شناسایی مناطق سیل‏ زده با محاسبات آماری سری زمانی بر پایۀ تلفیق داده‌های راداری و اپتیکی

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد فتوگرامتری، دانشکدۀ نقشه ‏برداری، دانشگاه خواجه ‏نصیرالدین طوسی

2 استاد دانشکدۀ مهندسی نقشه‏ برداری، عضو قطب علمی فناوری اطلاعات مکانی، دانشگاه صنعتی خواجه ‏نصیرالدین طوسی

3 استادیار دانشکدۀ عمران، دانشگاه صنعتی نوشیروانی بابل

چکیده

همواره مخاطرات طبیعی در زندگی انسان‏ ها آثار مخربی داشته است که سیل یکی از انواع جدی آن‏ است. بنابراین، ارائۀ روش‏ های سریع شناسایی سیلاب برای مدیریت بحران ضرورت زیادی دارد. هدف از این تحقیق، ارائۀ روشی با دقت و سرعت‏ مناسب در تهیۀ نقشۀ سیلاب است. در این تحقیق از دو سری زمانی داده‏ های سنتینل 1 و لندست 8 برای تهیۀ نقشۀ شدت سیل با ترکیب روش محاسبات آماری و شاخص‏ های استخراجی استفاده شد. الگوریتم پیشنهادی به این‌ترتیب است که ابتدا نقشۀ پهنه ‏های آبی دائمی به‏ صورت خودکار توسط تصاویر ماهواره ‏ای اپتیکی طی 5 سال تهیه می ‏شود. سپس، برای تعیین شدت سیلاب در مناطق مختلف از محاسبات آماری روی باندهای سری زمانی تصاویر راداری بهره گرفته می ‏شود و درنهایت، با استفاده از شاخص نرمال‏ شده تفاوت سیل که قابلیت شناسایی سریع سیل را دارد، نقشۀ نهایی سیلاب به دست می‏ آید. رویکرد پیشنهادی در پی رخداد سیل 1398 روی دو منطقۀ گلستان و خوزستان که دارای شرایط جغرافیایی متفاوت هستند، پیاده ‏سازی شده است. ارزیابی‏ ها به کمک نقشه‏ های واقعیت زمینی و ماتریس ابهام صورت گرفته و علاوه بر آن، برای تحلیل‏ های کامل‏تر از آزمون مک‏ نمار نیز استفاده ‏شده است. پیاده‏ سازی الگوریتم در محیط ارث‌ انجین نشان داد این روش در کنار داشتن دقت زیاد، امکان استفاده از صدها تصویر را بدون نیاز به سخت ‏افزارهای خاص فراهم می‏ آورد. دقت کلی به‏ عنوان نمونه در یک دورۀ زمانی در استان گلستان و خوزستان به‌ترتیب 84/91 و 36/97 بوده که نشان ‏دهندۀ قابلیت تعمیم‏ پذیری زیاد الگوریتم در مناطق با وسعت‏ های متفاوت است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Identification of flooded areas using time series statistical calculations and based on integrating radar and optical data

نویسندگان [English]

  • Parisa Dodangeh 1
  • , Hamid Ebadi 2
  • Abbas Kiani 3
1 Department of Photogrammetry, Faculty of Surveying, Khajeh Nasir Toosi University of Technology
2 Department of Photogrammetry, School of Surveying, Khajeh Nasir Toosi University of Technology
3 Department of Geomatics, Faculty of Civil Engineering, Babol Noshirvani University of Technology,
چکیده [English]

