Monitoring the Lut Desert Lake using Landsat and Sentinel-2 Satellite Imagery | ||
| نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی | ||
| Volume 5, Issue 17, February 2026, Pages 76-64 PDF (1.19 M) | ||
| Document Type: Original Article | ||
| DOI: 10.22034/rsgi.2025.66297.1127 | ||
| Authors | ||
| Mahsa Sheikhasadi1; Mahdieh Hosseinjanizadeh* 2; Mehdi Honarmand2; Reza Hassanzadeh2 | ||
| 1Student, Department of Ecology, Institute of Science and High Technology and Environmental Sciences, Graduate University | ||
| 2Department of Ecology, Institute of Science and High Technology and Environmental Sciences, Graduate University of Advanced Technology, Kerman, Iran | ||
| Abstract | ||
| ABSTRACT The focus of this research is to monitor the formation of the Lut desert lake by investigation of Landsat and Sentinel 2 satellite images in a period of 47 years from 1972 to 2019 using water and vegetation indices. These indices which were used for extraction of the border and lake area include the Normalized Difference Water Index (NDWI), Modified Normalized Difference Water Index (MNDWI), Automatic Water Extraction Index in Urban Areas (AWEInsh), Automatic Water Extraction Index in Shaded Areas (AWEIsh) and Normalized Difference Vegetation Index (NDVI). The watershed of the lake and two main drainages were extracted from digital elevation model (DEM) data. The drainage which branches from the Shur River enters the lake and has had a significant impact on the formation of the lake. In general rainfall and flooding of the Shur River mainly caused the formation of the Lut Lake. The results obtained from the indices showed that NDWI and NDVI indices are more efficient for obtaining the lake area. The area extracted from the NDVI index by Sentinel 2 data was about 209 hectares in April 2019 and gradually decreased to 191 hectares in May in the Landsat image. Results revealed that Water indices are a useful tool for identifying water areas and the increasing and decreasing trend of lake levels, which can help planners and policymakers in the protection and management of natural resources. | ||
| Keywords | ||
| OLI; TM; MSS and MSI sensors; Water index; Vegetation index | ||
| Full Text | ||
|
هدف: بررسی دقیق تغییرات و پایش نوسانات مساحت دریاچهها و تالابهای موقتی، بهویژه با استفاده از تصاویر ماهوارهای و دادههای سنجش از دور، برای مدیریت پایدار منابع آب و حفاظت از اکوسیستمهای حساس بیابانی ضروری است. هدف از انجام پژوهش حاضر، پایش دریاچه لوت در بازه زمانی 47 ساله از 1972 تا 2019 با استفاده از تصاویر ماهوارهای است. روش پژوهش: روش تحقیق در این مطالعه بهصورت تحلیل زمانی و مکانی تصاویر ماهوارهای از سال 1972 تا 2019 انجام شد. به دلیل طولانی بودن بازه زمانی، تصاویر از سنجندههای مختلف سری لندست (MSS, TM, OLI) و سنجنده MSI سنتینل-2 انتخاب شدند. پس از دریافت تصاویر، کیفیت آنها بررسی و پیشپردازشهای لازم شامل تصحیح اتمسفری با استفاده از الگوریتم تفریق جسم سیاه برای تصاویر MSS و الگوریتم تحلیل سریع جو در مکعبهای ابرطیفی (FLAASH) برای سایر تصاویر انجام شد. سپس شاخصهای طیفی مرتبط با پوشش آبی و گیاهی شامل شاخص تفاضل نرمال شده آب (NDWI)، تفاضل نرمال شده آب اصلاح شده (MNDWI)، استخراج خودکار آب در مناطق شهری (AWEInsh) و مناطق سایه دار (AWEIsh) و تفاضل نرمال شده پوشش گیاهی (NDVI) بر روی تصاویر اعمال شدند تا پهنههای آبی بهصورت دقیق استخراج شوند. دادههای پهنههای آبی به فرمت شیپفایل تبدیل و در محیط GIS برای تعیین تغییرات مساحت دریاچه تحلیل شدند. همچنین، حوضه آبریز دریاچه با استفاده از دادههای رقومی ارتفاعی (DEM) و افزونه ArcHydro در نرمافزار ArcGIS استخراج و دو آبراهه اصلی در محدودهی دریاچه بارز شدند. نتایج: تحلیل تصاویر ماهوارهای لندست و سنتینل-۲ طی بازه زمانی ۴۷ ساله نشان داد که بیابان لوت چندین بار شاهد تشکیل دریاچههای موقتی با وسعتهای متغیر بوده است. بیشترین وسعت دریاچه در سال ۲۰۱۹ به حدود ۲۰۹ هکتار رسید که ناشی از سیلابهای شدید و طغیان رودخانه شور بود. دو مسیر اصلی زهکشی در منطقه شناسایی شد که شاخه شمالی آن، منشعب از رودخانه شور، نقش کلیدی در تشکیل دریاچه دارد. شاخصهای NDWI و NDVI در استخراج دقیقتر پهنههای آبی نسبت به سایر شاخصها عملکرد بهتری داشتند. همچنین کاهش مساحت دریاچه از ۲۰۹ هکتار در اردیبهشت ۱۳۹۸ به ۱۹۱ هکتار در خرداد همان سال مشاهده شد. نتیجهگیری: این مطالعه نشان داد که بهرهگیری از فناوری سنجش از دور و شاخصهای طیفی منتخب، ابزاری موثر و مقرونبهصرفه برای پایش و مدیریت منابع آب در مناطق خشک و نیمهخشک است. نتایج بهدستآمده میتواند در مدیریت منابع طبیعی، کاهش خطرات سیل و حفاظت از زیرساختها نقش مهمی ایفا کند. همچنین پایش مستمر پهنههای آبی با دادههای ماهوارهای و GIS امکان تصمیمگیری به موقع و مؤثر را برای مدیران فراهم میسازد. | ||
| References | ||
|
