فهرست نشریات علمی دسترسی آزاد ایران

سیل یکی از مخاطرات طبیعی است که می­ تواند به شدت بر زندگی انسان تأثیر بگذارد، به گونه­ ای که واکنش اضطراری به آن نیاز به ارزیابی دقیق منطقه آسیب دیده پس از حادثه دارد. مشاهدات رادار با روزنه مجازی (SAR) بطور گسترده در تهیه نقشه و نظارت بر سیل استفاده می­ شود. با این حال، خدمات عملیاتی فعلی عمدتاً معطوف به سیل در مناطق روستایی است و مناطق سیل زده شهری، کمتر مورد توجه قرار می­ گیرند. در عمل، نقشه ­برداری از سیلاب­ های شهری به دلیل مکانیسم­ های پیچیده برگشت در محیط ­های شهری، چالش برانگیز است و علاوه بر شدت SAR، اطلاعات دیگری نیز لازم است. در این مقاله یک روش طبقه ­بندی برای تشخیص سیل در مناطق شهری با تلفیق استفاده از شدت SAR و همدوسی تداخل­ سنجی تحت چارچوب شبکه عصبی کانولوشن CNN معرفی می ­شود، تا اطلاعات سیل از مناظر مختلف را استخراج نماید. به منظور تمایز تغییرات حاصل از سیلاب از دیگر تغییرات، از سه سری زمانی همدوسی حاصل از تصاویر(قبل ـ قبل، قبل ـ بعد و بعد ـ بعد) استفاده شده است. این روش در رویداد سیل 25 اسفند 1397 گنبد کاووس  با داده­ های Sentinel-1 آزمایش می­ شود. نقشه­ های سیلاب حاصل از تلفیق شدت و همدوسی و شدت به تنهایی در مقایسه با داده ­های کنترل زمینی در مناطق شهری و داده­ های حاصل از آستانه­ گذاری تصاویر سنتینل-1 نشان می­ دهد که دقت کلی 93.8٪ و ضریب کاپا 0.81 برای ترکیب شدت و همدوسی و نیز دقت کلی 90.6٪ و ضریب کاپا 0.72 برای ترکیب شدت به تنهایی و دقت کلی 86.8٪ و ضریب کاپا 0.56 برای ترکیب همدوسی به تنهایی وجود دارد. آزمایش ها نشان می ­دهند که همدوسی علاوه بر شدت در تهیه نقشه از سیلاب شهری، اطلاعات ارزشمندی را فراهم می­ کند و روش پیشنهادی می­ تواند ابزاری مفید برای تهیه نقشه از سیلاب شهری باشد.