Optimum pattern to identify flooded areas using remote sensing techniques (Houiza)
محورهای موضوعی : فصلنامه علمی پژوهشی سنجش از دور راداری و نوری و سیستم اطلاعات جغرافیاییseyede Razieh Keshavarz 1 , Seyed Aghil Ebrahimi 2 , Jalal Bayati 3 , Ali Hasan Abadi 4
1 - Master of Remote Sensing and Geographic
Information Systems
2 - Islamic Azad University Tehran Branch
3 - Expert of Remote Sensing and Geographic
Information Systems
4 - Governor's employee
کلید واژه: Flood, Landsat, remote sensing, Hoyze, backup vector machine,
چکیده مقاله :
Several methods have been developed to represent flood-related hazards using ground-based measurements. Satellite remote sensing data have been used for flood assessment due to their spatial resolution and capacity to provide information for areas with poor access or lack of ground measurements. Identifying flood prone areas is one of the basic strategies in planning to reduce the destructive effects of floods. Flood is considered as one of the events that causes damage to human societies. Therefore, the importance of estimating the damages caused by flood and determining its extent in planning to reduce these damages and determining high risk points is very important. For this purpose, the OLI sensor images of Landest 8 satellite, before and after the flood of April 2018 in Khuzestan, Hoyze region, were used. Then NDWI water index was used for identification and SVM (Support Vector Machine) method was used for classification and it was found that before the flood there were 36999.99 hectares of water areas in the region and after the flood this amount reached 274279.95 hectares. The results show that the south and south-west parts are in a very severe situation and the central and south-eastern parts are in a severe flood risk situation, which are among the most prone to flood areas in the province. Also, the monitoring of flood maps in Khuzestan province shows that there is a perfect match between the flood zone map and the recent flood.
Several methods have been developed to represent flood-related hazards using ground-based measurements. Satellite remote sensing data have been used for flood assessment due to their spatial resolution and capacity to provide information for areas with poor access or lack of ground measurements. Identifying flood prone areas is one of the basic strategies in planning to reduce the destructive effects of floods. Flood is considered as one of the events that causes damage to human societies. Therefore, the importance of estimating the damages caused by flood and determining its extent in planning to reduce these damages and determining high risk points is very important. For this purpose, the OLI sensor images of Landest 8 satellite, before and after the flood of April 2018 in Khuzestan, Hoyze region, were used. Then NDWI water index was used for identification and SVM (Support Vector Machine) method was used for classification and it was found that before the flood there were 36999.99 hectares of water areas in the region and after the flood this amount reached 274279.95 hectares. The results show that the south and south-west parts are in a very severe situation and the central and south-eastern parts are in a severe flood risk situation, which are among the most prone to flood areas in the province. Also, the monitoring of flood maps in Khuzestan province shows that there is a perfect match between the flood zone map and the recent flood.
ارائه الگوی بهینه به منظور شناسایی مناطق سیل زده با استفاده از تکنیک های سنجش از دور
(منطقه مورد مطالعه :خوزستان-هویزه)
چکیده
سیل به عنوان یکی از اصلی ترین مخاطرات طبیعی در ایران خسارات گسترده ای را در مناطق مختلف به همراه داشته است. یکی از فناوری هایی که در این زمینه می تواند دستاوردهای قابل توجهی را به همراه داشته باشد فناوری سنجش از دور می باشد توانایی ارزیابی دقیق و به موقع سیل ابزاری مهم وایمن جهت کاهش سیل و واکنش به این مخاطره می باشد. روش های متعددی برای نشان دادن خطرات مرتبط با سیل با استفاده از اندازه گیری های زمینی ایجاد شده اند. داده های سنجش از دور ماهواره ای برای ارزیابی سیل به دلیل قدرت تفکیک مکانی و ظرفیت آن ها برای ارائه اطلاعات برای مناطقی با دسترسی ضعیف یا فاقد اندازه گیری های زمینی استفاده شده اند. شناسایی مناطق سیل گیر از راهکار های اساسی در برنامه ریزی کاهش اثرات تخریبی سیل است. ﺳﯿﻞ ﺑﻪﻋﻨﻮان ﯾﮑﯽ از روﯾﺪادﻫﺎﯾﯽ ﻣﺤﺴﻮب ﻣﯽﺷﻮد ﮐﻪ ﺧﺴﺎراﺗﯽ را ﺑﻪ ﺟﻮاﻣﻊ اﻧﺴﺎﻧﯽ ﺗﺤﻤﯿﻞ ﻣﯽﮐﻨﺪ. ازاﯾﻦرو، اﻫﻤﯿﺖ ﺑﺮآورد ﺧﺴﺎرات ﻧﺎﺷﯽ از ﺳﯿﻞ و ﺗﻌﯿﯿﻦ ﮔﺴﺘﺮه آن در ﺑﺮﻧﺎﻣﻪرﯾﺰي ﺑﺮاي ﮐﺎﻫﺶ اﯾﻦ ﺧﺴﺎرات و ﺗﻌﯿﯿﻦ ﻧﻘﺎط ﺑﺎ ﺧﻄﺮ ﺑﺎﻻ اﻫﻤﯿﺖ زﯾﺎدي دارد. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر از ﺗﺼﺎوﯾﺮ ﺳﻨﺠﻨﺪه OLI ﻣﺎﻫﻮاره ﻟﻨﺪﺳﺖ 8، ﭘﯿﺶ و ﭘﺲ از سیل فروردین سال 1398 خوزستان منطقه هویزه ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ. سپس برای شناسایی از شاخص آبی NDWI و برای طبقه بندی از روش SVM (ماشین بردار پشتیبان) استفاده کرده و مشخص شد قبل از سیل 36999.99 هکتار مناطق آبی در منطقه وجود داشته و بعد از وقوع سییل این مقدار به 274279.95 هکتار رسیده است. ﻧﺘﺎﯾﺞ ﻧﺸﺎن ﻣﯽ دﻫﺪ ﺑﺨﺶ ﻫﺎي ﺟﻨﻮب و ﺟﻨﻮب ﻏﺮﺑﯽ از وﺿﻌﯿﺖ ﺧﯿﻠـﯽ ﺷـﺪﯾﺪ و ﺑﺨـﺶ ﻫـﺎي ﻣﺮﮐﺰي و ﺟﻨﻮب ﺷﺮﻗﯽ از وﺿﻌﯿﺖ ﺷﺪﯾﺪ ﺧﻄﺮ ﺳﯿﻞ ﺑﺮﺧﻮردارﻧﺪ ﮐﻪ از ﻣﺴﺘﻌﺪﺗﺮﯾﻦ ﻧﻮاﺣﯽ ﺳﯿﻞ ﮔﯿﺮ در اﺳﺘﺎن ﻫﺴﺘﻨﺪ. ﻫﻤﭽﻨـﯿﻦ ﭘﺎﯾﺶ ﻧﻘﺸﻪ ﻫﺎي ﺳﯿﻞ در اﺳﺘﺎن ﺧﻮزﺳﺘﺎن ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﯾﮏ اﻧﻄﺒﺎق ﮐﺎﻣﻞ ﺑﯿﻦ ﻧﻘﺸﮥ ﭘﻬﻨﻪ ﺑﻨﺪي ﺳﯿﻞ و ﺳﯿﻞ اﺧﯿـﺮ وﺟـﻮد دارد.
