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)

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 سنتینل۲ جهت تولید نقشه ­های پوشش اراضی، آشکارسازی پهنه­ های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین۱۳۹۸ 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 تاثیر 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 ۸۳.۰۸ 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 ۷۹.۱۱ و۷۵.۴۴ 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) ۹۳.۴۰ 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 ۴.۲۰۰۸ و ۴۱.۰۷۷۲ کیلومتر مربع برآورد گردید.

کلیدواژه ها:

Detection of the flood zone ، Random Forest ، Support Vector Machine ، multilayer Perceptron Neural Network ، Spatial Cross Validation Method ، Remote Sensing. ، آشکارسازی پهنه سیلاب ، الگوریتم جنگل تصادفی ، الگوریتم ماشین بردار پشتیبان ، الگوریتم شبکه عصبی پرسپترون چند لایه ، روش اعتبارسنجی متقابل مکانی ، سنجش از دور.