ارزیابی مناطق سیل‌خیز با استفاده از تصاویرسنتینل-1 برای مکان‌یابی نقاط امن (مطالعه موردی: شهرستان چابهار و کنارک)
محورهای موضوعی : برنامه های کاربردی در خطر بلایای طبیعیزهره صالحی نژاد 1 , سید علی الحسینی المدرسی 2
1 - کارشناسی ارشد سنجش ازدور وسیستم اطلاعات جغرافیایی ، دانشکده فنی مهندسی ،دانشگاه آزاد اسلامی یزد ، یزد ، ایران
2 - عضو هیات علمی دانشگاه آزاد واحد یزد
کلید واژه: سیستم اطلاعات جغرافیایی, منطق فازی, الگوریتم جبری, ارزیابی مناطق سیل‌زده, الگوریتم جنگل تصادفی, تصاویر راداری سنتینل سری یک,
چکیده مقاله :
استان سیستان و بلوچستان و ازجمله شهرستان‌های ساحلی چابهار و کنارک از دیرباز به‌طور مکرر در معرض مخاطرات طبیعی ازجمله سیل قرار داشته‌اند. هدف اصلی پژوهش ارزیابی مناطق سیل‌زده وتعیین موقعیت و وسعت مناطقی که بیشترین آسیب سیل دی‌ماه 1398 در دو شهرستان چابهار و کنارک شامل شده‌اند، است. با توجه به تغییرات اقلیمی ازجمله بارش زیاد و با استفاده از تصاویر ماهواره‌ای سنتینل -1 در دو بازه‌ی زمانی قبل و بعد از وقوع حادثه، براساس تحلیل و پردازش تصاویر در نرم‌افزار SNAP، ضریب پراکنش سیگما صفر هردو تصویر استخراج و به دوطبقه آب و غیر آب تفکیک گردید و حد آستانه 0.01 به‌دست‌آمده است. با استفاده از الگوریتم جبری تصویر باینری آب و غیر آب به‌صورت صفر و یک تهیه و بر اساس اختلاف دو تصویر، منطقه سیل‌زده مشخص شد. سپس مناطق سیل‌زده با بکارگیری الگوریتم جنگل تصادفی طبقه‌بندی شد که ضریب کاپا برابر 91/. نشان از صحت بالای طبقه بندی است. پس از تهیه نقشه مناطق سیل‌زده به مکان‌یابی نقاط امن باارزش گذاری در نرم‌افزار Expert choice بر اساس معیارهای موردبررسی که شامل (حریم مسیل‌های رودخانه، ساختار، جهت و عرض شبکه ارتباطی و شیب منطقه موردمطالعه) وبا استفاده از منطق فازی گاما 9/0 در محیط نرم‌افزار Arc GIS10.6 پرداخته‌شده است. نتایج به‌دست‌آمده وسعت نزدیک به 46/426 کیلومترمربع مناطق تحت تأثیر سیلاب که بیشترین آسیب و تخریب کاربری شهری و روستایی، کشاورزی و دامداری و مسدود شدن راه‌های ارتباطی اکثر روستاها و همچنین تهیه نقشه مناطق امن برای خدمات‌رسانی به‌صورت هوایی، دریایی و زمینی تعیین گردیده است.
Sistan and Baluchestan provinces, including the coastal cities of Chabahar and Konarak, have long been exposed to natural hazards, including floods. The main purpose of this study is to evaluate the flooded areas and determine the location and extent of the areas that have suffered the most flood damage in January 2017 in Chabahar and Konarak counties. Due to climate change such as heavy rainfall and using Sentinel-1 satellite images in the two time periods before and after the accident, based on the analysis and processing of images in SNAP software, the Sigma zero scattering coefficient of both images was extracted and divided into two levels of water and others. The water was separated and the threshold of 0.01 was obtained. Using the algebraic algorithm of water and non-water binary images in the form of zero and one and based on the difference between the two images, the flooded area was identified. The flooded areas were then classified using a random forest algorithm with a kappa coefficient of 0.91. Indicates the high accuracy of the classification. After preparing the map of flooded areas to locate safe points of value in Expert choice software based on the studied criteria which include (river area, structure, direction, width of communication network, and slope of the study area) and using fuzzy logic of 0.9 gammas in the environment Arc GIS10.6 software is discussed. The obtained results have determined the area of nearly 426.46 square kilometers of areas affected by floods, which have the most damage and destruction of urban and rural land use, agriculture and animal husbandry and blocking the communication routes of most villages, as well as mapping safe areas for air, sea and land services.
1. Ahmed, C. F. and Kranthi, N. 2018. Flood vulnerability assessment using geospatial techniques: Chennai, India. Indian Journal of Science and Technology. 11(6): 215-223. doi:https://doi.org/10.17485/just/2018/v11i6/110831, February 2018
2. Baharvand S, Suri S, and Rahnmarad J. 2017. Zoning of environmental hazards of landslides, earthquakes, floods, and erosion using the fuzzy hierarchical method.Case study: Wark Basin. Journal of RS and GIS for Natural Resources,8 (3): 89-103. doi:https://doi.org/10.1007/s11104-009-0053-7. (In Persian)
3. Bangira, T. Iannini, L. Menenti, M. Van Niekerk, A. & Vekerdy, Z. (2021). Flood Extent Mapping in the Caprivi Floodplain Using Sentinel-1 Time Series. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 5667-5683. doi:https://doi.org/10.1109/JSTARS.2021.3083517
4. Borah, S. B. Sivasankar, T. Ramya, M. N. S. & Raju, P. L. N. 2018. Flood inundation mapping and monitoring in Kaziranga National Park, Assam using Sentinel-1 SAR data. Environmental monitoring and assessment. 190(9): 520. doi:https://doi.org/10.1007/s10661-018-6893-y
5. Barasa, B. & Wanyama, J. (2020). Freshwater lake inundation monitoring using Sentinel-1 SAR imagery in Eastern Uganda. Annals of GIS, 26(2), 191-200. doi:https://doi.org/10.1080/19475683.2020.1743754
6. Carreño Conde, F. & De Mata Muñoz, M. (2019). Flood monitoring based on the study of Sentinel-1 SAR images: The Ebro River case study. Water, 11(12), 2454. doi:https://doi.org/10.3390/w11122454
7. Dadhich, G. Miyazaki, H. & Babel, M. 2019. Applications of sentinel-1 synthetic aperture radar imagery for floods damage assessment: A case study of Nakhon Si Thammarat, Thailand. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. 1927-1931. doi:https://doi.org/10.5194/users-archives-XLII-2-W13-1927-2019
8. DTottori, F, Szewczyk, W. Ciscar, J. C. Zhao, F. Alfieri, L. Hirabayashi, Y. and Feyen, L.: Increased human and economic losses from river flooding with anthropogenic warming, Nat. Clim. Change, 8, 781–786, . doi:https://doi.org/10.1038/s41558-018-0257-z, 2018.
9. Elkhrachy, I. Pham, Q. B. Costache, R. Mahajan, M. Rahman, K. U. Shahabi, H. ... & Anh, D. T. (2021). Sentinel‐1 remote sensing data and Hydrologic Engineering Centres River Analysis System two‐dimensional integration for flash flood detection and modeling in New Cairo City, Egypt. Journal of Flood Risk Management, 14(2), e12692 . doi:https://doi.org/10.1111/jfr3.12692
10. Gaya, C. O. (2020). Application of GIS and Remote Sensing in Flood Management in the Lake Victoria Basin (Doctoral dissertation, JKUAT-COETEC). http://localhost/xmlui/handle/123456789/5264
11. Grimaldi S. Li Y. Pauwels V.R.N. & Walker J.P. Remote sensing-derived water extent and levels to constrain hydraulic flood forecasting models: opportunities and challenges. Surv Geophys 2016, 37, (5), 977–1034. . doi:https://doi.org/10.1007/s10712-016-9378-y.
12. Horning, N. 2010. Random Forests: An algorithm for image classification and generation of continuous fields data sets. In Proceedings of the International Conference on Geoinformatics for Spatial Infrastructure Development in Earth and Allied Sciences, Osaka, Japan. 911. doi:https://doi.org/10.5194/ISPRSARCHIVES-XXXIX-B7-203-2012
13. Lindersson, S. Brandimarte, L. Mård, J. & Di Baldassarre, G. (2020). A review of freely accessible global datasets for the study of floods, droughts, and their interactions with human societies. Wiley Interdisciplinary Reviews: Water, 7(3), e1424. doi:https://doi.org/10.1002/wat2.1424
14. Nardi, F. Annis, A. Di Baldassarre, G. Vivoni, E. R. and Grimaldi, S.: GFPLAIN250m, a global high-resolution dataset of Earth's floodplains, Scient. Data, 6, 180309 . doi:https://doi.org/ /10.1038/sdata.2018.309, 2019.