واژگان کلیدی: سیل، لندست، هویزه ،سنجش از دور، ماشین بردار پشتیبان(SVM)، NDWI،
آب وﺧﺎك از ﻣﻬﻢﺗﺮﯾﻦ ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ و ﺳﺮﻣﺎﯾﻪ ﻣﻠﯽ ﻫﺮ ﮐﺸﻮر ﺑﻪ ﺷﻤﺎر ﻣﯽروﻧﺪ. اﻣﺮوزه ﺣﻔﺎﻇﺖ و ﺑﻬﺮهﺑﺮداري ﻣﻨﻄﻘﯽ و ﻣﺪﯾﺮﯾﺖ اﺳﺘﺮاﺗﮋﯾﮏ اﯾﻦ ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ، ﻣﺤﻮر ﻣﻄﺎﻟﻌﺎت و رﺋﻮس ﺑﺮﻧﺎﻣﻪﻫﺎي ﻋﻤﺮاﻧﯽ ﮐﺸﻮرﻫﺎي ﻣﺨﺘﻠﻒ را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﻨﺪ. ﺑﺎوﺟﻮد ﺗﺤﻘﯿﻘﺎت ﻓﺮاوان و روشﻫﺎي ﻣﺘﻌﺪد ﻣﻬﺎر و ﻣﺪﯾﺮﯾﺖ ﺳﯿﻼب، ﻫﻨﻮز ﺗﺒﯿﯿﻦ روشﻫﺎﯾﯽ ﮐﻪ ﺑﺎ ﺳﺮﻋﺖ و دﻗﺖ ﻣﻨﺎﺳﺐ در ﺧﺪﻣﺖ ﻣﺪﯾﺮﯾﺖ اﯾﻦ ﭘﺪﯾﺪه دﯾﻨﺎﻣﯿﮑﯽ ﻗﺮار ﮔﯿﺮﻧﺪ، ﺑﺴﯿﺎر ﺿﺮوري ﻣﯽﺑﺎﺷﺪ[Bangira, 2013]، ﭼﺮاﮐﻪ اﻣﺮوزه ﺑﺎوﺟﻮد ﭘﯿﺸﺮﻓﺖﻫﺎﯾﯽ ﮐﻪ در ﻋﺮﺻﻪﻫﺎي ﻣﺨﺘﻠﻒ ﻋﻠﻢ و ﺻﻨﻌﺖ ﺻﻮرت ﭘﺬﯾﺮﻓﺘﻪ، ﻫﻨﻮز ﺑﺸﺮ در ﻣﻘﺎﺑﻞ اﯾﻦ ﭘﺪﯾﺪه آﺳﯿﺐﭘﺬﯾﺮ اﺳﺖ . سیل به عنوان یکی از اصلی ترین مخاطرات طبیعی در ایران خسارات گسترده ای را در مناطق مختلف به همراه داشته است. یکی از فن آوری هایی که در این زمینه می تواند دستاوردهای قابل توجهی را به همراه داشته باشد[هارونی و همکاران،1401]. دﺷﺖﻫﺎي ﺳﯿﻼﺑﯽ ﺑﻪﺧﺼﻮص ﺣﺎﺷﯿﻪ رودﺧﺎﻧﻪﻫﺎ و ﻣﮑﺎنﻫﺎي ﻣﺴﺘﻌﺪ ﺳﯿﻼب، ﻣﯿﺰان ﺧﺴﺎرت ﻧﺎﺷﯽ از اﯾﻦ ﭘﺪﯾﺪه ﻃﺒﯿﻌﯽ را اﻓﺰاﯾﺶ داده اﺳﺖ. اﯾﺮان ﺑﻪﻋﻨﻮان ﯾﮑﯽ از ﭼﻨﺪ ﮐﺸﻮر ﺣﺎدﺛﻪﺧﯿﺰ ﺟﻬﺎن، ﻫﺮﺳﺎﻟﻪ ﺷﺎﻫﺪ وﻗﻮع ﺳﯿﻼبﻫﺎي ﻣﺘﻌﺪدي در ﻣﻨﺎﻃﻖ ﻣﺨﺘﻠﻒ ﮐﺸﻮر اﺳﺖ[Niknejad et al, 2014]. در ﻓﺎﺻﻠﻪ ﺳﺎلﻫﺎي ( 1346-1370) در اﯾﺮان ﺣﺪود 42,5 ﻣﯿﻠﯿﻮن ﻧﻔﺮ ﺗﺤﺖ ﺗﺄﺛﯿﺮ ﺧﺴﺎرات ﺳﯿﻞ ﻗﺮارﮔﺮﻓﺘﻪ و ﺣﺪود 2,5 ﻣﯿﻠﯿﻮن ﻧﻔﺮ ﺑﯽﺧﺎﻧﻤﺎن و 482 ﻫﺰار ﺑﺎب ﻣﻨﺰل ﻣﺴﮑﻮﻧﯽ وﯾﺮانﺷﺪه اﺳﺖ. ﺧﺴﺎرت ﻧﺎﺷﯽ از اﯾﻦ ﭘﺪﯾﺪه درﺻﻮرﺗﯽﮐﻪ ﻣﺰارع ﮐﺸﺎورزي و ﻣﻨﺎﻃﻖ ﺗﻔﺮﯾﺤﯽ را در ﺑﺮﮔﯿﺮد ﺑﺎﻻ ﺧﻮاﻫﺪ ﺑﻮد [ راد، 1396]. ﺧﺴﺎرت ﻧﺎﺷﯽ از ﺳﯿﻼب ﻣﻌﻤﻮﻻً ﺑﻪ دو ﮔﺮوه ﻣﻠﻤﻮس و ﻏﯿﺮﻣﻠﻤﻮس ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد ﺧﺴﺎرت ﻣﻠﻤﻮس ﻋﺒﺎرت اﺳﺖ از زﯾﺎنﻫﺎي ﻧﺎﺷﯽ از ﻫﺠﻮم و ﺗﻤﺎس آب ﺑﺎ ﺳﺎﺧﺘﻤﺎنﻫﺎ و ﻣﺤﺘﻮاي درون آنﻫﺎ، ﻣﺤﺼﻮﻻت زراﻋﯽ، دام و ﻃﯿﻮر و ﻣﻮارد دﯾﮕﺮ. ﺧﺴﺎرات ﻏﯿﺮﻣﻠﻤﻮس ﺑﻪ ﺻﺪﻣﺎت ﻧﺎﺷﯽ از ﺑﯿﻤﺎرﻫﺎي ﻓﯿﺰﯾﮑﯽ و رواﻧﯽ و ﻣﺸﮑﻼﺗﯽ از اﯾﻦ ﻗﺒﯿﻞ ﮐﻪ ﺑﻪ دﻟﯿﻞ ﻓﺸﺎرﻫﺎي اﺟﺘﻤﺎﻋﯽ اﻗﺘﺼﺎدي ﮐﻪ ﺑﻪ دﻻﯾﻞ از دﺳﺖ دادن ﺑﺴﺘﮕﺎن و اﻣﻮال ﺑﻪ وﺟﻮد ﻣﯽآﯾﺪ، اﻃﻼق ﻣﯽﺷﻮد. دراﯾﻦﺑﯿﻦ زﻣﯿﻦﻫﺎي ﮐﺸﺎورزي اﻫﻤﯿﺖ ﺑﺴﺰاﯾﯽ دارﻧﺪ. ﻣﻌﻤﻮﻻً ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ ارﺗﻔﺎع ﺳﯿﻞ ﺑﯿﺶ از ارﺗﻔﺎع ﻣﺤﺼﻮﻻت ﮐﺸﺎورزي اﺳﺖ، ﻟﺬا ﺧﺴﺎرت ﻧﺎﺷﯽ از ﺳﯿﻞ ﺑﺮ روي اﯾﻦ ﻣﻨﺎﻃﻖ ﻗﺎﺑﻞﺗﻮﺟﻪﺗﺮ از ﻣﻨﺎﻃﻖ دﯾﮕﺮ ﻣﯽﺑﺎﺷﺪ. ﻫﻤﭽﻨﯿﻦ ﺑﻪ دﻟﯿﻞ اﯾﻨﮑﻪ اﯾﻦ ﻣﻨﺎﻃﻖ اﻗﺘﺼﺎد ﺧﺎﻧﻮارﻫﺎ را ﺗﺄﻣﯿﻦ ﻣﯽﮐﻨﻨﺪ، ارزﯾﺎﺑﯽ ﻣﯿﺰان ﺧﺴﺎرت ﺑﺮ اﯾﻦ ﻣﻨﺎﻃﻖ اﻫﻤﯿﺖ ﺑﺎﻻﯾﯽ دارد.[ ﺟﻤﺎﻟﯽ و همکاران، 1389] پدیدة سیل یکی از مهترین مسائل دنیا و ازجمله ایران است. مخاطرات ناشی از سیلاب موجب بروز ناپایداری محیطی و برهم زدن تعادل است. که این امر سبب ایجاد ناهماهنگی در طبیعت. و زندگی انسانهای آن به ویژه در مناطقی دشتی اطراف رودخانه است.)این خطر طبیعی در بسیاری از نقاط ایران، سال به سال چه از منظر تعداد وقوع و چه شدت خسارات سیلاب های پر حجم و برق آسا در حال افزایش هستند. وقوع سیلاب های ناگهانی ناشی از بارش های شدید و تند و جریان سریع آب در مدت زمان کم است. شدت بارش به مشابه مسئله اقلیمی عامل اصلی در ایجاد سیلاب بوده و ویژگی های هیدرولوژیکی حوزه بستر ادغام آبهای سطحی در حوزه عامل دیگر در ایجاد سیلاب. شناخته می شود[ ﺳﺎدات ﻋﻈﯿﻤﯽ و همکاران، 1395]. اﺑﺰارﻫﺎي ﻣﺘﻨﻮﻋﯽ ﺟﻬﺖ ارزﯾﺎﺑﯽ ﺧﺴﺎرت ﻧﺎﺷﯽ از ﺳﯿﻞ در ﯾﮏ ﻣﻨﻄﻘﻪ وﺟﻮددارد. ﯾﮑﯽ از اﯾﻦ اﺑﺰارﻫﺎ، دادهﻫﺎي ﺳﻨﺠﺶازدوري ﻣﻨﻄﻘﻪ ﻣﯽﺑﺎﺷﺪ. مخاطرات محیطی یکی از عوامل تاثیرگذار در جوامع ﺑﺸﺮي اﺳﺖ ﮐﻪ ﺑﺮوز آن ﺳﺒﺐ ایجاد بسیاری از مشکلات زﯾﺴﺖ ﻣﺤﯿﻄﯽ ﺑﺮاي ﺳﺎﮐﻨﺎن ﯾﮏ ﻧﺎﺣﯿﻪ می شود.