شناسایی و قطعه بندی مناطق متاثر از سیلاب به کمک تصاویر ماهواره ای و روش های یادگیری عمیق

سیل از جمله مخاطرات طبیعی است که در بسیاری از نقاط جهان به وقوع پیوسته و خسارات جبران ناپذیری را بر جای می-گذارد. شناسایی دقیق مناطق تحت سیلاب از جمله نکات حائز اهمیت در روند کنترل این بحران به شمار می آید. همچنین پیش بینی مناطق سیل خیز می تواند گامی اساسی در پیش-گیری و کاهش خسارات مالی و تلفات جانی تلقی گردد. در این مقاله به کمک تصاویر ماهواره ای Sentinel-۱ و شبکه یادگیری عمیق کدگذار-کدگشا پدیده ی سیل در تصاویر، شناسایی و قطعه بندی شده است. تصاویر این ماهواره در باند C به صورت تک پلاریزه (HH و VV) و یا به صورت پلاریزاسیون (VV+VH و HH+HV) موجودند. این تصاویر متعلق به مناطق Nebraska، North Alabama، Bangladesh، Red River North و Florence بوده و نقشه واقعیت زمینی هر تصویر که در آن کلاس هدف و غیرهدف به صورت ۰ و ۱ نشان داده شده اند، در سال ۲۰۲۱ توسط سازمان ناسا در اختیار شرکت کنندگان مسابقه ETCI قرار گرفته است. در این مقاله به کمک شبکه عصبی کانوولوشنی کدگذار-کدگشا و تصاویر ماهواره ای مذکور، فرایند شناسایی و قطعه بندی مناطق متاثر از سیلاب صورت گرفته است. در این شبکه هریک از مسیرهای کدگذار و کدگشا متشکل از لایه های کانوولوشنی است که به ترتیب فرایند استخراج ویژگی و هم چنین بازیابی این ویژگی ها را برعهده دارند. نحوه عملکرد این روش توسط معیارهای ارزیابی شامل صحت، IoU، F۱-Score و کاپا مورد بررسی قرار گرفته است. میزان IoU به دست آمده در روند ارزیابی برابر ۹۶.۰۴ درصد بوده که نسبت به سایر روش های مورد بررسی در سایر مطالعات موجود(که حداکثر برابر ۷۶.۸۱ درصد بوده است) بالاتر است.

کلیدواژه ها:

شبکه عصبی کانوولشنی عمیق ، یادگیری عمیق ، تشخیص سیلاب ، قطعه بندی ، تصاویر ماهواره ای Sentinel-۱