افزایش فشار توسعه شهری بر سیستم های آب شیرین

شهرنشینی منظره های تغییر شکل یافته در یک نرخ بی سابقه است.تا 2050، تقریبا 70 درصد از جمعیت جهان در شهرها زندگی می کنند، قرار دادن فشار زیادی بر منابع آب محلی است، زیرا بتن جایگزین خاک قابل نفوذ می شود، آب طوفان در حال افزایش است، آب های زیرزمینی کاهش می یابد و بارهای گرده افزایش می یابد.

چرا تصویر ماهواره ای برای نظارت بر منابع آب غیر قابل تحمل است

شبکه های نظارت بر زمین سنتی اغلب پراکنده، گران قیمت برای حفظ و محدود در پوشش فضایی هستند. [۳] تصاویر ماهواره ای با ارائه دیدگاه های ثابت، synlight از کل آبخیز و مناطق شهری، سنسور های سطح زمین را در سیستم عامل هایی مانند [FLT: ۰.۰] زمین لرزه های ناسا [F:1] و شناسایی Sentinel-2 [۳] قادر به تشخیص داده های حیاتی در باندهای طیف های مختلف آب و کنترل تنوع داده های حیاتی در باندهای متنوع آب و باندهای مختلف در باندهای مختلف از تنوع آب و باندهای متنوع.

مزایای کلیدی ارزیابی ماهواره ای

  • بایگانی بلند مدت: داده های زمین، به عنوان مثال، گسترش به 1972، اجازه می دهد تجزیه و تحلیل روند چند کادری گسترده شهری و تاثیر آن بر بدن آب.
  • پوشش رقابتی: ماهواره ها هر چند روز به هفته، هر چند روز به همان منطقه را بررسی می کنند، نظارت بر تنوع فصلی و بین المللی در منابع آب.
  • مقرون به صرفه بودن: بسیاری از مجموعه داده های ماهواره ای آزادانه در دسترس هستند، و ارزیابی های بزرگ در دسترس برای محققان و برنامه ریزان در مناطق در حال توسعه است.
  • Integration with GIS: محصولات ماهواره ای می توانند به راحتی با داده های جمعیتی، توپوگرافی و آب و هوا ترکیب شوند تا مدل های جامع از اثرات شهرنشینی را بسازند.

تکنیک های اصلی برای ارزیابی تغییرات منابع آب

استفاده از زمین و طبقه بندی پوشش زمین

اولین گام در اکثر مطالعات مبتنی بر ماهواره این است که چشم انداز را به دسته هایی مانند مناطق ساخته شده، جنگل، زمین کشاورزی، تالاب ها و الگوریتم های یادگیری ماشین باز طبقه بندی کنید - به ویژه جنگل تصادفی و شبکه های عصبی عمیق - دقت طبقه بندی را بهبود داده اند، حتی در محیط های شهری ناهمگن.

شاخص آب تفاوت عادی (NDWI)

NDWI از باندهای سبز و نزدیک مادون قرمز برای برجسته کردن بدن های آب در حالی که سرکوب خاک و سیگنال های گیاهی استفاده می شود، به طور گسترده ای برای نقشه برداری میزان دریاچه ها، مخازن و رودخانه ها استفاده می شود. در زمینه های شهری، NDWI می تواند از دست دادن حوضچه ها و جریان ها به دلیل توسعه پر جنب و جوش یا زهکشی، یک نسخه اصلاح شده، MNDWI، از امواج مادون قرمز برای تشخیص بهتر آب ساخته شده در مناطق بسیار مهم است.

نقشه برداری از Surface Area

سطوح مبهم - جاده ها، پارکینگ ها - شاخص مستقیم شهرنشینی هستند. تصاویر ماهواره ای، به ویژه از سنسورهای با وضوح بالا مانند داده های 30 متر زمینات، می توانند برای استخراج درصد پوشش های غیر قابل نفوذ استفاده شوند.