[ ﺟﻬﺎﻧﺒﺨﺸﯽ و همکاران، 1395 شاه حسینی و همکاران، 2015] براي کشف و ارزيابي تغییرات، سنجش از دور به عنوان علم و فن تولید مطالعات مکان مند ميتواند نقش اساسي داشته باشد . تصاوير رقومي ماهوارهاي به عنوان يکي از منابع اطلاعات مکاني نسبت به ساير منابع متداول نظیر نقشه ها داراي مزايايي از جمله پوشش فراوان، نیاز کمتر به انجام عملیات نقشه برداري، هزينه کمتر و همچنین به روز بودن اطلاعات ميباشند که استفاده از آنها را براي کاربر جهت بررسي و کشف تغییرات کاربري زمین در هنگام وقوع بلایای طبیعي اجتناب ناپذير مي نمايد. تجزيه و تحلیل تصاوير ماهواره اي به صورتي که براي برنامه ريزان و مديران قابل استفاده باشد، کارآمدترين راه حل جهت تولید اطلاعات مکاني بروز و دقیق است. امروزه، روشهاي زيادي با هدف پايش تغییرات ناشي از وقوع بلایای طبیعي با استفاده از تصاوير سنجش از دوري ارائه شده است[ﺑﺮزﮔﺮ، 1391]. در يک تقسیم بندي کلي، روشهاي کشف تغییرات به دو دسته کلي تقسیم ميشوند، 1 )روشهاي با نظارت مبتني بر روشهاي طبقه بندي بانظارت 2 )روشهاي بدون نظارت مبتني بر تشخیص تغییرات طیفي و خوشه بندي تصاوير چندزمانه روشهاي آشکارسازي تغییرات بانظارت مبتني بر طبقه بندي بر اساس مقايسه بین دو نقشه طبقه بندي شده مربوط به تاريخ های مختلف عمل می کنند.عواملی که از منظر کاربردي باعث ايجاد محدوديت در استفاده از روش آشکارسازي تغییرات مبتني بر طبقه بندی می شوند رامي توان چنین برشمرد: 1 )هزينه محاسباتي، 2 )قابلیت اطمینان نتایج3) انتشار خطا با توجه به حجم بالای تصاوير سنجش از دوري، طبقه بندي کل تصاوير يک منطقه در دورههاي زماني مختلف داراي هزينه محاسباتي بالایی است .عدم استحکام نتايج بدست آمده از اين ، روش ها به علت تفاوت در مفسرين نتايج طبقه بندي و محدوديت عملکرد آنهاست بگونه اي که نتايج يک مفسر ميتواند با مفسر ديگر متفاوت باشد. خطاهای طبقه بندي در اين روش از مدل انتشار خطاي ضربي پیروي ميکند. از آنجايیکه خطاي طبقه بندي در هر يک از تصاوير چندزمانه ميتواند در نقشه تغییر نهايي خطا ايجاد کند، بنابراين احتمال رخداد اشتباه در نتايج اين روش وجود خواهد داشت. بدلیل بانظارت بودن ماهیت اين روش، در اختیار داشتن داده هاي واقعیت زمیني اجتناب ناپذير خواهد بود [شیخ علی شاهی و همکاران، 1395]. فناوری سنجش از دور می باشد توانایی ارزیابی دقیق و به موقع سیل ابزاری مهم وایمن جهت کاهش سیل و واکنش به این مخاطره می باشد. روش های متعددی برای نشان دادن خطرات مرتبط با سیل با استفاده از اندازه گیری های زمینی ایجاد شده اند. داده های سنجش از دور ماهواره ای برای ارزیابی سیل به دلیل قدرت تفکیک مکانی و ظرفیت آنها برای ارائه اطلاعات برای مناطقی با دسترسی ضعیف یا فاقد اندازه گیری های زمینی استفاده شده اند[هارونی و همکاران،1401].
پیشینه تحقیقاتی
مهرابی و همکاران (1402)، در مقاله ای شناسایی و اعتبارسنجی مناطق بالقوه خطر سیلاب با استفاده از تکنیک آنالیز تصمیم گیری چند معیاره (MCDA) و پردازش داده های راداری سنتینل1 را بررسی کردند. نتایج به دست آمده نشان داد که علاوه بر زمین های کشاورزی بسیاری از مناطق مسکونی به ویژه در روستاها در معرض خطر سیلاب قرار دارند. به منظور اعتبارسنجی نقشه خطر سیلاب ایجاد شده، از نقشه مناطق سیل‌زده حاصل از روش حد آستانه استفاده شد. مقایسه این دو نشان می دهد که حدود 32 و 49 درصد از مساحت کل مناطق سیل‌زده به ترتیب در طبقات با خطر بالا و خطر بسیار بالا قرار دارد. نتایج حاصل نشان داد که استفاده از روش تحلیل چند معیاره مبتنی بر GIS می‌تواند به طور موثر در تجزیه و تحلیل خطر سیلاب کارآمد باشد.
