تعیین گستره سیل با استفاده از داده‌های سنجنده oli (مطالعه موردی: سیل سال 1395 دزفول)

سیل به‌عنوان یکی از رویدادهایی محسوب می‌شود که خساراتی را به جوامع انسانی تحمیل می‌کند. ازاین‌رو، اهمیت برآورد خسارات ناشی از سیل و تعیین گستره آن در برنامه‌ریزی برای کاهش این خسارات و تعیین نقاط با خطر بالا اهمیت زیادی دارد. هدف از این پژوهش تعیین گستره سیل با استفاده از داده‌های ماهواره‌ای oli بود. برای این منظور پنجره‌ای از تصاویر سنجنده oli ماهواره لندست 8، پیش و پس از سیل 25 فروردین 1395 دزفول مورد استفاده قرار گرفت. ابتدا عملیات پیش‌پردازش شامل تصحیحات رادیومتریک و اتمسفریک بر روی تصاویر انجام‌شده، سپس جهت کاهش همبستگی داده‌ها و به دست آوردن داده‌هایی با تفکیک‌پذیری بالا، از آنالیز مولفه اصلی استفاده گردید. پردازش داده‌ها با استفاده از الگوریتم ماشین بردار پشتیبان و با کرنل‌های خطی و چندجمله‌ای انجام شد. جهت آموزش الگوریتم ماشین بردار پشتیبان نمونه‌های آموزشی برای هر کاربری از جمله زمین‌های کشاورزی، گستره سیل، منابع آبی، مناطق مسکونی و مناطق گردشگری و تفریحی حاشیه رودخانه به‌صورت پراکنده در سطح کاربری‌ها برداشت شد. به‌منظور ارزیابی تشابه کلاس‌ها و میزان تفکیک‌پذیری و تباین نمونه‌های برداشت‌شده، از روش ارزیابی کمی تفکیک‌پذیری استفاده و تفکیک‌پذیری کلاس‌ها با استفاده از شاخص جفریس ماتوسیتا مورد ارزیابی قرار گرفت. نتایج نشان داد که گستره سیل  ha11593.26 بود که بیشترین میزان گستره سیل مربوط به زمین‌های کشاورزی با گسترش  ha8467.45 و مناطق تفریحی و گردشگری حاشیه رودخانه با گسترش  ha2659.14 بوده است.

Determination of flood extend using OLI data (case study: Dezful 2016 flood)

Among the various natural hazards, floods may be considered as the most devastating factor that inflicts great damage on human societies. Therefore, the importance of estimating flood damage and its scope in planning to reduce damages and determine points with high risk is very important. The aim of this study is to determine the extent of flood hazard using OLI satellite data. For this reason, a window of OLI satellite images of Landsat 8 was acquired before and after the Dezful flood of April 25, 2016. First, preprocessing operations include radiometric and atmospheric corrections of images were done, and the principal component analysis was then used to reduce the correlation of the data. Data processing was performed using a Support Vector Machine algorithm with linear and polynomial kernels. In order to train the Support Vector Machine algorithm, training samples for each class (agricultural land, flood extent, water resources, settlement areas, and recreational areas along the river boundary) were harvested at the user level. In order to evaluate the similarity of the classes and the degree of correlation between the samples, the quantitative assessment method of the Jeffries Matusita was performed. The results showed that the flood area was 11593.26 ha, the highest damage was due to agricultural land with a destruction of 8467.45 ha and recreational and tourist areas along the riverbank with a destruction of 2659.14 ha.