Chavez, J. P. S. (1989). Radiometric calibration of Landsat thematic mapper multispectral images. Photogrammetric Engineering & Remote Sensing,, 55, 1285-1294. Chavez, J. P. S. (1996). Image-Based Atmospheric Corrections-Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62, 1025-1036. Chen, L., Jin, Z., Michishita, R., Cai, J., Yue, T., Chen, B., & Xu, B. (2014). Dynamic monitoring of wetland cover changes using time-series remote sensing imagery. Ecological Informatics, 24, 17-26. https://doi.org/https://doi.org/10.1016/j.ecoinf.2014.06.007 Duan, Z., & Bastiaanssen, W. G. M. (2013). Estimating water volume variations in lakes and reservoirs from four operational satellite altimetry databases and satellite imagery data. Remote Sensing of Environment, 134, 403-416. https://doi.org/10.1016/j.rse.2013.03.010. ENVI Tutorial, (2003). ENVI Software Package Version 4.0. Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 140, 23-35. https://doi.org/https://doi.org/10.1016/j.rse.2013.08.029 Gao, B.-c. (1996). NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58(3), 257-266. https://doi.org/https://doi.org/10.1016/S0034-4257(96)00067-3 Khosravi, M. Entezari, A., Rahmani, A., Baaghideh, M., (2017) Monitoring the Disturbance of Lake District Water Level Changes Using Remote Sensing Indices. Hydrogeomorphology 4 (13): 99-120. (In Persian) Leblanc, M., Lemoalle, J., Bader, J. C., Tweed, S., & Mofor, L. (2011). Thermal remote sensing of water under flooded vegetation: New observations of inundation patterns for the ‘Small’ Lake Chad. Journal of Hydrology, 404(1), 87-98. https://doi.org/https://doi.org/10.1016/j.jhydrol.2011.04.023 Lin, H., Shu, G., Xiping, Y., Yan, L., Guokun, C., & Sha, G. (2021). Spatial Differentiation Analysis of Water Quality in Dianchi Lake Based on GF-5 NDVI Characteristic Optimization. Journal of Spectroscopy, 2021, 5542126. https://doi.org/10.1155/2021/5542126 Maghsoudi, M., Khanbabaei, Z., Mohammadi, A., Mahboobi, S., & Baharvand, M. (2016). Environmental Conditions of Iran Pluvial Lakes using Sedimentary Evidence (Case study: Lut Desert Kalut). Physical Geography Research, 48(1), 125-142. https://doi.org/10.22059/jphgr.2016.57031. (In Persian) Maghsoudi, M., Moradi, A., Moradipour, F., & Nezammahalleh, M. A. (2019). Geotourism development in world heritage of the Lut Desert. Geoheritage, 11, 501-516. https://doi.org/10.1007/s12371-018-0303-2. (In Persian) McFeeters, S. K., & http://dx.doi.org/10.1080/01431169608948714. (1996). The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features. International Journal of Remote Sensing, 17, 1425-1432. Moien Jahanthigh, M. J. (2-23). Monitoring of vegetation changes using daily Landsat-Modis simulated images at in three years of wet, normal and drough in arid region (Case study: Nimroze city) RS & GIS for Natural Resources 14(3), 101-130. (In Persian) Onyango, D. O., & Opiyo, S. B. (2022). Detection of historical landscape changes in Lake Victoria Basin, Kenya, using remote sensing multi-spectral indices. Watershed Ecology and the Environment, 4, 1-11. https://doi.org/https://doi.org/10.1016/j.wsee.2021.12.001 Propastin, P. A. (2008). Simple model for monitoring Balkhash Lake water levels and Ili River discharges: Application of remote sensing. Lakes & Reservoirs: Science, Policy and Management for Sustainable Use, 13(1), 77-81. https://doi.org/https://doi.org/10.1111/j.1440-1770.2007.00354.x Rasti, S., Mahdavifardnh, M., Shaykh ghaderi, H., Nasiri, A., Taktaz, N.Z., (2022). Improving Classification accuracy by combining multi-season images of Sentinel 1 and 2 in order to prepare a land use map in the cloud space of Google Earth Engine (Case study: Guilan province), Geoghraphy and Human Relationships Journal, V. 5, N. 3 357-373 (In Persian). Sima, S., & Tajrishy, M. (2013). Using satellite data to extract volume-area-elevation relationships for Urmia Lake, Iran. Journal of Great Lakes Research, 39, 90-99. https://doi.org/10.1016/j.jglr.2012.12.013. (In Persian). Wang, L., Dronova, I., Gong, P., Yang, W., Li, Y., & Liu, Q. (2012). A new time series vegetation–water index of phenological–hydrological trait across species and functional types for Poyang Lake wetland ecosystem. Remote Sensing of Environment, 125, 49-63. https://doi.org/https://doi.org/10.1016/j.rse.2012.07.003
Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025-3033. https://doi.org/10.1080/01431160600589179 Zhou, Y., Dong, J., Xiao, X., Xiao, T., Yang, Z., Zhao, G., & Qin, Y. (2017). Open surface water mapping algorithms: A comparison of water-related spectral indices and sensors. Water, 9(4), 256. https://doi.org/10.3390/w9040256. | ||
|
Statistics Article View: 306 PDF Download: 103 |
||