دورسنجی
سمیه اصلانی کتولی؛ رضا شاه حسینی؛ حمید باقری
چکیده
سیل یکی از مخاطرات طبیعی است که می تواند به شدت بر زندگی انسان تأثیر بگذارد، به گونه ای که برای واکنش اضطراری به آن نیاز به ارزیابی دقیق منطقه آسیب دیده پس از حادثه می باشد. مشاهدات رادار با روزنه مجازی (SAR) بطور گسترده در تهیه نقشه و نظارت بر سیل استفاده می شود. با این حال، خدمات عملیاتی فعلی عمدتاً معطوف به سیل در مناطق روستایی ...
بیشتر
سیل یکی از مخاطرات طبیعی است که می تواند به شدت بر زندگی انسان تأثیر بگذارد، به گونه ای که برای واکنش اضطراری به آن نیاز به ارزیابی دقیق منطقه آسیب دیده پس از حادثه می باشد. مشاهدات رادار با روزنه مجازی (SAR) بطور گسترده در تهیه نقشه و نظارت بر سیل استفاده می شود. با این حال، خدمات عملیاتی فعلی عمدتاً معطوف به سیل در مناطق روستایی است و مناطق سیل زده شهری، کمتر مورد توجه قرار می گیرند. در عمل، نقشه برداری از سیلاب های شهری به دلیل مکانیسم های پیچیده برگشت در محیط های شهری، چالش برانگیز است و علاوه بر شدت SAR، اطلاعات دیگری نیز لازم است. در این مقاله یک روش طبقه بندی برای تشخیص سیل در مناطق شهری با تلفیق استفاده از شدت SAR و همدوسی تداخل سنجی تحت چارچوب شبکه عصبی کانولوشن CNN معرفی می شود، تا اطلاعات سیل از مناظر مختلف را استخراج نماید. به منظور تمایز تغییرات حاصل از سیلاب از دیگر تغییرات، از سه سری زمانی همدوسی حاصل از تصاویر(قبل ـ قبل، قبل ـ بعد و بعد ـ بعد) استفاده شده است. این روش در رویداد سیل گنبد کاووس با داده های Sentinel-1 آزمایش می شود. نقشه های سیلاب حاصل از تلفیق شدت و همدوسی و شدت به تنهایی در مقایسه با داده های کنترل زمینی در مناطق شهری و داده های حاصل از آستانه گذاری تصاویر سنتینل-1 نشان می دهد که دقت کلی 93.8٪ و ضریب کاپا 0.81 برای ترکیب شدت و همدوسی و نیز دقت کلی 90.6٪ و ضریب کاپا 0.72 برای ترکیب شدت به تنهایی و دقت کلی 86.8٪ و ضریب کاپا 0.56 برای ترکیب همدوسی به تنهایی وجود دارد. آزمایشات نشان می دهد که همدوسی علاوه بر شدت در تهیه نقشه از سیلاب شهری، اطلاعات ارزشمندی را فراهم می کند و روش پیشنهادی می تواند ابزاری مفید برای تهیه نقشه از سیلاب شهری باشد.