پایش آب‌های سطحی سیلاب با استفاده از قطبش‌های مختلف و شاخص‌های طیفی آب مبتنی بر سنجش از دور در آبخیز کرخه

حزباوی, زینب; قشمشمی, مرضیه

doi:10.22092/wmrj.2025.370814.1635

فهرست نشریات

اعطای مجوز انتشار 2 مجله ترویجی در شورای انتشارات سازمان

اعطای مجوز انتشار 3 مجله ترویجی در شورای انتشارات سازمان

به روز رسانی بخش استخراج به پایگاه‌های علمی (08-04-1401)

به روز رسانی ظاهری سامانه (08-04-1401)

ارتقاء سامانه مدیریت نشریات

وبینار آموزشی آیین نامه نشریات علمی و شیوه نامه ارزیابی و رتبه بندی نشریات علمی در تاریخ 25 شهریور ماه 1398

برگزاری دوره آموزشی ویراستاری متون علمی از طریق وب کنفرانس در تاریخ 1398/2/11

راه اندازی سامانه ارزیابی نشریات

قابل توجه سردبیران و مدیران داخلی نشریات (ساماندهی صفحه اول نشریات در سامانه)

مجوز انتشار دو نشریه توسط شورای انتشارات سازمان در مردادماه 1397

تعداد نشریات	282
تعداد نشریات سازمان	80
تعداد شماره‌ها	3,208
تعداد مقالات	35,560
تعداد مشاهده مقاله	53,002,002
تعداد دریافت فایل اصل مقاله	92,287,664

