జర్నల్ ఆఫ్ రిమోట్ సెన్సింగ్ & GIS

నైరూప్య

రిమోట్ సెన్సింగ్ ఉపయోగించి ఫ్లోరిడా బేలో నీటి నాణ్యత పారామితుల యొక్క స్పాటియోటెంపోరల్ వేరియబిలిటీపై అధ్యయనం

మహ్మద్ హాజీ ఘోలిజాదే, అస్సేఫా ఎం మెలెస్సే

ఈ అధ్యయనంలో, ఫ్లోరిడా బే యొక్క నీటి నాణ్యతతో అనుబంధించబడిన బయో-ఫిజికల్ పారామితులు వాతావరణపరంగా సరిదిద్దబడిన డేటా ఆధారంగా పరిశోధించబడ్డాయి. ఈ అధ్యయనం యొక్క ప్రధాన లక్ష్యం నాలుగు నీటి నాణ్యత పారామితుల యొక్క ప్రాదేశిక మరియు తాత్కాలిక మార్పులను పర్యవేక్షించడం మరియు అంచనా వేయడం: టర్బిడిటీ, క్లోరోఫిల్-a (chl-a), టోటల్ ఫాస్ఫేట్ మరియు మొత్తం నైట్రోజన్ (TN), ఇంటిగ్రేటెడ్ రిమోట్ సెన్సింగ్ అప్లికేషన్‌ను ఉపయోగించి. , GIS డేటా మరియు గణాంక పద్ధతులు. ఈ ప్రయోజనం కోసం, 2000 (ఫిబ్రవరి 13), 2007 (జనవరి 31)లో ల్యాండ్‌శాట్ థీమాటిక్ మ్యాపర్ (TM) డేటా యొక్క రెండు తేదీలు మరియు 2015లో ల్యాండ్‌శాట్ ఆపరేషనల్ ల్యాండ్ ఇమేజర్ (OLI) యొక్క ఒక తేదీ (జనవరి 5) పొడి కాలంలో, మరియు 2000 (ఆగస్టు 7), 2007లో TM డేటా యొక్క రెండు తేదీలు (సెప్టెంబర్ 28), మరియు సౌత్ ఫ్లోరిడాలోని ఉపఉష్ణమండల వాతావరణం యొక్క తడి సీజన్‌లో 2015లో (సెప్టెంబర్ 2) OLI డేటా యొక్క ఒక తేదీ, USAలోని ఫ్లోరిడా బేలో తాత్కాలిక మరియు ప్రాదేశిక నమూనాలు మరియు అధ్యయనం చేసిన పారామితుల కొలతలను అంచనా వేయడానికి ఉపయోగించబడింది. నాలుగు అధ్యయనం చేసిన పారామితుల యొక్క ఏకకాలంలో గమనించిన డేటా 20 పర్యవేక్షణ స్టేషన్ల నుండి పొందబడింది మరియు నమూనాల అభివృద్ధి మరియు ధ్రువీకరణ కోసం ఉపయోగించబడింది. వాటర్‌బాడీ యొక్క ప్రతిబింబం మరియు గమనించిన డేటా మధ్య సంబంధాన్ని అన్వేషించడానికి నీలం నుండి సమీప ఇన్‌ఫ్రారెడ్ వరకు ఉన్న ప్రాంతంలోని ఆప్టికల్ బ్యాండ్‌లు మరియు సాధ్యమయ్యే అన్ని బ్యాండ్ నిష్పత్తులు ఉపయోగించబడ్డాయి. స్టెప్‌వైస్ మల్టిపుల్ లీనియర్ రిగ్రెషన్ (MLR)ని ఉపయోగించడం ద్వారా chl-a మరియు టర్బిడిటీ సాంద్రతలను అంచనా వేయడానికి ప్రిడిక్టివ్ మోడల్‌లు అభివృద్ధి చేయబడ్డాయి మరియు పొడి సీజన్‌లో అధిక గుణకాలను అందించాయి (chl-a కోసం R2=0.86 మరియు టర్బిడిటీకి R2=0.84) మరియు మితమైన తడి సీజన్‌లో గుణకం యొక్క గుణకాలు (chl-a కోసం R2=0.66 మరియు R2=0.63 కోసం గందరగోళం). మొత్తం ఫాస్ఫేట్ మరియు TN యొక్క విలువలు chl-a మరియు టర్బిడిటీ ఏకాగ్రత మరియు కొన్ని బ్యాండ్‌లు మరియు వాటి నిష్పత్తులతో పరస్పర సంబంధం కలిగి ఉన్నాయి. ల్యాండ్‌శాట్ TM మరియు OLI, మరియు గ్రౌండ్ డేటా యొక్క విధిగా ఉత్తమ-సరిపోయే బహుళ లీనియర్ రిగ్రెషన్ మోడల్‌లను ఉపయోగించి మొత్తం ఫాస్ఫేట్ మరియు TN అంచనా వేయబడ్డాయి మరియు పొడి సీజన్‌లో అధిక గుణకం నిర్ణయాన్ని చూపించాయి (మొత్తం ఫాస్ఫేట్‌కు R2=0.74 మరియు TN కోసం R2=0.82) మరియు తడి సీజన్‌లో (మొత్తం ఫాస్ఫేట్‌కు R2=0.69 మరియు TNకి R2=0.82). MLR నమూనాలు ఫ్లోరిడా బేలో అధ్యయనం చేయబడిన నీటి నాణ్యత పారామితుల యొక్క స్పాటియోటెంపోరల్ వైవిధ్యాలను పర్యవేక్షించడానికి మరియు అంచనా వేయడానికి మంచి విశ్వసనీయతను చూపించాయి.