شناسایی و قطعه‌بندی مناطق متاثر از سیلاب به کمک تصاویر ماهواره‌ای و روش‌های یادگیری عمیق

سیل از جمله مخاطرات طبیعی است که در بسیاری از نقاط جهان به وقوع پیوسته و خسارات جبران ناپذیری را بر جای می گذارد. شناسایی دقیق مناطق تحت سیلاب از جمله نکات حائز اهمیت در روند کنترل این بحران به شمار می‌آید. همچنین پیش‌بینی مناطق سیل‌خیز می‌تواند گامی اساسی در پیش گیری و کاهش خسارات مالی و تلفات جانی تلقی گردد. در این مقاله به کمک تصاویر ماهواره‌ای sentinel 1 و شبکه یادگیری عمیق کدگذار کدگشا پدیده‌ی سیل در تصاویر، شناسایی و قطعه‌بندی شده‌است. تصاویر این ماهواره در باند c به صورت تک پلاریزه (hh و vv) و یا به صورت پلاریزاسیون (vv+vh و hh+hv) موجودند. این تصاویر متعلق به مناطق nebraska، north alabama، bangladesh، red river north و florence بوده و نقشه واقعیت زمینی هر تصویر که در آن کلاس هدف و غیرهدف به صورت 0 و 1 نشان داده شده‌اند، در سال 2021 توسط سازمان ناسا در اختیار شرکت‌کنندگان مسابقه etci قرار گرفته‌است. در این مقاله به کمک شبکه عصبی کانوولوشنی کدگذار کدگشا و تصاویر ماهواره‌ای مذکور، فرایند شناسایی و قطعه‌بندی مناطق متاثر از سیلاب صورت گرفته‌است. در این شبکه هریک‌ از مسیرهای کدگذار و کدگشا متشکل از لایه‌های کانوولوشنی ‌است که به ترتیب فرایند استخراج ویژگی و هم‌چنین بازیابی این ویژگی‌ها را برعهده دارند. نحوه عملکرد این روش توسط معیارهای ارزیابی شامل صحت، iou، f1 score و کاپا مورد بررسی قرار گرفته‌است. میزان iou به دست آمده در روند ارزیابی برابر 96.04 درصد بوده که نسبت به سایر روش‌های مورد بررسی در سایر مطالعات موجود(که حداکثر برابر 76.81 درصد بوده‌است) بالاتر است.

identification and segmentation of flood-affected areas usingsatellite images and deep learning methods

floods are one of the natural hazards that occur in many parts of the world and cause irreparable financial and human losses. one of the most important aspects of controlling this crisis is the accurate identification of flooded areas. also، it is important to predict flood prone areas in order to prevent and reduce losses and casualties related to flooding. in this article، with the help of sentinel 1 satellite images and a deep learning encoder decoder network، the flood phenomenon in the images has been identified and segmented. these images belong to the regions of nebraska، north alabama، bangladesh، red river north، and florence، and the ground truth map of each image، in which the target and non target classes are shown as 0 and 1، was provided by nasa in 2021. in this article، flood affected areas have been identified and segmented using encoder decoder convolutional neural networks and the aforementioned satellite images. this network consists of encoder and decoder paths each containing convolutional layers which are responsible for extracting features and recovering these features، respectively. various evaluation criteria were used to evaluate the performance of this method، including accuracy، iou، f1 score، and kappa. this method has shown very good performance in the process of identifying and segmenting flooded areas based on the results obtained. the iou obtained during the evaluation process was 96.04%، which is higher than the highest iou obtained in other comparable studies (76.81%).