	پایش آب‌های سطحی سیلاب با استفاده از قطبش‌های مختلف و شاخص‌های طیفی آب مبتنی بر سنجش از دور در آبخیز کرخه
پژوهش های آبخیزداری
مقاله 6، دوره 39، شماره 1 - شماره پیاپی 150، فروردین 1405، صفحه 84-107 اصل مقاله (2.23 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22092/wmrj.2025.370814.1635
نویسندگان
زینب حزباوی^* ¹؛ مرضیه قشمشمی²
¹دانشیار گروه مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، پژوهشکده مدیریت آب، دانشگاه محقق اردبیلی، اردبیل، ایران
²دانش‌آموخته کارشناسی ارشد بیابان‌زدایی، گروه مرتع و آبخیزداری، دانشکده کویرشناسی سمنان، سمنان، ایران
چکیده
مقدمه و هدف بر اساس آمار جهانی، سیلاب بر بیش از ۴۰% از جمعیت جهان اثرگذار است و سبب خسارت جانی و مالی قابل توجهی می‌شود. در ایران، بیش از ۸۰% از شهرها در معرض خطر سیلاب هستند. ازاین‌رو، سرمایه‌گذاری برای انجام اقدامات پیشگیرانه و فناوری‌های پیشرفته برای مبارزه با سیلاب بیش از هر زمان دیگری ضروری است. آمادگی داشتن و کاهش خطر پیش از رویداد بلایا سبب کاهش معنادار هزینه بازیابی پس از آن می‌شود. نقشه‌برداری دقیق و پایش بلند‌مدت سیلاب نقش مهمی در برنامه‌ریزی و پیشگیری دارد. یکی از ابزارهای کارآمد برای پایش و نقشه‌برداری سیلاب در مدیریت بهینه بلایا، استفاده از تصویرهای ماهواره‌ای است. اگرچه تصویرهای راداری با دیافراگم مصنوعی (SAR) سنتینل-1 در شرایط ابری برای شناسایی مناطق سیلابی مفید هستند، اما این روش نیز محدودیت‌هایی دارد. حساسیت داده‌های راداری به پوشش گیاهی متراکم و سازه‌های عمودی ممکن است باعث برآورد کم یا زیاد مناطق آب‌گرفته شود. هم‌چنین، شاخص آب تفاضلی بهنجار‌شده (NDWI)، شاخص آب تفاضلی بهنجار‌شده اصلاح‌شده (MNDWI) و شاخص استخراج خودکار آب (AWEI) به‌دست آمده از داده‌های نوری در شرایط ابری یا سایه گیاهان ممکن است خطا داشته باشند و باعث شناسایی ناقص یا اشتباه مناطق سیلابی شوند. ازاین‌رو، نتایج به‌دست آمده از هر دو روش باید با دقت تفسیر شوند و با ترکیب داده‌های راداری و نوری می‌توان این محدودیت‌ها را کاهش داد، ولی آن‌ها را به‌طور کامل از بین نمی‌برد. ازاین‌رو، در این پژوهش داده‌های رادار و نوری با استفاده از شاخص‌های سنجش از دور مرتبط با طیف آب، تحلیل و مقایسه شدند و مناطق سیلابی در آبخیز کرخه در استان خوزستان شناسایی شد. مواد و روش‌ها در آبخیز کرخه در ماه‌های فروردین و اردیبهشت 1398 سیلاب گسترده و غیرقابل پیش‌بینی رخ می‌‌دهد که منجر به خسارت قابل توجهی می‌شود. بر این اساس، منطقه‌ای به مساحت 3/3838 کیلومترمربع انتخاب شد. در این پژوهش، از سه روش مختلف برای شناسایی و تحلیل آب‌های سطحی ناشی از سیلاب استفاده شد: (1) در راستای آشکارسازی تغییرات، از داده‌های سه بازه زمانی شامل پیش از فصل کشاورزی (6 مهر تا 3 آبان 1397)، پس از فصل کشاورزی (9 اسفند 1397 تا 5 فروردین 1398) و هنگام سیلاب (8 فروردین تا 5 اردیبهشت 1398) استفاده شد. (2) تصویرهای SAR به‌دست آمده از ماهواره سنتینل-1 با قطبش‌های VV و VH با استفاده از فیلتر Refined Lee و الگوریتم آستانه Otsu به‌منظور شناسایی پهنه‌های سیلابی، پردازش شدند. (3) برای استخراج دقیق‌تر آب‌های سطحی از تصویرهای نوری، شاخص‌های طیفی آب شامل NDWI، MNDWI و AWEI به‌دست آمده از ماهواره سنتینل-2 استفاده شد. شایان ذکر است که AWEI در دو نسخه بدون سایه برای مناطق باز و با سایه برای کاهش اثر سایه در نواحی شهری و کوهستانی وجود داشت که در این پژوهش از نسخه بدون سایه استفاده شد. در پایان، با تلفیق نتایج به‌دست آمده از روش‌های راداری و نوری و تحلیل تغییرات چندزمانه، نقشه‌های جامعی از گسترش سیلاب تولید و اعتبارسنجی شد. نتایج و بحث نتایج این پژوهش نشان داد عملکرد قطبش VH با اندازة 254 کیلومترمربع در تشخیص مناطق سیلابی کمی بهتر از قطبش VV با اندازة 252 کیلومترمربع بود. با یک روش ترکیبی و استفاده از هر دو قطبش و فقط با انتخاب مناطقی با پراکندگی بازگشتی کم در هر دو قطبش، 239 کیلومترمربع از مناطق سیلابی، شناسایی شد. ترکیب قطبش‌ها دقت و قابلیت اطمینان نقشه‌برداری سیلاب را بهبود بخشید و به‌دلیل حساس نبودن رادار به پوشش ابر و شرایط روشنایی، نسبت به داده‌های نوری، برتری داشت. نتایج تجزیه و تحلیل زمانی آب‌های دائمی و موقت در روش ترکیبی (VV+VH) در سه دوره نشان داد که پوشش آب پیش از فعالیت‌های کشاورزی زیاد (1560 کیلومترمربع) بود، در اواخر زمستان به اندازة 847 کیلومترمربع کاهش یافت. سپس، در طول رویداد سیلاب به تقریباً 974 کیلومترمربع افزایش یافت. با وجود آب کمتر در مقایسه با دوره پیش از فعالیت‌های کشاورزی، سیلاب