fa ارائه روشی جهت شناسایی محدوده سیل زده مبتنی بر روش های تشخیص تغییرات و پردازش ابری گوگل ارث انجین از تصاویر راداری و نوری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><span style="letter-spacing:-0.1pt"><span lang="FA"><span b="" nazanin="">سیلاب یکی از مخرب‌ترین و پرتکرارترین بلایای طبیعی است که به دلیل بارش‌های شدید، افزایش سطح رودخانه‌ها و عوامل ترکیبی مختلف رخ می‌دهد. این مطالعه یک رویکرد جدید چندمنبعی در سنجش از دور را ارائه می‌دهد که با ترکیب تصاویر نوری چندطیفی و داده‌های راداری مستقل از شرایط جوی (</span></span>SAR<span lang="FA"><span b="" nazanin="">)، فرآیند نقشه‌برداری خودکار و دقیق وسعت سیلاب را تسهیل می‌کند. با بهره‌گیری از قابلیت‌های پردازشی ابری و نزدیک به زمان واقعی </span></span>Google Earth Engine (GEE)<span lang="FA"><span b="" nazanin="">، این روش امکان پایش سریع و گسترده سیلاب‌ها را فراهم می‌سازد. در این پژوهش، با بهره‌گیری از داده‌های ماهواره‌ای </span></span>Sentinel-1 <span lang="FA"><span b="" nazanin="">و </span></span>Sentinel-2<span lang="FA"><span b="" nazanin="">، دو منطقه‌ منتخب در اسپانیا و مکزیک، یک چارچوب تشخیص تغییرات چندزمانه و آستانه‌گذاری پویا برای داده‌های </span></span>SAR<span lang="FA"><span b="" nazanin=""> طراحی شد و دقت آن با نقشه‌های وسعت سیلاب استخراج‌شده از تصاویر نوری سنتینل 2 ارزیابی گردید. نتایج نشان داد که آستانه‌گذاری ثابت برای استخراج سیلاب از داده‌های </span></span>SAR<span lang="FA"><span b="" nazanin=""> در تمامی مناطق جغرافیایی قابل تعمیم نیست، بنابراین از یک تحلیل حساسیت خودکار برای تعیین آستانه‌های بهینه متناسب با هر منطقه استفاده شد. ارزیابی دقت این روش نشان داد که میزان تطابق بین داده‌های </span></span>SAR<span lang="FA"><span b="" nazanin=""> و تصاویر نوری برای اسپانیا بین %82 تا %85 و برای مکزیک بین %67 تا %74 است، با این مزیت که </span></span>SAR<span lang="FA"><span b="" nazanin=""> قادر به شناسایی مناطق سیلابی حتی در شرایط پوشش ابری است. علاوه بر این، بررسی‌ها نشان داد که </span></span>CVA (Change Vector Analysis)<span lang="FA"><span b="" nazanin=""> در شرایط </span></span><span lang="AR-SA"><span b="" nazanin="">شرایط اقلیمی، کاربری‌های مختلف زمین و ویژگی‌های متنوع توپوگرافی </span></span><span lang="FA"><span b="" nazanin="">عملکرد بهتری دارد. این مطالعه نشان می‌دهد که ترکیب تصاویر </span></span>SAR<span lang="FA"><span b="" nazanin=""> و نوری در یک چارچوب چندمنبعی و چندزمانه‌ای، رویکردی دقیق، سریع و مؤثر برای پایش سیلاب‌های گسترده ارائه می‌دهد. نتایج این تحقیق می‌تواند اطلاعات معتبر و به‌موقع را برای سیاست‌گذاران، نهادهای امدادرسان و مدیران بحران فراهم کند و نقش مهمی در مدیریت بلایا و کاهش اثرات سیلاب‌های مخرب ایفا نماید.</span></span></span></span></span></span></span></span></div> &nbsp; <div style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">Flooding is one of the most destructive and frequent natural disasters that occurs due to heavy rainfall, rising river levels, and various combined factors.This study presents a new multisource approach in remote sensing that combines multispectral optical images and weather-independent radar data (SAR), facilitating the automatic and accurate mapping of flood extent.By leveraging the cloud processing capabilities and near-real-time features of Google Earth Engine (GEE), this method enables rapid and extensive flood monitoring.In this study, using Sentinel-1 and Sentinel-2 satellite data, two selected regions in Spain and Mexico, a multi-temporal change detection and dynamic thresholding framework for SAR data was designed, and its accuracy was evaluated with flood extent maps extracted from Sentinel-2 optical images.The results showed that fixed thresholding for flood extraction from SAR data is not generalizable to all geographical areas, so an automatic sensitivity analysis was used to determine optimal thresholds suitable for each region.The accuracy assessment of this method showed that the degree of agreement between SAR data and optical images for Spain is between 82% and 85%, and for Mexico between 67% and 74%, with the advantage that SAR is capable of identifying flood-prone areas even under cloudy conditions.Additionally, the studies showed that CVA (Change Vector Analysis) performs better under various climatic conditions, different land uses, and diverse topographical features.This study shows that the combination of SAR and optical images within a multi-source and multi-temporal framework provides an accurate, rapid, and effective approach for monitoring extensive floods.The results of this research can provide reliable and timely information for policymakers, relief organizations, and crisis managers, playing a significant role in disaster management and mitigating the impacts of devastating floods.</span></span></div> شناسایی سیلاب, مدیریت بحران, گوگل ارث انجین, تشخیص تغییرات Flood Detection, Crisis Management, Google Earth Engine, Change Detection 69 88 http://jgst.issgeac.ir/browse.php?a_code=A-10-1121-1&slc_lang=fa&sid=1 Reza Saeed رضا سعید reza.saeedi.k@gmail.com 100319475328460010925 100319475328460010925 Yes دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Mohammadzadeh علی محمدزاده a_mohammadzadeh@kntu.ac.ir 100319475328460010926 100319475328460010926 No دانشگاه صنعتی خواجه نصیرالدین طوسی