Journal of Geomatics Science and Technology

fa پهنه بندی پتانسیل سیل با استفاده از یادگیری ماشین و تصاویر Sentinel-1 SAR، مطالعه موردی: استان گلستان Flood potential zoning using machine learning and Sentinel-1 SAR images, case study: Golestan province فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div dir="ltr" style="text-align: right;">سیل به عنوان یک پدیده فاجعه بار، تأثیر زیادی بر اکوسیستمهای طبیعی و زندگی انسانها دارد. با توجه به افزایش احتمال فراوانی و شدت سیل در آینده به دلیل تغییرات اقلیمی، پیشبینی و برنامهریزی زود هنگام در مناطق سیلخیز برای کاهش خسارات ضروری است. در ایران، در چند سال اخیر، استان گلستان سیلهای متعددی را تجربه کرده‌است. در این مطالعه از روش‌های سنجش از دور پیشرفته و یادگیری ماشینی  برای شناسایی و پیش‌بینی مناطق دارای پتانسیل سیل در استان گلستان استفاده شد. بطور خاص، با استفاده از تصاویر رادار Sentinel-1 (SAR) مناطق وقوع سیل بین سالهای 2015 تا 2022 شناسایی شدند. متغیرهای مدل رقومی ارتفاع، شاخص نرمال شده تفاوت پوشش گیاهی، شیب توپوگرافی، شاخص رطوبت گیاهی، تجمع جریان، فاصله جریان، بارش ماهیانه، جهت جریان که نتایج آزمون VIF هیچ نشانه ای از هم خطی بودن بین آن‌ها را نشان نداد، بعنوان متغیرهای محیطی تاثیرگذار بر سیل انتخاب شدند. سپس با هفت الگوریتم یادگیری ماشینی شامل GLM، GAM، BRT، RF، MARS، FDA و CART مناطق مستعد سیل پیش‌بینی شدند. سپس با ترکیب مدل‌های منفرد، عدم اطمینان در نتایج کاهش یافت. عملکرد مدل‌ها با استفاده از چهار شاخص AUC، COR، TSS و Deviance ارزیابی شد. نتایج حاصل از این مطالعه نشان داد متغیرهای مدل رقومی ارتفاعی، تجمع جریان و بارندگی مهمترین متغیرها در پیشبینی پتانسیل سیل در این ناحیه هستند. تمام مدلهای منفرد عملکرد بالایی نشان دادند و در میان مدلها RF بهترین عملکرد را داشت. بر اساس مدل ترکیبی، شهرستان گمیشان، آق قلا، بندر ترکمن، بخش‌های غربی گنبدکاووس، بخش شمالی بندرگز و بخش کوچکی در شمال شهرستان رامیان در استان گلستان بیشترین پتانسیل وقوع سیل را دارند. نتایج این مطالعه به برنامه‌ریزان، تصمیم‌گیرندگان و مدیران استان گلستان کمک میکند تا اقدامات مناسبی را برای پیشگیری و کاهش وقوع سیل در موقعیتهای مکانی پیشبینی شده، انجام دهند.</div> <div>  </div> <div style="text-align: justify;">Floods, as a disastrous phenomenon, have a significant impact on natural ecosystems and human lives. Given the increased likelihood of frequency and intensity of floods in the future due to climate change, forecasting and planning in advance in flood-prone areas is essential to reduce damage. In recent years, Golestan province has experienced several floods. In this study, advanced remote sensing methods and machine learning were used to identify and predict areas with potential for flooding in Golestan province. Specifically, using Sentinel-1 radar images (SAR), flood occurrence areas were identified between 2015 and 2022. The variables of digital elevation model, normalized difference vegetation cover index, topographic slope, vegetation moisture index, flow accumulation, flow distance, monthly precipitation, flow direction, which did not show any signs of collinearity between them according to the VIF test, were selected as environmental variables affecting flood. Then, with seven machine learning algorithms including GLM, GAM, BRT, RF, MARS, FDA and CART, flood-prone areas were predicted. Then, by combining the single models, the uncertainty in the results was reduced. The performance of the models was evaluated using four indices AUC, COR, TSS and Deviance. The results of this study showed that the variables of digital elevation model, flow accumulation and rainfall are the most important variables in predicting flood potential in this region. All single models showed high performance and among the models RF had the best performance. Based on the combined model, Gomishan city, Agh Ghala city, Bandar Turkmen city, western parts of Gonbad Kavous city, northern part of Bandar Gaz city and a small part in the north of Ramian city in Golestan province have the highest potential for flood occurrence. The results of this study will help planners, decision-makers and managers of Golestan province to take appropriate measures to prevent and reduce flood occurrence in predicted spatial situations.</div> پیش‌بینی سیل, سنجش از دور, یادگیری ماشینی, مدل گروهی, استان گلستان Flood prediction, Remote sensing, Machine learning, Ensemble model, Golestan province 75 88 http://jgst.issgeac.ir/browse.php?a_code=A-10-1074-1&slc_lang=fa&sid=1 elahe ebrahimi الهه ابراهیمی ebrahimi.elahe@ut.ac.ir 100319475328460011002 100319475328460011002 Yes university of tehran دانشگاه تهران mehdi akhoondzadehh مهدی آخوندزاده هنزائی makhonz@ut.ac.ir 100319475328460011001 100319475328460011001 No university of tehran دانشگاه تهران