گسترده‌ای به‌دلیل بارندگی شدید، ناگهانی و ظرفیت محدود زمین و زیرساخت‌ها رخ داد. با استفاده از MNDWI با اندازة 227 کیلومترمربع بیشترین مساحت پوشیده از آب، شناسایی شد. در حالی‌که با استفاده از AWEI، با اندازة 126 کیلومترمربع با رویکردی محافظه‌کارانه‌تر، فقط مناطق با احتمال بسیارزیاد وجود آب‌های سطحی، شناسایی شد. با ترکیب هر سه شاخص طیفی، مساحتی معادل ۶۲ کیلومترمربع به‌عنوان مناطق مستعد سیلاب، شناسایی شد. تغییرات میان شاخص‌ها به‌دلیل تفاوت در باندهای طیفی و حساسیت به وجود آب است. نتایج تحلیل NDWI، MNDWI و AWEI، نشان داد تغییرات گستردگی آب دائمی و موقت در طول سیلاب قابل توجه بود به‌طوری که از 98 کیلومترمربع به 324 کیلومترمربع افزایش یافت. روش آستانه‌گذاری Otsu به‌طور مؤثر برای استانداردسازی و طبقه‌بندی مناطق آبی در میان شاخص‌ها به‌کار گرفته شد. نتیجه‌گیری و پیشنهادها بر اساس نتایج این پژوهش می‌توان نتیجه گرفت که تلفیق داده‌های راداری و نوری منجر به شناسایی ۵۸ کیلومترمربع از مناطق سیلابی شد و میان نتایج دو ماهواره 39% هم‌پوشانی بود. استفاده از این تلفیق، سبب افزایش چشم‌گیر دقت و قابلیت اطمینان شناسایی مناطق سیلابی شد. از آنجایی‌که تغییرات در گسترة آب فقط نشان‌دهنده رویداد یا شدت سیلاب نیست و بیانگر آن است که عامل‌های آب‌شناختی و مدیریتی نقش مهمتری در رویداد سیلاب دارند. ازاین‌رو، پیشنهاد می‌شود به‌منظور توسعه سامانه‌های هشدار اولیه و برنامه‌ریزی مدیریت بحران، از داده‌های ترکیبی ‌همراه با تجزیه و تحلیل عامل‌های محیطی، استفاده شود. افزون بر این، با بهره‌گیری از این روش امکان پهنه‌بندی دوره‌ای از سیلاب فراهم‌شده است که پیشنهاد می‌شود در توسعه اقدام های پیشگیرانه، مدیریت بهینه سیلاب و برنامه‌ریزی کشاورزی از آن استفاده شود.
کلیدواژه‌ها
الگوریتم Otsu؛ پهنه‌بندی سیل؛ تصویرهای SAR؛ شاخص‌های سنجش از دور؛ مدیریت سیل
عنوان مقاله [English]
Monitoring Flood-induced Surface Waters Using Different Remote Sensing-based Polarizations and Spectral Water Indices in the Karkheh Watershed
نویسندگان [English]
Zeinab Hazbavi¹؛ Marzieh Ghashamshami²
¹Associate Professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, Water Management Research Center, University of Mohaghegh Ardabili, Ardabil, Iran
²Former M.Sc. Student, Department of Range and Watershed Management, Faculty of Desert Studies, Semnan University, Semnan, Iran
چکیده [English]
Introduction and Goal According to global statistics, floods affect more than 40 % of the world's population and cause significant loss of life and property. In Iran, more than 80 % of cities are at risk of flooding. Therefore, investing in preventive measures and advanced technologies to combat floods is more necessary than ever. Preparedness and risk reduction before disasters could significantly reduce the cost of post-disaster recovery. Accurate mapping and long-term monitoring of floods play a key role in planning and prevention. One of the efficient tools for monitoring and mapping floods in optimal disaster management is the use of satellite imagery. Although Sentinel-1 synthetic aperture radar (SAR) images are useful for identifying flood areas in cloudy conditions, this method also has limitations. The sensitivity of radar data to dense vegetation and vertical structures may lead to under- or over-estimation of flooded areas. Besides, the Normalized Differential Water Index (NDWI), Modified Normalized Differential Water Index (MNDWI), and Automatic Water Extraction Index (AWEI) obtained from optical data in cloudy or plant shadows may have errors and cause incomplete or incorrect identification of flood areas. Therefore, the results obtained from both methods should be interpreted carefully, and combining radar and optical data can reduce these limitations, but does not completely eliminate them. Therefore, in this study, radar and optical data were analyzed and compared using remote sensing indices related to the water spectrum, and flooded areas were identified in the Karkheh watershed in Khuzestan Province. Materials and Methods In the Karkheh watershed, widespread and unpredictable flood occur in the months of March and April 2019, which