پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,241 |
| تعداد مقالات | 67,872 |
| تعداد مشاهده مقاله | 115,475,079 |
| تعداد دریافت فایل اصل مقاله | 90,244,390 |
ارزیابی تاثیر ادغام تصاویر ماهواره‌های لندست 8 و سنتینل 2 در برآورد پهنه‌های سیلابی | ||
| مدیریت آب و آبیاری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 اسفند 1402 اصل مقاله (2.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2024.368243.1116 | ||
| نویسندگان | ||
| اشکان بنی خدمت؛ بهناز بیگدلی* ؛ سید فضل الله ساغروانی | ||
| گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران. | ||
| چکیده | ||
| پایش دقیق آب‌های سطحی یکی از کاربردهای مهم و ضروری دراستفاده از سیستم‌های سنجش از راه دور است. برآوردن نیازهای مطرح‌شده دراستفاده از داده‌های سنجش ازدور در بسیاری از کاربردها، تنها با استفاده از یک محصول و الگوریتم طبقهبندی کننده کافی نیست و برای درک دقیقتر، ادغام داده‌ها می‌تواند گزینه بهتری باشد. لذا در این پژوهش از رویکردهای مختلفی همچون بکارگیری تصاویردوسنجنده، شاخص‌های استخراج آب و الگوریتم‌های طبقهبندی جهت شناسایی پهنه‌های آبی استفاده گردید. در این راستا ابتدا تصاویر سنجندهای نوری لندست-8 و سنتینل-2 ادغام شدند که در نتیجه آن وضوح مکانی این سنجنده‌ها با حفظ اطلاعات طیفی، از 30 به 10 متر ارتقا یافت. سپس شاخص-های استخراج آب بر تصاویر ادغام‌شده اعمال شدندوپس از ترکیب آن با تصاویراصلی ماهواره‌های منتخب، با استفاده از الگوریتم‌های طبقهبندی (SVM, MaximumLikelihood, MinimumDistance, NeuralNetwork, RandomForest) محدوده مطالعاتی به دودسته پهنه‌های آبی و غیرآبی طبقهبندی شد و در نهایت با استفاده از روش حداکثر رای‌گیری که از رویکردهای ادغام در سطح تصمیم‌گیری محسوب می‌شود نتایج حاصل از تمام الگوریتم‌های طبقه-بندی برای تصاویر قبل و بعد از سیلاب استان مازندران در واقعه سیلاب سال 1398 شمسی با یکدیگر ادغام شدند. الگوریتم طبقه-بندی جنگل تصادفی با دقت کلی 76/97 و 12/94 و ضریب کاپا 49/94 و 41/91 برای تصاویر قبل و پس از سیلاب بهترین عملکرد طبقهبندی در بین الگوریتم‌های مورداستفاده در این پژوهش را داشت. ادغام الگوریتم‌های طبقهبندی نشان از بهبود عملکرد تفکیک پهنه‌های آبی و غیرآبی با افزایش دقت کلی تفکیک به 41/98و24/95 و ضریب کاپا 12/96و81/92 برای تصاویر قبل و پس از سیلاب داشت. | ||
| کلیدواژه‌ها | ||
| سنجنده نوری؛ شاخص‌های استخراج آب؛ الگوریتم طبقهبندی؛ روش حداکثر رای‌گیری | ||
| عنوان مقاله [English] | ||
| Evaluation of the Impact of Image Fusion of Landsat 8 and Sentinel 2 Satellites on Flood Zone Estimation | ||
| نویسندگان [English] | ||
| ashkan banikhedmat؛ Behnaz Bigdeli؛ seyed fazlollah seyed fazlollah | ||
| Water Resources Engineering and Management, Faculty of Civil Engineering, Shahrood university of technology, Shahrood, Iran. | ||
| چکیده [English] | ||
| Accurate monitoring of surface water is one of the important and necessary applications in the use of remote sensing systems. Meeting the needs raised in the use of remote sensing data collected from the earth's surface in many applications, using only one product and classification algorithm is not sufficient and possible, and for a more accurate understanding, data fusion can be a better option. In this system, various approaches such as water extraction indices or classification algorithms are used to identify water areas. In this research, an fusion approach of Landsat-8 and Sentinel-2 optical sensor images was used. Firstly, the spatial resolution of these sensors was enhanced from 30 to 10 meters by Pansharpening them and preserving spectral information. Then, water extraction indices such as NDWI, MNDWI, AWEI_sh, AWEI_nsh, and WI were applied to the integrated images. Subsequently, using classification algorithms such as SVM, Maximum Likelihood, Minimum Distance, Neural Network, and Random Forest, the study area was classified into two categories of water and non-water areas. Finally, the results obtained from all classification algorithms for pre and post-flood images of Mazandaran province in the 2019 flood event were merged using the majority voting method, which is considered an integration approach at the decision-making level. Random forest classification algorithm with overall accuracy of 97.76 and 94.12 and Kappa coefficient 94.49 and 91.41 for images before and after flood had the best classification performance among the algorithms used in this research. The fusion of classification algorithms showed an improvement in the separation performance of water and non-water areas with an increase in the overall accuracy of separation to 98.41 and 95.24 and Kappa coefficient 96.12 and 92.81 for the images before and after the flood. | ||
| کلیدواژه‌ها [English] | ||
| optical sensor, water extraction indices, classification algorithms, majority voting method | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 50 تعداد دریافت فایل اصل مقاله: 38 |
||