توسعه روش شناسی برآورد سیلاب مبتنی بر سنجش از دور در محیط گوگل ارث انجین

نوع مقاله : مقاله علمی - پژوهشی

نویسندگان

1 گروه مهندسی عمران، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان، اصفهان، ایران

2 گروه پژوهشی مهندسی محیط زیست و پایش آلاینده‌ها، پژوهشکده محیط زیست و توسعه پایدار، سازمان حفاظت محیط زیست، تهران، ایران

3 گروه ارزیابی مخاطرات، پژوهشکده محیط زیست و توسعه پایدار، سازمان حفاظت محیط زیست، تهران، ایران

چکیده

سیل به­ عنوان یکی از اصلی ­ترین مخاطرات طبیعی در ایران خسارات گسترده­ای را در مناطق مختلف به همراه داشته است. یکی از فن آوری­ هایی که در این زمینه می­تواند دستاوردهای قابل توجهی را به همراه داشته باشد فن آوری سنجش از دور می ­باشد پژوهش حاضر به دنبال توسعه روش شناسی می­ باشد که با استفاده از تصاویر ماهواره سنتینل 1 و با به کارگیری محصولات جهانی، خسارات ناشی از رویداد سیل را با رویکردی نوین برآورد کند این خسارات در دو واقعه سیلابی 1398 خوزستان و 1400 کنارک و چابهار مد نظر قرار گرفت. در این پژوهش بجز داده‌های ماهواره‌ای سنتینل 1، جهت تعیین حد آستانه‌ها و تدقیق نتایج، از تصاویر ماهواره اپتیک از قبیل لندست 8 نیز استفاده شده است. برای مناطقی که به دلایلی از قبیل مزاحمت ابر و یا عدم گذر ماهواره اپتیک و یا حتی عدم انطباق زمانی تصویر رادار و اپتیک، امکان استخراج و تدقیق حد آستانه بر اساس تصاویر اپتیک میسر نباشد نیز در این تحقیق، ایده استفاده از ترکیب رنگی حاصل از تصاویر بعد و قبل سیلاب به­ کار گرفته شد. نتایج این پژوهش به توسعه نرم افزار کاربردی برآورد خسارت سیل در محیط گوگل ارث انجین منجر گردیده است. نتایج پژوهش بیانگر این موضوع بود که استفاده هم­زمان از تصاویر غیر فعال اپتیکی همانند لندست8 یا سنتیل 2 در مواقعی که پوشش ابری ایجاد مزاحمت نمی­کند باعث افزایش دقت خروجی خواهد شد. این موضوع در شرایط عدم قطعیت در تعیین آستانه­ های تغییرات در تصاویر راداری از اهمیت ویژه­ای برخوردار می­ باشد پیاده ­سازی روش ارائه شده در محیط گوگل ارث انجین به ­دلیل سهولت در دسترسی به مجموعه تصاویر ماهواره­ای و محصولات جهانی راهکاری مناسب در زمینه­ ی استخراج پهنه سیلابی و متعاقباً برآورد خسارات کشاورزی و مسکونی ناشی از سیلاب می باشد.