هارونی و همکاران(1401)، در پژوهشی توسعه روش شناسی برآورد سیلاب مبتنی بر سنجش از دور در محیط گوگل ارث انجین را بررسی و مطالعه کردند. نتایج بیانگر این موضوع بود که با توجه به محدودیت های استفاده از تصاویر ماهواره نوری که غالباً در شرایط جوی بعد سیلاب و به دلیل مشکلات پوشش ابر، امکان استفاده از آن ایجاد مشکل می کند. لذا استفاده از ماهواره های راداری با ارائه ایده استفاده از ترکیب رنگی حاصل از تصاویر بعد و قبل سیلاب، می تواند به تنهایی نقش مؤثری در شناسایی پهنه سیلابی و متعاقباً برآورد خسارات حاصل از سیلاب داشته باشد. پیاده سازی روش ارائه شده در محیط گوگل ارث انجین به دلیل سهولت در دسترسی به مجموعه تصاویر ماهواره ای و محصولات جهانی راهکاری مناسب در زمینه استخراج پهنه سیلابی و متعاقباً برآورد خسارات کشاورزی و مسکونی ناشی از سیلاب بود.
رضایی و وحید نیا(1400)، در تحقیقی به بررسی راهکارهای بازدارنده برای جلوگیری از سیل به کمک سنجش از دور و رویکردهای تلفیقی منطق فازی و مدلسازی عامل مبنا پرداختند. نتایج نشان دهنده پیچیدگی و دقت بیشتر روش های چند معیاره ای مانند استنتاج فازی بود. در حالی که روش های مبتنی بر هوش مصنوعی و مدل سازی عامل مبنا سریع تر بوده و پیچیدگی این روش به دلیل استفاده از برنامه های نسبتا آماده کمتر و در عین حال، دقت این روش نیز در مقایسه با روش منطق فازی کمتر بود.
نمازی راد و همکاران(1400)، شناسایی نواحی مستعد سیلاب در استان گلستان با استفاده از تصاویر سنتینل و مدلسازی هیدرولیکی را مطالعه کردند. نتایج مدل در تطابق با یافته هاي حاصل از پردازش تصویر، نشان داد كه سرعت جریان در دشت هاي سيلابي سمت راست كه ميزان شيب آنها از دشت هاي سلابي سمت چپ بيشتر بوده، افزایش داشته است. خارج شدن سيلاب از بستر رودخانه و پيشروي این حجم از آب به سمت شمال آق قلا، باعث آب گرفتگي پهنه وسيعي از زمين ها شده است كه عامل موثر در این زمينه شيب بيشتر زمين هاي اطراف به سمت شهر آق قلا بوده است. همچنين در دوره هاي بازگشت 25 و 50 ساله، اگر بستر كانال رودخانه به طور مرتب لایه روبی شود و رسوبات از كف آن حذف شوند، حجم سيلاب از بستر اصلي رودخانه تجاوز نمي كند، و فقط در دوره بازگشت 100 سال و بالاتر از آن شاهد آب گرفتگي محدوده هاي خارج از بستر رودخانه خواهد بود. همچنین مشخص شد به كارگيري دو تكنيک سنجش از دور و مدلسازي هيدروليكي مي تواند براي انجام اقدامات مدیریتي در راستاي كاهش شدت سيل گرفتگي و پيامدهاي ناشي از آن راه گشا باشد.
Elkhrachy و همکاران (2021)، در پژوهشی ادغام دوبعدی سیستم تجزیه و تحلیل رودخانه، با داده های سنجش از دور Sentinel-1 و مراکز مهندسی هیدرولوژیک برای تشخیص و مدل سازی سیل ناگهانی در شهر جدید قاهره، مصر را بررسی کردند. نتایج نقشه های به دست آمده نشان داد که 11 درصد از جاده ها و 50 درصد از ساختمان های شهر جدید قاهره در معرض مناطق پرخطر قرار دارند. علاوه بر این، 28 درصد از زمین های بایر در یک منطقه آسیب پذیر بسیار بالا واقع شده بودند.
Upadhyaya و همکاران(2021)، استفاده از داده های سنجش از دور ماهواره ای چند سنسوری برای پایش و نقشه برداری سیل و خشکسالی در هند را بررسی کردند. نتایج تحقیق آن ها نشان داد. سنجش از دور از پایش نوری معمولی به نظارت مبتنی بر داده های راداری پیشرفته (SAR) تکامل یافته است که در همه شرایط آب و هوایی با وضوح فضایی بالاتر عمل می کند. تجزیه و تحلیل زمانی با استفاده از تصاویر SAR نقش مهمی در تشخیص مناطق دارای پتانسیل خطر بالاتر از قبل ایفا می کند. نقشه های خطر سیل و خشکسالی برای کمک به تصمیم گیران در مدیریت و کنترل جابجایی، کاهش، نوسازی و اقدامات حفاظتی به منظور کاهش خسارات ضروری است.
Saha و Agrawal (2020)، در تحقیقی نقشه برداری و ارزیابی خطر سیل در ناحیه پرایاگراج، هند: یک مطالعه GIS و سنجش از دور را مطالعه و بررسی کردند. نتایج نشان داد نقشه خطر سیل نشان داد که در منطقه مورد مطالعه 701.71 کیلومتر مربع (12.80 درصد) منطقه در معرض خطر بالا و منطقه 1273.0 کیلومتر مربع (23.22.8 درصد) در معرض خطر متوسط قرار داشت.
Uddin و همکاران (2019)، نقشه برداری عملیاتی سیل با استفاده از تصاویر چند زمانی Sentinel-1 SAR در بنگلادش را مطالعه و بررسی کردند. نتایج نشان دهنده دقت کلی نقشه برداری سیلاب 96.44 درصد و دقت نقشه پوشش زمین 87.51 درصد بود. کل منطقه سیل زده برای ماه های آوریل، ژوئن و آگوست 2017 به ترتیب برابر با 2.01، 4.53 و 7.01 درصد بوده است. بر اساس اطلاعات پوشش زمین مشتق شده از Landsat-8، این مطالعه مشخص کرد که زمین های زراعی آسیب دیده توسط سیل 1.51٪ در آوریل، 3.46٪ در ژوئن، 5.30٪ در ماه اوت، بیشتر در بخش Sylhet و Rangpur واقع شده است. در نهایت، نقشه‌های طغیان سیل به جامعه کاربران گسترده‌تر برای کمک به واکنش به خطر توزیع شد. داده‌ها و روش‌شناسی این مطالعه را می‌توان برای هر سال برای نقشه‌برداری سیل در بنگلادش تکرار کرد.
2-مواد و روش
2-1 منطقه مورد مطالعه
هویزه یکی از شهرهای استان خوزستان در غرب این استان است که بخاطر جنگ ایران و عراق شهرت دارد. این شهر با یورش نیروهای عراقی تصرف شد و به‌طور صد در صد تخریب گردید. تنها آثار باقی‌مانده از شهر، قدم‌گاه عباس و خرابه‌های چند ساختمان است.بمانند دیگر شهرهای خوزستان نام این بدستور رضا شاه از حویزه به هویزه تغییر یافت. اکثر ساکنین این شهر از طوایف عرب بوده و به زبان عربی لهجه بین‌النهرین سخن می‌گویند. طوایف معروف این شهر قبیله نیس (آل مذحج) نوادگان شیخ ابراهیم بن مالک اشتر، قبیله بنی ساله، عشیره اهل جرف و عشیره صاکیه وعشیره کوت می‌باشند. این شهر قدمت زیاد دارد وزمانی پایتخت حکومت مشعشعیان بوده و ابن بطوطه در مورد آن در کتابش می‌نویسد و زمانی در این شهر حوزه علمیه بزرگی بود که قریب به چهارصد مجتهد داشت و از اندلس و نجف در آن درس می‌خواندند و اخیراً سید محمدعلی موسوی جزایری (نماینده ولی فقیه در استان خوزستان) هویزه را به عنوان پایتخت فرهنگی استان خوزستان معرفی کرد.