15. Olen, S. and Bookhagen, B. 2018. Mapping damage-affected areas after natural hazard events using sentinel-1 coherence time series. Remote Sensing. 10(8): 1272. doi:https://doi.org/ /10.3390/rs10081272
16. Rudner, T. G. Rußwurm, M. Fil, J. Pelich, R. Bischke, B. Kopačková, V. & Biliński, P. (2019, July) Multi3Net: segmenting flooded buildings via fusion of multiresolution, multisensor, and multitemporal satellite imagery. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 702-709). doi:https://doi.org/10.1609/AAAI.v33i01.3301702
17. Tavus, B. Kocaman, S. Gokceoglu, C. and Nefeslioglu, H. A. 2018. Considerations on the use of sentinel-1 data in flood mapping in urban areas: Ankara (Turkey) 2018 Floods. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. 575-581. doi:https://doi.org/10.5194/users-archives-XLII-5-575-2018
18. Twelve, A. Cao, W. Plank, S. and Martinis, S. 2016. Sentinel-1-based flood mapping: a fully automated processing chain. International Journal of Remote Sensing. 37(13): 2990-3004. doi:https://doi.org/ /10.1080/01431161.2016.1192304
19. Uddin, K. & Matin, M. A. (2021). Potential flood hazard zonation and flood shelter suitability mapping for disaster risk mitigation in Bangladesh using geospatial technology. Progress in disaster science, 11, 100185. . doi:https://doi.org/ 10.1016/j.pdisas.2021.100185
20. Ulloa, N. I. Yun, S. H. Chiang, S. H. & Furuta, R. (2022). Sentinel-1 Spatiotemporal Simulation Using Convolutional LSTM for Flood Mapping. Remote Sensing, 14(2), 246.. doi:https://doi.org/10.3390/rs14020246
21. Winsemius, H. C. Aerts, J. C. J. H. van Beek, L. P. H. Bierkens, M. F. P. Bouwman, A. Jongman, B. Kwadijk, J. C. J. Ligtvoet, W. Lucas, P. L. van Vuuren, D. P. and Ward, P. J.: Global drivers of future river flood risk, Nat. Clim. Change, 6, 381–385,2016.. doi:https://doi.org/10.1038/nclimate2893
22. Vanama, V. S. K. Mandal, D. & Rao, Y. S. (2020). GEE4FLOOD: rapid mapping of flood areas using temporal Sentinel-1 SAR images with Google Earth Engine cloud platform. Journal of Applied Remote Sensing, 14(3), 034505.. doi:https://doi.org/10.1117/1.JRS.14.034505
23. Valizadeh Kamran Kh, Dalir Hassan Nia R, Azari Amghani Kh. 2019. Flood zoning and its effect on the use of surrounding lands using UAV images and GIS. Journal of RS and GIS for Natural Resources. 10 (3): 59-75. DOI:. doi:https://doi.org/10.1007/s11104-009-0053-7. (In Persian)
24. Zali, Mehrab, Soleimani, Karim, Habibnejad Roshan, Mahmoud, ... & Mir Hassan. (2021). Comparison and prioritization of flooding in Nekarood sub-basins using the morphometric method in GIS. Remote sensing and GIS in natural resources. http://dorl.net/dor/20.1001.1.26767082.1401.13.2.2.2(In Persian)
25. Zhu, X. X. Tuia, D. Mou, L. Xia, G.S. Zhang, L. Xu, F. and Fraundorfer, F. 2017. Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine 5(4):8–36. doi:https://doi.org/10.1109/MGRS.2017.2762307
26. Zhang, L. Zhang, L. and Du, B. 2016. Deep learning for remote sensing data: A technical tutorial on the state of the art. IEEE Geoscience and Remote Sensing Magazine 4:22–40 doi:https://doi.org/10.1109/MGRS.2016.2540798
27. Zhang, M. Chen, F. Liang, D. Tian, B. & Yang, A. (2020). Use of Sentinel-1 GRD SAR images to delineate flood extent in Pakistan. Sustainability, 12(14), 5784. doi:https://doi.org/10.3390/su12145784
ارزیابی مناطق سیل‌خیز با استفاده از تصاویرسنتینل-1 برای مکان‌یابی نقاط امن
(مطالعه موردی: شهرستان چابهار و کنارک)
چکیده
کلمات کلیدی
ارزیابی مناطق سیل‌زده، تصاویر راداری سنتینل سری یک، الگوریتم پیکسل مبنا، الگوریتم جنگل تصادفی، منطق فازی، سیستم اطلاعات جغرافیایی
مقدمه
وقوع بلایای طبیعی، نظیر سیل اغلب پیامدهای مخربی بر سکونتگاه‌های انسانی باقی می‌گذارد و تلفات سنگینی بر ساکنان وارد ساخته است، ساختمان‌ها و زیرساخت‌ها را نابود و عوارض اقتصادی و اجتماعی پردامنه‌ای بر جوامع و کشورها تحمیل کرده است. سیل بیانگر بزرگ‌ترین فاجعه طبیعی است که ممکن است در اقلیم‌های مختلف رخ دهد و بر محیط‌زیست، کشاورزی و زیرساخت‌ها تأثیر بگذارد (5). استخراج منطقه سیل‌زده در کمترین زمان ممکن، جهت مدیریت به‌موقع منطقه سیل‌زده با آگاهی قبلی منطبق بر اطلاعات دقیق استخراج‌شده از محل، امری بسیار مهم است. لذا استفاده از سنجش‌ازدور و به‌خصوص داده‌های رادار، ابزاری مناسب جهت استخراج سریع منطقه سیل‌زده است (7). ایجاد سریع نقشه مناطق سیل‌زده با استفاده از داده‌های رادار اطلاعات ارزشمندی را جهت برنامه‌ریزی و مدیریت زودهنگام بلایای طبیعی خصوصاً سیل فراهم می‌کند (15). ماهواره سنتینل سری یک به دلایل؛ افزایش قدرت تفکیک زمانی و همچنین تفکیک مکانی و عرض وسیع پوششی زمین تا 250 کیلومتر به‌نوبه خود قابل‌توجه است. در پنج دهه اخیر بیش از نیمی از کل خسارات ناشی از بلایای طبیعی در جهان مربوط به خسارات سیلاب‌ها بوده است. پژوهش‌ها گویای این است که زمان مواجه با خطر سیل نخستین گام شناسایی هرچه سریع‌تر دقیق پهنه‌های است که تحت تأثیر این پدیده قرارگرفته‌اند پس از آشکارسازی پهنه‌ها، گام بعدی مکان‌یابی نقاط امن جهت اسکان موقت و خدمات‌رسانی وامداد به‌صورت زمینی، هوایی و دریایی برای مدیریت هر چه‌بهتر این بحران طبیعی است (پژوهشکده سوانح طبیعی).
ازجمله پژوهش‌های صورت گرفته در پهنه‌بندی و آشکارسازی پدیده سیل با استفاده از تصاویر ماهواره‌ای در ایران می‌توان به موارد زیر اشاره نمود:
کامران ولی زاده (23) با استفاده از تصاویر پهپادو سیستم اطلاعات جغرافیایی به پهنه‌بندی سیلاب و تلفیق آن با لایه کاربری اراضی در محدوده لیقوان زیر حوزه آجی چای در جنوب شرقی تبریز در استان آذربایجان شرقی لایه پهنه سیلاب مشخص گردید کاربری‌های باغات و اراضی بایر و مناطق مسکونی بیش‌تر از سایر کاربری‌ها زیرپوشش سیل قرار می‌گیرند.
بهاروند (2) تعیین مناطق با پتانسیل بالای خطر در حوزه وارک واقع در استان لرستان به‌منظور بررسی مخاطرات زیست‌محیطی با استفاده از تصاویر ماهواره‌ای (ETM) که نتایج بررسی نقشه مخاطرات زیست‌محیطی منطقه نشان می‌دهد که به ترتیب زمین‌لغزش و سیلاب از نقش پررنگ‌تری در ایجاد پهنه‌های با خطر بالا برخوردار می‌باشند.
زالی و همکاران (24) با استفاده از روش مورفومتریک در سامانه اطلاعات جغرافیایی به اولویت‌بندی زیر حوضه‌های آبخیز ازنظر حساسیت به سیل ناگهانی و میزان همبستگی بین پارامترهای مختلف در حوضه آبخیز که نتایج به‌دست‌آمده از همبستگی‌ها نشان داده که بین طول جریان و مساحت با مقدار 99/0 بیشترین میزان همبستگی و بین تعداد جریان و رتبه آبراهه با مقدار85/0 کمترین میزان همبستگی وجود دارد. همچنین در این مطالعه ثابت‌شده که ادغام و تجزیه‌وتحلیل مورفولوژی با سیستم اطلاعات جغرافیایی (GIS) می‌تواند ابزاری قابل‌توجه برای درک ویژگی‌های زیر حوضه‌های آبخیز مربوط به مدیریت سیل فراهم کند.
پژوهش‌های خارجی فراوانی در راستای استفاده از تصاویر ماهواره‌ای برای بررسی، پهنه‌بندی و مدیریت عوامل و پیامدهای سیل به‌ویژه در مناطق شهری انجام‌شده است که به‌اختصار به چند مورد آن اشاره می‌شود. در این مورد می‌توان به مطالعات زیر اشاره نمود:
وینسمیوس و همکاران (21) در رابطه با خسارت‌های ناشی از طغیان رودخانه‌ها در سال‌های اخیر پرداخته‌اند؛ دوتوری و همکاران (8) ناردی و همکاران (14) سیل ناگهانی یکی از بدترین بلایای طبیعی مرتبط با آب‌وهوا در نظر گرفته می‌شود. آن‌ها خطرناک هستند زیرا ناگهانی هستند و به دنبال طوفان‌های کوتاه باران شدید بسیار غیرقابل‌پیش‌بینی هستند. رادنر و جی (16) به کاربردن تصاویر ماهواره‌ای چند زمانه امکان ارزیابی سریع و دقیق خسارت پس از فاجعه را فراهم می‌کنند که می‌تواند توسط دولت‌ها برای هماهنگی بهتر مورداستفاده قرار گیرد. پژوهش در رابطه ماشین و سنجش‌ازدور همان‌طور که توسط ژو و همکاران (25)، ژانگ و دو (26) خلاصه‌شده است.
روش‌های مختلفی برای پهنه‌بندی دقیق سیل بر اساس شدت باز پراکنش پیکسل‌ها وجود دارد که از آن جمله می‌توان به روش الگوریتم یادگیری نظارت‌شده جنگل تصادفی اشاره کرد. روش طبقه‌بندی جنگل تصادفی یکی از روش‌های یادگیری ماشین است که دارای صحت عملکرد بالایی است (12).
