دوره ۱۱، شماره ۳ - ( ۱۰-۱۴۰۳ )
جلد ۱۱ شماره ۳ صفحات ۰-۰ |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ashkriz O, Falahati F, Garakani A. Detection of flood zones using machine learning algorithms and remote sensing to determine the area of land under flood damage (case study: March 2019 flood in Aqqla city). Journal of Spatial Analysis Environmental Hazards 2024; 11 (3)
URL: http://jsaeh.khu.ac.ir/article-1-3370-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3370-fa.html
اشک ریز امید، فلاحتی فاطمه، گرکانی امیر حسین. آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب با استفاده از الگوریتم های یادگیری ماشین و سنجش از دور (مطالعه موردی: سیل فروردین ۹۸ شهرستان آق قلا). تحلیل فضایی مخاطرات محیطی. ۱۴۰۳; ۱۱ (۳)
۱- -پژوهشکده سوانح طبیعی ، omidashkriz7@mail.com
چکیده: (۲۹۱۵ مشاهده)
رشد سکونتگاه ها و افزایش فعالیتهای انسانی در دشت های سیلابی به ویژه حاشیه رودخانه ها و مکانهای مستعد سیل، میزان خسارت ناشی از این مخاطره را افزایش داده است. از این رو تعیین گستره سیلاب در راستای برنامه ریزی های کاهش خطر، آمادگی و پاسخ و بازیابی و بازتوانی پس از این مخاطره از اهمیت بسزایی برخوردار است. در مطالعه حاضر از الگوریتم های متداول یادگیری ماشین و طبقه بندی تصاویر سنتینل2 جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین1398 شهرستان آق قلا استفاده شد. همچنین به منظور بررسی و افزایش دقت الگوریتم ها، سه شاخص طیفی نرمال شده پوشش گیاهی(NDVI)، پهنه های آبی(MNDWI) و اراضی ساخته شده (NDBI) با تصاویر مورد استفاده ترکیب شدند. پارامترهای مختلف تنظیم هر یک از الگوریتم ها به منظور تعیین تأثیر آنها بر دقت طبقه بندی و جلوگیری از کسب نتایج خوشبینانه ناشی از همبستگی مکانی میان نمونه های آموزشی و آزمایشی، با روش اعتبارسنجی متقابل مکانی ارزیابی شدند. نتایج نشان داد که ترکیب شاخص های طیفی منجر به افزایش دقت کلی الگوریتم ها شده و به منظور تولید نقشه های پوشش اراضی، الگوریتم جنگل تصادفی با دقت 83.08 درصد بدلیل استفاده از روش یادگیری جمعی از دقت و تعمیم پذیری بالاتری نسبت به سایر الگوریتم های ماشین بردار پشتیبان و شبکه عصبی با دقت به ترتیب 79.11 و75.44 درصد برخوردار است. پس از مشخص شدن دقیق ترین الگوریتم، نقشه پهنه های سیلابی با استفاده از الگوریتم جنگل تصادفی در دو کلاس اراضی آبی و غیر آبی تولید گردید و دقت کلی الگوریتم در بهینه ترین پارامترها و با ترکیب شاخص طیفی(MNDWI) 93.40 درصد بدست آمد. سپس با همپوشانی نقشه های پوشش اراضی و پهنه های سیلابی، سطح اراضی ساخته شده و اراضی زراعی و فضاهای سبز تحت خسارت سیلاب به ترتیب 4.2008 و 41.0772 کیلومتر مربع برآورد گردید.
واژه‌های کلیدی: آشکارسازی پهنه سیلاب، الگوریتم جنگل تصادفی، الگوریتم ماشین بردار پشتیبان، الگوریتم شبکه عصبی پرسپترون چند لایه، روش اعتبارسنجی متقابل مکانی، سنجش از دور.
فهرست منابع
۱. اداره آب منطقه‌ای استان گلستان، آدرس سایت: http://www.gsrw.ir.
۲. ایپکی، احسان,۱۳۹۶. ارزیابی و بررسی تغییرات سطحی ناشی از سیل با استفاده از تصاویر ماهواره ای (مطالعه موردی: استان ایلام). موسسه آموزش عالی عمران و توسعه، همدان.
