نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

شناسایی و قطعه‌بندی مناطق متاثر از سیلاب به کمک تصاویر ماهواره‌ای و روش‌های یادگیری عمیق

نوع مقاله : مقاله پژوهشی

نویسندگان
محدثه مسواری 1
رضا شاه حسینی 2
1 گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران
2 گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران
10.22125/iwe.2023.398951.1721
چکیده
سیل از جمله مخاطرات طبیعی است که در بسیاری از نقاط جهان به وقوع پیوسته و خسارات جبران ناپذیری را بر جای می-گذارد. شناسایی دقیق مناطق تحت سیلاب از جمله نکات حائز اهمیت در روند کنترل این بحران به شمار می‌آید. همچنین پیش‌بینی مناطق سیل‌خیز می‌تواند گامی اساسی در پیش-گیری و کاهش خسارات مالی و تلفات جانی تلقی گردد. در این مقاله به کمک تصاویر ماهواره‌ای Sentinel-1 و شبکه یادگیری عمیق کدگذار-کدگشا پدیده‌ی سیل در تصاویر، شناسایی و قطعه‌بندی شده‌است. تصاویر این ماهواره در باند C به صورت تک پلاریزه (HH و VV) و یا به صورت پلاریزاسیون (VV+VH و HH+HV) موجودند. این تصاویر متعلق به مناطق Nebraska، North Alabama، Bangladesh، Red River North و Florence بوده و نقشه واقعیت زمینی هر تصویر که در آن کلاس هدف و غیرهدف به صورت 0 و 1 نشان داده شده‌اند، در سال 2021 توسط سازمان ناسا در اختیار شرکت‌کنندگان مسابقه ETCI قرار گرفته‌است. در این مقاله به کمک شبکه عصبی کانوولوشنی کدگذار-کدگشا و تصاویر ماهواره‌ای مذکور، فرایند شناسایی و قطعه‌بندی مناطق متاثر از سیلاب صورت گرفته‌است. در این شبکه هریک‌ از مسیرهای کدگذار و کدگشا متشکل از لایه‌های کانوولوشنی ‌است که به ترتیب فرایند استخراج ویژگی و هم‌چنین بازیابی این ویژگی‌ها را برعهده دارند. نحوه عملکرد این روش توسط معیارهای ارزیابی شامل صحت، IoU، F1-Score و کاپا مورد بررسی قرار گرفته‌است. میزان IoU به دست آمده در روند ارزیابی برابر 96.04 درصد بوده که نسبت به سایر روش‌های مورد بررسی در سایر مطالعات موجود(که حداکثر برابر 76.81 درصد بوده‌است) بالاتر است.
کلیدواژه‌ها
شبکه عصبی کانوولشنی عمیق
یادگیری عمیق
تشخیص سیلاب
قطعه‌بندی
تصاویر ماهواره‌ای Sentinel-1
موضوعات

عنوان مقاله English

Detection and segmentation of flood-affected areas using satellite images and deep learning methods

نویسندگان English

Mohadeseh Mesvari 1
Reza Shah-Hoseini 2
1 School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
2 School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran
چکیده English

Floods are one of the natural hazards that occur in many parts of the world and cause irreparable financial and human losses. One of the most important aspects of controlling this crisis is the accurate identification of flooded areas. Also, it is important to predict flood-prone areas in order to prevent and reduce losses and casualties related to flooding. In this article, with the help of Sentinel-1 satellite images and a deep learning encoder-decoder network, the flood phenomenon in the images has been identified and segmented. These images belong to the regions of Nebraska, North Alabama, Bangladesh, Red River North, and Florence, and the ground truth map of each image, in which the target and non-target classes are shown as 0 and 1, was provided by NASA in 2021. In this article, flood-affected areas have been identified and segmented using encoder-decoder convolutional neural networks and the aforementioned satellite images. This network consists of encoder and decoder paths each containing convolutional layers which are responsible for extracting features and recovering these features, respectively. Various evaluation criteria were used to evaluate the performance of this method, including accuracy, IoU, F1-Score, and Kappa. This method has shown very good performance in the process of identifying and segmenting flooded areas based on the results obtained. The IoU obtained during the evaluation process was 96.04%, which is higher than the highest IoU obtained in other comparable studies (76.81%).