افزودن یک بعد زمانی با استفاده از تصاویر قبل و بعد از فاجعه می‌تواند به پیشرفت در دقت تقسیم‌بندی ساختمان‌های آسیب‌دیده بعد از سیل کمک کند. توئل و همکاران (18) گریمالدی و همکاران (11) ارائه اطلاعات حیاتی در طی اطلاعات اضطراری می‌تواند از تصاویر ماهواره‌ای تهیه شود که برای کالیبراسیون و اعتبار سنجی مدل‌های هیدرودینامیکی استفاده می‌شود. همچنین احمد و کرانتی (1)؛ اولن و بوکهاگن (15)؛ تاووس و همکاران (17)؛ مطالعات صورت گرفته در رابطه با استفاده از تصاویر ماهواره‌ای سنتینل -1 برای پهنه‌بندی مناطق سیل‌زده انجام داده‌اند. بورا و همکاران (4) با استفاده از داده‌های راداری ماهواره سنتینل -1، اقدام به پایش سیل در پارک ملی کازیرانگا هند در طول بارش‌های موسمی سال 2017، نمودند. میمی ژانگ و همکاران (27) به استفاده از تصاویر سنتینل -1 برای ترسیم وسعت سیل در پاکستان با استفاده از پایش نیمه‌خودکار بر اساس الگوریتم منطق فازی به آشکارسازی مناطق تحت پوشش سیل در پاکستان پرداخته‌اند. لیندرسون و همکاران (13) به استفاده از داده‌های سری زمان، مکانی رایگان برای مطالعه بلایای هیدرولوژیکی (سیل، خشک‌سالی و تعامل آن‌ها با جوامع انسانی) آشکارسازی نقاط آسیب‌پذیر پرداخته‌اند. الخراچی و همکاران (9) با استفاده از تصاویر راداری سنتینل -1 بازه زمانی سه‌روزه 24 آوریل تا 27 سال 2018 به پایش مناطق مستعد سیل در شهر جدید قاهره در مصر پرداخته و درنهایت بر اساس نقشه‌های به‌دست‌آمده نشان می‌دهد که 11 درصد از ساختمان‌های شهر جدید قاهره در معرض مناطق پرخطر قرار دارند. علاوه بر این 28 در صد از زمین‌های بایر در یک منطقه آسیب‌پذیر بسیار بالا قرار دارد. یو لا و همکاران (20) با استفاده از تصاویر سنتینل -1 با استفاده از روش‌های جبری برای آشکارسازی مناطق مستعد سیل در سه منطقه استرالیا و موزامبیک و برزیل پرداختند. او دین و متین (19) به پهنه‌بندی خطر سیل بالقوه با استفاده از تصاویر راداری سنتینل -1 و تهیه نقشه مناسب پناهگاه سیل برای کاهش خطر بلایا در بنگلادش با استفاده از فرایند تحلیل سلسله مراتبی (AHP) پرداختند که نتایج نشان می‌دهد مناطق مستعد سیل بسیار بالا حدود 13 درصد از بنگلادش را پوشش می‌دهد. واناما کریشنا و همکاران (22) به تهیه سریع نقشه سیل با استفاده از پایش نیمه‌خودکار تصاویر راداری سنتیل -1 پرداختند. با توجه با بارندگی‌های شدید غیرمنتظره در اوت 2018 بسیاری از مناطق ایالت کرالا در هند سیل فاجعه باری را تجربه کردند آن‌ها در این پژوهش متذکر شده‌اند که استفاده از این فن و تهیه نقشه سیل سرعت عمل بسیار بالایی دارد. باراسا و وانیاما (5) در پژوهش نظارت بر طغیان دریاچه آب شیرین مناطق استوایی با استفاده از تصاویر سنتینل-1 در شرق اوگاندا با استفاده از الگوریتم شی گرا برای بازه زمانی فصلی پرداختند که نتایج حاکی از آن است که ازنظر فصلی اندازه آب‌گرفتگی در ماه فوریه (902 کیلومترمربع) اکتبر (700 کیلومترمربع) است. همچنین یک همبستگی واضح بین متغیرهای ساحلی-گیاهی، هیدرولوژی و آب‌وهوا را نشان می‌دهد. بانگیراو همکاران (3) به تهیه نقشه وسعت سیل در دشت سیلابی کاپریویل با استفاده از سری زمانی سنتینل-1 پرداختند، آن‌ها در این پژوهش به قابل‌اعتماد بودن و کارایی نتایج حاصله از این فن برای مشخص کردن سریع وسعت طغیان و مقایسه نتایج با نقشه‌های حاصل از تحلیل لندست -8 که درنهایت تجزیه‌وتحلیل نشان داد که داده‌های سنتینل-1 می‌تواند به‌عنوان یک جایگزین مؤثر مستقل یا پرکننده شکاف برای تصاویر نوری در طول یک رویداد سیل باشد. گایا (10) با استفاده از کاربرد سیستم اطلاعات جغرافیایی (GIS) و سنجش‌ازدور و داده‌های بارش به‌پیش بینی و مدیریت سیل حوضه نیاندو دریاچه ویکتوریا برای بازه زمانی 1995 تا 2005 و از 2006 تا 2012 پرداختند. کارنو کوند و ماریا دی ماتامونوز (6) در پژوهشی با پایش سیل بر اساس مطالعه سنتینل -1 بر روی رودخانه ابرو (اسپانیا) که با استفاده از پیکربندی پلاریزاسیون افقی عمودی (VH) به تفکیک پهنه‌های سیل بر اساس تصویر قبل و بعد از وقوع سیل و رضایت از مفید بودن تصاویر سنتینل -1 به‌عنوان داده‌های پایه برای بهبود راهنمای روش‌شناختی پرداختند.
بررسی‌های آماری نشان می‌دهد حدود 70 درصد خسارات ایجادشده در اثر رخداد بلایای طبیعی در جهان ناشی از وقوع سیلاب‌ها است. برای شهرهایی که در بسترهای طبیعی مستعد وقوع سیلاب شکل‌گرفته و رشد نموده‌اند، همواره این رخداد خطر بزرگی به‌حساب آمده و معمولاً سکونتگاه‌های غیررسمی در معرض خطر بیشتری واقع می‌شوند. وجود بستر ناپایدار زمین و مسیل‌های فراوان از شاخصه‌های ریخت‌شناسی این شهرها است (پژوهشکده سوانح طبیعی). هدف از این پژوهش، آشکارسازی پهنه‌های سیل‌زده با استفاده از داده‌های راداری ماهواره سنتینل سری یک و مکان‌یابی مناطق امن برای اسکان موقت و خدمات امداد و نجات با استفاده از روش تحلیلی سلسله مراتبی فازی (FAHP) است. با توجه به موقعیت جغرافیایی شهرستان چابهار کنارک در جنوب استان سیستان و بلوچستان، این حوزه دارای پتانسیل بالایی ازنظر مخاطرات طبیعی ازجمله سیل است که باید برنامه‌ریزی‌های از پیش تعیین‌شده را در نظر داشت. برای مدیریت و برنامه‌ریزی مناسب در آشکارسازی سریع پهنه‌های تحت تأثیر سیل و مکان‌یابی نقاط امن و انجام اقدامات پیشگیرانه موردنیاز، به اطلاعات دقیق و به‌روز ارجاع شده مکانی احتیاج است. به دست آوردن تصاویر ماهواره‌های چند زمانی و استفاده از فن‌های پردازش تصویر برای تشخیص خودکار تغییر، یکی از روش‌های بهینه است که می‌تواند در نظارت بر مخاطرات طبیعی مورداستفاده قرار گیرد.( پژوهشکده سوانح طبیعی )
استان سیستان و بلوچستان با توجه به شرایط آب‌وهوایی در سال‌های اخیر به‌دفعات تحت تأثیر سیلاب‌های شدید قرارگرفته است، از مهم‌ترین سیلاب سال‌های اخیر در استان می‌توان به سیلاب بزرگ هیرمند سال 69 با بیش از 10 کشته، سیلاب هیرمند سال 88،3 کشته و سیلاب هیرمند در 1395 و سیلاب چابهار و کنارک در سال 98 اشاره نمود.(پژوهشکده سوانح طبیعی)
روش پژوهش
موقعیت جغرافیایی
شهرستان چابهار در جنوب استان سیستان و بلوچستان با مساحتی بالغ‌بر 24729 کیلومترمربع است و از جنوب با آب‌های گرم عمان، در 60 درجه و 37 دقیقه طول شرقی و 25 درجه و 17 دقیقه عرض شمالی در زون 40 واقع‌شده است. از شمال با شهرستان قصر قند از غرب با شهرستان کنارک و از شرق با شهرستان دشتیاری همسایه است. شهرستان چابهار دارای اقلیم بیابانی گرم و خشک است. میانگین بارش سالانه در این شهرستان 114/2 میلی‌متر است. همچنین شهرستان کنارک با مساحتی بالغ‌بر 8969 کیلومترمربع در 60 درجه و 39 دقیقه طول شرقی و 25 درجه و 35 دقیقه عرض شمالی در زون 40 است که از شمال به شهرستان نیک شهر، از جنوب به دریای عمان، از شرق به شهرستان چابهار و از غرب به استان هرمزگان محدود است. (شکل 1)
شکل 1. نقشه موقعیت جغرافیایی استان سیستان و بلوچستان و شهرستان چابهار و کنارک
Fig 1. Map of the geographical location of Sistan and Baluchestan province and Chabahar and Konarak cities
در پژوهش حاضر که مبتنی بر ارزیابی مناطق سیل‌خیز برای مکان‌یابی مناطق امن در دو شهرستان چابهار کنارک استان سیستان و بلوچستان است، روش گردآوری اطلاعات بر اساس بنیادهای نظری اکتشافی به‌صورت اسنادی کتابخانه‌ای جمع‌آوری‌شده است. مراحل پژوهش به‌صورت: الف _ میزان بارش سالانه، ب _ دریافت تصاویر و پردازش‌های اولیه، ج _ پردازش رقومی تصاویر ماهواره‌ای، د_ تعیین مناطق سیل‌زده، ه_ جمع‌بندی و تلفیق اطلاعات نقشه مکان‌یابی نقاط امن برای خدمات امدادرسانی تهیه گردیده است.
