پیش بینی سیلاب با استفاده از داده های سنجش از دور و الگوریتم های روش یادگیری عمیق

پیش بینی وقوع سیلاب به عنوان یکی از مهم ترین چالش های مدیریت منابع آب و کاهش خسارات بلایای طبیعی، از اهمیت ویژه ای برخوردار است؛ به ویژه در استان خوزستان که به دلیل موقعیت جغرافیایی و اقلیمی خاص خود، به صورت مکرر در معرض سیلاب قرار دارد. هدف این پژوهش، توسعه مدلی دقیق و کارآمد برای شناسایی نواحی سیلابی با بهره گیری از داده های سنجش از دور و الگوریتم های یادگیری عمیق، بدون وابستگی به داده های زمینی، بوده است. در این راستا، تصاویر چندزمانه ماهواره سنتینل-2 در محدوده زمانی قبل و بعد از وقوع سیلاب در سال های 1397 و 1398 از حوضه آبریز کرخه استخراج و شاخص های NDWI، MNDWI و NDVI محاسبه شدند. سپس مجموعه ای از مدل های یادگیری عمیق شامل CNN-LSTM،Minimal ConvLSTM و ساختارهای بهبودیافته نظیرMinLSTM/MinGRU، CNN-LSTM-U-Net وConvLSTM-U-Plus طراحی و ارزیابی شدند. فرآیند تحقیق شامل جمع آوری، پیش پردازش و هم ترازی داده ها، تولید پچ های چندمقیاسی و آموزش مدل ها بر روی داده های برچسب گذاری شده مناطق سیلابی بود. عملکرد مدل ها با استفاده از معیارهای دقت باینری ،F1-Score و ضریب دایس ارزیابی شد. نتایج نشان دادند که مدل ConvLSTM-U-Plus بالاترین دقت را با BA≈0.87، F1-score ≈0.91 و Dice≈0.91 کسب کرده و ضمن حفظ جزئیات مکانی، توانایی بالایی در تشخیص مرزهای دقیق مناطق سیلابی دارد. همچنین، مدل MinLSTM/MinGRU با وجود کاهش دقت، به دلیل سادگی معماری و زمان استنتاج سریع تر، گزینه مناسبی برای محیط های محاسباتی محدود است. به طور کلی، مدلConvLSTM-U-Plus با بهره گیری از ماژول هایی نظیر گیت های توجه ، ASPP و بلوک های SE، عملکردی پایدار و دقیق در ابعاد مختلف ارائه داد و قابلیت تعمیم بالایی در شرایط داده های نامتوازن نشان داد. نوآوری این پژوهش در استفاده از معماری های ترکیبی یادگیری عمیق صرفا بر اساس داده های ماهواره ای و بدون اتکا به داده های زمینی است. یافته ها نشان می دهد این رویکرد می تواند به عنوان راهکاری موثر و مقیاس پذیر برای پیش بینی سیلاب در مناطق کم داده نظیر خوزستان، و ابزاری ارزشمند در سامانه های هشدار سریع و مدیریت بحران به کار گرفته شود.

کلیدواژه ها:

پیش بینی سیلاب ، سنجش از دور ، یادگیری عمیق ، MinLSTM ، ConvLSTM ، ConvLSTM-U-Plus ، LSTM.