کلیدواژه‌ها English

Deep convolutional neural network
deep learning
flood detection
segmentation
Sentinel-1 satellite imagery
      یوسفی, et al., 2022, تعیین پتانسیل سیل با استفاده از مدل‌های یادگیری ماشین CART، GLM و GAM (مطالعه موردی: حوضه کشکان). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 12(4): p. 84-105.
      مرادیانی, اختری, and آذری, 2020, پیش‌بینی سیل با استفاده از تلفیق تصاویر ماهواره‌ای و مدل بارش-رواناب در مناطق فاقد آمار. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 11(1): p. 211-226.
      معنوی, et al., 2022, پتانسیل تولید سیلاب و تعیین مناطق مولد سیل با استفاده از نرم افزار ArcGIS و مدل ModClark در حوضه تالار. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 12(4): p. 470-486.
      ), ا.ف.و.ه., ارزیابی خسارات سیل شهر تبریز و راهکارهای مدیریت آن. اولین کنفرانس ملی مدیریت سیلابهای شهری.
      Water, U., 2020, Water and climate change. The United Nations World Water Development Report; UNESCO: Paris, France.
      Kalantari, Z., et al., 2017, Urbanization development under climate change: Hydrological responses in a peri‐urban Mediterranean catchment. Land degradation & development. 28(7): p. 2207-2221.
      Zhao, G., et al., 2020, Urban flood susceptibility assessment based on convolutional neural networks. Journal of Hydrology. 590: p. 125235.
      Lei, X., et al., 2021, Urban flood modeling using deep-learning approaches in Seoul, South Korea. Journal of Hydrology. 601: p. 126684.
      Li, Y., S. Martinis, and M. Wieland, 2019, Urban flood mapping with an active self-learning convolutional neural network based on TerraSAR-X intensity and interferometric coherence. ISPRS Journal of Photogrammetry and Remote Sensing. 152: p. 178-191.
      Feng, Q., J. Liu, and J. Gong, 2015, Urban flood mapping based on unmanned aerial vehicle remote sensing and random forest classifier—A case of Yuyao, China. Water. 7(4): p. 1437-1455.
      Abdulaal, M., et al. Unmanned Aerial Vehicle based flash flood monitoring using Lagrangian trackers. in International Workshop on Robotic Sensor Networks. Cyber-physical systems. 2014.
      Perks, M.T., et al., 2020, Towards harmonisation of image velocimetry techniques for river surface velocity observations. Earth System Science Data. 12(3): p. 1545-1559.
      Lee, S., et al., 2017, Spatial prediction of flood susceptibility using random-forest and boosted-tree models in Seoul metropolitan city, Korea. Geomatics, Natural Hazards and Risk. 8(2): p. 1185-1203.
      Twele, A., et al., 2016, Sentinel-1-based flood mapping: a fully automated processing chain. International Journal of Remote Sensing. 37(13): p. 2990-3004.
      Anni, A.H., S. Cohen, and S. Praskievicz, 2020, Sensitivity of urban flood simulations to stormwater infrastructure and soil infiltration. Journal of Hydrology. 588: p. 125028.
      Badrinarayanan, V., A. Kendall, and R. Cipolla, 2017, Segnet: A deep convolutional encoder-decoder architecture for image segmentation. IEEE transactions on pattern analysis and machine intelligence. 39(12): p. 2481-2495.
      Mesvari, M. and R. Shah-Hosseini, 2023, SEGMENTATION OF ELECTRICAL SUBSTATIONS USING DEEP CONVOLUTIONAL NEURAL NETWORK. ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci. X-4/W1-2022: p. 495-500.
      Tanguy, M., et al., 2017, River flood mapping in urban areas combining Radarsat-2 data and flood return period data. Remote Sensing of Environment. 198: p. 442-459.
      Balkaya, C., et al., 2015, Real-time identification of disaster areas by an open-access vision-based tool. Advances in Engineering Software. 88: p. 83-90.
      Jonkman, S., 2013, Loss of life due to floods: General overview. Drowning: Prevention, Rescue, Treatment: p. 957-965.
      Castelluccio, M., et al., 2015, Land use classification in remote sensing images by convolutional neural networks. arXiv preprint arXiv:1508.00092.
      De Raadt, A., et al., 2019, Kappa coefficients for missing data. Educational and Psychological Measurement. 79(3): p. 558-576.
      Huffman, M.D., et al. 2011, Incidence of cardiovascular risk factors in an Indian urban cohort: results from the New Delhi Birth Cohort, American College of Cardiology Foundation Washington, DC. p. 1765-1774.
      Karamouz, M., A. Hosseinpour, and S. Nazif, 2011, Improvement of urban drainage system performance under climate change impact: Case study. Journal of Hydrologic Engineering. 16(5): p. 395-412.
      Iqbal, U., et al., 2021, How computer vision can facilitate flood management: A systematic review. International Journal of Disaster Risk Reduction. 53: p. 102030.
      Ahile, S. and E. Andityavyar, 2014, Household Perception and Preparedness against Flooding in Makurdi Town, Benue State, Nigeria. IOSR Journal of Environmental Science, Toxicology and Food Technology. 8(11): p. 01-06.
      Muñoz, D.F., et al., 2021, From local to regional compound flood mapping with deep learning and data fusion techniques. Science of The Total Environment. 782: p. 146927.
      Wang, Y., et al., 2019, Flood susceptibility mapping in Dingnan County (China) using adaptive neuro-fuzzy inference system with biogeography based optimization and imperialistic competitive algorithm. Journal of environmental management. 247: p. 712-729.
      Paul, S. and S. Ganju, 2021, Flood segmentation on Sentinel-1 SAR imagery with semi-supervised learning. arXiv preprint arXiv:2107.08369.
      Kuenzer, C., et al., 2013, Flood mapping and flood dynamics of the Mekong Delta: ENVISAT-ASAR-WSM based time series analyses. Remote Sensing. 5(2): p. 687-715.
      Ashley, S.T. and W.S. Ashley, 2008, Flood fatalities in the United States. Journal of Applied Meteorology and Climatology. 47(3): p. 805-818.
      Islam, K.A., et al., 2020, Flood detection using multi-modal and multi-temporal images: A comparative study. Remote Sensing. 12(15): p. 2455.
      Ip, F., et al., 2006, Flood detection and monitoring with the Autonomous Sciencecraft Experiment onboard EO-1. Remote Sensing of Environment. 101(4): p. 463-481.
      Helber, P., et al., 2019, Eurosat: A novel dataset and deep learning benchmark for land use and land cover classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 12(7): p. 2217-2226.
      Guha-Sapir, D., R. Below, and P. Hoyois, 2016, EM-DAT: the CRED/OFDA international disaster database.
      Ferreira, C.S., et al., 2018, Effect of peri‐urban development and lithology on streamflow in a Mediterranean catchment. Land Degradation & Development. 29(4): p. 1141-1153.
      Kamilaris, A. and F.X. Prenafeta-Boldú, 2018, Disaster monitoring using unmanned aerial vehicles and deep learning. arXiv preprint arXiv:1807.11805.
      Langhammer, J. and T. Vacková, 2018, Detection and mapping of the geomorphic effects of flooding using UAV photogrammetry. Pure and Applied Geophysics. 175: p. 3223-3245.
      Udomsiri, S. and M. Iwahashi, 2008, Design of FIR filter for water level detection. World Academy of Science, Engineering and Technology. 48: p. 47-52.
      Nguyen, D.H. and D.-H. Bae, 2020, Correcting mean areal precipitation forecasts to improve urban flooding predictions by using long short-term memory network. Journal of Hydrology. 584: p. 124710.
      Qi, X., T. Wang, and J. Liu. Comparison of support vector machine and softmax classifiers in computer vision. in 2017 Second International Conference on Mechanical, Control and Computer Engineering (ICMCCE). 2017. IEEE.
      Arabameri, A., et al., 2019, A comparison of statistical methods and multi-criteria decision making to map flood hazard susceptibility in Northern Iran. Science of the Total Environment. 660: p. 443-458.
      GHOSH, B., S. Garg, and M. Motagh, 2022, Automatic Flood Detection from SENTINEL-1 Data Using Deep Learning Architectures. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 3: p. 201-208.
      Cherqui, F., et al., 2015, Assessing urban potential flooding risk and identifying effective risk-reduction measures. Science of the Total Environment. 514: p. 418-425.