الف ـ بررسی بارش سالانه
سال 98 بر اساس بارش یک سال آبی گذشته و سال آبی جاری و مقایسه افزایش چشم‌گیر میزان بارندگی به‌خصوص در شهرستان‌های چابهار و کنارک که بیشترین آسیب سیل دی‌ماه 98 را شامل شدند. بررسی نمودار میانگین کل میزان بارش ماهانه از سال 2020-2000 (شکل 2) و همچنین متوسط شار بارش ماهانه از سال 2020-2000 (شکل 3) که روند روبه رشد میزان بارش طی سال‌های اخیر تهیه‌شده از سایت جیوانی با بازه زمانی بیست‌ساله در محدوده شهرستان‌های چابهار و کنارک را نمایش می‌دهد.
|
شکل 2. نمودار میانگین کل میزان بارش ماهانه از سال 2020-2000 Fig 2. Average total monthly rainfall from 2000-2020 |
|
شکل 3. متوسط شار بارش ماهانه از سال 2020-2000 Fig 3. Average monthly rainfall from 2000-2020 |
ب ـ دریافت و پردازش تصاویر ماهواره‌ای سنتینل 1
در ابتدا تصاویر قبل و بعد از پدیده سیل از سایت https://scihub.copernicus.eu دانلود جدول (1) و در نرم‌افزار SNAP(Sentinel Application Platform-Version) پردازش‌های اولیه صورت گرفت.
جدول 1. تصاویر ماهواره‌ای سنتینل 1 در دوباره زمانی 12 روزه قبل از سیل 04/01/2020 و بعد از سیل 16/01/2020
Table 1. Sentinel 1 satellite imagery in the 12-day recurrence before the flood of 2020.01.04 and after the flood of 2020.01.16
لیست مجموع داده مد تصویربرداری IW در حالت صعودی تهیه‌شده از سازمان فضایی اروپا | تاریخ جمع‌آوری داده‌ها |
ردیف | نام | |
1 | S1A IW GRDH 1SDV 20200104 T015038 20200104 T015102 030644 038300 4DF6.SAFE | 04/01/2020 |
2 | S1A IW GRDH 1SDV 20200116 T 015037 20200116T015101 030819 0389209BD7.SAFE | 16/01/2020 |
فن‌های متعددی جهت پردازش تصویر و استخراج اطلاعات وجود دارد که مهم‌ترین آن‌ها شامل تصحیحات هندسی، تصحیحات رادیو متریک، بارز سازی تصویر، ترکیب تصاویر و فیلترگذاری هستند که در این پژوهش از آن‌ها استفاده‌شده است. برای این منظور از تصاویر راداری ماهواره سنتینل سری 1 تصویر قبل از وقوع سیل 14 دی‌ماه سال 98 سیستان و بلوچستان و تصویر بعد از وقوع سیل 26 دی‌ماه سال 98 که در محیط نرم‌افزاراسنپ (SNAP8.0.0) مورد پردازش قرارگرفته شده است. هر تصویر از قطبش‌های افقی افقی (VV) و افقی عمودی (VH) و توان تفکیک مکانی 10 متری و توان تفکیک طیفی باند 30 می‌باشند. پس از لینک کردن دو تصویر در محیط نرم‌افزاراسنپ (SNAP) موقعیت منطقه را روی کره زمین مشخص می‌کنیم. (شکل 4).
Thermal Noise Removal حذف نویز های ناشی از سنجنده |
Apply-Orbit-File استخراج اطلاعات مداری تصویر |
Subset برش مکانی تصویر |
RED فراخوانی تصاویر
|
شکل 4. فلوچارت مراحل پیش‌پردازش تصاویرسنتینل-1 Figure 4. Flowchart of pre-processing steps of Sentinel-1 images
|
منظور از تصحیح هندسی شامل حذف و نرمال‌سازی عواملی است که هندسه تصاویر را دچار اعوجاج می‌کند؛ در این مرحله بر اساس مدل رقومی ارتفاعی (Dem) فرایند تصحیح انجام می‌شود. در قسمت Map Projection نوع سیستم مختصات را UTM/WGS84 تنظیم می‌کنیم. تصحیح رادیو متریکی حذف و نرمال‌سازی عواملی است که بر روی امواج الکترومغناطیسی رسیده به سنجنده اثر منفی گذاشته است. برای انجام تصحیح رادیو متریک در اولین گام ارزش‌های رقومی به تابش طیفی تبدیل می‌شود که این عمل با استفاده از ضرایب کالیبراسیون سنجنده و با استفاده از رابطه (1) صورت می‌گیرد.
رابطه (1) L=Gain*DN+Offsset
که در آن تابش طیفی (Wem-2Ster-1um-1)،DN ارزش رقومی پیکسل (0 تا 255) و Gain و Offsset ضرایب کالیبراسیون سنجنده می‌باشند. سپس مطابق با رابطه 2 مقدار تابش طیفی به بازتاب طیفی تبدیل می‌شود.
رابطه (2) 
که در آن L تابش طیفی در دریچه سنجنده، d2 مجذور فاصله زمین و خورشید بر اساس واحدهای ستاره‌شناسی،ESUN ارتفاع خورشید و SZ زاویه خورشید هنگام تابش در زمان اخذ تصویر ماهواره‌ای است. مرحله بعدی کالیبره کردن (calibrate) که از روی دیجیتال نامبرهای راداری به آن مقادیر امواج راداری باز پراکنده‌شده از پوشش‌های متفاوت برسیم.
در این قسمت چون ما قصد داریم مقادیر باز پراکنده‌شده را برآورد کنیم از فرمت Sigma0 Band استفاده می‌کنیم و در تنظیمات مربوطه تیک این گزینه را فعال می‌نماییم. انتخاب فرمت Sigma 0 Band به این دلیل است که قصد داریم اثر backscatter توپوگرافی داخل شهر را حذف کنیم. هدف از کالیبره کردن تصاویر سنتینل (کالیبراسیون سیگمانات)، تبدیل ارزش پیکسل خام به مقدار بازپخش زمینی آن پیکسل است. هرچند تصاویر کالیبره نشده برای استفاده کیفی کافی است ولی برای استفاده کمی از داده‌های سنتینل، کالیبراسیون الزامی است. جدول کالیبراسیون گنجانده‌شده در فایل داده (Look Up Table) امکان تبدیل ساده ارزش‌های شدت تصویر را به ارزش سیگما صفر می‌دهد. بر اساس این جدول، ضریب ثابت کالیبراسیون اعمال می‌شود.
ج ـ پردازش رقومی تصاویر ماهواره‌ای
| ||||||||
شکل 5. فلوچارت مراحل اجرای پژوهش Figure 5. Flowchart of research implementation steps
|
طبق مراحل اجرایی (شکل 5) پس از فراخوانی دو تصویر تصحیح‌شده با عنوان Time1.dim و Time2.dim آن‌ها را به یک دیتای واحد تبدیل کرده فرایندی که چندین تصویر یا چندین باند در قالب یک دیتاست واحد قرار می‌گیرند، با عنوان (Time_stack) ذخیره می‌کنیم. در مرحله بعد نشان می‌دهیم که چطور می‌توانیم به‌راحتی مناطق آبی و غیرآبی را در تصاویر از هم متمایز کنیم. برای این منظور از الگوریتم پیکسل مبنا یک شرط برمبنای تفکیک آن دسته از مقادیر که ارزش سیگما صفر کمتر از 01/0 دارند را به‌عنوان محدوده آبی برای ما در نظر بگیرد مقدار 0/1 قرار داده و در غیر این صورت هر مقدار دیگر داشتند مقدار آن‌ها را معادل عدد صفر قرار دهد. جدول (2)
Table 2. Pixel based algorithm
روش‌های جبری | روابط | مرجع |
اختلاف تصاویر mage Differencing ID | ID=Cube(t2)-Cube(t1) | (20) |
این کار را برای هردو تصویر انجام داده و برای تفکیک پهنه‌های آبی تصویر بعد از وقوع سیل از پهنه‌های آبی تصویر قبل از وقوع سیل از فرمول water time 2 –water time 1 استفاده می‌کنیم، نتیجه تصویری است که مناطق سیل‌زده را فقط نمایش می‌دهد. زمانی که شما به پوشش‌های آبی که در زمان تصویر اول وجود داشته‌اند نگاه می‌کنید ملاحظه می‌کنید که در زمان تصویر دوم یک سری پهنه‌های آبی به آن اضافه‌شده و وقتی از هم کم بشوند فقط آن پهنه‌های اضافی ناشی از سیل باقی می‌ماند. در مرحله بعد یک طبقه‌بندی بر اساس الگوریتم جنگل تصادفی (Random Forest) روی نقشه ایجاد می‌کنیم و با استفاده از مناطق طبقه‌بندی‌شده نقشه مناطق سیل‌زده را نیز تولید می‌کنیم. جدول (3)
جدول 3. فرایند طبقه‌بندی با الگوریتم جنگل تصادفی
