Iranian Jornal of Watershed Management Science&Engineering

fa شناسایی آب های سطحی با استفاده از ادغام داده‌های ماهواره ای نوری و راداری Detecting Surface Waters Using Data Fusion of Optical and Radar Remote Sensing Sensor تخصصي Special پژوهشي Research   شناسایی و پایش آب های سطحی با استفاده از سنجش از دور بدلیل اهمیت در تامین نیازهای بشر و همچنین تصمیم گیری های سیاسی در دهه های اخیر بسیار مورد توجه و استفاده قرار گرفته است. از همین رو، در این مطالعه با استفاده از سیستم های سنجش از دور و با بکارگیری ماهواره های راداری سنتینل-1 و نوری سنتینل-2 به مطالعه بر روی آبهای سطحی پرداخته شده است. در این مقاله دو رویکرد ادغام داده ها و سپس ادغام تصمیم گیری ها به منظور بهبود در دقت شناسایی آب های سطحی برای دو منطقه پیشنهادی در استان مازندران بدلیل وجود جنگل های انبوه، رودخانه های گل‌آلود، و زمین های کشاورزی، پیشنهاد شده اند. رویکرد ادغام داده ها با افزایش توان تفکیک مکانی ماهواره نوری سنتینل-2 از 20 متر به 10 متر و استفاده از داده های راداری و شاخص های آب در یک لایه، پایش آب های سطحی با دقت مناسبی توسط ابزار طبقه‌بندی نظارتشده ای همچون ماشین بردار پشتیبان، شبکه عصبی، و جنگل تصادفی صورت پذیرفت. در ادامه با تلفیق نتایج و با استفاده از روش رای‌گیری حداکثری، دقت نتیجه خروجی نسبتبه رویکرد ادغام داده ها 4 الی 5 درصد افزایش پیدا کرد. از آنجایی که رودخانه های کم عرض و گل آلود به راحتی قابل شناسایی و استخراج نیستند، رویکرد پیشنهادی میتواند نقشه دقیقی از آب های سطحی را استخراج کند.   Identification and monitoring of surface water using remote sensing have become very important in recent decades due to its importance in human needs and political decisions. Therefore, surface water has been studied using remote sensing systems and Sentinel-1 and Sentinel-2 sensors in this study. In this paper, two data fusion approaches and decision fusion improve the accuracy of surface water identification for the two study areas in Mazandaran province, Iran, due to dense forests, turbid rivers, and land Agricultural products have been proposed. Data fusion approach by increasing the spatial resolution of Sentinel-2 optical sensor from 20 meters to 10 meters and using radar dataset and water indices in one layer, monitoring surface water with much higher accuracy by classification using supervised classifiers such as Support Vector Machine (SVM), Neural Network (NN), and Random Forest (RF) were performed. Then, by combining the results using the Maximum Voting (MV) method, the accuracy of the results compared to the data fusion approach increased by 4 percent to 5 percent. Since narrow and confused rivers are not easily identifiable and extractable, the proposed approach was able to extract an accurate map of surface water. آب های سطحی, سنجش از راه دور, طبقه بندی نظارت شده, رای گیری حداکثری Surface Water, Remote Sensing, Supervised Classifier, Majority Voting 24 31 http://jwmsei.ir/browse.php?a_code=A-10-1237-1&slc_lang=fa&sid=1 Mostafa Saghafi مصطفی ثقفی m.s.mostafa.saghafi@shahroodut.ac.ir 100319475328460015621 100319475328460015621 No M.Sc. of Water and Hydraulic Structure Engineering, Department of Water Engineering, Faculty of Civil Engineering, Shahrood University of Technology, Iran. کارشناس ارشد آب و سازه های هیدرولیکی، گروه آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران. Ahmad Ahmadi احمد احمدی a.ahmadi@shahroodut.ac.ir 100319475328460015622 100319475328460015622 No Associate Professor of Water and Hydraulic Structure Engineering, Department of Water Engineering, Faculty of Civil Engineering, Shahrood University of Technology, Iran. دانشیار مهندسی آب و سازه های هیدرولیکی، گروه آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران Behnaz Bigdeli بهناز بیگدلی bigdeli@shahroodut.ac.ir 100319475328460015623 100319475328460015623 Yes Corresponding Author and Assistant Professor of Remote Sensing and Photogrammetry, Department of Remote Sensing and photogrammetry, Faculty of Civil Engineering, Shahrood University of Technology, Iran. استادیار نقشه برداری و سنجش از دور، گروه نقشه برداری و فتوگرامتری، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران.