استخراج خودکار خط مرکزی رودخانه و ارزیابی تغییرات آن با شاخص های طیفی و یادگیری ماشین

پایش تغییرات مورفولوژیکی رودخانه ها (به ویژه رودخانه های با عرض کم)، همواره با چالش هایی مواجه بوده است. در این مطالعه پس از تهیه تصاویر ماهواره سنتینل-۲ و پیش پردازش تصاویر، کارایی دو روش یادگیری ماشین شامل طبقه بندی نظارت شده ماشین بردار پشتیبان (SVM) و خوشه بندی نظارت نشده K-means برای استخراج خط مرکزی رودخانه اترک داخلی در استان گلستان مورد ارزیابی قرار گرفت. شاخص های طیفی NDWI، MNDWI و AWEIsh به همراه باندهای طیفی برای آموزش مدل ها استفاده شدند. دقت مدل SVM با معیارهای ضریب کاپا و IoU سنجیده شد. خط مرکزی رودخانه برای هر دو روش با کمک نرم افزار QGIS استخراج و دقت نتایج با معیارهای RMSE، درصد اختلاف طول و تطابق فضایی (با منطقه حائل ۱۰ متری) ارزیابی شد. در نهایت، از خط مرکزی استخراج شده توسط مدل برتر برای محاسبه پارامترهای هندسی و نرخ مهاجرت قوس ها استفاده گردید. نتایج ارزیابی دقت، برتری روش SVM  را به وضوح نشان داد. برای این روش، دقت کلی، ضریب کاپا و IoU سال­های ۲۰۱۶ و ۲۰۲۱ به­ترتیب ۷/۹۶ درصد، ۹۳۳۳/۰، ۹۳۵۴/۰، ۹۵ درصد، ۹/۰ و ۹۰۴۵/۰ محاسبه شد. همچنین خطای RMSE روش SVM (برای سال­های ۲۰۱۶ و ۲۰۲۱ به­ ترتیب ۸۲/۳ و ۳۵/۳  متر) به طور معناداری کمتر از روش K-means (به­ ترتیب ۱۱/۵ و ۵۸/۴ متر) بود. تحلیل تغییرات مورفولوژیکی نشان دهنده نرخ مهاجرت بسیار بالا و متفاوت رودخانه اترک در قوس های مختلف بود، به­طوری که بیشترین نرخ مهاجرت قوس ها معادل ۷/۳۹ متر در سال محاسبه شد. همچنین الگوی غالب این تغییرات، چرخش و گسترش می باشد.

کلیدواژه ها:

سنجش ازدور ، ماشین بردار پشتیبان (SVM) ، خوشه بندی K-means ، تغییرات مورفولوژیکی ، محور مرکزی رودخانه