Table 3. Classification process with stochastic forest algorithm
توضیحات | مقدار پیش‌فرض | نام پارامتر | |
داده‌های برداری |
| Vector | |
اطلاعات برداری جدید |
| New Vector Data | |
تعریف سه کلاس پهنه‌های آبی پهنه‌های سیل‌زده سایر |
| Definition of three classes Water areas Flooded areas Other | |
انتخاب عوارض برای طبقه‌بندی هر کلاس |
| Layer Manager | |
ذخیره پروژه |
| Save Product | |
طبقه‌بندی نظارت‌شده |
| Supervised Classification | |
الگوریتم جنگل تصادفی |
| Random Forest | |
فراخوانی تصویر موردنظر |
| Add Open | |
به دلیل اینکه داده‌های ما وکتوری هستند |
| Train Vector | |
کلاس‌های تعریف‌شده و باندهای ورودی برای طبقه‌بندی |
| Water areas Flooded areas Other Time1 Time2 | |
فرایند ذخیره‌سازی و پردازش |
| Run | |
خروجی به شکل داده وکتوری با سه کلاس مجزا | نتیجه | ||
و در محیط نرم‌افزار سامانه اطلاعات جغرافیایی (Arc GIS10.6) به محاسبه مساحت پهنه‌های سیل‌زده می‌پردازیم و نتیجه نهایی به‌صورت یک نقشه پراکندگی مساحت زیر سیل رفته در حادثه دی‌ماه در شهرستان‌های استان سیستان و بلوچستان که بیشترین آسیب در دو شهرستان چابهار و کنارک اتفاق افتاده است به نمایش گذاشته‌شده است.(شکل 6)
 |
| |
B: تصویردسیبل شده بعد از وقوع سیل (16/01/2020) B: decibel image after the flood (January 16, 2020) | A: تصویر دسیبل شده قبل از وقوع سیل (04/01/2020) A: decibel image before the flood January 4, 2020 | |
 | ||
C. لینک دو تصویر در زمان قبل و بعد از وقوع سیل و پهنه‌های آبی و تغییراتی که صورت گرفته C: Tile evenly. Link to two images before and after the flood and the blue zones and the changes that have taken place | ||
 | ||
D: نقشه ارزیابی پهنه‌های سیل‌زده D: Flood Zone Assessment Map | ||
شکل 6. مراحل ارزیابی مناطق سیل‌زده
Figure 6. Steps of monitoring flooded areas
|
| ||||||
شکل 7. پهنه سیلابی بخش زرآباد کنارک واقع در سیستان و بلوچستان (سازمان فضایی ایران) Fig7. Flood zone of Zarabad Kanarak section located in Sistan and Baluchestan (Iran Space Agency)
| |||||||
| |||||||
شکل 8. تصاویر سیل 98 شهرستان چابهار کنارک
Figure 8. Pictures of the flood of Chabahar city of Konarak
ضریب کاپا دقت طبقه‌بندی تصاویر ماهواره‌ای را در مقایسه با یک روش طبقه‌بندی محاسبه می‌کند. نتایج به‌دست‌آمده در این پژوهش با داده‌های واقعیت زمینی مقایسه شد و بدین ترتیب با بررسی تصویر نقشه تغییرات حاصل‌شده از روش ارزیابی مناطق سیل‌زده و ایجاد ماتریس خطای حاصل از طبقه‌بندی جنگل تصادفی نتایج درصد صحت کلی و ضریب کاپا به شرح زیر است. جدول (4)
جدول 4. ارزیابی صحت الگوریتم طبقه‌بندی
Table 4. Evaluate the accuracy of the classification algorithm
ضریب کاپا Kappa coefficient | درصد صحت کلی Percentage of overall accuracy | الگوریتم طبقه‌بندی Classification algorithm |
91/0 | 3/96 | جنگل تصادفی Random forest |
د- تعیین مناطق سیل‌زده
یکی از مهم‌ترین عملیات که امروزه درزمینه‌ی کاهش مخاطرات ناشی از جریان سیلاب و رواناب در مناطق شهری و روستایی صورت می‌گیرد، پهنه‌بندی و مکان‌یابی مناطق پرخطر و کم‌خطر در معرض سیل و رواناب است.
A |
C |
شکل 9. A: DEM شهرستان چابهار و کنارک B: نقشه شیب C: نقشه جاده‌های اصلی D: نقشه رودخانه‌های اصلی و فرعی Fig 9. A: DEM of Chabahar and Konarak counties B: Slope map C: Map of main roads D: Map of main and secondary rivers |
ه- جمع‌بندی و تلفیق اطلاعات
در این مرحله در محیط نرم‌افزار سامانه اطلاعات جغرافیایی (ArcGIS10.6) نقشه‌های موردنظر جهت مکان‌یابی نقاط امن با یکدیگر تلفیق گردیدند. ابتدا نقشه شیب و نقشه جاده و نقشه رودخانه‌های اصلی و فرعی و مدل رقومی ارتفاع را در محیط نرم‌افزار سامانه اطلاعات جغرافیایی (ArcGIS10.6) فازی نموده و با همپوشانی گاما 9/0 نقشه‌های فازی شده نقاط امن و مناسب برای اسکان سیل‌زدگان تهیه گردیده شد. در این پژوهش وزن لایه‌های (شیب، جاده اصلی، رودخانه اصلی و فرعی) به‌وسیله نرم‌افزاراکسپرت چویس (Expert choice) مشخص‌شده است. مرحله همپوشانی وزنی لایه‌ها در محیط آرک مپ (Arc map) انجام می‌شود. نقشه خروجی به‌صورت رستر است که آن را کلاس‌بندی و ارزش‌گذاری می‌کنیم. پس از اتمام مراحل کلاس‌بندی و طبقه‌بندی مراحل تحلیل بر روی نقشه (لایه) آماده‌شده برای تعیین مکان‌های مناسب و نامناسب آغاز می‌شود (19). هدف از تلفیق نقشه‌های فاکتور در این پژوهش، تعیین محدوده‌های امن برای اسکان سیل‌زدگان و فاصله از رودخانه‌ها و نزدیکی به جاده‌های اصلی برای امداد و نجات است.
بحث و نتایج
سیل در 10،9 و 11 ژانویه 2020 (20،19 و 21 دی 1398) در شهرستان چابهار و کنارک (استان سیستان و بلوچستان) منجر به خسارات بسیاری گردید. روش ارائه‌شده در این پژوهش اطلاعات ارزشمندی جهت شناسایی مناطق تحت تأثیر سیل و مدیریت سیل در این مناطق فراهم می‌کند. بدین ترتیب این مطالعه چارچوبی را برای آشکارسازی مناطق سیل‌زده با استفاده از داده‌های سنتینل سری یک فراهم می‌کند که یک‌راه حل جدید، سریع و مقرون‌به‌صرفه برای پایش زمان واقعی رخداد سیل است. نتایج این مطالعه نشان داد که تصاویر سنتینل سری یک دارای عملکرد مناسبی برای شناسایی مناطق سیل‌زده می‌باشند که با نتایج مطالعات احمد و کرانتی (1)، بانگیرا و همکاران، (3) باراسا و وانیاما (5)، بورا و همکاران (4)، کارنو کوند و ماریا دی ماتامونوز (6)، الخراچی و همکاران (9)، اولن و بوکهاگن (15)، تاووس و همکاران (17)، او دین و متین (19)، یو لا و همکاران (20)، واناما کریشنا و همکاران (22) میمی ژانگ و همکاران (27) سازگار است. مقدار آستانه سیگما صفر یا ضریب باز پراکنش برای آشکارسازی پهنه‌های آبی و مناطق سیل‌زده، 01/0 به دست آمد که با نتایج بورا و همکاران (4)، الخراچی و همکاران (9)، یو لا و همکاران (20)، کریشنا و همکاران (22) و میمی ژانگ و همکاران (27) مطابقت دارد. ارزیابی الگوریتم‌های طبقه‌بندی تصویر حاکی از آن بود که الگوریتم جنگل تصادفی دارای ضریب کاپاو درصد بالای (91/0) که نتایج یافته‌های ماریا دی ماتامونوز (6)، الخراچی و همکاران (9)، یو لا و همکاران (20)، واناما کریشنا و همکاران (22) و میمی ژانگ و همکاران (27) حاکی از کارایی بالای این الگوریتم است. پس از آشکارسازی پهنه‌های سیل‌زده به بررسی و مکان‌یابی نقاط امن بارویش AHP فازی، معیارها با کمک نظرات کارشناسان خبره مدیریت بحران و واردکردن اطلاعات به نرم‌افزار اکسپرت چویس، اوزان نهایی هریک از معیارها استخراج گردید که با نتایج یافته زالی و همکاران (24) مطابقت دارد.
