تشخیص تغییرات پوشش برفی با استفاده از روش‌های تحلیل شی‌ءگرای تصاویر ماهواره‌ای مطالعه موردی: حوضه‌های آبریز غربی دریاچه ارومیه

هدف این مقاله، تشخیص تغییرات پوشش‌برفی با استفاده از روش‌های تحلیل شی‌ءگرای تصاویر ماهواره‌ای در حوضه‌های آبریز‌غربی دریاچه‌ارومیه (زولاچای، نازلوچای، شهرچای و باراندوزچای) است. وسعت پوشش‌برف به کمک تصاویر ماهواره‎ای sentinel-2 و landsat-8 برای روزهای با بیشترین برف به روش شی‌ءگرا استخراج و در ادامه به کمک روش ca-markov وضعیت آتی پوشش برفی هر 4 حوضه در سال 2029 با دقت بالا 80 درصد شبیه‌سازی شد. سپس، عمق‌برف به کمک داده‎های fldas_noah و با استفاده از روش منحنی جرم باقیمانده نرمال شده در محیط اکسل مورد بررسی قرار گرفت. تغییرات پوشش و عمق برف در هر 4 زیرحوضه طی سال‎های 2016 تا 2023، دارای نوساناتی بوده است و یک روند کاهشی داشته‎اند. بیشترین پوشش‌برفی مربوط به سال‏های 2018، 2019 و 2021 می‎باشد. بیشینه و میانگین مقادیر عمق برف در سال‏ 2020 به بیشترین مقدار خود یعنی 2/28 و 0/68 و در سال‏های 2016 و 2018 نیز بیشینه عمق‌برف به کمترین میزان خود یعنی 1/07 و 1/1 رسید. همچنین بررسی نقشه پوشش‌برفی ca_markov برای سال 2029 نشان دهنده روند افزایشی نسبی برف است.نتایج نهایی مطالعه حاضر نشان دهنده این واقعیت هستند که روش های بهینه سازی و همجوشی سنجنده های لندست و سنتینل می توانند در فرآیند استخراج و شناسایی پوشش برف با دقت بالا بسیار موثر باشند. بنابراین علارغم وجود مشکلات کم‌آبی در منطقه، بررسی نتایج حاصل از این تحقیق نشان می‎دهد که عوامل دیگری در تشدید کم‏آبی منطقه و کاهش آب دریاچه‌ارومیه تاثیر دارد؛ که یافتن و بررسی این عوامل، برای مدیریت مشکلات آبی منطقه بسیار حائز اهمیت است.

detection of the snow-cover changes on the urmia lake western basins using object-based image analysis (obia) methods

the purpose of this paper is to detect snow cover changes using object-oriented analysis methods of satellite images in the western watersheds of lake urmia (zola-chay, nazlu-chay, shahr-chay, and baranduz-chay). in this regard, the extent of snow cover was extracted using sentinel-2 and landsat-8 satellite images for the days with the most snowfall by object-oriented method and then the future snow cover of all 4 basins in 2029 was simulated with high accuracy using the ca-markov method. then, the depth of the snow was investigated using fldas_noah data using the normalized residual mass curve method in excel environment. changes in snow cover and depth in all four sub-basins during the years 2016 to 2023 have hadups and downs and have had a decreasing trend. the highest snow cover is related to the years 2018, 2019, and 2021. the maximum and average snow depth values in 2020 were 2.28 and 0.68, respectively, and in 2016 and 2018, the maximum snow depth reached its lowest values of 1.07 and 1.1, respectively. also, a review of the ca-markov snow cover map for 2029 shows a relative increasing trend of snow. the final results of the present study indicate that optimization methods and fusion of landsat and sentinel sensors can be highly effective in the process of snow cover extraction and identification with high accuracy therefore, despite water scarcity issues in the region, examining the results of this research shows that other factors contribute to the exacerbation of water scarcity in the area and the reduction of lake urmia's water finding and investigating these factors is crucial for water management in the region.