| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,108 |
| تعداد مقالات | 34,654 |
| تعداد مشاهده مقاله | 49,789,531 |
| تعداد دریافت فایل اصل مقاله | 80,146,920 |
پایش آبهای سطحی ناشی از پایش سیلاب با استفاده از قطبشهای مختلف و شاخصهای طیفی آب مبتنی بر سنجش از دور در آبخیز کرخه | ||
| پژوهش های آبخیزداری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 آذر 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2025.370814.1635 | ||
| نویسندگان | ||
| زینب حزباوی* 1؛ مرضیه قشمشمی2 | ||
| 1دانشیار گروه مرتع و آبخیزداری، پژوهشکده مدیریت آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل (نویسنده مسئول) | ||
| 2دانشآموخته کارشناسی ارشد بیابانزدایی، گروه مرتع و آبخیزداری، دانشکده کویرشناسی سمنان، سمنان، ایران | ||
| چکیده | ||
| آمار جهانی نشان میدهد که سیلاب بیش از ۴۰ درصد از جمعیت جهان را تحت تأثیر قرار داده و منجر به خسارت جانی و مالی قابل توجهی شده است. در ایران، بیش از ۸۰ درصد از شهرها در معرض خطر سیلاب قرار دارند. بنابراین، سرمایهگذاری در اقدامات پیشگیرانه و فناوریهای مدرن برای مبارزه با سیلاب بیش از هر زمان دیگری ضروری است. آمادگی و کاهش ریسک قبل از وقوع بلایا میتواند بهطور معناداری هزینه بازیابی پس از وقوع بلایا را کاهش دهد. نقشهبرداری دقیق و نظارت طولانیمدت بر سیلاب نقش کلیدی در برنامهریزی و پیشگیری ایفا میکند. پایش و نقشهبرداری سیلاب با استفاده از تصاویر ماهوارهای به عنوان ابزارهای حیاتی برای مدیریت بهینه بلایا عمل میکنند. اگرچه تصاویر راداری با دیافراگم مصنوعی (SAR) سنتینل-1 در شرایط ابری برای شناسایی مناطق سیلابی مفید هستند، این روش نیز محدودیتهایی دارد. حساسیت دادههای راداری به پوشش گیاهی متراکم و سازههای عمودی ممکن است باعث تخمین کم یا زیاد مناطق آبگرفته شود. همچنین، شاخص آب تفاضلی نرمالشده (NDWI)، شاخص آب تفاضلی نرمالشده اصلاحشده (MNDWI) و شاخص استخراج خودکار آب (AWEI) بهدست آمده از دادههای نوری در حضور ابر یا سایه گیاهان ممکن است خطا داشته باشند و باعث شناسایی ناقص یا اشتباه مناطق سیلابی شوند. بنابراین، نتایج حاصل از هر دو روش باید با احتیاط تفسیر شوند و ترکیب دادههای راداری و نوری میتواند این محدودیتها را کاهش دهد، ولی آنها را به طور کامل از بین نمیبرد. بر همین اساس، این پژوهش با هدف تحلیل و مقایسه دادههای رادار و نوری با استفاده از تحلیل شاخصهای سنجش از دور مرتبط با طیف آب، بهمنظور شناسایی مناطق سیلابی در حوزه آبخیز کرخه واقع در استان خوزستان برنامهریزی شده است. مواد و روشها آبخیز کرخه در ماههای فروردین و اردیبهشت 1398 شاهد یک سیلاب گسترده و غیرقابل پیشبینی شد که منجر به خسارت قابل توجهی بود. بر همین اساس، منطقهای به مساحت 3/3838 کیلومترمربع انتخاب شد. در این پژوهش، از سه روش مختلف برای شناسایی و تحلیل آبهای سطحی ناشی از سیلاب استفاده شد: (1) در راستای آشکارسازی تغییرات، از دادههای سه بازه زمانی شامل پیش از فصل کشاورزی (6 مهر تا 3 آبان 1397)، پس از فصل کشاورزی (9 اسفند 1397 تا 5 فروردین 1398) و حین سیلاب (8 فروردین تا 5 اردیبهشت 1398) استفاده شد. (2) تصاویر SAR بهدست آمده از ماهواره سنتینل-1 با قطبشهای VV و VH با استفاده از فیلتر Refined Lee و الگوریتم آستانه Otsu با هدف شناسایی پهنههای سیلابی پردازش شدند. (3) برای استخراج دقیقتر آبهای سطحی از تصاویر نوری، شاخصهای طیفی آب شامل NDWI، MNDWI و AWEI بهدست آمده از ماهواره سنتینل-2 به کار گرفته شدند. قابل ذکر است که AWEI در دو نسخه بدون سایه برای مناطق باز و با سایه برای کاهش اثر سایه در نواحی شهری و کوهستانی معرفی شده که در این پژوهش از نسخه بدون سایه استفاده شده است. در نهایت، با تلفیق نتایج حاصل از روشهای راداری و نوری و تحلیل تغییرات چندزمانه، نقشههای جامعی از گسترش سیلاب تولید و اعتبارسنجی شد. نتایج و بحث نتایج نشان داد که قطبش VH با مقدار 254 کیلومترمربع در تشخیص مناطق سیلابی کمی بهتر از قطبش VV با مقدار 252 کیلومترمربع عمل میکند. یک روش ترکیبی با استفاده از هر دو قطبش، با انتخاب تنها مناطقی با پراکندگی بازگشتی کم در هر دو قطبش، 239 کیلومترمربع از مناطق سیلابی را شناسایی کرد. ترکیب قطبشها دقت و قابلیت اطمینان نقشهبرداری سیلاب را بهبود بخشید و به دلیل عدم حساسیت رادار به پوشش ابر و شرایط روشنایی، نسبت به دادههای نوری برتری داشت. تجزیه و تحلیل زمانی آبهای دائمی و موقت در روش ترکیبی (VV+VH) در سه دوره نشان داد که پوشش آب قبل از فعالیتهای کشاورزی زیاد (1560 کیلومترمربع) بود، در اواخر زمستان به مقدار 847 کیلومترمربع کاهش یافت و سپس در طول رویداد سیلاب به تقریباً 974 کیلومترمربع افزایش یافت. با وجود میزان آب کمتر در مقایسه با دوره قبل از کشاورزی، سیلاب گستردهای به دلیل بارندگی شدید و ناگهانی و ظرفیت محدود زمین و زیرساختها برای مدیریت رواناب رخ داد. MNDWI با مقدار 227 کیلومترمربع بیشترین مساحت پوشیده از آب را شناسایی کرد، در حالیکه AWEI، با مقدار 126 کیلومترمربع با رویکردی محافظهکارانهتر، تنها مناطق با احتمال بسیار بالای وجود آبهای سطحی را شناسایی کرد. با ترکیب هر سه شاخص طیفی، مساحتی معادل ۶۲ کیلومترمربع به عنوان مناطق مستعد سیلاب شناسایی شد. تغییرات بین شاخصها بهدلیل تفاوت در باندهای طیفی و حساسیت به وجود آب هست. نتایج NDWI، MNDWI و AWEI، تغییر قابل توجهی در وسعت آب دائمی و موقت در طول سیلاب را نشان داد که از 98 کیلومترمربع به 324 کیلومترمربع افزایش یافت. روش آستانهگذاری Otsu بهطور مؤثر برای استانداردسازی و طبقهبندی مناطق آبی در بین شاخصها به کار گرفته شد. نتیجهگیری و پیشنهادها در مجموع نتیجهگیری میشود که تلفیق دادههای راداری و نوری منجر به شناسایی ۵۸ کیلومترمربع از مناطق سیلابی شد که بین نتایج دو ماهواره همپوشانی ۳۹ درصدی وجود داشت؛ این تلفیق، دقت و قابلیت اطمینان در شناسایی مناطق تحت تأثیر سیلاب را بهطور چشمگیری افزایش داد. از آنجاییکه تغییرات در وسعت آب به تنهایی نمیتواند نشاندهنده وقوع یا شدت سیلاب باشد و عوامل هیدرولوژیکی و مدیریتی نقش حیاتیتری در وقوع سیلاب ایفا میکنند، استفاده از دادههای ترکیبی به همراه تجزیه و تحلیل عوامل محیطی میتواند در سیستمهای هشدار اولیه و برنامهریزی مدیریت بحران بسیار مؤثر باشد. این روش امکان پهنهبندی دورهای از سیلاب را فراهم کرده و در توسعه اقدامات پیشگیرانه، مدیریت بهینه سیلاب و برنامهریزی کشاورزی نقش مهمی ایفا میکند. | ||
| کلیدواژهها | ||
| الگوریتم Otsu؛ پهنهبندی سیل؛ تصاویر SAR؛ شاخصهای سنجش از دور؛ مدیریت سیل | ||
| عنوان مقاله [English] | ||
| Monitoring flood-induced surface waters using different remote sensing-based polarizations and spectral water indices in the Karkheh watershed | ||
| نویسندگان [English] | ||
| Zeinab Hazbavi1؛ Marzieh Ghashamshami2 | ||
| 1Associate Professor, Department of Watershed Management, Water Management Research Center, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 2Former M.Sc. Student, Department of Range and Watershed Management, Faculty of Desert Studies, Semnan University, Semnan, Iran | ||
| چکیده [English] | ||
| Introduction and Goal Global statistics show that floods affect more than 40 % of the world's population and have resulted in significant loss of life and property. In Iran, more than 80 % of cities are at risk of flooding. Therefore, investing in preventive measures and modern technologies to combat floods is more necessary than ever. Preparedness and risk reduction before disasters could significantly reduce the cost of post-disaster recovery. Accurate mapping and long-term monitoring of floods play a key role in planning and prevention. Although Sentinel-1 synthetic aperture radar (SAR) images are useful for identifying flood areas in cloudy conditions, this method also has limitations. The sensitivity of radar data to dense vegetation and vertical structures may lead to under- or over-estimation of flooded areas. Besides, the Normalized Differential Water Index (NDWI), Modified Normalized Differential Water Index (MNDWI), and Automatic Water Extraction Index (AWEI) derived from optical data in the presence of clouds or plant shadows may have errors, leading to incomplete or erroneous identification of flood areas. Therefore, the results obtained from both methods should be interpreted with caution, and the combination of radar and optical data can reduce these limitations, but does not completely eliminate them. Accordingly, this study aims to analyze and compare radar and optical data using remote sensing indices related to the water spectrum to identify flooded areas in the Karkheh watershed located in Khuzestan province. Materials and Methods The Karkheh watershed witnessed a