تغییر تشخیص و تجزیه و تحلیل Time-series

تکنیک های تشخیص تغییر، مانند تجزیه و تحلیل اجزای اصلی و الگوریتم LandTrendr، به تحلیلگران اجازه می دهد تا دقیقا مشخص کنند که چه زمانی و در چه منابع آب تغییر می کنند، به عنوان مثال، کاهش ناگهانی ارزش های NDWI در طول یک دوره پنج ساله ممکن است نشان دهنده تخلیه یک تالاب برای توسعه مسکن جدید باشد.

برنامه های کاربردی و مطالعات موردی

از دست دادن تالاب در جنوب شرق آسیا Mega-Cities

در شهرهایی مانند بانکوک، جاکارتا و شهر هو چی مین، شهرنشینی سریع منجر به پر کردن سیستماتیک تالاب ها شده است که یک بار کنترل طبیعی سیل و شارژ آب های زیرزمینی را ارائه داده است. مطالعه 2020 با استفاده از تصاویر زمینی از 1990 تا 2018 نشان داد که بانکوک 60 درصد از منطقه مرطوب خود را از دست داده است، به طور مستقیم با افزایش فرکانس سیل و داده های یارانه ماهواره ای، شواهد لازم برای تصویب زیرساخت های بازسازی، از جمله سیاست های کانال سبز، از جمله سیاست های کانال سبز، به دست داده های کانال سبز را فراهم می کند.

پیاده سازی آب زیرزمینی در کریدورهای شهری هند

در منطقه سرمایه ملی دهلی، نظارت بر ماهواره های ذخیره سازی آب های زیرزمینی با استفاده از ماموریت GRACE نشان داد که میزان تخریب تقریبا 2 سانتی متر در سال بین 2002 تا 2020، عمدتا توسط تقاضای آب شهری و کاهش دوباره شارژ از سطوح ساخته شده است.

دریاچه های کوچک در ایالات متحده غربی

همانطور که شهرهایی مانند لاس وگاس و فینیکس گسترش می یابند، دریاچه های طبیعی و مخازن در سطح زمین کاهش یافته اند. تصاویر ماهواره ای از آرشیو لندستات نشان می دهد که سطح آب دریاچه ماد از سال ۱۹۸۳ بیش از ۱۵۰ فوت کاهش یافته است و مصرف آب شهری در کنار خشکسالی یک عامل مهم است.

غلبه بر چالش های فنی و عملیاتی

فضا و Temporal Resolution Trade

در حالی که سنسورهایی مانند MODIS پوشش روزانه را ارائه می دهند، رزولوشن 250 متری آنها برای جذب ویژگی های آب شهری کوچک بسیار ضخیم است.در مقابل، ماهواره های تجاری با وضوح بالا (به عنوان مثال، WorldView-3، 0.3 متر) با هزینه و عرض های کوچکتر پراکنده محدود می شوند. A Common workaround این است که داده های چند منظوره با وضوح بالا یا استفاده از تکنیک های بازسازی فوق العاده سریع را ترکیب کند.

پوشش ابری و تداخل جوی

مناطق گرمسیری و موسمی که اغلب سریعترین شهرنشینی را تجربه می کنند، از پوشش مداوم ابر رنج می برند. دیتابیس دیافراگم مصنوعی (SAR) مانند اروپایی Sentinel-1 ، می تواند به ابرها نفوذ کند و همه مشاهده های و هوا را ارائه دهد، به ویژه برای نقشه برداری آب سطح مفید است و شناسایی تغییرات در رطوبت خاک ترکیب و نظارت بر داده های کلی از طریق الگوریتم های اطمینان از همجوشی.

اعتبار و حقیقت زمین

شاخص های ماهواره ای تنها به اندازه داده های درون-situ مورد استفاده برای کالیبره و اعتبار آنها قابل اعتماد هستند.ایجاد شبکه های نظارت متراکم از سنجه های جریان، چاه های زیرزمینی و سنسورهای کیفیت آب ضروری است اما اغلب در کشورهای در حال توسعه فاقد آن است.