Natural hazards have always had devastating effects on human life, of which the flood is one of the most serious. Therefore, providing rapid flood identification methods for crisis management is necessary. The purpose of this study is to provide a method with proper accuracy and speed in preparing flood maps. In this study, two time series of Sentinel-1 and Landsat-8 data were used to prepare a flood intensity map by integrating statistical calculation and index extraction. The proposed algorithm is that first the map of permanent water surfaces is automatically prepared by optical images over a period of 5 years. Then, to determine the flood intensity in different regions, statistical calculations are used on the time series of radar images, and finally, using the Normalized difference flood index, which can quickly identify the flood, the final flood map is obtained. The proposed approach has been implemented following the occurrence of the flood of 1398 in two regions of Golestan and Khuzestan, which have different geographical conditions. Assessments performed with the help of ground truth maps and confusion matrices, and in addition, McNemar test was used for more complete analysis. The implementation of the algorithm in the Google-earth-engine environment showed that this method, in addition to having high accuracy, allows the use of hundreds of images without the need for special hardware. The overall accuracy in a period of time in Golestan and Khuzestan was 91.84 and 97.36, which indicates the high generalizability of the algorithm in regions with different extent.

کلیدواژه‌ها [English]

  • flood monitoring
  • Google Earth Engine
  • Statistical calculation
  • time series
  • Normalized difference flood index
[1]. Chi, M., et al., Big data for remote sensing: Challenges and opportunities. Proceedings of the IEEE, 2016. 104(11): p. 2207-2219.
[2]. Ma, Y. et al. Remote sensing big data computing: Challenges and opportunities. Future Generation Computer Systems,2015, p. 47-60.
[3]. Amani, M. et al. Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020.
[4]. Inman, V.L. and M.B. Lyons, Automated inundation mapping over large areas using Landsat data and Google Earth Engine. Remote Sensing, 2020. 12(8): p. 1348.
[5]. Singha, M. et al. Identifying floods and flood-affected paddy rice fields in Bangladesh based on Sentinel-1 imagery and Google Earth Engine. ISPRS Journal of Photogrammetry and Remote Sensing, 2020. 166: p. 278-293.
[6]. Pham-Duc, B. C. Prigent, and F. Aires, Surface water monitoring within Cambodia and the Vietnamese Mekong Delta over a year, with Sentinel-1 SAR observations. Water, 2017. 9(6): p. 366.
[7]. Dao, P.D. N.T. Mong, and H.P. Chan, Landsat-MODIS image fusion and object-based image analysis for observing flood inundation in a heterogeneous vegetated scene. GIScience & Remote Sensing, 2019. 56(8): p. 1148-1169.
[8]. Xu, H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 2006. 27(14): p. 3025-3033.
[9]. Feyisa, G.L. et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 2014. 140: p. 23-35.
[10]. Wan, K.M. and L. Billa, Post-flood land use damage estimation using improved Normalized Difference Flood Index (NDFI 3) on Landsat 8 datasets: December 2014 floods, Kelantan, Malaysia. Arabian Journal of Geosciences, 2018. 11(15): p. 434.
[11]. Cian, F. M. Marconcini, and P. Ceccato, Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data. Remote Sensing of Environment, 2018. 209: p. 712-730.
[12]. Otsu, N. A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 1979. 9(1): p. 62-66.
[13]. F. Saeed zadeh, et al. Change Detection of Multitemporal Sattelite Images by Comparison of Binary Mask and Most Classification Comparison Methods. Journal of Geomatics Science and Technology, 2016. 5(3): p. 111-128.
[14]. DeVries, B. et al. Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote Sensing of Environment, 2020. 240: p. 111664.
[15]. Zhu, X. et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions. Remote Sensing of Environment, 2010. 114: p. 2610-2623.
[16]. Kiani, A. H. Ebadi, and F. Farnood Ahmadi, Development of an object-based interpretive system based on weighted scoring method in a multi-scale manner. ISPRS International Journal of Geo-Information, 2019. 8(9): p. 398.
[17]. Mushore, T.D. et al. Assessing the potential of integrated Landsat 8 thermal bands, with the traditional reflective bands and derived vegetation indices in classifying urban landscapes. Geocarto international, 2017. 32(8): p. 886-899.