1- -پژوهشکده سوانح طبیعی ، omidashkriz7@mail.com
چکیده: (513 مشاهده)
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 سنتینل2 جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین1398 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 تأثیر 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 83.08 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 79.11 و75.44 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) 93.40 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 4.2008 و 41.0772 کیلومتر مربع برآورد گردید.
واژه‌های کلیدی: آشکارسازی پهنه سیلاب، الگوریتم جنگل تصادفی، الگوریتم ماشین بردار پشتیبان، الگوریتم شبکه عصبی پرسپترون چند لایه، روش اعتبارسنجی متقابل مکانی، سنجش از دور.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
