ارزیابی تاثیر ادغام تصاویر ماهواره‌های لندست-8 و سنتینل-2 در برآورد پهنه‌های سیلابی

پایش دقیق آب های سطحی یکی از کاربردهای مهم و ضروری در استفاده از سیستم های سنجش از راه دور است. برآوردن نیازهای مطرح‌شده در استفاده از داده‌های سنجش از دور برداشت‌شده از سطح زمین در بسیاری از کاربردها، تنها با استفاده از یک محصول و الگوریتم طبقه بندی‌کننده کافی و ممکن نیست و برای درک دقیق‌تر، ادغام داده ها می‌تواند گزینه بهتری باشد. لذا در این پژوهش از رویکردهای مختلفی همچون به‌کارگیری تصاویر دو سنجنده، شاخص های استخراج آب و الگوریتم های طبقه بندی جهت شناسایی پهنه‌های آبی استفاده گردید. در این راستا ابتدا تصاویر سنجندهای نوری لندست-8 و سنتینل-2 با یکدیگر ادغام شدند که در نتیجه آن وضوح مکانی این سنجنده ها با حفظ اطلاعات طیفی، از 30 به 10 متر ارتقا یافت. سپس شاخص های استخراج آب همچون (ndwi, mndwi, awei_sh, awei_nsh, wi) بر تصاویر ادغام شده اعمال شد و پس از ترکیب آن با تصاویر اصلی ماهواره های منتخب، با استفاده از الگوریتم های طبقه بندی (svm, maximum likelihood, minimum distance, neural network, random forest) محدوده مطالعاتی به دو دسته پهنه‌های آبی و غیرآبی طبقه بندی شد و در نهایت با استفاده از روش حداکثر رای گیری که از رویکردهای ادغام در سطح تصمیم گیری محسوب می شود نتایج حاصل از تمام الگوریتم های طبقه بندی برای تصاویر قبل و بعد از سیلاب استان مازندران در واقعه سیلاب سال 1398 شمسی با یکدیگر ادغام شدند. الگوریتم طبقه بندی جنگل تصادفی با دقت کلی 97.76 و 94.12 و ضریب کاپا 94.49 و 91.41 برای تصاویر قبل و پس از سیلاب بهترین عملکرد طبقه بندی در بین الگوریتم های مورداستفاده در این پژوهش را داشت. ادغام الگوریتم های طبقه بندی نشان از بهبود عملکرد تفکیک پهنه‌های آبی و غیرآبی با افزایش دقت کلی تفکیک به 98.41 و 95.24 و ضریب کاپا 96.12 و 92.81 برای تصاویر قبل و پس از سیلاب داشت.

evaluation of the impact of image fusion of landsat 8 and sentinel 2 satellites on flood zone estimation

accurate monitoring of surface water is one of the important and necessary applications in the use of remote sensing systems. meeting the needs raised in the use of remote sensing data collected from the earth’s surface in many applications, using only one product and classification algorithm is not sufficient and possible, and for a more accurate understanding, data fusion can be a better option. in this system, various approaches such as water extraction indices or classification algorithms are used to identify water areas. in this research, an fusion approach of landsat-8 and sentinel-2 optical sensor images was used. firstly, the spatial resolution of these sensors was enhanced from 30 to 10 meters by pansharpening them and preserving spectral information. then, water extraction indices such as ndwi, mndwi, awei_sh, awei_nsh, and wi were applied to the integrated images. subsequently, using classification algorithms such as svm, maximum likelihood, minimum distance, neural network, and random forest, the study area was classified into two categories of water and non-water areas. finally, the results obtained from all classification algorithms for pre and post-flood images of mazandaran province in the 2019 flood event were merged using the majority voting method, which is considered an integration approach at the decision-making level. random forest classification algorithm with overall accuracy of 97.76 and 94.12 and kappa coefficient 94.49 and 91.41 for images before and after flood had the best classification performance among the algorithms used in this research. the fusion of classification algorithms showed an improvement in the separation performance of water and non-water areas with an increase in the overall accuracy of separation to 98.41 and 95.24 and kappa coefficient 96.12 and 92.81 for the images before and after the flood.