-تلفیق نقشه‌ها و تولید نقشه نهایی
در این پژوهش ابتدا نمودار میزان بارش سالانه در شهرستان‌های استان سیستان بلوچستان و افزایش بارندگی سال 98 نسبت به سال گذشته مشخص و سپس به محاسبه وسعت مناطق سیل‌زده با استفاده از تصاویر ماهواره‌ای سنتینل 1 با بازه زمانی 12 روزه که قبل و بعد از وقوع سیل است در محیط نرم‌افزاراسنپ (SNAP) و طبقه‌بندی آن در دو کلاس مناطق سیل‌زده و سایر در محیط نرم‌افزارانوی (ENVI) و پردازش این دو تصویر برای محاسبه مساحت تحت تأثیر سیل و تخمین میزان خسارتی که به این منطقه واردشده در محیط نرم‌افزار سامانه اطلاعات جغرافیایی (ArcGIS) که مشاهده می‌شود مساحتی بالغ‌بر 426 کیلومترمربع را در برمی‌گیرد. با توجه به اهمیت خدمات امداد و نجات به دلیل مسدود شدن راه‌های ارتباطی و مکان‌یابی مناطق امن برای اسکان و خدمات‌رسانی با استفاده از نقشه‌های (شیب جاده اصلی، رودخانه اصلی و فرعی) ابتدا به وزن دهی در محیط نرم افزاراکسپرت چویس (Expert choice) پرداخته که نزدیکی به جاده اصلی 0/1 و شیب مناسب 9/0 و دوری از رودخانه‌ها 5/0 وزن دهی شده و سپس در محیط سامانه اطلاعات جغرافیایی (ArcGIS) به تهیه نقشه گاما 9/0 با استفاده از تحلیل سلسله مراتبی (FAHP) پرداخته که مناطق امن بارنگ آبی از پتانسیل زیادی ازنظر نقاط امن برای اسکان و خدمات سیل‌زدگان برخوردار می‌باشند.(شکل 10)
|
شکل 10. نقشه مکان‌یابی مناطق امن برای اسکان و خدمات‌رسانی امداد و نجات سیل‌زدگان Fig10. Location map of safe areas for accommodation and flood relief services |
نتیجه‌گیری
اهمیت استفاده از داده‌های سنجش‌ازدوری و تفسیر و پردازش به‌موقع آن‌ها ازنظر پهنه‌بندی و ارزیابی مناطق مستعد خطر سیل و همچنین مکان‌یابی برای اسکان موقت وامداد رسانی و خدمات ما را براین داشت که به پژوهش در این رابطه بپردازیم. با توجه به سیل‌خیز بودن استان سیستان و بلوچستان به‌ویژه شهرستان‌های بندر چابهار و شهرستان کنارک و اهمیت کاربری ساحلی و تجاری بودن این دو شهرستان و توجه به افزایش میزان بارش در فصل پاییز و زمستان در سال 98 که رئیس مرکز ملی خشک‌سالی و مدیریت بحران سازمان هواشناسی دو عامل 1. تغییرپذیری آب‌وهوا و 2. تغییرات اقلیمی را علت تغییر الگوی بارش‌ها و بارش‌های شدید در جنوب کشور می‌داند و احتمال اینکه این مسئله در سال‌های آتی تکرار گردد بسیار است. باشناسایی نواحی درگیر با سیلاب‌های احتمال، نوع کاربری اراضی، برآورد میزان خسارت ناشی از وقوع سیلاب و اجرای طرح‌های مهندسی می‌توان برای پیشگیری از وقوع آن برنامه‌ریزی نمود. همچنین توجه روزافزون برای استفاده از تصاویر ماهواره‌ای در رابطه با مسئله مدیریت مخاطرات طبیعی و برآورد میزان خسارت و ارزیابی سریع مناطق تحت تأثیر بر اهمیت موضوع می‌افزاید از طرفی در این‌جور مواقع مکان‌یابی مناسب برای اسکان و خدمات‌رسانی به شهروندان و ساکنین این مناطق به دلیل مسدود شدن مسیر ارتباطی باید جزو اولویت‌های برنامه‌ریزی در نظر گرفته شود.
تقدیر و تشکر
نویسندگان مایل‌اند از خدمات ESA برای تأمین منابع رایانه‌های مورداستفاده با داده‌های Copernicus Sentinel-1 و همچنین از خدمات Giovanni NASA برای تهیه نمودار میانگین کل میزان بارش ماهانه از سال 2020-2000 و متوسط شار بارش ماهانه از سال 2020-2000 تشکر نمایند.
منابع
2. Baharvand S, Suri S, and Rahnmarad J. 2017. Zoning of environmental hazards of landslides, earthquakes, floods, and erosion using the fuzzy hierarchical method.Case study: Wark Basin. Journal of RS and GIS for Natural Resources,8 (3): 89-103. doi:https://doi.org/10.1007/s11104-009-0053-7. (In Persian)
3. Bangira, T. Iannini, L. Menenti, M. Van Niekerk, A. & Vekerdy, Z. (2021). Flood Extent Mapping in the Caprivi Floodplain Using Sentinel-1 Time Series. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 5667-5683. doi:https://doi.org/10.1109/JSTARS.2021.3083517
4. Borah, S. B. Sivasankar, T. Ramya, M. N. S. & Raju, P. L. N. 2018. Flood inundation mapping and monitoring in Kaziranga National Park, Assam using Sentinel-1 SAR data. Environmental monitoring and assessment. 190(9): 520. doi:https://doi.org/10.1007/s10661-018-6893-y
5. Barasa, B. & Wanyama, J. (2020). Freshwater lake inundation monitoring using Sentinel-1 SAR imagery in Eastern Uganda. Annals of GIS, 26(2), 191-200. doi:https://doi.org/10.1080/19475683.2020.1743754
6. Carreño Conde, F. & De Mata Muñoz, M. (2019). Flood monitoring based on the study of Sentinel-1 SAR images: The Ebro River case study. Water, 11(12), 2454. doi:https://doi.org/10.3390/w11122454
7. Dadhich, G. Miyazaki, H. & Babel, M. 2019. Applications of sentinel-1 synthetic aperture radar imagery for floods damage assessment: A case study of Nakhon Si Thammarat, Thailand. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. 1927-1931. doi:https://doi.org/10.5194/users-archives-XLII-2-W13-1927-2019
8. DTottori, F, Szewczyk, W. Ciscar, J. C. Zhao, F. Alfieri, L. Hirabayashi, Y. and Feyen, L.: Increased human and economic losses from river flooding with anthropogenic warming, Nat. Clim. Change, 8, 781–786, . doi:https://doi.org/10.1038/s41558-018-0257-z, 2018.
9. Elkhrachy, I. Pham, Q. B. Costache, R. Mahajan, M. Rahman, K. U. Shahabi, H. ... & Anh, D. T. (2021). Sentinel‐1 remote sensing data and Hydrologic Engineering Centres River Analysis System two‐dimensional integration for flash flood detection and modeling in New Cairo City, Egypt. Journal of Flood Risk Management, 14(2), e12692 . doi:https://doi.org/10.1111/jfr3.12692
10. Gaya, C. O. (2020). Application of GIS and Remote Sensing in Flood Management in the Lake Victoria Basin (Doctoral dissertation, JKUAT-COETEC). http://localhost/xmlui/handle/123456789/5264
11. Grimaldi S. Li Y. Pauwels V.R.N. & Walker J.P. Remote sensing-derived water extent and levels to constrain hydraulic flood forecasting models: opportunities and challenges. Surv Geophys 2016, 37, (5), 977–1034. . doi:https://doi.org/10.1007/s10712-016-9378-y.
12. Horning, N. 2010. Random Forests: An algorithm for image classification and generation of continuous fields data sets. In Proceedings of the International Conference on Geoinformatics for Spatial Infrastructure Development in Earth and Allied Sciences, Osaka, Japan. 911. doi:https://doi.org/10.5194/ISPRSARCHIVES-XXXIX-B7-203-2012
13. Lindersson, S. Brandimarte, L. Mård, J. & Di Baldassarre, G. (2020). A review of freely accessible global datasets for the study of floods, droughts, and their interactions with human societies. Wiley Interdisciplinary Reviews: Water, 7(3), e1424. doi:https://doi.org/10.1002/wat2.1424
14. Nardi, F. Annis, A. Di Baldassarre, G. Vivoni, E. R. and Grimaldi, S.: GFPLAIN250m, a global high-resolution dataset of Earth's floodplains, Scient. Data, 6, 180309 . doi:https://doi.org/ /10.1038/sdata.2018.309, 2019.
15. Olen, S. and Bookhagen, B. 2018. Mapping damage-affected areas after natural hazard events using sentinel-1 coherence time series. Remote Sensing. 10(8): 1272. doi:https://doi.org/ /10.3390/rs10081272
16. Rudner, T. G. Rußwurm, M. Fil, J. Pelich, R. Bischke, B. Kopačková, V. & Biliński, P. (2019, July) Multi3Net: segmenting flooded buildings via fusion of multiresolution, multisensor, and multitemporal satellite imagery. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 702-709). doi:https://doi.org/10.1609/AAAI.v33i01.3301702
17. Tavus, B. Kocaman, S. Gokceoglu, C. and Nefeslioglu, H. A. 2018. Considerations on the use of sentinel-1 data in flood mapping in urban areas: Ankara (Turkey) 2018 Floods. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. 575-581. doi:https://doi.org/10.5194/users-archives-XLII-5-575-2018
18. Twelve, A. Cao, W. Plank, S. and Martinis, S. 2016. Sentinel-1-based flood mapping: a fully automated processing chain. International Journal of Remote Sensing. 37(13): 2990-3004. doi:https://doi.org/ /10.1080/01431161.2016.1192304
19. Uddin, K. & Matin, M. A. (2021). Potential flood hazard zonation and flood shelter suitability mapping for disaster risk mitigation in Bangladesh using geospatial technology. Progress in disaster science, 11, 100185. . doi:https://doi.org/ 10.1016/j.pdisas.2021.100185
20. Ulloa, N. I. Yun, S. H. Chiang, S. H. & Furuta, R. (2022). Sentinel-1 Spatiotemporal Simulation Using Convolutional LSTM for Flood Mapping. Remote Sensing, 14(2), 246.. doi:https://doi.org/10.3390/rs14020246
21. Winsemius, H. C. Aerts, J. C. J. H. van Beek, L. P. H. Bierkens, M. F. P. Bouwman, A. Jongman, B. Kwadijk, J. C. J. Ligtvoet, W. Lucas, P. L. van Vuuren, D. P. and Ward, P. J.: Global drivers of future river flood risk, Nat. Clim. Change, 6, 381–385,2016.. doi:https://doi.org/10.1038/nclimate2893
22. Vanama, V. S. K. Mandal, D. & Rao, Y. S. (2020). GEE4FLOOD: rapid mapping of flood areas using temporal Sentinel-1 SAR images with Google Earth Engine cloud platform. Journal of Applied Remote Sensing, 14(3), 034505.. doi:https://doi.org/10.1117/1.JRS.14.034505
23. Valizadeh Kamran Kh, Dalir Hassan Nia R, Azari Amghani Kh. 2019. Flood zoning and its effect on the use of surrounding lands using UAV images and GIS. Journal of RS and GIS for Natural Resources. 10 (3): 59-75. DOI:. doi:https://doi.org/10.1007/s11104-009-0053-7. (In Persian)
24. Zali, Mehrab, Soleimani, Karim, Habibnejad Roshan, Mahmoud, ... & Mir Hassan. (2021). Comparison and prioritization of flooding in Nekarood sub-basins using the morphometric method in GIS. Remote sensing and GIS in natural resources. http://dorl.net/dor/20.1001.1.26767082.1401.13.2.2.2(In Persian)
25. Zhu, X. X. Tuia, D. Mou, L. Xia, G.S. Zhang, L. Xu, F. and Fraundorfer, F. 2017. Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine 5(4):8–36. doi:https://doi.org/10.1109/MGRS.2017.2762307
26. Zhang, L. Zhang, L. and Du, B. 2016. Deep learning for remote sensing data: A technical tutorial on the state of the art. IEEE Geoscience and Remote Sensing Magazine 4:22–40 doi:https://doi.org/10.1109/MGRS.2016.2540798
27. Zhang, M. Chen, F. Liang, D. Tian, B. & Yang, A. (2020). Use of Sentinel-1 GRD SAR images to delineate flood extent in Pakistan. Sustainability, 12(14), 5784. doi:https://doi.org/10.3390/su12145784
Evaluation of floodplains using Sentinel-1 images to locate safe points
(Case study: Chabahar and Konarak counties)
Abstract
Sistan and Baluchestan provinces, including the coastal cities of Chabahar and Konarak, have long been exposed to natural hazards, including floods. The main purpose of this study is to evaluate the flooded areas and determine the location and extent of the areas that have suffered the most flood damage in January 2017 in Chabahar and Konarak counties. Due to climate change such as heavy rainfall and using Sentinel-1 satellite images in the two time periods before and after the accident, based on the analysis and processing of images in SNAP software, the Sigma zero scattering coefficient of both images was extracted and divided into two levels of water and others. The water was separated and the threshold of 0.01 was obtained. Using the algebraic algorithm of water and non-water binary images in the form of zero and one and based on the difference between the two images, the flooded area was identified. The flooded areas were then classified using a random forest algorithm with a kappa coefficient of 0.91. Indicates the high accuracy of the classification. After preparing the map of flooded areas to locate safe points of value in Expert choice software based on the studied criteria which include (river area, structure, direction, width of communication network, and slope of the study area) and using fuzzy logic of 0.9 gammas in the environment Arc GIS10.6 software is discussed. The obtained results have determined the area of nearly 426.46 square kilometers of areas affected by floods, which have the most damage and destruction to urban and rural land use, agriculture, and animal husbandry and block the communication routes of most villages, as well as mapping safe areas for air, sea and land services.
