برآورد سطح پوشش برف در سطح شهرستان اردبیل و سرعین با استفاده از داده‌های سنجنده sentinel 2 ماهواره msi

پوشش برف یکی از عناصر مهم اقلیمی است که بر اساس آن ممکن است، تغییرات آب‌وهوایی تاثیر خاصی داشته باشد. به‌طور کلی، تغییرات آب‌وهوایی ممکن است در عناصر مختلف اقلیمی منعکس شود بنابراین مطالعه و اندازه‌گیری تغییرات سطوح برف به‌عنوان یکی از منابع مهم تامین آب، بسیار حائز اهمیت است. شهرستان های اردبیل و سرعین از نظر موقعیت جغرافیایی در 48 درجه و 18 دقیقه طول شرقی و 38 درجه و 15 دقیقه عرض شمالی قرار گرفته‌اند. در تحقیق حاضر به‌منظور پایش سطح پوشش برف در سال 1397 از تصاویر ماهواره های اپتیکال سنتینل 2 و برای تشخیص سطوح پوشیده شده از برف از شاخص های ndvi , s3 , nwdi, ndsi] cloud mask در نرم‌افزارهای arcgis و snap استفاده شده است. در ادامه به‌منظور صحت سنجی نقشه های برف استخراج شده از طریق تصاویر با داده های برف در ایستگاه های برف‌سنجی زمینی از رگرسیون خطی در نرم‌افزار matlab  استفاده شد همچنین به‌منظور ارزیابی دقت مدل مورد استفاده و اطمینان از دقت بالای نقشه‌های به‌دست‌آمده از شاخص‌های آماری rmse، mse، bias، corrاستفاده شد. نتایج نشان داد با توجه به شرایط اقلیمی منطقه موردمطالعه حداکثر سطح پوشیده شده از برف در دی‌ماه با مقدار مساحت 356/52 کیلومترمربع و حداقل سطح پوشیده از برف در اسفندماه با مقدار مساحت 96/10 کیلومترمربع رخ ‌داده است. بیشترین پوشش برف در مناطق با شیب‌های بالا در دامنه‌های غربی (ارتفاعات کوهستانی سبلان) بوده و کمترین پوشش برف در ارتفاعات پایین‌تر مربوط به دامنه های شرقی مشاهده ‌شده است. نتایج بیانگر دقت کلی 91/3 درصد و ضریب کاپای 84/45 نقشه سطح برف است که نتایج حاصل از رگرسیون خطی نیز بین مقادیر مشاهداتی و تصاویر ماهواره‌ای برابر با ضریب تبیین 85 درصد بوده و نتایج مربوط به خطای آماری مدل ها برابر با     0/086 mse  و  0/165 bias و   0/924 corr     و rmse برابر 0/043 به‌دست آمد. روابط همبستگی بین داده های زمینی و نقشه های برآوردی از برف میزان بالایی از همبستگی را نشان می دهند. این نتیجه از لحاظ آماری در سطح 99 درصد معنی‌دار است نتایج به‌دست ‌آمده در تحقیق حاضر نشان داده که تصاویر اپتیکی سنتینل 2 با توجه به قدرت تفکیک مکانی بالا و همبستگی مناسب با داده‌های زمینی می‌توانند جایگزین خوبی برای ایستگاه‌های زمینی برف سنجی در ارتفاعات و یا مناطق صعب‌العبور باشند.

estimation of snow cover level in ardebil and sarein cities using sensor data sentinel2 msi satellite

snow cover is one of the important climatic elements based on which climate change may have a special effect. in general, climate change may be reflected in different climatic elements. therefore, it is very important to study and measure changes in snow level as one of the important sources of water supply. ardebil and sarein cities are located at 48° 18׳ east longitude and 38° 15׳ north latitude. in this study, sentinel 2 optical satellite was used to monitor the snow cover surface in 2018, and ndvi, s3, nwdi, ndsi, cloud mask indices were applied to detect snow covered surfaces using arcgis and snap software. next, to validate the snow maps extracted from the images, it was compared with the snow data in terrestrial stations using linear regression in matlab software and to evaluate the accuracy of the model statistical indices including rmse, mse, bias, corr were used. the present study showed that according to ardabil city climatic conditions, maximum snow covered area in january with an area of 356.52 km2 and minimum snow covered area in march with an area of 96.10 km2. the highest snow cover is observed in the high slope areas in the western slopes (sabalan mountain heights) and the lowest snow cover is observed in the lower eastern slopes. the results of linear regression with generalization coefficient are 85% and the results of statistical indices of error are equal to mse: 0.086, basas: 0.165, corr: 0.924, and rmse: 0.03. correlation relationships between terrestrial data and estimated snow maps showed a high degree of correlation. this result is statistically significant at the 99% level. the use of optical images in estimating snow levels is very cost effective due to the size of the areas and the high cost of installing snowmobiles. the results obtained in the present study indicated that traditional radar images with high spatial resolution and good correlation with terrestrial data can be a good alternative to snowmobiling ground stations at high altitudes or in passable areas.