widespread and unpredictable flood in March and April 2019, which resulted in significant damage. In this study, three different methods were used to identify and analyze surface water caused by flooding: (1) To detect changes, data from three time periods were used, including pre-agriculture season (September 28 to October 25, 2018), post-agriculture season (February 28 to March 25, 2019), and during the flood (March 28 to April 25, 2019). (2) SAR images obtained from the Sentinel-1 satellite with VV and VH polarizations were processed using the Refined Lee filter and the Otsu threshold algorithm to identify flooded areas. (3) To more accurately extract surface water from optical images, spectral water indices including NDWI, MNDWI, and AWEI obtained from the Sentinel-2 satellite were used. It is worth noting that AWEI has been introduced in two versions: shadowless for open areas and shaded to reduce the effect of shadow in urban and mountainous areas. In this study, the shadowless version was used. Finally, by combining the results from radar and optical methods and analyzing multi-temporal variations, comprehensive maps of flood spread were produced and validated. Results and Discussion The results showed that the VH polarization with a value of 254 km2 performed slightly better in detecting flood areas than the VV polarization with a value of 252 km2. A combined method using both polarizations identified 239 km² of flooded regions by selecting only areas with low backscatter in both polarizations. Combining polarizations improved the accuracy and reliability of flood mapping, offering an advantage over optical data due to radar’s insensitivity to cloud cover and lighting conditions. Temporal analysis of surface water across three periods revealed that water coverage was high (about 1560 km²) before agricultural activities, decreased to 847 km² in late winter, and then increased to approximately 974 km² during the flood event. Despite this lower water extent compared to the pre-agriculture period, a widespread flood occurred due to intense, sudden rainfall and the limited capacity of land and infrastructure to manage the runoff. The MNDWI, with a value of 227 km2, identified the largest area covered by water, while the AWEI, with a value of 126 km2, was more conservative and identified only areas with a very high probability of surface water. By combining all three spectral indices, an area of 62 km2 was identified as flood-prone areas. The variations between the indices are due to the differences in spectral bands and sensitivity to water. Analysis of the results of the NDWI, MNDWI and AWEI showed a significant change in the permanent and temporary water areas during the flood, which increased from 98 km2 to 324 km2. The Otsu thresholding method was effectively applied to standardize and classify water areas across indices. Conclusion and Suggestions Overall, it is concluded that the combination of radar and optical data led to the identification of 58 square kilometers of flood areas, with a 39% overlap between the results of the two satellites; this combination significantly increased the accuracy and reliability of identifying flood-affected areas. Since, changes in water extent alone are not a sufficient indicator of flooding, and hydrological and management factors play a more critical role in flood occurrence. Therefore, the use of combined data along with analysis of environmental factors can be highly effective in early warning systems and disaster management planning. This method enables periodic flood mapping and plays a significant role in developing preventive measures, optimizing flood management, and supporting agricultural planning. | ||
| کلیدواژهها [English] | ||
| Flood management, flood mapping, Otsu algorithm, remote sensing indices, SAR images | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1 |
||