تعيين گستره سيل با استفاده از داده‌هاي سنجنده OLI (مطالعه موردي: سيل سال 1395 دزفول)

Determination of flood extend using OLI data (case study: Dezful 2016 flood)

سيل به‌ عنوان يكي از رويدادهايي محسوب مي‌شود كه خساراتي را به جوامع انساني تحميل مي‌كند. ازاين‌رو، اهميت برآورد خسارات ناشي از سيل و تعيين گستره آن در برنامه‌ريزي براي كاهش اين خسارات و تعيين نقاط با خطر بالا اهميت زيادي دارد. هدف از اين پژوهش تعيين گستره سيل با استفاده از داده‌هاي ماهواره‌اي OLI بود. براي اين منظور پنجره‌اي از تصاوير سنجنده OLI ماهواره لندست 8، پيش و پس از سيل 25 فروردين 1395 دزفول مورد استفاده قرار گرفت. ابتدا عمليات پيش‌پردازش شامل تصحيحات راديومتريك و اتمسفريك بر روي تصاوير انجام‌شده، سپس جهت كاهش همبستگي داده‌ها و به­دست آوردن داده‌هايي با تفكيك‌پذيري بالا، از آناليز مؤلفه اصلي استفاده گرديد. پردازش داده‌ها با استفاده از الگوريتم ماشين بردار پشتيبان و با كرنل‌هاي خطي و چندجمله‌اي انجام شد. جهت آموزش الگوريتم ماشين بردار پشتيبان نمونه‌هاي آموزشي براي هر كاربري از جمله زمين‌هاي كشاورزي، گستره سيل، منابع آبي، مناطق مسكوني و مناطق گردشگري و تفريحي حاشيه رودخانه به‌صورت پراكنده در سطح كاربري‌ها برداشت شد. به‌منظور ارزيابي تشابه كلاس‌ها و ميزان تفكيك‌پذيري و تباين نمونه‌هاي برداشت‌شده، از روش ارزيابي كمي تفكيك‌پذيري استفاده و تفكيك‌پذيري كلاس‌ها با استفاده از شاخص جفريس ماتوسيتا مورد ارزيابي قرار گرفت. نتايج نشان داد كه گستره سيل ha26/11593 بود كه بيشترين ميزان گستره سيل مربوط به زمين‌هاي كشاورزي با گسترش ha45/8467 و مناطق تفريحي و گردشگري حاشيه رودخانه با گسترش ha14/2659 بوده است.

Among the various natural hazards, floods may be considered as the most devastating factor that inflicts great damage on human societies. Therefore, the importance of estimating flood damage and its scope in planning to reduce damages and determine points with high risk is very important. The aim of this study is to determine the extent of flood hazard using OLI satellite data. For this reason, a window of OLI satellite images of Landsat 8 was acquired before and after the Dezful flood of April 25, 2016. First, preprocessing operations include radiometric and atmospheric corrections of images were done, and the principal component analysis was then used to reduce the correlation of the data. Data processing was performed using a Support Vector Machine algorithm with linear and polynomial kernels. In order to train the Support Vector Machine algorithm, training samples for each class (agricultural land, flood extent, water resources, settlement areas, and recreational areas along the river boundary) were harvested at the user level. In order to evaluate the similarity of the classes and the degree of correlation between the samples, the quantitative assessment method of the Jeffries Matusita was performed. The results showed that the flood area was 11593.26 ha, the highest damage was due to agricultural land with a destruction of 8467.45 ha and recreational and tourist areas along the riverbank with a destruction of 2659.14 ha.