Journal of Geomatics Science and Technology

fa شناسایی سیل از داده‌های سنتینل-1 برمبنای ترکیب تصاویر اختلاف حاصل از قطبش‌های راداری VV و VH The identification of floods from Sentinel-1 data based on the combination of difference images obtained from different radar polarizations. فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">با شروع تغییرات آب‌وهوایی که دلالت بر تکرار سیل در بسیاری از مناطق جهان دارد و همچنین افزایش مداوم دارایی‌های اقتصادی در مناطق مستعد سیل، نیاز به حفاظت از جامعه در برابر سیل افزایش یافته‌است. تصاویر نوری در گذشته به طور موفقیت‌آمیز برای استخراج سیلاب استفاده شده‌است. با این حال، در وضعیتی که شرایط جوی، ابری و نامناسب است، سنجنده‌های نوری قادر به انجام عملیات تصویربرداری نیستند استفاده از داده‌های راداری به عنوان مکمل می‌تواند مناسب باشد. در این تحقیق با استفاده از تصاویر دو زمانه سنتینل-1 به بررسی سیل دو منطقه اهواز و شاکریه پرداخته شده‌است. در روش ارائه شده، ابتدا تصویر تفاضل با دو باند VV و VH محاسبه سپس تصویر لگاریتم نسبت‌ها با دو باند VV و VH نیز تولید شد تا از اطلاعات حاصل از دو باند متفاوت تصاویر راداری جهت کاهش نویز سطح تصویر استفاده شود. سپس از تلفیق موجک با روش میانگین گیری ضرایب متناظر از دو تصویر، جهت تلفیق تصویر تفاضل با تصویر لگاریتم نسبت‌ها به صورت جداگانه برای هر دو باند  VVو VH استفاده شد تا عملکرد شناسایی سیل با کمک ادغام اطلاعات حاصل از دو قطبش‌ متفاوت VV و VH بهبود یابد. سپس تصویر ادغام شده با دو باند به M بلوک بدون اشتراک با ابعاد ℎ×ℎ تقسیم گردید و از آن در روند محاسبه الگوریتم PCA-K-means جهت تولید نقشه باینری سیل استفاده شد تا عملکرد الگوریتم PCA-K-means متداول بهبود یابد. مقایسه‌ی روش پیشنهادی در دو حالت استفاده از مدل PCA-K-means متداول و نوع بهبودیافته آن، برتری مدل PCA-K-means بهبودیافته را به اندازه‌ی 7%، در نرخ دقت F-score برای مجموعه داده اول و به اندازه‌ی 6%،  برای مجموعه داده دوم نسبت به روش متداول نشان داد. علاوه ‌براین روش پیشنهادی در مقایسه با روش PCA-GMM داری عملکردی بهتر بوده، به نحویکه میزان نرخ دقتF-score  را به اندازه 23% و 6%، به ترتیب در مجموعه داده اول و دوم افزایش داد. نتایج بدست آمده بر روی منطقه مطالعاتی اهواز و شاکریه، به ترتیب حاکی از حصول صحت کلی 95% و 94% می‌باشد. بر اساس نتایج بدست آمده می‌توان گفت، روش معرفی شده در این تحقیق دارای قابلیت بالایی در شناسایی سیل است.</div>   <div style="text-align: justify;">With the onset of climate change, which indicates the recurrence of floods in many parts of the world, and the continuous increase of economic assets in flood-prone areas, the need for community protection against floods has risen. Optical images have previously been successfully used to extract flood-prone areas; however, in situations where weather conditions are cloudy and unsuitable, preventing optical sensors from performing imaging operations, the use of radar data as a complement can be appropriate. In this research, a time series of Sentinel-1 images was utilized within the Google Earth Engine framework for rapid flood identification. The flood in April 2019 in Khuzestan Province affected an area of 1,198 square kilometers, causing significant damage to various residential and agricultural sectors. This study explored flooding in the Ahvaz and Shakariyeh regions by employing satellite images and presenting a flood detection algorithm. In the proposed method, the difference image was first calculated using the two bands VV and VH, and then the logarithmic ratio images with the two bands VV and VH were also produced to utilize the information from the two different bands of radar images to reduce noise in the image. Subsequently, wavelet transformation was combined with the averaging method of the corresponding coefficients from the two images to merge the difference image with the logarithmic ratio images separately for both bands VV and VH, thereby enhancing flood identification performance by integrating the data obtained from the two different polarizations, VV and VH. The merged image with two bands was then divided into M non-overlapping blocks of dimensions h×h, which were utilized in the PCA-K-means algorithm to produce a binary flood map, thus improving the performance of the conventional PCA-K-means algorithm. Comparing the proposed method in two scenarios using the conventional PCA-K-means model and the improved version demonstrated a superiority of the enhanced PCA-K-means model by 7% in F-score accuracy rate for the first dataset and by 6% for the second dataset compared to the conventional method. Moreover, the proposed method outperformed the PCA-GMM approach, increasing the F-score accuracy rate by 23% and 6% for the first and second datasets, respectively. The results obtained for the study areas of Ahvaz and Shakariyeh indicated overall accuracies of 95% and 94%, respectively. Based on the results obtained, it can be concluded that the method introduced in this research has a high capability for flood detection.</div> شناسایی سیل, Kmeans, تلفیق موجک, لگاریتم نسبت‌ها, سنتینل-1 Flood Mapping, Kmeans, Wavelet fusion, Logarithmic ratios, Sentinel-1 31 49 http://jgst.issgeac.ir/browse.php?a_code=A-10-1102-1&slc_lang=fa&sid=1 ali mohammadzadeh علی محمدزاده a_mohammadzadeh@kntu.ac.ir 100319475328460010727 100319475328460010727 Yes Faculty of Surveying Engineering, Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی saeed asadi سعید اسدی s.asadi@email.kntu.ac.ir 100319475328460010728 100319475328460010728 No Faculty of Surveying Engineering, Khajeh Nasir Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی