Границите на язовира по данни на МЗХ показват поголеми размери и включват прилежащи парцели, което се дължи на факта, че за тяхното определяне са използвани едромащабни източници.
Фиг. 4. Граници на яз. „ Батак“, определени чрез обектнобазирания анализ на Sentinel 2 Level 1C 2022-11-01 и Sentinel 2 Level 1C 2024-07-28( 1 и 3) и по данни от МЗХ( 2 и 4) са валидирани на базата на 2858 точки, генерирани чрез използване на Google Earth Engine показват, че за двете сателитни изображения най-добра корелация имат NDWI и OBIA.
Получените резултати показват и неголеми разлики в екстрахираната площ на яз. „ Батак“ с намаляване на площта на 28.07.2024 г., дължаща се на екстремните горещини и контролирано използване за питейно-битови нужди, електроснабдяване и напояване през този период. Те имат основно методичен характер, но предоставят ценна пространствена информация за промените в района на язовир „ Батак“, които не могат да бъдат идентифицирани само с измерване на водните нива. Това подчертава полезността и ефективността от обработката на данни от средно-мащабни сателитни изображения за бързо и точно идентифициране и екстрахиране на повърхностни водни обекти, което е от съществено значение за дългосрочен мониторинг на промените на техните площи, респ. обеми, а получените резултати могат да бъдат използвани за подобряване на качеството на съществуващите набори от данни, достъпни от Басейнова дирекция „ Източнобеломорски район“( Пловдив) и мониторинг на промените на площта на яз. „ Батак“.
5. БЛАГОДАРНОСТИ
Изследването е извършено в рамките на научноизследователски проект „ Модели на антропогенното въздействие върху природната среда на ниво „ речен басейн“( МodАiNe)“, Договор № КП-06-Н 64 / 6 от 15.12. 2022 г., финансиран от Фонд „ Научни изследвания“, МОН.
6. ЛИТЕРАТУРА
Фиг. 5. Яз. „ Батак“( ЮЗ-част: 1. О. Голака; 2, 3 и 4. Граница на язовира в червен цвят – 19.09.2024 г.); промени в границите – в оранжев и жълт цвят
4. ЗАКЛЮЧЕНИЕ
Вътрешноконтиненталните повърхностни водни обекти са важни компоненти на хидросферата и водните екосистеми. Установяването на техните граници и промени, вследствие на изменението на климата и антропогенните дейности, имат много важно значение за редица научни и практически цели като мониторинг и анализ на качеството на водите, оценка на водопотреблението и управление на водните ресурси. Използваните методични подходи изчисление на спектралните водни индекси NDWI, Sentinel Water Mask, Water Ratio Index, определяне на праговете от техните хистограми и обектно-ориентиран анализ на са определени границите на язовир „ Батак“. За сравнение е използван обектно-ориентиран анализ на комбинацията на спектралните канали B4( червен), B3( зелен) и B1( аерозолен) чрез Seeded Region Growing алгоритъм и последващото им групиране в 255 класа чрез K-means клъстерен анализ( класификация без обучение), както и класификация с обучение чрез използване на Maximum Distance метод и класификация с два класа. Резултатите
1. Велев, С. Климатично зониране: В: Копралев, И., Йорданова, М., Младенов, Ч.( ед.) География на България. Физическа и социално-икономическа география. 2002. София, 155-166.
2. Acharya, T. D., Subedi, A., and Lee, D. H. Evaluation of Water Indices for Surface Water Extraction in a Landsat 8 Scene of Nepal. Sensors, 2018, 18, 2580.
3. Acharya, T. D. et al. Identification of Water Bodies in a Landsat 8 OLI Image Using a J48 Decision Tree. Sensors. 2016, 16, 1075. https:// doi. org / 10.3390 / s16071075.
4. Adams, R., Bischof, L. Seeded Region Growing. IEEE Transactions on pattern analysis and machine intelligence. 1994, Vol. 16, No. 6. 641-647.
5. Chen, F. et al. Open water detection in urban environments using high spatial resolution remote sensing imagery. Remote Sens. Environ. 2020, Vol. 242, 111706, https:// doi. org / 10.1016 / j. rse. 2020.111706.
6. Feyisa, G. L. et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sens. Environ. 2014, 140, 23 – 35.
7. Hengl, Т. et al. Continental Europe Digital Terrain Model at 30 m resolution based on GEDI, ICESat-2, AW3D, GLO-30, EUDEM, MERIT DEM and background layers( v0.3) [ Data set ]. 2020, Zenodo. https:// doi. org / 10.5281 / zenodo. 4724549.
8. Hu, F. et al. Unsupervised Feature Learning Via Spectral Clustering of Multidimensional Patches for Remotely Sensed Scene Classification," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2015, vol. 8, no. 5, pp. 2015-2030, doi: 10.1109 / JSTARS. 2015.2444405.
ГКЗ 1-2’ 2025 29