keywords: Evaluation of flooded areas, Sentinel Series 1 radar images, Algebraic algorithm, Stochastic forest algorithm, Fuzzy logic, GIS
ارزیابی مناطق سیل‌خیز با استفاده از تصاویرسنتینل-1 برای مکان‌یابی نقاط امن
(مطالعه موردی: شهرستان چابهار و کنارک)
طرح مسئله: سیل یکی از حوادث طبیعی غیرمترقبه محسوب می‌شود که براثر طغیان آب و زیرآب رفتن بخش قابل‌توجهی از زمین رخ می‌دهد. در خلال یا پس از یک بارندگی شدید مقدار دبی رودخانه به‌سرعت افزایش‌یافته و درنتیجه آب از بستر عادی خود سرریز و دشت سیلابی و مناطق اطراف را در برمی‌گیرد. اصولاً بزرگی سیل‌ها و تکرار آن‌ها در طول زمان تابع شدت بارندگی، نفوذپذیری زمین و وضع توپوگرافی منطقه است. سیل بیانگر بزرگ‌ترین فاجعه طبیعی است که ممکن است در اقلیم‌های مختلف رخ دهد و بر محیط‌زیست، کشاورزی و زیرساخت‌ها تأثیر بگذارد. سیل‌های دوره‌ای به‌صورت طبیعی در بسیاری از رودخانه‌ها رخ‌داده و باعث به وجود آمدن مناطقی بنام دشت‌های سیلابی می‌گردد. علت وقوع این سیلاب‌ها بارش باران های شدید و گاهی نیز توأم با ذوب برف است که باعث طغیان رودخانه و جاری شدن آب در زمین‌های حاشیه‌ای رود می‌شود.
وقوع بلایای طبیعی، نظیر سیل اغلب پیامدهای مخربی بر سکونتگاه‌های انسانی باقی می‌گذارد و تلفات سنگینی بر ساکنان وارد ساخته است، ساختمان‌ها و زیرساخت‌ها را نابود و عوارض اقتصادی و اجتماعی پردامنه‌ای بر جوامع و کشورها تحمیل کرده است. تغییرهای الگوی آب‌وهوایی از دلایل مهم و تأثیرگذار بر وقوع سیلاب دی‌ماه 98 در استان سیستان و بلوچستان است که شاهد برهم خوردن تعادل در نوع، میزان و زمان بارندگی‌ها هستیم. به‌این‌ترتیب که نوع بارندگی‌ها از سمت بارش برف به باران تغییریافته است. از سویی دیگر میزان بارندگی‌ها شدید و خشک‌سالی‌های شدید را در مقابل شاهد هستیم. این در حالی است که پراکندگی این بارش‌ها در فصول مختلف سال از تعادل خارج‌شده است و به‌طور یکنواخت نیست. یکی از دلایلی که سیلاب‌ها در ایران خسارات قابل‌توجهی در پی دارد این است که متأسفانه برنامه‌ریزی‌های انجام‌شده برای انجام اقدامات لازم را به‌طور تمام و کمال اجرا نمی‌کنیم. استخراج منطقه سیل‌زده در کمترین زمان ممکن، جهت مدیریت به‌موقع منطقه سیل‌زده با آگاهی قبلی منطبق بر اطلاعات دقیق استخراج‌شده از محل، امری بسیار مهم است. لذا استفاده از علم سنجش‌ازدور که با در اختیار قرار دادن تصاویر باحد تفکیک بالا، امکان استخراج اطلاعات دقیق و بهنگام مکانی و به‌خصوص داده‌های رادار، ابزاری مناسب جهت استخراج سریع منطقه سیل‌زده است. ایجاد سریع نقشه مناطق سیل‌زده با استفاده از داده‌های رادار اطلاعات ارزشمندی را جهت برنامه‌ریزی و مدیریت زودهنگام بلایای طبیعی خصوصاً سیل فراهم می‌کند. همچنین بعد از شناسایی پهنه‌های تحت تأثیر سیل گام بعدی مکان‌یابی مناسب برای اسکان و خدمات‌رسانی به شهروندان و ساکنین این مناطق به دلیل مسدود شدن مسیر ارتباطی باید جزو اولویت‌های برنامه‌ریزی در نظر گرفته شود؛
هدف: در این پژوهش، آشکارسازی پهنه‌های سیل‌زده با استفاده از داده‌های راداری ماهواره سنتینل سری یک با استفاده از پردازش نیمه‌خودکار و مکان‌یابی مناطق امن برای اسکان موقت و خدمات امداد و نجات با استفاده از روش تحلیل سلسله مراتبی فازی (FAHP) است. با توجه به موقعیت جغرافیایی شهرستان چابهار کنارک در جنوب استان سیستان و بلوچستان، این حوزه دارای پتانسیل بالایی ازنظر مخاطرات طبیعی ازجمله سیل است که باید برنامه‌ریزی‌های از پیش تعیین‌شده را در نظر داشت. برای مدیریت و برنامه‌ریزی مناسب در آشکارسازی سریع پهنه‌های تحت تأثیر سیل و مکان‌یابی نقاط امن و انجام اقدامات پیشگیرانه موردنیاز، به اطلاعات دقیق و به‌روز ارجاع شده مکانی احتیاج است. به دست آوردن تصاویر ماهواره‌های چند زمانی و استفاده از فن‌های پردازش تصویر برای تشخیص خودکار تغییر، یکی از روش‌های بهینه است که می‌تواند در نظارت برمخاطرات طبیعی مورداستفاده قرار گیرد.
روش تحقیق: شهرستان‌های چابهار و کنارک در جنوب استان سیستان و بلوچستان بامساحتی بالغ‌بر 33698 کیلومترمربع، دارای اقلیم بیابانی گرم و مرطوب هستند. میانگین بارش سالانه 114/2 میلی‌متر است و سالانه درخطر سیل می‌باشند. در پژوهش حاضر که مبتنی بر ارزیابی مناطق سیل‌خیز برای مکان‌یابی مناطق امن در دو شهرستان چابهار کنارک استان سیستان و بلوچستان است، روش گردآوری اطلاعات بر اساس بنیادهای نظری اکتشافی به‌صورت اسنادی کتابخانه‌ای جمع‌آوری‌شده است. مراحل پژوهش به‌صورت دریافت نمودار میانگین کل میزان بارش ماهانه از سال 2020-2000 و همچنین متوسط شار بارش ماهانه از سال 2020-2000 که روند روبه رشد میزان بارش طی سال‌های اخیر تهیه‌شده از سایت جیوانی با بازه زمانی بیست‌ساله در محدوده موردمطالعه که افزایش بارندگی سال 98 نسبت به سال گذشته مشخص و سپس به محاسبه وسعت مناطق سیل‌زده با استفاده از تصاویر ماهواره‌ای سنتینل 1، در سطح تصویر مختلط تک منظر، گذر بالا، قطبش VH، با بازه زمانی 12 روزه که قبل و بعد از وقوع سیل است در محیط نرم‌افزاراسنپ (SNAP) و طبقه‌بندی آن در دو کلاس مناطق سیل‌زده و سایر در محیط نرم‌افزارانوی (ENVI) و پردازش این دو تصویر برای محاسبه مساحت تحت تأثیر سیل و تخمین میزان خسارتی که به این منطقه واردشده در محیط نرم‌افزار سامانه اطلاعات جغرافیایی (ArcGIS) که مشاهده می‌شود مساحتی بالغ‌بر 426 کیلومترمربع را در برمی‌گیرد. با توجه به اهمیت خدمات امداد و نجات به دلیل مسدود شدن راه‌های ارتباطی و مکان‌یابی مناطق امن برای اسکان و خدمات‌رسانی با استفاده از نقشه‌های (ارتفاع، شیب، جاده اصلی، رودخانه اصلی و فرعی) ابتدا به وزن دهی در محیط نرم افزاراکسپرت چویس (Expert choice) پرداخته که نزدیکی به جاده اصلی 0/1 و شیب مناسب 9/0 و دوری از رودخانه‌ها 5/0 وزن دهی شده و سپس در محیط سامانه اطلاعات جغرافیایی (ArcGIS) به تهیه نقشه گاما 9/0 با استفاده از تحلیل سلسله مراتبی (FAHP) پرداخته که مناطق امن بارنگ آبی از پتانسیل زیادی ازنظر نقاط امن برای اسکان و خدمات سیل‌زدگان برخوردار است.
