استفاده از تصاویر سنتینل-1 جهت پایش خسارت سیلاب فروردین 1399، جنوب استان کرمان براساس الگوریتم جنگل تصادفی

ارزیابی خسارت سیل، جهت مدیریت زود هنگام سیل امری ضروریست. در این مقاله چارچوبی جهت برآورد سریع خسارات سیلاب و شناسایی مناطق سیل زده در فروردین 1399، با استفاده از داده های ماهواره ای sentinel1 ارائه شده است. در پژوهش حاضر بعد از اعمال پیش پردازش های لازم در نرم افزار snap 6 ضریب پراکنش سیگما صفر هر دو تصویر مربوط به قبل و بعد از وقوع سیل استخراج شد. جهت تفکیک تصویر به دو طبقه آب و غیر آب، از هیستوگرام ضریب پراکنش تصویر استفاده و حدآستانه 01/ 0 به دست آمد. سپس با اعمال عملیات ریاضی روی هر دو تصویر ضریب پراکنش، تصویر باینری آب و غیر آب به صورت صفر و یک تهیه و براساس اختلاف دو تصویر، منطقه سیل زده مشخص گردید. پس از آشکار‌سازی مناطق سیل زده، تصاویر سنتینل با استفاده از الگوریتم های طبقه بندی نظارت شده به سه کلاس پهنه آبی قبل از سیل، مناطق سیل زده و سایر اراضی طبقه بندی شد. نتایج حاکی از صحت بالای روش طبقه بندی جنگل تصادفی (ضریب کاپا=92/ 0) نسبت به سایر الگوریتم ها بود. با روی هم گذاری نقشه کاربری اراضی و مناطق سیل زده، درصد آب گرفتگی هریک از کاربری ها مشخص شد. بر طبق نتایج، اراضی بایر، مسکونی و مرتع به‌ترتیب با میزان 9/ 27، 16 و 12 درصد دارای بیش ترین درصد آب گرفتگی بودند.

Utilizing Sentinel 1 Images for Monitoring Damage of Flood Event in March 2020, the South of Kerman Province Based on Random Forest Algorithm

Flood damage assessment is often necessary for early flood management. To this end, this paper provides a framework of rapid estimation of flood damage and identification the flooded areas in March 2020 using Sentinel1 satellite data. To this end, in the present study, after applying the necessary preprocessing in SNAP6 software, the backscattering coefficient, or sigma naught for two images related to before and after the flood occurrence was extracted. The backscattering coefficient histogram was used to separate the image into two classes including water and nonwater and the threshold of 0.01 was obtained based on it. Then, by applying mathematical operations on both backscattering images, the binary image of water and nonwater was prepared and the flooded areas were determined based on the difference between the two images. After detecting the flooded areas, Sentinel images were classified into three classes including waterbody before flood, flooded area and other lands using supervised classification algorithms. The results indicated the high accuracy of the Random Forest algorithm with kappa of 0.92 compared to other algorithms. By overlaying the land use and flooded areas maps, the inundation percentage for each land use was determined. According to the results, bare lands with 27.9 percent, residential land with 16 percent and rangelands with 12 percent had the highest inundation percentage, respectively.