کلیدواژه‌ها


  1. Abdolhosseini, M., & Farzaneh, M. R., 2014. Investigation of internal uncertainty sources of change factor method in downscaling of climatic parameters of future period. Intl J Agric Crop Sci7(12), 941-949.
  2. Attia, W., Ragab, D., Abdel-Hamid, A. M., Marghani, A. M., Elfadaly, A., & Lasaponara, R., 2022. On the Use of Radar and Optical Satellite Imagery for the Monitoring of Flood Hazards on Heritage Sites in Southern Sinai, Egypt. Sustainability14(9), 5500.
  3. Bagheri, M.H. and Farzaneh. M.R., 2021. Timely estimation of flood damage using remote sensing in google earth engine (study area: 2020 Khuzestan flood). The 8th Comprehensive Conference on Flood Management and Engineering. Tehran.
  4. Chen, T., Song, C., Zhan, P., Yao, J., Li, Y., & Zhu, J., 2022. Remote sensing estimation of the flood storage capacity of basin-scale lakes and reservoirs at high spatial and temporal resolutions. Science of the Total Environment807, 150772.
  5. DeVries, B., Huang, C., Armston, J., Huang, W., Jones, J.W. and Lang, M.W., 2020. Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote Sensing of Environment, 240, p.111664.
  6. Dodange, P., Ebadi, H., & Kayani, A., 2021. Identification of flood areas with time series statistical calculations based on combining radar and optical data. Ecohydrology, 639-623, (3)8.
  7. Fakhri, M., Farzaneh, M. R., Eslamian, S., & Hosseinipour, E. Z., 2011. Uncertainty analysis of downscaled precipitation using LARS-WG statistical model in Shahrekord station, Iran. In World Environmental and Water Resources Congress 2011: Bearing Knowledge for Sustainability (pp. 4572-4578).
  8. Fakhri, M., Farzaneh, M. R., Eslamian, S., & Khordadi, M. J., 2012. Confidence interval assessment to estimate dry and wet spells under climate change in Shahrekord Station, Iran. Journal of Hydrologic Engineering18(7), 911-8.
  9. Fazeli Farsani, A., Ghazavi, R., & Farzaneh, M. R., 2015. Investigation of land use classification algorithms using images fusion techniques (Case study: Beheshtabad Sub-basin). Journal of RS and GIS for Natural Resources6(1), 91-106.
  10. Ghaffarian, S., Rezaie Farhadabad, A., & Kerle, N., 2020. Post-disaster recovery monitoring with google earth engine. Applied Sciences, 10(13), 4574.
  11. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., 2017. Google Earth Engine: planetary-scale geospatial analysis for everyone. Remote Sens. Environ.
  12. Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe, S., Kim, H., Kanae, S., 2013. Global flood risk under climate change. Nat. Clim. Chang. 3, 816–821.
  13. Huang, W., DeVries, B., Huang, C., Jones, J., Lang, M., Creed, I., Carroll, M., 2018. Automated extraction of surface water extent from Sentinel-1 data. Remote Sens. 10, 1–18.
  14. Liu, C.C., Shieh, M.C., Ke, M.S. and Wang, K.H., 2018. Flood prevention and emergency response system powered by Google Earth Engine. Remote sensing, 10(8), p.1283.
  15. Mhawej, M., & Faour, G., 2020. Open-source Google Earth Engine 30-m evapotranspiration rates retrieval: The SEBALIGEE system. Environmental Modelling & Software, 133, 104845.
  16. Moazami, S., Golian, S., Kavianpour, M. R., & Hong, Y., 2014. Uncertainty analysis of bias from satellite rainfall estimates using copula method. Atmospheric Research, 137, 145-166.
  17. Narron, C. R., O'Connell, J. L., Mishra, D. R., Cotten, D. L., Hawman, P. A., & Mao, L., 2022. Flooding in Landsat across Tidal Systems (FLATS): An index for intermittent tidal filtering and frequency detection in salt marsh environments. Ecological Indicators141, 109045.
  18. Nuri, A. Z., Farzaneh, M., & Espanayi, K., 2014. Assessment of climatic parameters uncertainty under effect of different downscaling techniques. International Research Journal of Applied and Basic Sciences8(9), 838-225.
  19. Ounrit, I., Sinnung, S., Meena, P., and Laosuwan, T. 2022. FLASH FLOOD MAPPING BASED ON DATA FROM LANDSAT-8 SATELLITE AND WATER INDICES.
  20. Pekel, J.-F., Cottam, A., Gorelick, N., & Belward, A. S., 2016. High-resolution mapping of global surface water and its long-term changes. Nature, 540(7633), 418-422.
  21. Pourghasemi, H.R., Amiri, M., Edalat, M., Ahrari, A.H., Panahi, M., Sadhasivam, N. and Lee, S., 2020. Assessment of urban infrastructures exposed to flood using susceptibility map and Google Earth Engine. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, pp.1923-1937.
  22. Rajabzadeh, Y., Ayubzadeh, S. A., and Qomshi, M., 2018. Investigating the flood of Khuzestan province during the water year 2017-2018 presenting its control and management solutions in the future. Ecohydrology, 6(4), 1069-1084.
  23. Soleimani, K., Darvishi, and Shadman., 2020. Zoning and flood risk monitoring in spring 2018 in Khuzestan using Landsat-8 data. Ecohydrology. 662-647, (3)7.
  24. Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B., 2020. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170.
  25. Vanama, V.S.K., Mandal, D. and Rao, Y.S., 2020. GEE4FLOOD: rapid mapping of flood areas using temporal Sentinel-1 SAR images with Google Earth Engine cloud platform. Journal of Applied Remote Sensing, 14(3), p.034505.
  26. Voigt, S., Giulio-Tonolo, F., Lyons, J., Kučera, J., Jones, B., Schneiderhan, T., Platzeck, G., Kaku, K., Hazarika, M.K., Czaran, L., Li, S., Pedersen, W., James, G.K., Proy, C., Muthike, D.M., Bequignon, J., Guha-Sapir, D., 2016. Global trends in satellite-based
  27. Wing, O.E.J., Bates, P.D., Smith, A.M., Sampson, C.C., Smith, K.A.J., P.M.; J.F.; O.E.J.W.; P.D.B.; C.C.S.; A.M., Fargione, J., Morefield, P., 2018. Estimates of present and future flood risk in the conterminous United States. Environ. Res. Lett. 13, 034023.