resulted in significant damage. Accordingly, an area of 3838.3 km² was selected. In this study, three different methods were used to identify and analyze surface water caused by flooding: (1) to detect changes, data from three time periods were used, including pre-agriculture season (September 28 to October 25, 2018), post-agriculture season (February 28 to March 25, 2019), and during the flood (March 28 to April 25, 2019). (2) SAR images obtained from the Sentinel-1 satellite with VV and VH polarizations were processed using the Refined Lee filter and the Otsu threshold algorithm to identify flooded areas. (3) To more accurately extract surface water from optical images, spectral water indices including NDWI, MNDWI, and AWEI obtained from the Sentinel-2 satellite were used. It is worth noting that AWEI was available in two versions: shadowless for open areas and shaded to reduce the effect of shadow in urban and mountainous areas, and the shadowless version was used in this study. Finally, by combining the results from radar and optical methods and analyzing multi-temporal variations, comprehensive maps of flood spread were produced and validated. Results and Discussion The results of this study showed that the performance of the VH polarization with a value of 254 km² was slightly better in detecting flood areas than the VV polarization with a value of 252 km². With a combined method using both polarizations and only selecting areas with low backscatter in both polarizations, 239 km² of flooded regions were identified. The Combination of polarizations improved the accuracy and reliability of flood mapping and was superior to optical data because the radar was insensitive to cloud cover and lighting conditions. The results of temporal analysis of permanent and temporary water in the combined method (VV+VH) in three periods revealed that water coverage was high (about 1560 km²) pre-agricultural activities, decreased to 847 km² in late winter. Then increased to approximately 974 km² during the flood event. Despite lower water compared to the pre-agriculture period, a widespread flood occurred due to intense, sudden rainfall and the limited land and infrastructure capacity. The largest area covered by water was identified using MNDWI with an area 227 km². While the AWEI, with a value of 126 km², with a more conservative approach, only areas with a very high probability of surface water were identified. By combining all three spectral indices, an area of 62 km² was identified as flood-prone areas. The variations between the indices are due to the differences in spectral bands and sensitivity to water. Analysis of the results of the NDWI, MNDWI and AWEI showed that the changes in permanent and temporary water extent during the flood were significant, increasing from 98 km²to 324 km². The Otsu thresholding method was effectively applied to standardize and classify water areas across indices. Conclusion and Suggestions Based on the results of this study, it concluded that combining radar and optical data led to the identification of 58 km² of flood areas, and there was a 39% overlap between the results of the two satellites. Using this combination significantly increased the accuracy and reliability of identifying flood-affected areas. Since changes in water extent do not only indicate the occurrence or severity of floods, it indicates that hydrological and management factors play a more important role in flood occurrence. Therefore, it is suggested that combined data, along with environmental factor analysis, be used to develop early warning systems and crisis management planning. In addition, using this method allows for periodic zoning of floods, which is recommended for use in developing preventive measures, optimal flood management, and agricultural planning.
کلیدواژه‌ها [English]
Flood management, flood mapping, Otsu algorithm, remote sensing indices, SAR images

مراجع
Agnihotri A. K, Ohri A, Gaur S, Das N, Mishra S. 2019. Flood inundation mapping and monitoring using SAR data and its impact on Ramganga River in Ganga Basin. Environmental Monitoring and Assessment. 191:1–16. https://doi.org/10.1007/s10661-019-7903-4 Amarnath G, Rajah A. 2016. An evaluation of flood inundation mapping from MODIS and ALOS satellites for Pakistan. Geomatics, Natural Hazards and Risk. 7(5):1526–1537. https://doi.org/10.1080/19475705.2015.1084953 Albertini C, Gioia A, Iacobellis V, Manfreda S. 2022. Detection of surface water and floods with multispectral satellites. Remote Sensing. 14(23):1-24. https://doi.org/10.3390/rs14236005 Amini L, Argany M, Abdollahi Kakroodi A. 2022. Detection of flooded areas in Golestan Province using VV, VH and VV + VH polarizations of Sentile-1 and Landsat-8 images. Journal of Geography and Environmental Studies. 11(43):94-107. (In Persian). https://doi.org/20.1001.1.20087845.1401.11.43.6.7 Amitrano D, Di Martino G, Di Simone A, Imperatore P. 2024. Flood detection with SAR: A review of techniques and datasets. Remote Sensing. 16(4):38p. https://doi.org/10.3390/rs16040656 Anusha N, Bharathi B. 2020. Flood detection and flood mapping using multi-temporal synthetic aperture radar and optical data. The Egyptian Journal of Remote Sensing and Space Science. 23(2):207–219. https://doi.org/10.1016/j.ejrs.2019.01.001 Argenti F, Lapini A, Bianchi T, Alparone L. 2013. A tutorial on speckle reduction in synthetic aperture radar images. IEEE Geoscience and Remote Sensing Magazine. 1(3):6-35. https://doi.org/10.1109/MGRS.2013.2277512 Atchyuth BAS, Swain R, Das P. 2023. Near Real-time Flood Inundation and Hazard Mapping of Baitarani River Basin using Google Earth Engine and SAR Imagery. Environmental Monitoring and Assessment. 10 p. https://doi.org/10.21203/rs.3.rs-3113777/v1 Attarchi S. 2019. Efficiency evaluation of SAR-derived indices in urban impervious surfaces extraction using full polarimetric image. Geographical Urban Planning Research (GUPR). 7(4):837-854. (In Persian). https://doi.org/10.22059/jurbangeo.2019.288561.1162 Bagheri Harooni M. H, Farzaneh M, Rayegani B. 2022. Development of remote sensing-based flood estimation methodology in Google Earth Engine. Environment and Interdisciplinary Development. 7(76):12-26. (In Persian). https://doi.org/10.22034/envj.2022.154826 Bao Y, Lin L, Wu S, Deng KAK, Petropoulos G.P. 2018. Surface soilmoisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model. International Journal of Applied Earth Observation and Geoinformation. 72:76–85. https://doi.org/10.1016/j.jag.2018.05.026 Breznik J, Oštir K, Rak G. 2025. The potential of Sentinel-1 imagery for flood event detection: A satellite vs. hydraulic model comparison. Journal of Hydrology. 651: 1-16. https://doi.org/10.1016/j.jhydrol.2024.132587 Bhatt C.M, Rao G.S. 2016. Ganga floods of 2010 in Uttar Pradesh, north India: A perspective analysis using satellite remote sensing data. Geomatics, Natural Hazards and Risk. 7(2):747-763. doi/full/10.1080/19475705.2014.949877 Borah SB. 2018. Flood inundation mapping and monitoring in Kaziranga National Park, Assam using Sentinel-1 SAR data. Environmental Monitoring and Assessment. 190(9):9p. https://doi.org/10.1007/s10661-018-6893-y Bouhennache R, Bouden T, Taleb-Ahmed A, Cheddad A. 2019. A new spectral index for the extraction of built-up land features from Landsat 8 satellite imagery. Geocarto International. 34(10):32p. https://dx.doi.org/10.1080/10106049.2018.1497094 Bucur A, Wagner W, Elefante S, Naeimi V, Briese C. 2018. Development of an earth observation cloud platform in support to water resources monitoring. Earth Observation Open Science and Innovation. pp. 275–283. Chen M, Zhang R, Jia M, Cheng L, Zhao C, Li H, Wang Z. 2024. Accurate and rapid extraction of aquatic vegetation in the China side of the Amur River Basin Based on landsat imagery. Remote Sensing. 16(654):16 p. https://doi.org/10.3390/rs16040654 Cian F, Marconcini M, Ceccato P. 2018. Normalized Difference Flood Index for rapid flood mapping: Taking advantage of EO big data. Remote Sensing of Environment. 209:712–730. https://dx.doi.org/10.1016/j.rse.2018.03.006 Cui J, Zhang X, Wang W. 2020. Integration of optical and SAR remote sensing images for crop-type mapping based on a novel object-oriented feature selection method. International Journal of Agricultural and Biological Engineering. 13(1):178–190. https://dx.doi.org/10.25165/j.ijabe.20201301.5285 Dodange P, Ebadi H, Kayani A. 2021. Identification of flood areas with time series statistical calculations based on combining radar and optical data. Ecohydrology. 8(3):639-623. (In Persian). https://doi.org/10.22059/ije.2021.322145.1495. Domeneghetti A, Schumann GJP, Tarpanelli A. 2019. Preface: Remote sensing for flood mapping and monitoring of flood dynamics. Remote Sensing. 11(8):943. https://doi.org/10.3390/rs11080943 Echendu AJ. 2023. Human factors vs climate change; experts’ view of drivers of flooding in Nigeria. Natural Hazards Research. 3(2):240–246. https://doi.org/10.1016/j.nhres.2023.04.002 Elhaddad H, Sultan M, Yan E, Abdelmohsen K, Mohammad AT, Badawy A, Hadi K, Hassan S, Mustafa M. 2024. Optimization of floodwater redistribution from Lake Nasser could recharge Egypt’s aquifers and mitigate its excessive floods. Communications Earth and Environment. 5(385):11p. https://doi.org/10.1038/s43247-024-01532-2 Feyisa GL, Meilby H, Fensholt R, Proud SR. 2014. AutomatedWater Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment. 140:23–35. https://doi.org/10.1016/j.rse.2013.08.029 GAO W, Shen Q, Zhou Y, Li X. 2018. Analysis of flood inundation in ungauged basins based on multi-source remote sensing data. Environmental Monitoring and Assessment. 190(3):13p. https://link.springer.com/article/10.1007%2Fs10661-018-6499-4 Ghaffarian S, Kerle N, Filatova T. 2018. Remote sensing-based proxies for urban disaster risk management and resilience: A review. Remote Sensing. 10(11):30p. https://doi.org/10.3390/rs10111760 Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D, Moore R. 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment. 202:18–27. https://doi.org/10.1016/j.rse.2017.06.031 Günen MA, Atasever UH. 2024. Remote sensing and monitoring of water resources: A comparative study of different indices and thresholding methods. Science of The Total Environment. 926:30 p. https://doi.org/10.1016/j.scitotenv.2024.172117 Hu X, Wang Y. 2022. Monitoring coastline variations in the Pearl River Estuary from 1978 to 2018 by integrating Canny edge detection and Otsu methods using long time series Landsat dataset. Catena. 209(2):16 p. https://doi.org/10.1016/j.catena.2021.105840 Karakus P. 2025. Detection of water surface using Canny and Otsu threshold methods with machine learning algorithms on Google Earth Engine: A case study of Lake Van. Applied Science. 15:22p. https://doi.org/10.3390/app15062903 Karimi M, Shahedi K, Raziei T, Miryaghoobzadeh M. 2020. Analysis of Performance of vegetation indices on agricultural drought using remote sensing technique in Karkheh Basin. Iranian Journal of Remote Sensing and GIS. 11(4):29-46. (In Persian). https://doi.org/10.52547/gisj.11.4.29 Khalid HW, Khalil R, Qureshi MA. 2021. Evaluating spectral indices for water bodies extraction in western Tibetan Plateau. The Egyptian Journal of Remote Sensing and Space Science. 24(3):619-634. https://doi.org/10.1016/j.ejrs.2021.09.003 Konami T, Koga H, Kawatsura A. 2021. Role of pre-disaster discussions on preparedness on consensus-making of integrated flood management (IFM) after a flood disaster, based on a case in the Abukuma River Basin, Fukushima. Japan. International Journal of Disaster Risk Reduction. 