۳. بیغم، مریم؛ میر مسعود خیرخواه و باقر قرمزچشمه. ۱۳۹۹. ارزیابی صحت روش های طبقه بندی تصویر با رویکرد پیکسل مبنا و ماهواره ای سنتینل ۲ شی مبنا در پهنه بندی مناطق سیل گیر رودخانه طالقان. انجمن ابخیر داری ایران، ۴: ۱-۱۰.
۴. تراهی، علی اصغر و مقدم حسنی,۱۳۹۷. تعیین گستره سیل با استفاده از داده‌های سنجنده( OLI مطالعه موردی: سیل سال ۱۳۹۵ دزفول). محیط زیست و مهندسی آب، ۱: ۲۴-۳۵.
۵. پوراکرمی،سعید؛ محمد توکلی، ذوافقار محمدی و امیر قاسم زاده,۱۳۹۶. استخراج سریع محدوده سیل زده با استفاده از تصاویر SAR. همایش ملی ژئوماتیک، تهران.
۶. کاردان، نازیلا؛ یوسف حسن زداده و ابوالفضل ارزنلو. ۱۳۹۶. شبیه‌سازی دوبعدی جریان‌های سیلابی شهری با مدل CCHE ۲D (مطالعه موردی: شهر آق‌قلا). دریا فنون، ۴: ۲۵-۳۶.
۷. فاطمی، سید باقر و یوسف رضایی,۱۳۹۱. مبانی سنجش از دور. انتشارات آزاده، ویرایش دوم.
۴۴. اداره آب منطقه‌ای استان گلستان، آدرس سایت: http://www.gsrw.ir.
۴۵. ایپکی، احسان,۱۳۹۶. ارزیابی و بررسی تغییرات سطحی ناشی از سیل با استفاده از تصاویر ماهواره ای (مطالعه موردی: استان ایلام). موسسه آموزش عالی عمران و توسعه، همدان.
۴۶. بیغم، مریم؛ میر مسعود خیرخواه و باقر قرمزچشمه. ۱۳۹۹. ارزیابی صحت روش های طبقه بندی تصویر با رویکرد پیکسل مبنا و ماهواره ای سنتینل ۲ شی مبنا در پهنه بندی مناطق سیل گیر رودخانه طالقان. انجمن ابخیر داری ایران، ۴: ۱-۱۰.
۴۷. تراهی، علی اصغر و مقدم حسنی,۱۳۹۷. تعیین گستره سیل با استفاده از داده‌های سنجنده( OLI مطالعه موردی: سیل سال ۱۳۹۵ دزفول). محیط زیست و مهندسی آب، ۱: ۲۴-۳۵.
۴۸. پوراکرمی،سعید؛ محمد توکلی، ذوافقار محمدی و امیر قاسم زاده,۱۳۹۶. استخراج سریع محدوده سیل زده با استفاده از تصاویر SAR. همایش ملی ژئوماتیک، تهران.
۴۹. کاردان، نازیلا؛ یوسف حسن زداده و ابوالفضل ارزنلو. ۱۳۹۶. شبیه‌سازی دوبعدی جریان‌های سیلابی شهری با مدل CCHE ۲D (مطالعه موردی: شهر آق‌قلا). دریا فنون، ۴: ۲۵-۳۶.
۵۰. فاطمی، سید باقر و یوسف رضایی,۱۳۹۱. مبانی سنجش از دور. انتشارات آزاده، ویرایش دوم.
51. Al-Ahmadi, F. and A. Hames. 2009. Comparison of four classification methods to extract land use and land cover from raw satellite images for some remote arid areas, Kingdom of Saudi Arabia. Earth, 20, 167–191.
52. AlFaisal, A.; A.A. Kafy, and S. Roy. 2018. Integration of Remote Sensing and GIS Techniques for Flood Monitoring and Damage Assessment: a Case Study of Naogaon District, Bangladesh. Remote Sensing, 7: 236.
53. Adam, E.; O. Mutanga, J. Odindi. and E.M. Abdel-Rahman. 2014. Land-use/cover classification in a heterogeneous coastal landscape using RapidEye imagery: Evaluating the performance of random forest and support vector machines classifiers. Remote Sensing, 35, 3440–3458.
54. Bagheri, M.; A. Akbari, and S.A. Mirbagheri. 2019. Advanced control of membrane fouling in filtration systems using artificial intelligence and machine learning techniques: A critical review. Process. Saf. Environ, 123: 229–252.
