نقشه برداری سیلاب های شهری با استفاده از محاسبات ابری موتور گوگل ارث و تصاویر سنتینل 1، نمونه موردی: شهر پل دختر
محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطی
1 - دانشیارگروه جغرافیا و برنامه¬ریزی شهری، دانشکده ادبیات و علوم انسانی، دانشگاه شهید باهنر کرمان، کرمان، ایران
کلید واژه: نقشه سیلاب, سنتینل 1, سیل شهری, موتور گوگل ارث.,
چکیده مقاله :
در هنگام بلایای طبیعی مانند سیل، اطلاع دقیق از وسعت آن برای واکنش اضطراری بسیار مهم است. با وجود تلاش‌های متعدد، هنوز چالش‌های زیادی در پردازش خودکار تصاویر سنتینل 1 برای تولید نقشه‌های سیلاب قابل اعتماد، وجود دارد. در حال حاضر، شکاف دانشی در استفاده از ترکیب‌های مختلف پلاریزاسیون تصاویر SAR برای تحقیقات سیل وجود دارد. به منظور بررسی بیشتر این موضوع، سیل 5 فروردین سال 1398 شهر پلدختر استان لرستان به عنوان نمونه انتخاب شد. در ابتدا، 10 ترکیب مختلف از دو قطبش اصلی VH و VV طراحی شد. برای بررسی ترکیب¬های مختلف قطبی ساخته شده در نقشه‌برداری سیل، روش نقشه‌برداری حد آستانه، مورد استفاده قرار گرفت. به منظور غلبه بر برآورد بیش از حد مناطق سیل¬زده از الگوریتم تخمین عمق سیل موتور جستجوی گوگل استفاده ¬شد. نتایج نشان داد که در بین ترکیب‌های پلاریزاسیون مختلف، ترکیب ضرب مربعات بهترین عملکرد را جهت نقشه¬برداری وسعت سیل به دست می¬دهد، سپس به ترتیب ترکیب¬های تقسیم مربعات، مجموع مربعات، پلاریزاسیون پایه VV عملکرد مناسب¬تری در این زمینه دارند. تمامی تحلیل¬ها بر روی پلتفرم گوگل ارث انجام شده است و این استراتژی می¬تواند برای نقشه برداری سیل در هر محیط شهری دیگری مورد استفاده قرارگیرد. یافته¬های این مطالعه می¬تواند، ارزیابی سریع و تصمیم¬گیری دقیق مسئولان مربوطه در ارتباط با سیلاب¬های شهری را افزایش دهد.
During natural hazards such as floods, accurate knowledge of its extent is very important for emergency response. Despite numerous efforts, there are still many challenges in automatically processing Sentinel 1 images to produce reliable inundation maps. Currently, there is a knowledge gap in using different polarization combinations of SAR images for flood research. To further investigate this issue, the flood of April 5, 2018, in Pol-e-dokhtar city of Lorestan province was selected as a sample. At first, 10 different combinations of two main polarizations VH and VV are designed. The threshold mapping method was used to check different polar combinations made in flood mapping. To overcome the overestimation of flooded areas, the flood depth estimation algorithm of the Google search engine is used. The results show that among different polarization combinations, the combination of multiplication of squares gives the best performance for flood extent mapping, and then the combinations of division of squares, sum of squares, and VV base polarization perform better in this field. All the analyses were done on the Google Earth platform and this strategy can be used for flood mapping in any other urban environment. The findings of this study can increase the quick assessment and accurate decision-making of relevant authorities concerning urban floods.
1. Amitrano, D., Di Martino, G., Iodice, A., Riccio, D., Ruello, G. (2018). Unsupervised rapid flood mapping using Sentinel-1 GRD SAR images. IEEE Trans. Geosci. Rem. Sens., 56 (6), pp 3290–3299.
2. Cohen, S., Raney, A., Munasinghe, D., Loftis, J.D., Molthan, A., Bell, J., Rogers, L., Galantowicz, J., Brakenridge, G.R., Kettner, A.J., Huang, Y.F. (2019). The Floodwater Depth Estimation Tool (FwDET v2. 0) for improved remote sensing analysis of coastal flooding. Nat. Hazards Earth Syst. Sci., 19 (9), pp 2053–2065.
3. DeVries, B., Huang, C., Armston, J., Huang, W., Jones, J.W., Lang, M.W. (2020). Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote Sens. Environ., 240, pp 111664.
4. Frolking, S., Milliman, T., Mahtta, R., Paget, A., Long, D.G., Seto, K.C. (2022). a global urban microwave backscatter time series data set for 1993–2020 using ERS, QuikSCAT, and ASCAT data. Sci Data., 9(1), pp 1–12.
5. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ., 202, pp 18–27.
6. Hossain, M.K., Meng, Q. (2020). A fine-scale spatial analytics of the assessment and mapping of buildings and population at different risk levels of urban flood. Land use Policy, 99, pp 104829.