53:12p. https://doi.org/10.1016/j.ijdrr.2020.102012 Kim B, Han Y, Kim Y, Kim Y. 2013 Generation of cloud-free imagery using Landsat-8. In: Paper SC02-0828 in the 34^th Asian Conference on Remote Sensing, Proceedings. ACRS. pp. 20–24. Krongthaeo S, Piaseu N, Junda T, Wall B. M. 2021. Community-based flood preparedness for Thai dependent older adults. International Journal of Disaster Risk Reduction. 63:10p. https://doi.org/10.1016/j. ijdrr.2021.102460 Kumar L, Mutanga O. 2018. Google Earth Engine applications since inception: Usage, trends, and potential. Remote Sensing. 10(10):15p. https://doi.org/10.3390/rs10101509 Kumar R. 2019. Flood inundation and hazard mapping of 2017 floods in the rapti river basin using sentinel-1a synthetic aperture radar images. Applications and Challenges of Geospatial Technology.77–98. https://dx.doi.org/10.1007/978-3-319-99882-4_6 Manjusree P, Prasanna Kumar L, Bhatt C. M, Rao GS, Bhanumurthy V. 2012. Optimization of threshold ranges for rapid flood inundation mapping by evaluating backscatter profiles of high incidence angle SAR images. International Journal of Disaster Risk Science. 3(2):113–122. https://dx.doi.org/10.1007/s13753-012-0011-5 McFeeters SK. 1996. Theuse of the Normalized DifferenceWater Index (NDWI) in the delineation of open water features. Int. J. Remote Sensing. 17:1425–1432. https://dx.doi.org/10.1080/01431169608948714 Mohamadiazar N, Ebrahimian A, Hosseiny H. 2024. Integrating deep learning, satellite image processing, and spatial-temporal analysis for urban flood prediction. Journal of Hydrology. 639:13 p. https://doi.org/10.1016/j.jhydrol.2024.131508 Ohki M, Watanabe M, Natsuaki R, Motohka T, Nagai H, Tadono T, Suzuki S, Ishii K, Itoh T, Yamanokuchi T. 2016. Flood area detection using ALOS-2 PALSAR-2 data for the 2015 heavy rainfall disaster in the Kanto and Tohoku Area. The Remote Sensing Society of Japan. 36(4):348–359. https://dx.doi.org/10.11440/rssj.36.348 Otsu N. 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics. 9(1):62-66. https://doi.org/10.1109/TSMC.1979.4310076 Parida B. R, Tripathi G, Pandey A. C, Kumar A. 2022. Estimating floodwater depth using SARderived flood inundation maps and geomorphic model in kosi river basin (India). Geocarto International. 37(15):4336–4360. https://dx.doi.org/10.1080/10106049.2021.1899298 Peymankhah P, Attarchi S, Moharrami M. 2023. Rapid Flood Monitoring Using Sentinel-1 and Landsat-8 Images (Case study: Kashkan River, Poldakhter City). Nivar. 47(122-123):82-94. (In Persian). https://doi.org/10.30467/nivar.2023.417413.1265 Pflumm L, Kang H, Wilting A, Niedballa J. 2025. GEE‐PICX: Generating cloud‐free Sentinel‐2 and Landsat image composites and spectral indices for custom areas and time frames–a Google Earth Engine web application. Ecography. 7 p. https://doi.org/10.1111/ecog.07385 Rahman R, Thakur P. 2018. Detecting, mapping and analysing of flood water propagation using synthetic aperture radar (SAR) satellite data and GIS: A case study from the Kendrapara District of Orissa State of India. The Egyptian Journal of Remote Sensing and Space Science. 27:S37-S41. https://doi.org/10.1016/j.ejrs.2017.10.002 Raikes J, Smith TF, Jacobson C, Baldwin C. 2019. Pre-disaster planning and preparedness for floods and droughts: A systematic review. International Journal of Disaster Risk Reduction, 38:10p. https://doi.org/10.1016/j.ijdrr.2019.101207 Rajabizadeh Y, Ayyoubzadeh SA, Ghomeshi M. 2019. Flood Survey of Khuzestan Province in 97-98 and Providing Solutions for its Control and Management in the Future. Journal of Ecohydrology. 6(4):1069-1084. (In Persian). https://doi.org/10.22059/ije.2020.285854.1166 Rajendiran N, Kumar LS. 2023. Pixel level feature extraction and machine learning classification for water body extraction. Arabian Journal for Science and Engineering. 