55. Bui, D.T. 2020. A novel ensemble learning based on Bayesian Belief Network coupled with an extreme learning machine for flash flood susceptibility mapping. Engineering Applications of Artificial Intelligence, 96: 103971.
56. Boori, M.; R. Paringer, K. Choudhary, and A. Kupriyanov.2018. Supervised and unsupervised classification for obtaining land use/cover classes from hyperspectral and multi-spectral imagery. In Proceedings of the Sixth International Conference on Remote Sensing and Geoinformation of the Environment (RSCy2018), Paphos; p. 107730L.
57. Bischl, B.; M. Lang, L. Kotthoff, J. Schiffner, J. Richter, E. Studerus, G. Casalicchio, G. and Z.M. Jones. 2016. mlr: Machine Learning in R. The Journal of Machine Learning Research, 17: 5938-5942.
58. Bergstra, J. and Y. Bengio. 2012. Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13: 281-305.
59. Brenning, A. 2012. Spatial cross-validation and bootstrap for the assessment of prediction rules in remote sensing: The R package sperrorest. IEEE international geoscience and remote sensing symposium, 10: 5372-5375.
60. Brink, H.; J. W. Richards, and M. Fetherolf. 2017. Real-world Machine Learning. Shelter Island, NY: Manning.
61. Breiman, L., 2001. Random forests. Machine Learning, 45: 123 – 140.
62. Cohen, J. 1968. Weighted kappa: Nominal scale agreement provision for scaled disagreement or partial credit. Psychological bulletin, 70: 213.
63. Ghayour, L.; A. Neshat, S. Paryani, H. Shahabi, A. Shirzadi, W. Chen, N. Al-Ansari, M. Geertsema, M. Amiri, M., Gholamnia, J. Dou. and Ahmad, A. 2021. Performance Evaluation of Sentinel-2 and Landsat 8 OLI Data for Land Cover/Use Classification Using a Comparison between Machine Learning Algorithms. Remote Sensing, 13, 1-23.
64. Gislason, P.O.; J.R. Benediktsson, and J.A. Sveinsson. 2006. Random forests for land cover classification. Pattern Recognition Letters. 27: 294-300.
65. Hastie, T.; R. Tibshirani, and J. Friedman. 2009. Random Forests. In The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 587–604. New York: Springer New York.
66. Huang, B. and C. Boutros. 2016. The parameter sensitivity of random forests. BMC Bioinformatics, 17: 331.
67. Huang, M. and S. Jin. 2020. Rapid Flood Mapping and Evaluation with a Supervised Classifier and Change Detection in Shouguang Using Sentinel-1 SAR and Sentinel-2 Optical Data. Remote sensing, 12: 2073.
68. Halgamuge, M.N. and A. Nirmalathas. 2017. Analysis of large flood events: Based on flood data during 1985–2016 in Australia and India. Int. J. Disaster Risk Reduct. 24: 1–11.
69. Islam, S.; A. Tanim, and A. Mullick. 2019. Land Use and Land Cover Classification of Coastal Districts of Bangladesh in a 10m Resolution of Sentinel-2 Satellite Image. Proceedings of International Conference on Planning, Architecture and Civil Engineering, 07 - 09 February 2019, Rajshahi University of Engineering & Technology, Rajshahi, Bangladesh.
70. James, G.; D. Witten, T. Hastie, and R. Tibshirani. 2013. An introduction to statistical learning. New York, Springer.
71. Kantakumar, L.N. and B. Neelamsetti. 2015. Multi-temporal land use classification using hybrid approach. Remote Sensing, 18, 289–295.
72. Khalid, B.; B. Cholaw, D.S. Alvim, S. Javeed, J.A. Khan, M.A. Javed, and A.H. Khan. 2018. Riverine flood assessment in Jhang district in connection with ENSO and summer monsoon rainfall over Upper Indus Basin for 2010. Nat. Hazards, 92, 971–993.
73. Kavzoglu, T. and P.M. Mather. 2003. The use of back-propagating artificial neural networks in land cover classification. Int. J. Remote Sens. 24: 4907–4938.
74. Lovelace, R. Nowosad, J. and Muenchow, J., 2019. Geocomputation with R: Statistical learning. CRC Press, Statistical learning, 1/24-24-24.
