Temporal analysis of reservoir area changes in Seyhan Dam: A 30-year study using remote sensing techniques

Abstract

In this study, the reservoir area changes of Seyhan Dam, located in Adana, were examined in detail using remote sensing techniques for the period between 1990 and 2021. Irregular precipitation patterns, migration driven by agriculture, increased human activities, and the impact of global warming on evaporation rates necessitate regular monitoring and assessment of water levels in the dam. The method used in this study enabled accurate detection of water surface areas. The accuracy of the data was evaluated using statistical criteria such as the correlation coefficient (r), root mean square error (RMSE), and average error (OH). The average values obtained generally provided results close to the real situation, though deviations were observed in specific data pairs. When compared with measurements from the State Hydraulic Works (DSI), the Landsat 5 TM, Landsat 7 ETM+, and Landsat 8 OLI/TIRS data yielded correlation values of 0.76, 0.83, and 0.78, respectively. Notably, the Landsat 7 ETM+ data exhibited the lowest RMSE value compared to the others. However, it has been noted that seasonal and atmospheric factors, as well as the length of the data sets, may also influence the error rates.

Keywords

• Seyhan Dam
• Reservoir area change
• Landsat data

Seyhan Barajı rezervuar alanı değişimlerinin zamansal analizi: Uzaktan algılama teknikleriyle 30 yıllık bir çalışma

Öz

Bu çalışmada, Adana ilinde bulunan Seyhan Barajı'nın 1990-2021 yılları arasındaki rezervuar alan değişimi, uzaktan algılama teknikleriyle detaylı bir şekilde incelenmiştir. Düzensiz yağış rejimi, tarıma dayalı göç, insan faaliyetlerindeki artış ve küresel ısınmanın buharlaşma oranlarını artırması, barajdaki su seviyelerinin düzenli olarak izlenmesini ve değerlendirilmesini zorunlu kılmaktadır. Bu çalışma kapsamında kullanılan yöntem, su yüzey alanlarının gerçeğe yakın bir biçimde tespit edilmesini sağlamıştır. Verilerin doğruluğu, korelasyon katsayısı (r), kök ortalama kare hatası (RMSE) ve ortalama hata (OH) gibi istatistiksel kriterlerle değerlendirilmiştir. Elde edilen ortalama değerler, genel olarak gerçek duruma yakın sonuçlar sunmuş, ancak belirli veri çiftlerinde sapmalar gözlemlenmiştir. Landsat 5 TM, Landsat 7 ETM+ ve Landsat 8 OLI/TIRS verileri, DSİ ölçümleriyle karşılaştırıldığında sırasıyla 0.76, 0.83 ve 0.78 korelasyon değerleri elde edilmiştir. Özellikle Landsat 7 ETM+ verisi, diğerlerine kıyasla en düşük RMSE değerini sağlamıştır. Ancak, mevsimsel ve atmosferik faktörlerin yanı sıra veri setlerinin uzunluğunun da hata oranlarını etkileyebileceği belirtilmiştir.

Anahtar Kelimeler

• Seyhan Barajı
• Rezervuar alan değişimi
• Landsat verileri

Kaynakça

1. [1] D. Pimentel vd., “Water Resources: Agricultural and Environmental Issues”, BioScience, c. 54, sy 10, ss. 909-918, Eki. 2004, doi: 10.1641/0006-3568(2004)054[0909:WRAAEI]2.0.CO;2.
2. [2] R. Mendelsohn, W. D. Nordhaus, ve D. Shaw, “The Impact of Global Warming on Agriculture: A Ricardian Analysis”, The American Economic Review, c. 84, sy 4, ss. 753-771, 1994.
3. [3] K. Zemlick, V. C. Tidwell, B. L. Roberts, ve C. R. Castillo, “Suitability Assessment of Non-Potable Water to Meet the Electricity Generation Demands in 2030”, Journal of Contemporary Water Research & Education, c. 151, sy 1, ss. 95-105, 2013, doi: 10.1111/j.1936-704X.2013.03155.x.
4. [4] V. De Souza Dias, M. Pereira da Luz, G. M. Medero, ve D. Tarley Ferreira Nascimento, “An Overview of Hydropower Reservoirs in Brazil: Current Situation, Future Perspectives and Impacts of Climate Change”, Water, c. 10, sy 5, Art. sy 5, May. 2018, doi: 10.3390/w10050592.
5. [5] M. A. Akgül ve M. Çeti̇n, “Baraj gölü su kotunun Landsat 8 uydu görüntüleri kullanılarak tahmin edilmesi”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, c. 9, sy 1, ss. 493-502, 2018.
6. [6] M. Amani vd., “Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review”, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, c. 13, ss. 5326-5350, Eyl. 2020, doi: 10.1109/JSTARS.2020.3021052.
7. [7] S. K. McFEETERS, “The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features”, International Journal of Remote Sensing, c. 17, sy 7, ss. 1425-1432, May. 1996, doi: 10.1080/01431169608948714.
8. [8] N. Avisse, A. Tilmant, M. F. Müller, ve H. Zhang, “Monitoring small reservoirs’ storage with satellite remote sensing in inaccessible areas”, Hydrology and Earth System Sciences, c. 21, sy 12, ss. 6445-6459, Ara. 2017, doi: 10.5194/hess-21-6445-2017.

