شناسایی تغییرات حاصل از رخداد زمین لغزش با استفاده از تصاویر راداری (منطقه مطالعاتی: روستای تخت استان گلستان)

 پدیده های طبیعی در جهان مانند زلزله و بارندگی شدید که گاهی اوقات با طوفان های باد ترکیب می شوند، می توانند سبب بروز رویداد زمین لغزش گردند. این زمین لغزش ها در یک ناحیه می توانند باعث خرابی چندین بخش یا منطقه گردیده و خسارات قابل توجهی به زیرساخت های طبیعی و انسانی وارد کنند. زمین لغزش تقریباً در همه کشورهای جهان اتفاق می افتد و نقش مهمی در تحول سیمای زمین دارد. برای اندازه گیری تغییرات بوجود آمده ناشی از این پدیده در سطح زمین و تولید نقشه آسیب ناشی از آن، روش های مختلف ژئودتیکی و غیرژئودتیکی وجود دارد. روش های ژئودتیکی به دلیل محدودیت هایی همچون صرف زمان و هزینه بالا  برای تهیه نقشه آسیب ناشی از زمین لغزش مناسب به نظر نمی‌رسند. بنابراین بایستی به سراغ روش های غیرژئودتیکی برویم. امروزه کاربرد تکنیک های سنجش از دور در مطالعات ناپایداری دامنه ها و بررسی تغییرات سطح زمین بسیار مورد توجه قرار گرفته است. تصاویر راداری به دلیل قدرت تفکیک مکانی بالا، دید وسیع، امکان برداشت در هر نوع شرایط آب و هوایی، امکان برداشت در طول شب، فرکانس بالای مشاهدات مکانی و زمانی و دقت قابل قبول به عنوان یک ابزار مناسب برای این منظور مطرح گردیده اند. علاوه بر این، روش های مختلفی برای استخراج اطلاعات از این نوع داده ها وجود دارد که اغلب آن ها نیاز به داده های اولیه حجیم، انجام پردازش های سنگین و بسیار زمان بر دارند، اما ما در این تحقیق سعی بر آن داریم که با استفاده از کمترین داده های ورودی و در کمترین زمان ممکن، به تولید نقشه آسیب ناشی از زمین لغزش بپردازیم؛ بنابراین روش مورد استفاده در این تحقیق استفاده از تصاویر راداری سنجنده sentinel-1a و پردازش این تصاویر در بستر پردازشی gee می  باشد. در این تحقیق، با استفاده از بررسی تغییرات بوجود آمده در تصویر سیگمانات داده های راداری قبل و بعد از زمین لغزش و با ترکیب تصاویر در دو حالت بالا و پاببن گذر به شناسایی مناطق آسیب دیده ناشی از زمین لغزش در  منطقه تخت استان گلستان خواهیم پرداخت. نتایج حاصل از این تحقیق نشان دهنده دقت 81 درصدی روش پیشنهادی می‌باشد. 

landslide change detection by use of radar images (case study: takht village of golestan province)

 natural phenomena in the world, such as earthquakes and heavy rains, which are sometimes combined with wind storms, can cause landslides. these landslides in one area can damage several parts and cause significant damage to natural and human infrastructure. landslides occur in almost all countries of the world and play an important role in the changing of the earth’s surface. there are different geodetic and non-geodetic methods to measure the changes caused by this phenomenon. geodetic methods are not suitable for preparing a landslide damage map due to their limitations such as high cost and time consuming. therefore, we have to use non-geodetic methods. nowadays, the use of remote sensing techniques has received much attention. radar images have been proposed as a suitable tool for monitoring landslides due to their high spatial resolution, wide view, the possibility of capturing in any kind of weather conditions and during the night, the high frequency of spatial and temporal observations, and acceptable accuracy. in addition, there are various methods for extracting information from this type of data, most of which require large initial data, and time-consuming processing. but in this research, we are trying to produce a landslide damage map by using the least input data and in the shortest possible time (no need to spend time for downloading all the required data). therefore, the method used in this research is the use of sentinel-1a radar images and processing these images in the google earth engine (gee) processing platform. in this article, we will prepare landslide damage map by examining the changes in the backscattering coefficient image (σ° ) between before and after landslide radar images. in this research, by having two sets of images related to before and after the occurrence of the landslide in asc and dsc pass mode, we can produce the iratio image between the image before and after the landslide for asc and dsc mode. after that, we can average between iratioasc and iratiodsc to produce the iratioaverage. after producing this image and removing areas that cause errors and ambiguity, such as seas and lakes, agricultural areas, deforested areas, etc. finally, by determining a suitable threshold, it is possible to detect landslide areas. in order to evaluate the accuracy, since the lack of ground data in the study area, the generated landslide map was compared with sentinel-2 optical sensor images and the results showed a high agreement between these two data sets, and this shows the high accuracy of the proposed method.