view in publisher's site

Assessment of foliar dust using Hyperion and Landsat satellite imagery for mine environmental monitoring in an open cast iron ore mining areas

Highlights•A new method for foliar dust estimation and mapping from satellite imagery and PCE Instrument.•Hyperion image and ground based spectra data are integrated into the model.•Comparison of narrow band Hyperion data with broadband Landsat data was also performed.•Hyperion based method show a good performance for foliar dust estimation in mining area.AbstractThe scope of this paper is to estimate foliar dust concentration using Hyperion (Narrow-bands data) and Landsat (Broad-bands data) images, with the aid of eight different vegetation indices (VIs) and field-based laboratory spectra. A PCE Instrument for measurement of dust accumulation on leaves and Spectroradiometer for spectral signatures, was also used to estimate foliar dust concentration. The result depicted a negative relationship between VIs (Hyperion and Landsat satellite imagery), and field based dust measurements. The Normalized Difference Vegetation Index (NDVI) shows an excellent negative correlation (R2= 0.89 for Hyperion and R2 = 0.81 for Landsat) as it is not much affected by the variation in vegetation types and patterns. Amongst the eight VIs, NDVI was selected as an optimal VI (RMSE = 0.06 g/m2for Hyperion and 0.11 g/m2for Landsat) based on both, the field measurement and satellite data for estimation of foliar dust concentration. Furthermore, a positive relationship between the field-based measured dust concentration (g/m2) and satellite image (by VIs) based dust concentration (g/m2) was observed. Field-based measured foliar dust concentration taken for 20 samples was plotted against their estimated dust values using the NDVI (R = 0.90 for Hyperion and R = 0.81 for Landsat). Hyperion data is considered as the reliable one as it gave better results than the Landsat data. Finally, the Hyperion data based foliar dust map was analyzed by a High-resolution Google Earth image (Geo Eye) for different locations viz., mines, transport sites as well as forests and matched with the field-based measured dust concentration. The result shows that maximum foliar dust was concentrated near the ore transportation network, surrounding mining locations, tailing ponds, and mining dumps areas. For making the environmental management effective (in the mining and allied areas), Hyperspectral remote sensing aided by field-based methods, for estimating foliar dust concentration would be very helpful.Graphical abstractDownload high-res image (341KB)Download full-size image

ارزیابی گرد و غبار با استفاده از تصاویر ماهواره‌ای Hyperion و Landsat برای پایش محیطی معدن در مناطق معدن سنگ‌آهن روباز

کاره‌ای مهم: روش جدید برای تخمین گرد و غبار و نقشه‌برداری از تصاویر ماهواره‌ای و ابزار pce. تصویر Hyperion و داده‌های طیفی پایه پایه به مدل وارد می‌شوند. مقایسه داده‌های نوار باریک باند باریک با داده‌های Landsat پهنای باند نیز انجام شد. این روش با کمک هشت شاخص گیاهی مختلف (vis)و طیف آزمایشگاهی مبتنی بر زمینه (Broad)و Landsat (داده‌های باند پهن)با کمک هشت شاخص گیاهی مختلف (vis)و بازدیدهای می‌دانی (Broad)عملکرد خوبی برای برآورد گرد و غبار دارد. یک ابزار pce برای اندازه‌گیری تجمع گرد و غبار روی برگ‌ها و Spectroradiometer برای امضاهای طیفی، برای تخمین غلظت گرد و غبار نیز استفاده شد. این نتیجه یک رابطه منفی بین vis (تصویر ماهواره‌ای Hyperion و Landsat)و اندازه‌گیری گرد و غبار مبتنی بر میدان را نشان می‌دهد. شاخص Vegetation شاخص Vegetation (ndvi)همبستگی منفی بسیار عالی (R۲ = ۰.۸۹ برای Hyperion و R۲ = ۰.۸۱ برای Landsat)نشان می‌دهد چون تحت‌تاثیر تغییر در انواع و الگوهای پوشش گیاهی نیست. در میان هشت vis، ndvi به عنوان یک ششم بهینه (rmse = ۰.۰۶ g / m۲for Hyperion و ۰.۱۱ g / m۲for Landsat)براساس هم، اندازه‌گیری می‌دانی و داده‌های ماهواره‌ای برای تخمین غلظت گرد و غبار گرفته شد. علاوه بر این، یک رابطه مثبت بین غلظت گرد و غبار اندازه‌گیری شده (g / m۲)و تصویر ماهواره‌ای (توسط vis)براساس غلظت گرد و غبار (g / m۲)مشاهده شد. غلظت گرد و غبار اندازه‌گیری شده برای ۲۰ نمونه در برابر مقادیر گرد و غبار برآورد شده با استفاده از ndvi (R = ۰.۹۰ برای Hyperion و R = ۰.۸۱ برای Landsat)رسم شد. داده‌های Hyperion به عنوان روشی قابل‌اعتماد در نظر گرفته می‌شوند که نتایج بهتری نسبت به داده‌های Landsat نشان می‌دهد. در نهایت، داده‌های Hyperion مبتنی بر داده‌های گرد و غبار به وسیله یک تصویر زمین با رزولوشن بالا (Geo چشم)برای مکان‌های مختلف، تجزیه و تحلیل شد. میزان گرد و غبار اندازه‌گیری شده با استفاده از ضریب همبستگی پیرسون مورد تجزیه و تحلیل قرار گرفت. نتایج نشان می‌دهد که حداکثر ذرات گرد و غبار در نزدیکی شبکه حمل و نقل، مکان‌های معدنی، استخرهای باطله و نواحی محل دفن زباله متمرکز شده‌است. برای ایجاد مدیریت زیست‌محیطی موثر (در مناطق معدنی و متحد)، سنجش از دور با استفاده از روش‌های می‌دانی، برای تخمین غلظت گرد و غبار می‌تواند بسیار helpful.Grap باشد (۳۴۱ کیلوبایت)تصویر با اندازه کامل را بارگیری کند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.