شکل1-منطقه مورد مطالعه
3-روش کار
اﺑﺘﺪا ﺑﻪﻣﻨﻈﻮر ﮐﻨﺘﺮل ﮐﯿﻔﯿﺖ دادهﻫﺎ و آﮔﺎﻫﯽ از وﺟﻮد ﺧﻄﺎﻫﺎ، ﻫﯿﺴﺘﻮﮔﺮام دادهﻫﺎ ﻣﻮردﺑﺮرﺳﯽ ﺑﺼﺮي ﻗﺮار ﮔﺮﻓﺖ. ﺑﻪ دﻟﯿﻞ اﺳﺘﻔﺎده از Level 1R ﮐﻪ ﺣﺎوي دادهاي ﺑﺎ ﺗﺼﺤﯿﺤﺎت ﻫﻨﺪﺳﯽ ﻣﯽﺑﺎﺷﺪ، ﺗﺼﺤﯿﺢ ﻫﻨﺪﺳﯽ ﺑﺮ روي ﺗﺼﻮﯾﺮ اﻧﺠﺎم ﻧﺸﺪ. ﺑﻪﻣﻨﻈﻮر ﺗﻘﻠﯿﻞ ﺧﻄﺎﻫﺎي رادﯾﻮﻣﺘﺮﯾﮑﯽ و اﺛﺮات اﺗﻤﺴﻔﺮ ﮐﻪ ﻣﻌﻤﻮﻻً ﺑﻪﺻﻮرت ﺧﻄﺎي ﺟﻤﻊ ﺷﻮﻧﺪه، ﻇﺎﻫﺮ و ﺑﺎﻋﺚ روﺷﻨﯽ ﺑﯿﺶازﺣﺪ ﺗﺼﻮﯾﺮ و ﮐﺎﻫﺶ وﺿﻮح ﻣﯽﺷﻮﻧﺪ . از روش Dark Subtract اﺳﺘﻔﺎده ﺷﺪ ﺗﺎ ﺧﻄﺎﻫﺎي رادﯾﻮﻣﺘﺮﯾﮑﯽ ﺑﺮ روي ﺗﺼﻮﯾﺮ ﮐﺎﻫﺶ ﯾﺎﺑﺪ. سپس برای تصیححات اتمسفریک از روش FALASH با توجه به اطلاعات دقیق از محدوده مورد نظر این الگوریتم را انجام داده ایم[Tang و همکاران، 2013]. برای تصحیح اتمسفری از نرم افزار ENVI و ماژول FLAASH استفاده و تصحیح اتمسفری بر روی تصاویر ماهوارهای لندست 8 مربوط به تاریخ 21 شهرویر 97 و 5 خرداد 98اعمال گردید. شکل های (2و3) تصویر تصحیح شده را نمایش مي دهد. اﯾﻦ روش ﺗﺼﺤﯿﺤﺎت اﺗﻤﺴﻔﺮي را ﺑﺮ اﺳﺎس ﺧﺎﺻﯿﺖ آب زﻻل و ﻋﻤﯿﻖ اﻧﺠﺎم ﻣﯽدﻫﺪ[Vetrivel و همکاران، 2018].
نتایج و بحث
با توجه به پردازش های انجام گرفته مشخص گردید ﻣﯿﺰان ﺑﺎزﺗﺎب آب زﻻل در ﺑﺎﻧﺪ ﻗﺮﻣﺰ در ﺣﺪ ﮐﻤﯿﻨﻪ ﺗﺼﻮﯾﺮ اﺳﺖ. در ﺻﻮرت ﻣﺸﺎﻫﺪه ﻣﻘﺎدﯾﺮ ﭘﯿﮑﺴﻠﯽ ﺑﺎﻻﺗﺮ از اﯾﻦ ﻣﻘﺪار، ﻣﯽﺗﻮان اﯾﻦ ﻣﻘﺪار را ﺑﻪ اﺛﺮ روﺷﻨﺎﯾﯽ ﻣﺴﯿﺮ ﻧﺴﺒﺖ داد ﮐﻪ ﺑﺎﯾﺴﺘﯽ از ﮐﻞ ﺗﺼﻮﯾﺮ ﮐﺴﺮ ﮔﺮدد. ﺟﻬﺖ ﮐﺎﻫﺶ ﻫﻤﺒﺴﺘﮕﯽ دادهﻫﺎ و اﻓﺰاﯾﺶ ﺗﻔﮑﯿﮏﭘﺬﯾﺮي اﺟﺰاء ﺗﺼﻮﯾﺮ از ﯾﮑﺪﯾﮕﺮ از آﻧﺎﻟﯿﺰ ﻣﺆﻟﻔﻪ اﺻﻠﯽ PCA اﺳﺘﻔﺎده ﮔﺮدﯾﺪ که تصاویر تصحیح شده مربوط به سالهای 2018 و 2019 در شکل های 2و 3 به نمایش در آمده است.
شکل2-تصویر تصحیح شده سال2018
شکل3-تصویر تصحیح شده سال 2019
پوشش گیاهی قرار گرفته بر روی سطح زمین، به هنگام خشکسالی تحت استرس زیادی قرار می گیرد. در صورتی که مناطقی که تحت تاثیر قرار می گیرند، به موقع تعیین و شناسایی نشوند کل محصولات کشاورزی و زراعی ممکن است آسیب ببینند. سنجش از دور اراضی و زمین های کشاورزی و شاخص NDWI می تواند آبیاری را در زمان کنترل نموده، و به طور قابل توجهی کشاورزی را ارتقا بخشد، به خصوص در مناطقی که پایش نیاز آبی سخت و مشکل است. شاخص آب تفاضلی نرمال شده(NDWI) برای اولین بار در سال 1996 معرفی گردید که انعکاس دهنده مقدار رطوبت در گیاه و خاک بوده تا حدودی شبیه شاخص NDVI تعریف و تعیین می گردد. این شاخص توسط رابطه زیر محاسبه می گردد. فرمولی که درسال 1996 توسط گائو ارائه شد از باند NIR و SWIR استفاده می کند. که بعدا توسط XU تغییر یافت و از باندهای Green و SWIR استفاده می کند[Mũnoz-Marí و همکاران، 2012].
شکل4-تصویر شاخص آبی سال2019
شکل5-تصویر شاخص آبی سال 2018
در این پژوهش از روش ماشین بردار پشتیبان و تصاویر نوری لندست8 استفاده شد برای بررسی سیل از روش های مختلف می توان استفاده کرد مانند کارهایی که مهرابی و همکاران (1402)، هارونی و همکاران(1401)، رضایی و وحید نیا(1400)، Elkhrachy و همکاران (2021)، Saha و Agrawal (2020)، با روش ها و تصاویر مختلف مانند لندست و سنتینل انجام دادند. همچنین با مقایسه کارهای انجام شده در این راستا مشخص گردید استفاده همزمان از تصاویر راداری مانند سنتینل 1 همانطور که Upadhyaya و همکاران(2021)، Uddin و همکاران (2019)، در تحقیقات خود استفاده کردند در کنار تصاویر نوری مانند تصاویر ماهواره ای لندست می توانند برای بررسی سیل نتایج قابل قبولی به ما ارائه دهد. نتایج این تحقیق در راستای تحقیقات مشابه با روش متفاوت بود و مناطق مستعد سیل و جاهایی که سیل اتفاق افتاده بود در مقیاس هکتار مشخص گردید.
