شناسایی آب های سطحی با استفاده از ادغام داده‌های ماهواره ای نوری و راداری

شناسایی و پایش آب های سطحی با استفاده از سنجش از دور بدلیل اهمیت در تامین نیازهای بشر و همچنین تصمیم گیری های سیاسی در دهه های اخیر بسیار مورد توجه و استفاده قرار گرفته است. از همین رو، در این مطالعه با استفاده از سیستم های سنجش از دور و با بکارگیری ماهواره های راداری سنتینل-1 و نوری سنتینل2- به مطالعه بر روی آب های سطحی پرداخته شده است. در این مقاله دو رویکرد ادغام داده ها و سپس ادغام تصمیم گیری ها به منظور بهبود در دقت شناسایی آب های سطحی برای دو منطقه پیشنهادی در استان مازندران بدلیل وجود جنگل های انبوه، رودخانه های گل‌آلود، و زمین های کشاورزی، پیشنهاد شده اند. رویکرد ادغام داده ها با افزایش توان تفکیک مکانی ماهواره نوری سنتینل2- از 20 متر به 10 متر و استفاده از داده های راداری و شاخص های آب در یک لایه، پایش آب های سطحی با دقت مناسبی توسط ابزار طبقه‌بندی نظارت شده ای همچون ماشین بردار پشتیبان، شبکه عصبی، و جنگل تصادفی صورت پذیرفت. در ادامه با تلفیق نتایج و با استفاده از روش رای‌گیری حداکثری، دقت نتیجه خروجی نسبت به رویکرد ادغام داده ها 4 الی 5 درصد افزایش پیدا کرد. از آنجایی که رودخانه های کم عرض و گل آلود به راحتی قابل شناسایی و استخراج نیستند، رویکرد پیشنهادی می تواند نقشه دقیقی از آب های سطحی را استخراج کند.

Detecting Surface Waters Using Data Fusion of Optical and Radar Remote Sensing Sensor

Identification and monitoring of surface water using remote sensing have become very important in recent decades due to its importance in human needs and political decisions. Therefore, surface water has been studied using remote sensing systems and Sentinel1 and Sentinel2 sensors in this study. In this paper, two data fusion approaches and decision fusion improve the accuracy of surface water identification for the two study areas in Mazandaran province, Iran, due to dense forests, turbid rivers, and land Agricultural products have been proposed. Data fusion approach by increasing the spatial resolution of Sentinel2 optical sensor from 20 meters to 10 meters and using radar dataset and water indices in one layer, monitoring surface water with much higher accuracy by classification using supervised classifiers such as Support Vector Machine (SVM), Neural Network (NN), and Random Forest (RF) were performed. Then, by combining the results using the Maximum Voting (MV) method, the accuracy of the results compared to the data fusion approach increased by 4 percent to 5 percent. Since narrow and confused rivers are not easily identifiable and extractable, the proposed approach was able to extract an accurate map of surface water.