7. Jiang, X., Liang, S., He, X., Ziegler, A.D., Lin, P., Pan, M., Wang, D., Zou, J., Hao, D., Mao, G., Zeng, Y. (2021). Rapid and large-scale mapping of flood inundation via integrating spaceborne synthetic aperture radar imagery with unsupervised deep learning. ISPRS J. Photogramm. Remote Sens., 178, pp 36–50.
8. Konapala, G., Kumar, S.V., Ahmad, S.K. (2021). Exploring Sentinel-1 and Sentinel-2 diversity for flood inundation mapping using deep learning. ISPRS J. Photogramm. Remote Sens., 180, pp 163–173.
9. Li, C., Dash, J., Asamoah, M., Sheffield, J., Dzodzomenyo, M., Gebrechorkos, SH., Anghileri, D., Wright, J. (2022). Increased flooded area and exposure in the White Volta river basin in Western Africa, identified from multi-source remote sensing data. Sci Rep., 12(1), pp 1–13.
10. Liu, J., Freudenberger, D., Lim, S. (2022). Mapping burned areas and land-uses in Kangaroo Island using an object-based image classification framework and Landsat 8 Imagery from Google Earth Engine. Geomat Nat Hazards Risk, 13(1), pp 1867–1897.
11. Mason, D.C., Dance, S.L., Cloke, H.L. (2021). Floodwater detection in urban areas using Sentinel-1 and WorldDEM data. J Appl Remote Sens., 15(3), pp 32003.
12. Mignot, E., Li, X., Dewals, B. (2019). Experimental modelling of urban flooding: A review. J. Hydrol., 568, pp 334–342.
13. Mir Mosavi, S. H., Esmaeili, H. (2021). Zoning of Flood-prone Areas Using Geographic Information System (GIS) and Remote Sensing (RS), (Case Study: Darab City). Journal of Natural Environmental Hazards, 10(27), pp 21-46. [In Persian]
14. Mohamad Nejhad, V. (2021). Flood extent area mapping using sentinel 1 SAR image (a case study: the flood of Poledokhtar, march 1398). Geographical Planning of Space, 11(41), 69-80. [In Persian]
15. Mosavi, A., Ozturk, P., Chau, K.W. (2018). Flood prediction using machine learning models: Literature review. Water, 10 (11), pp 1536.
16. Munawar, H.S., Hammad, A.W.A., Waller, S.T. (2022). Remote sensing methods for flood prediction: a review. Sensors, 22(3), pp 960.
17. Munoz, D.F., Munoz, P., Moftakhari, H., Moradkhani, H. (2021). From local to regional compound flood mapping with deep learning and data fusion techniques. Sci. Total Environ., 782, pp 146927.
18. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Trans. Syst., Man, Cybernet., 9 (1), pp 62–66.
19. Pelich, R., Chini, M., Hostache, R., Matgen, P., Pulvirenti, L., Pierdicca, N. (2022). Mapping floods in urban areas from dual-polarization InSAR coherence data. IEEE Geosci Remote Sens Lett., 19, pp 1–5.
20. Peter, B.G., Cohen, S., Lucey, R., Munasinghe, D., Raney, A., Brakenridge, G.R. (2020). Google Earth Engine Implementation of the Floodwater Depth Estimation Tool (FwDET-GEE) for rapid and large scale flood analysis. IEEE Geosci. Remote Sens. Lett., 21, pp 27-39.
21. Rahmati, M., Mir Ramzani, M. (2018). Capability of Sentinel-1 sensor images in flood zoning (case study: April 2018 flood in Poldakhtar city). The 5th International Conference on Civil Engineering, Architecture and Urban Planning with Sustainable Development Approach, Shiraz. [In Persian]
22. Roshun, H., Roshan, M., Shahedi, K., Chormański, J. (2022) .Preparation of curve number map and estimation of runoff height using geographic information system and remote sensing in North Karun Basin. Journal of RS and GIS for Natural Resources, 13(3), 22-37. [In Persian]
23. Shahedi, M., Nabi Bidhendi,G. (2023) .The Role of Spatial Distribution of Basin Hydrological Units on Flood Peak Flow Changes Using HEC-HMS Hydrological Model (Case Study: Safaarood Basin). Journal of RS and GIS for Natural Resources, 14(4), 17-20. [In Persian]
24. Shahriarinia, E., Asadollahfardi, G., Heidarzadeh, N. (2016). Study of the environmental flow of rivers, a case study, Kashkan River, Iran. Journal of Water Supply: Research and Technology, 65(2), pp181-194.
25. Zarei, M., Zandi, R., Naemitabar, M. (2022). Assessment of Flood Occurrence Potential using Data Mining Models of Support Vector Machine, Chaid and Random Forest (Case study: Frizi watershed). Jwmr, 13 (25), pp 133-144. [In Persian]