4-نتیجه گیری
بدیهي است قبل از محاسبه و استخراج پارامترهاي فیزیکي سطح زمین نظیر شاخص های آبی ،شاخص های پوشش گیاهی و نظایر آن انجام عملیات تصحیح رادیومتریکي و تصیحات اتمسفریک تصاویر ماهوارهاي الزامي است. براي رسیدن به این هدف بایستي اثر اتمسفر، هندسه دید سنجنده، روشنایي خورشید و اثر توپوگرافي و ویژگی هاي سطح روي تصاویر درنظر گرفته شود و تاثیر این عوامل در تخمین پارامترهاي سطح حذف یا به حداقل برسد.. پس از انجام تصحیحات اتمسفري، تمامي محاسبات در این تحقیق بر اساس این پارامترهاي زمیني تصحیح شده، صورت گرفت. لازم به ذکر است که در این مطالعه، باندهاي مادون قرمز در محدوده طیفي 0.43 الی 2.29 میکرومتر، لندست 8 مورد استفاده قرار گرفت و نیازي به سایر باندهاي این سنجنده در این تحقیق نبود. [LB, 1988]. ﻣﻄــﺎﺑﻖ ﻧﺘــﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه دﻗـﺖ ﻧﻘﺸـﻪ ﻫـﺎي ﺳـﯿﻞ ﻓـﺮوردﯾﻦ 1398 ﺑـﺮاي ﺷﺎﺧﺺ ﻫـﺎي NDWI ﺑـﯿﺶ از 76 درﺻـﺪ اﺳـﺖ ﻫﻤﭽﻨﯿﻦ، ﺑﺎ ﺑﺮرﺳﯽ ﻧﻘﺸﻪ ﻫﺎي ﮐـﺎرﺑﺮي اراﺿـﯽ و نقشه پهنه بندیﺳﯿﻞ ﻣﺸﺨﺺ ﻣﯽ ﺷـﻮد ﮐـﻪ ﺑﯿﺸـﺘﺮ ﺑﺨـﺶﻫـﺎي ﺟﻨﻮب و ﺟﻨﻮب ﻏﺮب ﮐـﻪ از ﻣﻨـﺎﻃﻖ ﻣﺴـﺘﻌﺪ وﻗـﻮع ﺳـﯿﻞﻫﺴﺘﻨﺪ، ﺑﻪ دﻟﯿﻞ ﻣﻮﻗﻌﯿﺖ ﺟﻐﺮاﻓﯿﺎﯾﯽ و ﺷـﺮاﯾﻂ آب وﻫـﻮاﯾﯽ ﻣﻨﻄﻘﻪ، زﻣﯿﻦ ﻫﺎي ﺑﺎﯾﺮ، ﻣﺎﺳﻪ اي و اراﺿﯽ دﯾﻢ دارﻧﺪ. در اﯾـﻦ ﻧﻮاﺣﯽ ﺑﻪ دﻟﯿﻞ ارﺗﻔﺎع ﭘﺎﯾﯿﻦ ﺣﺮﮐﺖ آب ﮐﻨﺪ ﺷﺪه و ﻣﻮﺟﺐﺟﻤﻊ ﺷﺪن آب در اﯾﻦ ﻧﻮاﺣﯽ ﻣـﯽ ﺷـﻮد(ﻣﺴـﺌﻠﻪ اي ﮐـﻪ در ﺳﯿﻞ ﻓﺮوردﯾﻦ ﻣﺎه 1398ﻣﺸـﺎﻫﺪ ه ﺷـﺪ ) ﺑﺮرﺳـﯽ و ارزﯾـﺎﺑﯽ ﻧﻘﺸﻪ ﻫﺎي ﺳﯿﻞ در ﺷﺎﺧﺺ NDWI ﻧﺸـﺎن ﻣﯽ دﻫﺪ ﺳﯿﻞ اﺧﯿﺮ ﺑﯿﺸﺘﺮ ﺑﺨﺶ ﻫﺎي ﻏﺮب، ﺟﻨـﻮب ﻏﺮﺑـﯽ و ﺟﻨﻮب اﺳـﺘﺎن و مرز ایران و کشور عراق را ﺗﺤـﺖ ﺗـﺄﺛﯿﺮ ﻗـﺮار داده اﺳـﺖ ارﺗﻔﺎع و ﺷﯿﺐ ﺑﺴﯿﺎر ﭘﺎﯾﯿﻦ اﯾﻦ ﻣﻨﺎﻃﻖ ﺳـﺒﺐ ﺟﻤـﻊ ﺷـﺪن آب ﺷﺪه اﺳﺖ. ﺑﺮرﺳﯽ ﻣﺴﺎﺣﺖ ﻣﮑﺎﻧﯽ ﻧﻮاﺣﯽ ﺳﯿﻼﺑﯽ ﻧﺸﺎنﻣﯽ دﻫﺪ ﺷﻬﺮﻫﺎي ﻫﻮﯾﺰه، دﺷﺖ آزادﮔـﺎن، اﻫـﻮاز، روفایه، سوسنگرد، بیشتراز دﯾﮕـﺮ ﺷﻬﺮﻫﺎ دﭼﺎر ﺳﯿﻞ ﺷﺪه اﻧﺪ ﺳـﯿﻞ اﺧﯿـﺮ در اﺳﺘﺎن ﺧﺴﺎرت ﻫﺎي زﯾﺎدي را ﺑﻪ ﺑﺴﯿﺎري از زﯾﺮﺳـﺎﺧﺖ ﻫـﺎي ﮐﺸــﺎورزي، اﺟﺘﻤــﺎﻋﯽ و اﻗﺘﺼــﺎدي و اﻧﺴــﺎﻧﯽ وارد ﮐــﺮد و ﻣﻮﺟــﺐ ﺗﺨﻠﯿــﮥ بسیاری از نواحی روستایی و همچنین، ﺧﺴﺎرت ﻫﺎي ﺑﺴﯿﺎري ﺑﻪ اﯾﻦ ﻧﻮاﺣﯽ ﺷﺪ. ﺑﻨﺎﺑﺮاﯾﻦ، ﺗﻮﺟـﻪ ﺑـﻪ ﻧﻮاﺣﯽ ﺳﯿﻞ ﮔﯿﺮ اﺳﺘﺎن و ﺑﺮﻧﺎﻣﻪ رﯾﺰي در اﯾـﻦ ﻧـﻮاﺣﯽ ﺑـﺮ اي ﺟﻠﻮﮔﯿﺮي از ﺧﺴﺎرت ﻫﺎي زﯾﺎد ﻧﺎﺷﯽ از اﯾـﻦ ﺑـﻼي ﻃﺒﯿﻌـﯽ ﺑﺎﯾﺪ ﻣﻮرد ﺗﻮﺟﻪ ﺑﺮﻧﺎﻣﻪ رﯾﺰان در ﺑﺮﻧﺎﻣﻪ ﻫﺎي آﯾﻨﺪه ﻗﺮار ﮔﯿـﺮد ﺗﺎ ﺧﺴﺎرت ﻫﺎي ﻧﺎﺷـﯽ از ﺳـﯿﻞ ﺑـﻪ ﺣـﺪاﻗﻞ ﻣﻤﮑـﻦ ﺑﺮﺳـﺪ. ﻣﻮﻗﻌﯿﺖ ﺟﻐﺮاﻓﯿﺎﯾﯽ، وﯾﮋﮔﯽ ﻫﺎي اﻗﻠﯿﻤﯽ و ﻫﻤﭽﻨـﯿﻦ ارﺗﻔـﺎع ﭘﺎﯾﯿﻦ ﺑﻪ ﺧﺼﻮص در ﻧﻮاﺣﯽ ﻏﺮب و ﺟﻨﻮب ﻏﺮﺑـﯽ و ﺟﻨـﻮب، اﯾﻦ اﺳﺘﺎن را ﺑﻪ ﯾﮑﯽ از ﻧﻮاﺣﯽ ﻣﺴﺘﻌﺪ ﺳـﯿﻞ ﺗﺒـﺪﯾﻞ ﮐـﺮده اﺳﺖ. ﻣﺘﺄﺳﻔﺎﻧﻪ، روﺷﯽ ﻣﻮرد اﻃﻤﯿﻨﺎن ﺑﺮاي اﯾﻨﮑﻪ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﻮد ﮐﻪ ﺳﯿﻼب ﺑﻌﺪي ﭼﻪ زﻣﺎﻧﯽ ﺑﻪ وﻗﻮع ﻣﯽ ﭘﯿﻮﻧﺪد و ابعاد آن در چه مقیاسی است، وجود ندارد[Bahrawi و همکاران، 2016].
شکل6- نتایج به دست آمده از مناطق سیل زده
در اﯾﻦ ﭘﮋوﻫﺶ ﯾﮏ روش ﮐﺸﻒ ﺗﻐﯿﯿﺮات ﻧﯿﻤﻪ ﻧﻈﺎرت ﺷﺪه ﻣﺒﺘﻨﯽ ﺑﺮ ماشین پشتیبان و شاخص آبی ﺑﺎ اﺳﺘﻔﺎده از دو تصویر ماهواره ای لندست8 در دورهﻫﺎي زﻣﺎﻧﯽ ﻣﺨﺘﻠﻒ ﭘﯿﺸﻨﻬﺎد ﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ ﺗﻤﺎﻣﯽ ﺑﺨﺶﻫﺎي ﻣﺨﺘﻠﻒ اﻟﮕﻮرﯾﺘﻢ ﭘﯿﺸﻨﻬﺎدي ﮐﺸﻒ ﺗﻐﯿﯿﺮات ﺷﺎﻣﻞ ﻣﺮﺣﻠﻪ ﭘﯿﺶ ﭘﺮدازش، ﻓﺮآﯾﻨﺪ ﻗﻄﻌﻪﺑﻨﺪي ﺗﺼﺎوﯾﺮ، ﺗﺨﻤﯿﻦ ﭘﺎراﻣﺘﺮﻫﺎي ﻃﺒﻘﻪﺑﻨﺪي ﮐﻨﻨﺪهSVM وﺗﻌﯿﯿﻦ ﺗﺎﺑﻊ ﺗﺼﻤﯿﻢﮔﯿﺮي و ﺗﻮﻟﯿﺪ ﻧﻘﺸﻪ ﺗﻐﯿﯿﺮات ﺑﺼﻮرت ﺧﻮدﮐﺎر و ﺑﺪون ﻧﻈﺎرت اﺳﺖ و ﺻﺮﻓﺎ ﻓﺮآﯾﻨﺪ ﺑﺮﭼﺴﺐ ﮔﺬاري ﻧﻘﺸﻪ ﻗﻄﻌﻪﺑﻨﺪي ﺑﻪ ﮐﻤﮏ روش SVM ﺑﺼﻮرت ﻧﻈﺎرت ﺷﺪه اﻧﺠﺎم ﻣﯽﺷﻮد، ﻣﻄﺎﻟﻌﮥ ﻧﻮاﺣﯽ ﻣﺴﺘﻌﺪ ﺳﯿﻼب و اراﺋﮥ راﻫﮑﺎرﻫﺎي ﻣﺆﺛﺮ ﺑـﻪ ﻣﻨﻈـﻮر ﻣﺪﯾﺮﯾﺖ ﺳﯿﻼب ﯾﮑـﯽ از اﻗـﺪاﻣﺎت اﺳﺎﺳـﯽ در کاهش خسارات ﻧﺎﺷﯽ از ﺳﯿﻼب اﺳﺖ. اﻣﺮوزه ﺑﺎ ﺗﻮﺳﻌﮥ ﻋﻠﻮم به ﺧﺼـﻮص ﻋﻠـﻮﻣﯽ ﻣﺎﻧﻨﺪ ﺳﯿﺴﺘﻢ اﻃﻼﻋﺎت ﺟﻐﺮاﻓﯿﺎﯾﯽ و ﺳﻨﺠﺶ ازدور، اﻣﺮ ﺑﺮرﺳـﯽ و ﭘﺎﯾﺶ ﻣﺨﺎﻃﺮات ﻃﺒﯿﻌﯽ ﻣﺎﻧﻨﺪ ﺳـﯿﻼب را ﺑـﻪ ﻃـﻮردﻗﯿـﻖ ﻣﯿﺴـﺮ شده است. از طرف دیگر تصاویر ماهواره ای امکان پایش مناطق تحت ﺗﺄﺛﯿﺮ ﺳﯿﻼب و ﻫﻤﭽﻨـﯿﻦ، آﮔـﺎﻫﯽ از روند ﭘﯿﺸـﺮوي ﺳـﯿﻼب را اﻣﮑﺎن ﭘﺬﯾﺮ ﻣﯽ ﺳﺎزد. ﻧﺘﺎﯾﺞ ﻣﻄﺎﻟﻌﮥ ﺣﺎﺿﺮ ﮐﻪ ﺑﺎ ﻫﺪف شناسایی مناطق سیل زده استان خوزستان در ﻓﺮوردﯾﻦ 1398 اﻧﺠﺎم ﮔﺮﻓﺖ ﻫﻤﭽﻨﯿﻦ، ﭘﺎﯾﺶ ﻧﻘﺸﻪ ﻫـﺎي ﺳـﯿﻞ در اﺳـﺘﺎن ﺧﻮزﺳﺘﺎن ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ ﺳـﯿﻞ اﺧﯿـﺮ ﺑﯿﺸـﺘﺮ در ﺑﺨـﺶﻫـﺎي ﻏﺮب، ﺟﻨﻮب و ﺟﻨﻮب ﻏﺮﺑﯽ اﺗﻔـﺎق اﻓﺘـﺎده اﺳـﺖ که با نتایجی که ما به دست آورده ایم مطابقت دارد.
منابع
ﺑﺮزﮔﺮ، ﺻﺪﯾﻘﻪ(1391) ﺗﺄﺛﯿﺮ ﺗﻐﯿﯿﺮ ﮐﺎرﺑﺮي اراﺿﯽ ﺑﺮ ﻣﺸﺨﺼﺎت ﻫﯿﺪروﻟﻮژي آبﻫﺎي ﺳﻄﺤﯽ ﺣﻮﺿﻪ آﺑﺨﯿﺰ ﺑﯿﺮﺟﻨﺪ، ﭘﺎﯾﺎنﻧﺎﻣﻪ ﮐﺎرﺷﻨﺎﺳﯽ ارﺷﺪ،داﻧﺸﮑﺪه ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ،داﻧﺸﮕﺎه زاﺑﻞ.
ﭘﺮﯾﺸﺎن ﺑﺎ اﺳﺘﻔﺎده از ﺷﺎﺧﺺﻫﺎي ﺳﻨﺠﺶ از دور. ﻫﯿﺪروژﺋﻮﻣﻮﻓﻮﻟﻮژي، 4 (13)، 120-99. راد، ﻣﮋﮔﺎن. (1396). ارزﯾﺎﺑﯽ ﮐﺎراﯾﯽ ﺷﺎﺧﺺ رﻃﻮﺑﺖ ﺗﻮﭘﻮﮔﺮاﻓﯽ ﺑﻪﻣﻨﻈﻮر ﭘﻬﻨـﻪ ﺑﻨـﺪي ﺧﻄـﺮ ﺳـﯿﻼب در ﺣﻮﺿـﮥ آﺑﺨﯿﺰ ﺧﺮمآﺑﺎد. ﭘﺎﯾﺎنﻧﺎﻣﮥ ﮐﺎرﺷﻨﺎﺳﯽارﺷﺪ. ﮔﺮوه ﻣﻬﻨﺪﺳﯽ آﺑﺨﯿﺰداري. داﻧﺸﮕﺎه ﺗﺮﺑﯿﺖ ﻣﺪرس.
