: 152-165.

China meteorological administration (CMA), (2012). Sand-Dust Weather Almanac. China Meteorological Administration Press, Beijing.

El-Askary, Hesham, Ritesh Gautam, Menas Kafatos. (2004). Remote sensing of dust storms over the Indo-Gangetic basin. Journal of the Indian Society of Remote Sensing 32 (2): 121-124.

Good EJ, Kong X, Embury O, Merchant CJ, Remedios JJ, (2012). An infrared desert dust index for the Along-Track Scanning Radiometers. Remote sensing of environment, 116:159-76.

Gunaseelan, Indira, B. Vijay Bhaskar, K. Muthuchelian, (2014). The effect of aerosol optical depth on rainfall with reference to meteorology over metro cities in India. Environmental Science and Pollution Research 21 (13): 8188-8197.

Han, Lijian, Atsushi Tsunekawa, Mitsuru Tsubo, Weiqi Zhou, (2013). An enhanced dust index for Asian dust detection with MODIS images. International journal of remote sensing 34 (19): 6484-6495.

Hao, Xianjun, and John Jianhe Qu, (2007). Saharan dust storm detection using moderate resolution imaging spectroradiometer thermal infrared bands. Journal of Applied Remote Sensing 1 (1): 013510.

Hillger, Donald, Thomas Kopp, Thomas Lee, Daniel Lindsey, Curtis Seaman, Steven Miller, Jeremy Solbrig, (2013). First-light imagery from Suomi NPP VIIRS." Bulletin of the American Meteorological Society 94 (7): 1019-1029.

Holben, B.N., Eck, T.F., Slutsker, I., Tanre, D., Buis, J.P., Setzer, A., Vermote, E., Reagan, J.A., Kaufman, Y.J., Nakajima, T., Lavenu, F., Jankowiak, I., Smirnov, A., (1998). AERONET-A federated instrument network and data archive for aerosol characterization. Remote Sens. Environ. 66, 1–16.

Huang, Jianping, Jinming Ge, and Fuzhong Weng, (2007). Detection of Asia dust storms using multisensor satellite measurements. Remote Sensing of Environment 110 (2): 186-191.

Jafari, Reza, Mansoureh Malekian, (2015). Comparison and evaluation of dust detection algorithms using MODIS Aqua/Terra Level 1B data and MODIS/OMI dust products in the Middle East. International Journal of Remote Sensing, 36(2): 597-617.

Jensen, J.R, (2007). Thermal Infrared Remote Sensing, Remote Sensing of the Environment: An Earth Resource Perspective, 2nd ed. Prentice-Hall, Inc., Upper Saddle River (pp. 288).

Kaiser, Jocelyn, (2005). Mounting evidence indicts fine-particle pollution. Science 307 (5717): 1858.

Karimi, Neamat, Ali Moridnejad, Saeed Golian, Jamal Mohammad Vali Samani, Danesh Karimi, Sara Javadi, (2012). Comparison of dust source identification techniques over land in the Middle East region using MODIS data." Canadian Journal of Remote Sensing 38 (5): 586-599.

Kurosaki, Yasunori, Masato Shinoda, Masao Mikami, (2011). What caused a recent increase in dust outbreaks over East Asia? Geophysical Research Letters 38 (11).

Lee, Y. C., Xun Yang, Mark Wenig, (2010). Transport of dust from East Asian and non-East Asian sources to Hong Kong during dust storm-related events 1996–2007. Atmospheric Environment 44 (30): 3728-3738.

Qu, J.J., Hao, X.J., Kafatos, M., Wang, L.L, (2006). Asian dust storm monitoring combining terra and aqua MODIS SRB measurements. Geosci. Remote Sens. Lett. 3, 484–486.

Sanchez, d.l.C. Ana, Garcia-Salamanca, A., Solano, J., de la Rosa, J., Ramos, J.-L., (2013). Chemical and microbiological characterization of atmospheric particulate matter during an intense African dust event in Southern Spain. Environ. Sci. Technol. 47, 3630–3638.

Schepanski, K., I. Tegen, A. Macke, (2012). Comparison of satellite-based observations of Saharan dust source areas. Remote Sensing of Environment 123: 90-97.

Waggoner, Drexel G., and Sokolik, Irina N. (2010). Seasonal dynamics and regional features of MODIS-derived land surface characteristics in dust source regions of East Asia, Journal of Remote Sensing of Environment, No. 114, pp. 2126-2136.

World Meteorological Organization (WMO), United Nations Environment Programme (UNEP), (2011). Establishing a WMO Sand and Dust Storm Warning Advisory and Assessment System Regional Node for West Asia: Current Capabilities and Needs, pp. 1121 (Accessed on April 13, 2016).

Xiao, Xiangming, Chandrashekhar M. Biradar, Christina Czarnecki, Tunrayo Alabi, Michael Keller, (2009). A simple algorithm for large-scale mapping of evergreen forests in tropical America, Africa, and Asia. Remote Sensing 1 (3): 355-374.

Youlin, Yang, Victor Squires, Lu Qi, (2002). Global alarm: dust and sandstorms from the world's drylands. United Nations Convention to Combat Desertification (UNCCD).

Zhao, Yuanyuan, Chunyang He, Qiaofeng Zhang, (2012). Monitoring vegetation dynamics by coupling linear trend analysis with change vector analysis: a case study in the Xilingol steppe in northern China. International journal of remote sensing 33(1): 287-308.