9. [9] K. R. Ahmed ve S. Akter, “Analysis of landcover change in southwest Bengal delta due to floods by NDVI, NDWI and K-means cluster with landsat multi-spectral surface reflectance satellite data”, Remote Sensing Applications: Society and Environment, c. 8, ss. 168-181, Kas. 2017, doi: 10.1016/j.rsase.2017.08.010.
10. [10] A. Ashok, H. P. Rani, ve K. V. Jayakumar, “Monitoring of dynamic wetland changes using NDVI and NDWI based landsat imagery”, Remote Sensing Applications: Society and Environment, c. 23, s. 100547, Ağu. 2021, doi: 10.1016/j.rsase.2021.100547.
11. [11] Ş. P. Güvel ve R. Yurtal, “Seyhan Baraj rezervuarında katı madde birikimi etkisinin incelenmesi”, GUMMFD, c. 35, sy 2, Art. sy 2, Ara. 2019, doi: 10.17341/gazimmfd.418702.
12. [12] J. R. Irons, J. L. Dwyer, ve J. A. Barsi, “The next Landsat satellite: The Landsat Data Continuity Mission”, Remote Sensing of Environment, c. 122, ss. 11-21, Tem. 2012, doi: 10.1016/j.rse.2011.08.026.
13. [13] M. Bilal vd., “A Simplified and Robust Surface Reflectance Estimation Method (SREM) for Use over Diverse Land Surfaces Using Multi-Sensor Data”, Remote Sensing, c. 11, sy 11, Art. sy 11, Oca. 2019, doi: 10.3390/rs11111344.
14. [14] C. J. Crawford vd., “The 50-year Landsat collection 2 archive”, Science of Remote Sensing, c. 8, s. 100103, Ara. 2023, doi: 10.1016/j.srs.2023.100103.
15. [15] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, ve R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone”, Remote Sensing of Environment, c. 202, ss. 18-27, Ara. 2017, doi: 10.1016/j.rse.2017.06.031.
16. [16] N. A. Wahap ve H. Z. M. Shafri, “Utilization of Google Earth Engine (GEE) for land cover monitoring over Klang Valley, Malaysia”, IOP Conf. Ser.: Earth Environ. Sci., c. 540, sy 1, s. 012003, Tem. 2020, doi: 10.1088/1755-1315/540/1/012003.
17. [17] B. Feizizadeh, D. Omarzadeh, M. Kazemi Garajeh, T. Lakes, ve T. Blaschke, “Machine learning data-driven approaches for land use/cover mapping and trend analysis using Google Earth Engine”, Journal of Environmental Planning and Management, c. 66, sy 3, ss. 665-697, Şub. 2023, doi: 10.1080/09640568.2021.2001317.
18. [18] X. Li vd., “Monitoring high spatiotemporal water dynamics by fusing MODIS, Landsat, water occurrence data and DEM”, Remote Sensing of Environment, c. 265, s. 112680, Kas. 2021, doi: 10.1016/j.rse.2021.112680.
19. [19] M. Karaca, N. Yağmur, ve F. Balçik, “İstanbul Terkos Gölü zamansal değişiminin Google Earth Engine kullanılarak belirlenmesi”, Geomatik, c. 7, sy 3, ss. 235-242, Ara. 2022, doi: 10.29128/geomatik.975714.
20. [20] A. Valero-Jorge, R. González-De Zayas, A. Alcántara-Martín, F. Álvarez-Taboada, F. Matos-Pupo, ve O. Brown-Manrique, “Water area and volume calculation of two reservoirs in Central Cuba using Remote Sensing Methods. A new perspective”, içinde Revista de Teledetección, Universitat Politècnica de València, Tem. 2022, ss. 71-87. doi: 10.4995/raet.2022.17770.
21. [21] EOS, “Normalized Difference Water Index (NDWI)”, Normalized Difference Water Index (NDWI). Erişim: 23 Ekim 2024. [Çevrimiçi]. Erişim adresi: https://eos.com/make-an-analysis/ndwi/
22. [22] L. G. Olmanson, P. L. Brezonik, J. C. Finlay, ve M. E. Bauer, “Comparison of Landsat 8 and Landsat 7 for regional measurements of CDOM and water clarity in lakes”, Remote Sensing of Environment, c. 185, ss. 119-128, Kas. 2016, doi: 10.1016/j.rse.2016.01.007.
23. [23] P. Li, L. Jiang, ve Z. Feng, “Cross-Comparison of Vegetation Indices Derived from Landsat-7 Enhanced Thematic Mapper Plus (ETM+) and Landsat-8 Operational Land Imager (OLI) Sensors”, Remote Sensing, c. 6, sy 1, Art. sy 1, Oca. 2014, doi: 10.3390/rs6010310.