48(1):9905–9928 https://dx.doi.org/10.1007/s13369-022-07389-x Sadian A, Shafizadeh-Moghadam H. 2021. Investigation of land use changes in Karkheh Watershed during 1990 and 2020 using Google Earth Engine platform and Landsat satellite images. Iranian Journal of Soil and Water Research. 52(10):2569-2580. (In Persian). https://doi.org/10.22059/ijswr.2021.330075.669068 Sari Y, Prakoso PB, Baskara AR. 2019. Road crack detection using support vector machine (SVM) and OTSU algorithm. In Proceedings of the 2019 6^th International Conference on Electric Vehicular Technology (ICEVT), Bali, Indonesia. 18–21 November. pp. 349–354. https://dx.doi.org/10.1109/ICEVT48285.2019.8993969 Singh G, Singh Rawat K. 2024. Mapping flooded areas utilizing Google Earth Engine and open SAR data: a comprehensive approach for disaster respons. Discover Geoscience. 2(5):13 p. https://doi.org/10.1007/s44288-024-00006-4 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. https://doi.org/10.1016/j.isprsjprs.2020.04.001 Tavares PA, Beltrão NES, Guimarães US, Teodoro AC. 2019. Integration of sentinel-1 and sentinel-2 for classification and LULC mapping in the urban area of Belém, Eastern Brazilian Amazon. Sensors. 19(5):11 p. https://dx.doi.org/10.3390/s19051140 Tran T, Lakshmi V. 2024. Enhancing human resilience against climate change: Assessment of hydroclimatic extremes and sea level rise impacts on the Eastern Shore of Virginia, United States. Science of the Total Environment, 947:12 p. https://doi.org/10.1016/j.scitotenv.2024.174289 Uddin K, Matin MA, Thapa RB. 2021. Rapid flood mapping using multi-temporal SAR images: An example from Bangladesh. In: Bajracharya, B., Thapa, R.B., Matin, M.A. (eds) Earth Observation Science and Applications for Risk Reduction and Enhanced Resilience in Hindu Kush Himalaya Region. Springer, Cham., 201-211. https://dx.doi.org/10.1007/978-3-030-73569-210 Uzun M. 2024. Analysis of Manyas Lake surface area and shoreline change over various periods with DSAS tool. Turkish Journal of Remote Sensing. 6(1):35–56. https://doi.org/10.51489/tuzal.1443490 Xu H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing. 27(14):3025–3033. https://dx.doi.org/10.1080/01431160600589179 Yamada Y. 2008. Morphological analysis of flood inundated regions in paddy areas using ALOS/PALSAR data and its distribution on the Google Earth–Design of the Future Disaster Management System (FDMS). In The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. Vol. 37, Part B4,6p. Beijing. https://isprs.org/proceedings/XXXVII/congress/4pdf/195.pdf Yılmaz OS. 2023. Automatic detection of water surfaces using K-means++ clustering algorithm with Landsat-9 and Sentinel-2 images on the Google Earth Engine platform. Bilge International Journal of Science and Technology Research. 7(2):105–111. https://dx.doi.org/10.30516/bilgesci.1262550 You N, Han L, Liu Y, Zhu D, Zuo X, Song W. 2023. Research on Wavelet Transform modulus maxima and OTSU in edge detection. Applied Sciences. 13(16):15p. https://doi.org/10.3390/app13074454 Zhang G, Wu M, Wei J, He Y, Niu L, Li H, Xu G. 2021. Adaptive threshold model in google earth engine: A case study of Ulva prolifera extraction in the south yellow sea, China. Remote Sensing. 13(16):25p. https://doi.org/10.3390/rs13163240 Zhu D, Zhou C, Zhu Y, Wang T, Zhang C. 2023. Monitoring of supraglacial lake distribution and full-year changes using multisource time-series satellite imagery. Remote Sensing. 15(24):16p https://doi.org/10.3390/rs15245726
آمار تعداد مشاهده مقاله: 123 تعداد دریافت فایل اصل مقاله: 79

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

اخبار و اعلانات

آمار

پایش آب‌های سطحی سیلاب با استفاده از قطبش‌های مختلف و شاخص‌های طیفی آب مبتنی بر سنجش از دور در آبخیز کرخه