کاربرد تحلیل‌های مکانی و پردازش تصویر برای شناسایی گستره سیل با استفاده از تصاویر ماهواره سنتینل 1و2

سیل یکی از مهم‌ترین مخاطرات طبیعی تهدیدکننده جوامع انسانی می‌باشد. مسائل مربوط به سیل گوناگون بوده و طبیعت پیچیده‌ای دارد. هجوم سیلاب باعث ازبین‌رفتن امکانات و واردآمدن خسارات جانی و مالی و اختلال در حمل‌ونقل و ارتباطات می‌شود. برآورد مساحت حاصل از سیل در مناطق سیل‌زده باعث می‌شود که ما خسارات ناشی از سیل را به دست آوریم و گستره‌ای برای آن تعیین کنیم تا برنامه‌ای را جهت کاهش این خسارات و نقاطی را که دارای خطر بالایی هستند شناسایی کرده و خطرات را تاحدودی کاهش دهیم. در این راستا تکنیک‌های سنجش از دور و gis، روش‌های بسیار مناسبی برای جمع‌آوری اطلاعات، تصمیم‌گیری سریع، دقیق و با صرفه محسوب می‌گردند. جهت انجام این مطالعه از تصاویر ماهواره‌های سنتینل 1 و 2 برای ژانویه 2020 استفاده شد، همچنین، از روش شیءگرای تصاویر ماهواره ای و قابلیت سامانه گوگل ارث انجین جهت مدل‌سازی و استخراج مساحت سیل استفاده شد. بر اساس نتایج ارزیابی صحت، ضریب کاپا و صحت کلی، الگوریتم‌های طبقه‌بندی شیء گرا بهترین نتیجه را نسبت به سایر پردازش‌ها نشان داد. همچنین نتایج صحت‌سنجی نشان داد که الگوریتم طبقه‌بندی شیءگرا دارای صحت کلی 0/94 و ضریب کاپا 0/88 و پردازش‌های صورت گرفته در سامانه گوگل ارث انجین دارای صحت کلی 0/91 و ضریب کاپا 0/87است. این نتایج نشان می‌دهد که الگوریتم‌های شیءگرا و سامانه گوگل ارث انجین ابزاری بسیار مفید برای شناسایی مناطق سیل‌زده است و می‌تواند برنامه‌ریزان را در مدیریت مخاطرات طبیعی در منطقه مورد مطالعه یاری رساند.

application of spatial analysis and brush image processing to identify flood extent using sentinel 1 and 2 satellite images

floods are one of the most important natural hazards threatening human societies. flood issues are diverse and complex in nature. the onslaught of floods destroys facilities and causes human and financial losses and disrupts transportation and communications. estimating flood area in flooded areas allows us to obtain flood damage and determine the extent to which we can identify a plan to reduce the damage and high-risk areas and reduce the risk to some extent. in this regard, remote sensing and gis techniques are very suitable methods for data collection, fast, accurate and cost-effective decision making. for this study, sentinel 1 and 2a satellite images for january 2020 were used. also, the object-oriented method of satellite images and the capability of the google earth engine system were used to model and extract the flood area. based on the results of accuracy evaluation, kappa coefficient and overall accuracy of object-oriented classification algorithms showed the best result compared to other processes. also, validation results showed that object-oriented classification algorithm has an overall accuracy of 0.94 and kappa coefficient of 0. 88 and the processes performed in the google earth engine system have an overall accuracy of 0.91 and a kappa coefficient of 0.87. these results indicate that object-oriented algorithms and the google earth engine system are useful tools for identifying flooded areas and can assist planners in managing natural hazards in the study area.