تشخیص و تدقیق پهنه‌های آبی به کمک رویکرد حدآستانه‌گذاری محلی با استخراج ویژگی از تصاویر ماهواره‌ای راداری (مطالعه موردی: دریاچه های زریبار و چیتگر)

کمبود آب به وجود آمده در اثر خشکسالی‌های اخیر، تغییرات اقلیمی، رشد جمعیت و مصرف بیش‌ازحد منابع آبی، تاثیرات گسترده‌ای بر زندگی انسان‌ها، حیوانات و گیاهان داشته است. کشور ایران، به دلیل موقعیت جغرافیایی، تغییرات آب و هوایی و کمبود منابع آبی، در آستانه قرارگیری در یک بحران آبی است. آب‌های سطحی مانند دریاچه‌ها نیز تحت تاثیر این بحران قرار گرفته‌اند. ازاین‌رو، نظارت، کنترل مناسب و مدیریت صحیح منابع آب امری ضروری است. این نظارت می‌تواند به‌طور سریع و دقیق از طریق به‌کارگیری تصاویر ماهواره‌ای ممکن شود و به‌طور مداوم وضعیت منابع آب سطحی را گزارش کند. در این پژوهش، با استفاده از تصاویر ماهواره‌ای راداری، سطح بدنه آبی دریاچه زریبار در استان کردستان از طریق یک رویکرد حدآستانه‌گذاری محلی تعیین شد. این رویکرد شامل سه گام اصلی در عملیات پیاده‌سازی می‌باشد. در گام اول، تحت یک فرآیند استخراج ویژگی، 4 دسته‌ویژگی مجزا اعم از: ویژگی‌های بافت، ریاضی، هندسی و پلاریمتریک از تصویر رادار اولیه استخراج شدند. سپس، فرآیند طبقه‌بندی به کمک 4 مدل طبقه‌بندی یادگیری ماشین انجام شد و یک تصویر طبقه‌بندی اولیه از منطقه به دست آمد. در گام دوم، با اعمال حدآستانه سراسری بر تصویر رادار منطقه، خوشه آب اولیه منطقه نیز به دست می‌آید. در گام نهایی، به‌منظور بهبود و تدقیق خوشه آب اولیه، فرآیند حدآستانه‌گذاری محلی انجام می‌شود. در این فرآیند، با تکیه بر خصوصیات منطقه، نوع، تعداد و مکان قرارگیری کاربری‌های موجود و با محاسبه توابع چگالی احتمال (pdf)، حدآستانه‌های محلی برای هر خوشه از منطقه به‌طور مجزا تعیین می‌گردد. با اعمال حدآستانه‌های محلی و سپس اعمال یک سری محدودیت‌های هیدرولوژی، نقشه نهایی آب سطحی به دست می‌آید. نتایج حاصل از رویکرد پیشنهادی این پژوهش نشان می‌دهد که حدآستانه‌گذاری محلی با کسب دقت‌های %95.44 و %98.27 به ترتیب مربوط به معیارهای  auc و امتیاز f1  موفق به تشخیص و بهبود محدوده آب سطحی بوده است. همچنین آزمایش تشخیص تغییرات دریاچه چیتگر به منظور به چالش کشیدن قدرت رویکرد ارائه‌شده، پیاده‌سازی و اجرا شد. نتایج حاصل از این آزمایش با کسب دقت 94.55 و 96.65 به ترتیب مربوط به معیارهای  auc و امتیاز f1 ، بر کارایی رویکرد پیشنهادی صحه گذاشت. 

detection and refinement of water bodies using a local thresholding approach with feature extraction from radar satellite images (case study: zaribar and chitgar lakes)

the water scarcity caused by recent droughts, climate change, population growth, and excessive consumption of water resources has had widespread impacts on the lives of humans, animals, and plants. iran, due to its geographical location, climate changes, and lack of water resources, is on the verge of a water crisis. surface water bodies, such as lakes, are also affected by this crisis. therefore, proper monitoring, control, and management of water resources are essential. this monitoring can be carried out quickly and accurately through the use of satellite images, providing continuous reports on the status of surface water resources. in this research, the water body surface area of zaribar lake in kurdistan province was determined using radar satellite images through a local thresholding approach. this approach consists of three main steps in its implementation. in the first step, under a feature extraction process, four distinct categories of features—namely: texture, mathematical, geometric, and polarimetric features—were extracted from the primary radar image. then, a classification process was conducted using four machine learning classification models, resulting in an initial classified image of the area. in the second step, a global threshold was applied to the radar image of the region, resulting in the identification of the primary water cluster in the area. in the final step, to refine and improve the initial water cluster, a local thresholding process was performed. in this process, based on the characteristics of the area, the type, number, and location of existing land uses were considered, and local thresholds for each cluster in the region were determined separately by calculating probability density functions (pdfs). by applying the local thresholds and then imposing a series of hydrological constraints, the final map of surface water was generated. the results obtained from the proposed approach in this research indicate that local thresholding succeeded in detecting and improving the surface water extent with accuracies of 95.44% and 98.27% corresponding to auc and f1 score criteria, respectively. additionally, a change detection experiment of chitgar lake was implemented to challenge the effectiveness of the proposed approach. the results of this experiment, with accuracies of 94.55% and 96.65% corresponding to auc and f1 score criteria, respectively, validated the efficacy of the proposed approach.