نتایج و بحث: نتایج نمودار بارش حاکی از تغییرات اقلیمی و رویه رشد میزان بارش طی سال‌های اخیر و افزایش بارندگی سال 98 نسبت به سال گذشته در دو شهرستان چابهار و کنارک است. نتایج حاکی از پردازش دو تصویر قبل و بعد از وقوع سیل با استفاده از الگوریتم پیکسل مبنا و طبقه‌بندی با الگوریتم جنگل تصادفی با ضریب کاپا 91 درصد نشان از صحت بالای طبقه‌بندی است. نتایج به‌دست‌آمده وسعت نزدیک به 46/426 کیلومترمربع مناطق تحت تأثیر سیلاب که بیشترین آسیب و تخریب کاربری شهری و روستایی، کشاورزی و دامداری و مسدود شدن راه‌های ارتباطی اکثر روستاها است. تهیه نقشه مناطق امن برای خدمات‌رسانی به‌صورت هوایی، دریایی و زمینی با استفاده از تحلیل سلسله مراتبی فازی گاما 9/0 شکل (10) مناطق امن بارنگ آبی نمایش داده‌شده است. شناسایی، پهنه‌بندی، تهیه‌ی نقشه‌ی نواحی سیل گیر و آنالیز، مدیریت و مکان‌یابی مناطق امن با استفاده از فن‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی در این پژوهش به‌خوبی تفسیر شده است.
نتیجه‌گیری: در این پژوهش برای آشکارسازی مناطق سیل‌زده شهرستان‌های چابهار کنارک استان سیستان و بلوچستان، از فن پایش نیمه‌خودکار با استفاده از الگوریتم پیکسل مبنا و طبقه‌بندی با الگوریتم جنگل تصادفی با استفاده از داده‌های سنجنده سنتینل سری یک استفاده شد. همچنین بعد از برآورد پهنه‌های سیل‌زده با استفاده از نقشه‌های مدل رقومی ارتفاع، شیب، جاده‌های اصلی، آبراهه‌های اصلی وفرعی و ارزش‌گذاری با نرم افزار اکسپرت چویس و مدل سلسله مراتبی فازی به مکان‌یابی مناطق امن برای اسکان موقت و خدمات امداد و نجات پرداخته که درنهایت خروجی به شکل نقشه مکان‌یابی پرداخته شد. به‌طورکلی، بر اساس نتایج به‌دست‌آمده می‌توان به توانایی روش ارائه‌شده در آشکارسازی سریع مناطق سیل‌زده و مکان‌یابی جهت خدمات امدادرسانی پی برد این فن برای حوادث طبیعی دیگر ازجمله زلزله، زمین‌لغزش، آتش‌سوزی و غیره قابل‌استفاده است.
کلمات کلیدی:
ارزیابی مناطق سیل‌زده، تصاویر راداری سنتینل سری یک، الگوریتم پیکسل مبنا، الگوریتم جنگل تصادفی، منطق فازی، سیستم اطلاعات جغرافیایی
Evaluation of floodplains using sentinel-1 images to locate safe places
(Case study: Chabahar and Konarak counties)
Abstract
Statement of the Problem: Flood is one of the unexpected natural disasters that occur due to flooding and submergence of a significant part of the earth. During or after heavy rainfall, the flow of the river increases rapidly, and as a result, water overflows from its normal bed and covers the floodplain and surrounding areas. The size of floods and their recurrence over time depend on the intensity of rainfall, soil permeability, and topography of the area. Floods are the biggest natural disasters that can occur in different climates and affect the environment, agriculture, and infrastructure. Periodic floods occur naturally in many rivers and cause the formation of areas called floodplains. The cause of these floods is heavy rains and sometimes accompanied by melting snow, which causes the river to overflow and water to flow into the fields along the river. The occurrence of natural disasters, such as floods, often has devastating consequences on human settlements, causing heavy losses to residents, destroying buildings and infrastructure, and imposing far-reaching economic and social consequences on communities and countries. Climate change is one of the most important and influential reasons for the occurrence of floods in December 1998 in Sistan and Baluchestan provinces, where we are witnessing a disturbance in the balance in the type, amount, and time of rainfall. In this way, the type of rainfall has changed from snow to rain. On the other hand, we see heavy rainfall and severe droughts. However, the distribution of these precipitations in different seasons of the year is out of balance and is not uniform. One of the reasons that floods in Iran cause significant damage is that, unfortunately, we do not fully implement the plans made to take the necessary measures. Matching accurate information extracted from the site is very important. Therefore, the use of remote sensing, which provides high-resolution images, and the ability to extract accurate and timely spatial information, especially radar data, is a suitable tool for the rapid extraction of flooded areas. Quickly create a map of flooded areas using data Radar provides valuable information for early planning and management of natural disasters, especially floods. Consider planning priorities;
Purpose: In this study, detection of flooded areas using radar data from Sentinel Series 1 satellite using semi-automatic processing and locating safe areas for temporary accommodation and rescue services using the fuzzy hierarchical analysis (FAHP) method Due to the geographical location of Chabaharo Konarak city in the south of Sistan and Baluchestan province, this area has a high potential in terms of natural hazards, including floods, which should be considered in advance. For proper management and planning in rapid detection of flood-affected areas and locating safe points and taking the necessary preventive measures, accurate and up-to-date spatial information is required. Obtaining multi-time satellite images and using fans Image processing for automatic detection of change is one of the optimal methods that can be used in monitoring natural hazards.
Methodology: Chabahar and Konarak counties in the south of Sistan and Baluchestan province with an area of 33,698 square kilometers, have a hot and humid desert climate. The average annual rainfall is 2.114 mm and they are at risk of floods annually. In the present study, which is based on the evaluation of flood-prone areas for locating safe areas in the two cities of Chabahar, Konarak, Sistan, and Baluchestan province, the data collection method is based on exploratory theoretical foundations in the form of library documents. Research stages to receive a graph of the average monthly rainfall from 2000-2000 and also the average monthly rainfall from 2020-2000, which is a growing trend of rainfall in recent years, prepared from Giwani site with a period of 20 years in the study area that increases rainfall. The year 1998 is determined compared to the previous year and then by calculating the area of flooded areas using Sentinel 1 satellite images, at the level of the one-dimensional mixed image, high throughput, and VH polarization, with a period of 12 days before and after the flood. SNAP software and its classification into two classes of flooded areas and others in the software environment (ENVI) and processing of these two images to calculate the area affected by the flood and estimate the amount of damage to this area in the software environment of the Geographic Information System (ArcGIS). It is observed that it covers an area of 426 square kilometers. Due to the importance of rescue services due to the blockage of communication routes and locating safe areas for accommodation and services using maps (altitude, slope, main road, main and secondary river) first weigh-in Expert Choi's software environment (Expert choice) that the proximity to the main road is 0.1 and the appropriate slope is 0.9 and the distance from the rivers is weighed 0.5 and then in the environment of the Geographic Information System (ArcGIS) to prepare a gamma map of 0.9 using hierarchical analysis (FAHP) states that safe blue areas have great potential for safe havens for flood victims.
Results and discussion: The results of the precipitation diagram show the climate change and the growth trend of precipitation in recent years and the increase in rainfall in 1998 compared to last year in Chabahar and Konark. Base and classification pixels with a random forest algorithm with a kappa coefficient of 91% show high classification accuracy. The obtained results are the area of nearly 426.46 square kilometers of areas affected by floods, which is the most damaged and destroyed urban and rural land use, agriculture and animal husbandry, and the blockage of communication routes in most villages. Mapping Safe Areas for Air, Sea, and Land Services Using Gamma Fuzzy Hierarchical Analysis Figure 0.9 (10) Safe Areas are shown in blue. Identification, zoning, mapping of floodplains and analysis, management, and location of safe areas using remote sensing techniques and GIS are well interpreted in this study.
Conclusion: In this study, to detect flooded areas of Chabahar and Konarak cities of Sistan and Baluchestan province, a semi-automatic monitoring technique using pixel-based algorithm and stratification with random forest algorithm using Sentinel Series 1 sensor data was used. Also, after estimating the flooded areas using digital model maps of elevation, slope, main roads, main and secondary waterways and valuation with Expert Choice software and fuzzy hierarchical model to locate safe areas for temporary accommodation and relief services. In general, based on the results, we can understand the ability of the proposed method in the rapid detection of flooded areas and the location for relief services. This technique for other natural disasters. It can be used for earthquakes, landslides, fires, etc.
Keywords: Evaluation of flooded areas, Sentinel Series 1 radar images, Pixel-based algorithm, Stochastic forest algorithm, Fuzzy logic, GIS