ﺟﻬﺎﻧﺒﺨﺸﯽ، ﻓﺮﺷﯿﺪ، زاﻫﺪي، اﺣﺴﺎن، ﻃﺎﻟﺒﯽ، ﻋﻠﯽ (1395). ﻣﮑﺎنﯾﺎﺑﯽ ﻣﻨﺎﻃﻖ ﻣﺴﺘﻌﺪ ﭘﺨﺶ ﺳﯿﻼب ﺑﺎ اﺳﺘﻔﺎده از ﻣﻨﻄﻖ ﻓﺎزي و ﻓﺮآﯾﻨﺪ ﺗﺤﻠﯿﻞ ﺷﺒﮑﻪاي (ANP)ﻣﻄﺎﻟﻌﻪ ﻣﻮردي: دﺷﺖ ﻣﺸﻬﺪ(، ﻧﺸﺮﯾﻪ ﻋﻠﻮم آبوﺧﺎك ﻋﻠﻮم و ﻓﻨﻮن ﮐﺸﺎورزي و ﻣﻨﺎﺑﻊ ﻃﺒﯿﻌﯽ، 77(20):196-185.
ﺟﻤﺎﻟﯽ، ﻋﻠﯽاﮐﺒﺮ، ﻋﺸﻮري، ﭘﺮواﻧﻪ، زارع ﮐﯿﺎ، ﺻﺪﯾﻘﻪ (1389)، ﺗﻌﯿﯿﻦ و اوﻟﻮﯾﺖﺑﻨﺪي ﭘﻬﻨﻪﻫﺎي ﻣﻨﺎﺳﺐ ﭘﺨﺶ ﺳﯿﻼب ﺑﺮاي ﺗﻐﺬﯾﻪ ﻗﻨﺎتﻫﺎ، ﭼﺎهﻫﺎ و ﭼﺸﻤﻪﻫﺎ در ﻣﻨﺎﻃﻖ ﺧﺸﮏ )ﻣﻄﺎﻟﻌﻪ ﻣﻮردي: ﺣﻮﺿﻪ آﺑﺨﯿﺰ ﻣﯿﺎﻧﮑﻮه ﯾﺰد(، ﻧﺸﺮﯾﻪ :ﺗﺤﻘﯿﻘﺎت ﻣﺮﺗﻊ و ﺑﯿﺎﺑﺎن اﯾﺮان، 1(17ﭘﯿﺎﭘﯽ 38)، 106 -114.
ﺳﺎدات ﻋﻈﯿﻤﯽ، ﻣﮋﮔﺎن، رﻫﺒﺮ، ﻏﻼﻣﺮﺿﺎ، ﻣﻨﺼﻮري، ﺷﻬﺮوز (1395). ﻣﮑﺎنﯾﺎﺑﯽ و اوﻟﻮﯾﺖﺑﻨﺪي ﻣﻨﺎﻃﻖ ﻣﻨﺎﺳﺐ ﭘﺨﺶ ﺳﯿﻼب ﺑﺎ اﺳﺘﻔﺎده ازGIS و ﺗﺤﻠﯿﻞ ﺗﺼﻤﯿﻢ ﭼﻨﺪﻣﻌﯿﺎره AHP در ﺣﻮﺿﻪ آﺑﺨﯿﺰ ﮔﺮﮔﺎن رود، ﻓﺼﻠﻨﺎﻣﻪ ﻋﻠﻮم ﺗﮑﻨﻮﻟﻮژي ﻣﺤﯿﻂزﯾﺴﺖ. 3(18): 73-59.
ﺷﯿﺦ ﻋﻠﯿﺸﺎﻫﯽ، ﻧﺠﻤﻪ، ﺟﻤﺎﻟﯽ، ﻋﻠﯽاﮐﺒﺮ، ﺣﺴﻦزاده ﻧﻔﻮﺗﯽ، ﻣﺤﻤﺪ (1395). ﭘﻬﻨﻪﺑﻨﺪي ﺳﯿﻞ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻫﯿﺪروﻟﯿﮑﯽ ﺗﺤﻠﯿﻞ رودﺧﺎﻧﻪ (ﻣﻄﺎﻟﻌﮥ ﻣﻮردي: ﺣﻮﺿﮥ آﺑﺮﯾﺰ ﻣﻨﺸﺎد- اﺳﺘﺎن ﯾﺰد). ﻓﺼﻠﻨﺎﻣﮥ ﻋﻠﻤﯽ-ﭘﮋوﻫﺸﯽ ﻓﻀﺎي ﺟﻐﺮاﻓﯿﺎﯾﯽ،77-96 :(53)16.
رضائی، زهرا، وحیدنیا، محمدحسن. (1401). راهکارهای بازدارنده برای جلوگیری از سیل به کمک سنجش از دور و رویکردهای تلفیقی منطق فازی و مدل سازی عامل مبنا. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی ، سپهر.
مهرابی, پورخسروانی, & پورزارعی جلال آبادی. (2023). شناسایی و اعتبارسنجی مناطق بالقوه خطر سیلاب با استفاده از تکنیک آنالیز تصمیم گیری چند معیاره (MCDA) و پردازش داده های راداری سنتینل1. سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی, 14(4), 9-12.
نمازی راد، اکرم، محسنی و ندا حسین زاده. (1400). شناسایی نواحی مستعد سیلاب در استان گلستان با استفاده از تصاویر سنتینل و مدلسازی هیدرولیکی. پژوهشهای ژئومورفولوژی کمّی, 10(3), 40-56.
Bahrawi, J. A., Elhag, M., Aldhebiani, A. Y., Galal, H. K., Hegazy, A. K., & Alghailani, E. (2016). Soil erosion estimation using remote sensing techniques in Wadi Yalamlam Basin, Saudi Arabia. Advances in Materials Science and Engineering, 2016.
De, A., Upadhyaya, D. B., Thiyaku, S., & Tomer, S. K. (2021). Use of multi-sensor satellite remote sensing Data for flood and drought monitoring and mapping in India. In Civil Engineering for Disaster Risk Reduction (pp. 27-41). Singapore: Springer Nature Singapore.
Elkhrachy, I., Pham, Q. B., Costache, R., Mohajane, 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 modelling in New Cairo City, Egypt. Journal of Flood Risk Management, 14(2), e12692.
LB, J. D. (1988). Background and extensions to depth of penetration (DOP) mapping in shallow coastal waters. In Proceeding of The Symposium on Remote Sensing of the Coastal Zone Queensland.
Mũnoz-Marí, J., Bovolo, F., Gómez-Chova, L., Bruzzone, L., & Camp-Valls, G. (2010). Semisupervised one-class support vector machines for classification of remote sensing data. IEEE transactions on geoscience and remote sensing, 48(8), 3188-3197.
Niknejad, M., Zadeh, V. M., & Heydari, M. (2014). Comparing different classifications of satellite imagery in forest mapping (case study: Zagros forests in Iran). International Research Journal of Applied and Basic Sciences, 8(9), 1407-1415.
Shah-Hosseini, R., Homayouni, S., & Safari, A. (2015). A hybrid kernel-based change detection method for remotely sensed data in a similarity space. Remote Sensing, 7(10), 12829-12858.
Saha, A. K., & Agrawal, S. (2020). Mapping and assessment of flood risk in Prayagraj district, India: a GIS and remote sensing study. Nanotechnology for Environmental Engineering, 5, 1-18.
Tang, Z., Ou, W., Dai, Y., & Xin, Y. (2013). Extraction of water body based on LandSat TM5 imagery–a case study in the Yangtze River. In Computer and Computing Technologies in Agriculture VI: 6th IFIP WG 5.14 International Conference, CCTA 2012, Zhangjiajie, China, October 19-21, 2012, Revised Selected Papers, Part II 6 (pp. 416-420). Springer Berlin Heidelberg.
Uddin, K., Matin, M. A., & Meyer, F. J. (2019). Operational flood mapping using multi-temporal Sentinel-1 SAR images: A case study from Bangladesh. Remote Sensing, 11(13), 1581.
Vetrivel, A., Gerke, M., Kerle, N., Nex, F., & Vosselman, G. (2018). Disaster damage detection through synergistic use of deep learning and 3D point cloud features derived from very high resolution oblique aerial images, and multiple-kernel-learning. ISPRS journal of photogrammetry and remote sensing, 140, 45-59.