تکنولوژی های نوظهور و مسیرهای آینده

یادگیری ماشین و طبقه بندی خودکار

مدل های یادگیری عمیق، به ویژه معماری های U-Net، دقت نزدیک به انسان را در استخراج بدن های آب و سطوح ضعیف از تصاویر ماهواره ای به دست آورده اند.این مدل ها می توانند به سرعت به پردازش Petabytes داده ها بپردازند و نظارت نزدیک به واقعیت در مورد اثرات شهرنشینی را فراهم کنند.در دسترس بودن سیستم های محاسباتی ابری مانند Google Engine دسترسی به این روش های تحلیلی پیشرفته را دموکراتیک کرده است.

Hyperspectral و حرارتی Infrared

ماهواره های نسل بعدی (مانند EMIT ناسا و آینده (FLT:0) زیست شناسی و زمین شناسی (SBG) ماموریت - داده های hyperspectral را ارائه می دهند که می تواند پارامترهای کیفیت آب خاص را شناسایی کند (به عنوان مثال، هیدروژل، turbidity، گروه های حرارتی آلی حل شده).

ادغام با مدل های آب شهری و دوقلو دیجیتال

داده های ماهواره ای به طور فزاینده ای در سیستم عامل های دوقلوی دیجیتال ادغام شده اند که شبیه سازی دینامیک آب در مقیاس شهر را شبیه سازی می کنند.این مدل ها پوشش زمینی ماهواره ای و برآورد های تبخیر شده با مدل های فرآیند هیدرولوژیکی را ترکیب می کنند تا پیش از اینکه سناریوهای شهرنشینی آینده بر دسترسی به آب، خطر سیل و کیفیت آب تأثیر بگذارند، می توانند از این شبیه سازی ها برای آزمایش اثربخشی سقف سبز، پیاده رو به پیاده رو، و پیاده روی و پیاده سازی مرطوب قبل از پیاده سازی استفاده کنند.

سیاست گذاری های اقتصادی و مدیریت آب شهری پایدار

بینش های به دست آمده از تصاویر ماهواره ای به طور مستقیم از چارچوب های جهانی مانند اهداف توسعه پایدار سازمان ملل متحد (SDG 6 برای آب تمیز و بهداشت، SDG 11 برای شهرهای پایدار) پشتیبانی می کند.دولت ها و سازمان های شهری به طور فزاینده ای از داده های ماهواره ای به ارزیابی های زیست محیطی و مقررات منطقه ای استفاده می کنند.

برای به حداکثر رساندن تاثیر، نظارت ماهواره ای باید با حاکمیت قوی جفت شود، زمانی که گسترش شهری در مناطق حساس شارژ شناسایی می شود، تصمیم گیرندگان می توانند به سرعت برای هدایت توسعه، سرمایه گذاری در مدیریت آب طوفان، و یا بازگرداندن دسترسی شفاف به محصولات ماهواره ای، جوامع محلی و سازمان های غیر دولتی را قادر می سازد تا از نظارت بهتر منابع آب حمایت کنند.

نتیجه گیری

تصاویر ماهواره ای از یک ابزار تجربی به یک جزء اصلی ارزیابی منابع آب شهری منتقل شده است.با توانایی تشخیص تغییرات در طول زمان، در مناطق و از طریق ابرها، آن را یک لنز بی نظیر در مورد چگونگی شهرنشینی تغییر چرخه هیدرولوژیکی و اطمینان از ترکیب داده های باز، تجزیه و تحلیل های پیشرفته و افزایش قدرت محاسباتی به این معنی است که حتی شهرهای نقدی در حال حاضر دسترسی به اطلاعات قابل اجرا دارند، به عنوان گسترش منابع پایدار و تمیز و تمیز کردن منابع ضروری برای اندازه گیری های آب و تمیز.