75. Lakshmi, V., ed. 2016. Remote Sensing of Hydrological Extremes. Switzerland: Springer International Publishing.
76. Mohamed Abdi, A. 2019. Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, 57:1-20.
77. Miller, J. 2004. Tobler’s First Law and Spatial Analysis. Annals of the Association of American Geographers.
78. Munasinghe, D.; S. Cohen, Y.F. Huang, Y.P. Tsang, J. Zhang, and Z.F. Fang. 2018. Intercomparison of Satellite Remote Sensing-Based Flood Inundation Mapping Techniques. Water Resour, 54: 834–846.
79. Omer, G.; O. Mutanga, E.M. Abdel-Rahman. and E. Adam. 2015. Performance of support vector machines and artificial neural network for mapping endangered tree species usingWorldView-2 data in Dukuduku forest, South Africa. Remote Sensing, 8, 4825–4840.
80. Olofsson, P.; G. M. Foody, M. Herold, S. V. Stehman, C. E. Woodcock, and M. A. Wulder. 2014. Good Practices for Estimating Area and Assessing Accuracy of Land Change. Remote Sensing of Environment, 148: 42–57.
81. Rahman, A. and A.N. Khan. 2011. Analysis of flood causes and associated socio-economic damages in the Hindu Kush region. Nat. Hazards. 59: 1239–1260.
82. Roy, D.P,; V. Kovalskyy, H.K. Zhang, E.F. Vermote, L. Yan, S.S. Kumar, and A. Egorov. 2016. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized di erence vegetation index continuity. Remote Sensing, 185: 57–70.
83. Sajjad, A.; J. Lu, X. Chen, C. Chisenga , N. Saleem. and H. Hassan. 2020. Operational Monitoring and Damage Assessment of Riverine Flood-2014 in the Lower Chenab Plain, Punjab, Pakistan, Using Remote Sensing and GIS Techniques. Remote Sensing, 12, 714.
84. Schratz, P.; J. Muenchow, E. Iturritxa, J. Richter, and A. Brenning. 2018. Performance Evaluation and Hyperparameter Tuning of Statistical and Machine-Learning Models Using Spatial Data. Ecological Modelling, 24: 109-120.
85. Tavakkoli, S.; M. hasani. and H. Moghaddam. 2018. Evaluating the capability of multi temporal remote sensing data in estimation of flood extent. 2nd International congress of geographic information system and remote sensing innovation technologies in monitoring environmental changes, Tehran, Iran.
86. Teluguntla, P.; P.S. Thenkabail, A. Oliphant, J. Xiong, M.K. Gumma, R.G. Congalton, K. Yadav, and A. Huete. 2018. A 30-m landsatderived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform. ISPRS J. Photogramm. Remote Sensing, 144: 325–340.
87. Talukdar, S.; P. Singha, S. Mahato, S. Swades Pal, Y. Liou, and A. Rahman . 2020. Land-Use Land-Cover Classification by Machine Learning Classifiers for Satellite Observations—A Review. Remote Sensing, 12: 1135.
88. Yang, Z. S.; X. Qin, N. Zhao. and L. Liang. 2017. Mapping of Urban Surface Water Bodies from Sentinel-2 MSI Imagery at 10 m Resolution via NDWI-Based Image Sharpening. Remote Sensing, 9, 596.
89. Xu, H., 2006. Modification of normalised di_erence water index (NDWI) to enhance open water features in remotely sensed imagery. Remote Sensing, 27: 3025–3033.
90. Zeaiean Firoozabadi P.; A. Mousavi A., Shakiba and H. Naseri. 2003. Flood incident simulation using remote sensing data and automatic cell model (Case study part of Ghaemshahr Talar River Basin). Geogr, 1: 125-144.
91. Zha, Y.; J. Gao, and S. Ni. 2003. Use of normalized di_erence built-up index in automatically mapping urban areas from TM imagery. Int. J. Remote Sens, 24: 583–594.
92. Zhang, C.; C. Zhang, I. Sargent, X. Pan, H. Li, A. Gardiner, J. Hare. and P.M. Atkinson. 2018. An object-based convolutional neural network (OCNN) for urban land use classification. Remote Sensing of Environment, 216: 57–70.
93. Zhang, J.; Y. Huang, D. Munasinghe, Z. Fang, Y. Tsang, and S. Cohen. 2018. Comparative Analysis of Inundation Mapping Approaches for the 2016 Flood in the Brazos River, Texas. Journal of the American Water Resources Association.13:17-35.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
