پ۲۷۴۹۲
per
طبقه بندی مناطق احتمالی زمین لغزش درتصاویر ماهواره ای اپتیکال و راداری با استفاده از مدل Random Forest، منطقه مورد مطالعه استان گیلان
فاطمه اعتدادی علی آبادی
برنامه ریزی و علوم محیطی
۱۴۰۱
۱۱۷ص.
سی دی
کارشناسی ارشد
سنجش از دور و سیستم اطلاعات جغرافیایی گرايش سیستم اطلاعات جغرافیایی
۱۴۰۱/۰۶/۲۷
زمین لغزش به عنوان یک پدیدۀ پیچیده که به عوامل بسیاری وابسته است می تواند خطرات بسیاری در مناطق مختلف جهان ایجاد نماید، مناطق پرخطر در ایران بیشتر مناطق شمالی و کوهستانی ایران از جمله گیلان، مازندران، تهران و تبریز را شامل می شود. عواملی مانند شرایط زمین شناسی، مورفولوژیکی، هیدرولوژیکی، توپوگرافی منطقه، شرایط آب و هوایی و عوامـل انسانی می تواند منجر به ناپایداري شیب شوند اما تنها یک عامل وقوع آن را تشدید میکند و آغاز کننده لغزش شیب مـی باشـد. به زبان ساده عواملی هستند که باعث شکست شیب و ایجاد لغزش می شود، با وجود همه این عوامل در نهایت یک عامل وجود دارد که منجر به حرکت شیب شود. هدف در این پژوهش این است که مناطق دارای بیشترین احتمال زمین لغزش ها در استان گیلان را با استفاده از داده های تصاویر راداری و اپتیکال سنتینل، نمایش دهیم. برای این منظوربه دو روش پیکسل مبنا و شی گرا در محیط گوگل ارث انجین با استفاده از باندهای تصویر راداری و اپتیکال کلاسه بندی صورت گرفت. در روش شی گرا ابتدا سگمنت سازی با الگوریتم SNIC در گوگل ارث انجین، جهت تقسیم بندی عوارض در مقیاس مناسب و با توجه به رنگ و شکل به صورت آبجکت هایی که بیشترین شباهت را با یکدیگر دارند انجام می شود. که علاوه بر بررسی های طیفی و راداری موقعیت مکانی و هندسی عوارض از جمله زمین لغزش را در نتیجه نهایی دخالت داده است. جهت شناسایی بهترین مناطق احتمالی زمین لغزش، زمین لغزش را بر اساس دامنه (Amplitude) تصاویر راداری و شیب بالای 5 درصد ، شاخص خاک بایر (BSI) و پوشش گیاهی (NDVI)، GLCM و داده های آماری دو شاخص NDVI و BSI در تصاویر اپتیکال کلاسه بندی می کنیم. پس از این مرحله، مناطق زمین لغزش و غیر از زمین لغزش را به مدل معرفی می کنیم. با استفاده از مدل Random Forest و نمونه های تعلیمی ازاین داده های آموزشی، زمین لغزش کلاسه بندی می شود. در نهایت، با کمک داده های واقعی زمینی یا in situ data از زمین لغزش منطقه، صحت طبقه بندی بررسی شد. در این بررسی کوشش شده است تا با استفاده از داده های رایگان که توسط سازمان زمین شناسی ایالات متحده آمریکا (USGS) ، سازمان فضایی اروپا (European Space Agency) ارائه شده است و سامانه گوگل ارث انجین (GEE) موقعیت زمین لغزش بر روی استان گیلان در شمال ایران مطالعه شد. برای رسیدن به این هدف از الگوریتم های موجود در سامانه گوگل ارث انجین ازجمله کلاسه بندی Random Forest و اعمال فیلترهایی برای یافتن محدودۀ زمانی مناسب و بدون ابر، تصاویر میانگین جهت مطالعه و یافتن محدوده های محتمل زمین لغزش به صورت 0 و1 استفاده شده است. کلاسه بندی تصویر ماهواره ای در این پژوهش به روش های شی گرا و پیکسل مبنا در دو قسمت جداگانه انجام شده است. نتیجه حاصل از این پژوهش بیشتر زمین لغزش ها را در مناطق با شیب های بالا بعد از بارندگی ها در مناطق جنوبی و جنوب غربی استان نشان می دهد. این زمین لغزش ها در دامنه های شمالی البرز به ندرت نمایش داده شدند. نمایش زمین لغزش ها در این پژوهش با استفاده از مشاهدات سطحی ماهواره ها بوده و به طور طبیعی همه زمین لغزش ها را به روش استفاده شده در این پژوهش قابل شناسایی نیست. دقت کلی بعد از صحت سنجی در روش پیکسل مبنا 0.90 و به روش شی گرا 0.92 می باشد. نتیجه نهایی در حالت پیکسل مبنا در کل منطقه تعداد پیکسل های وقوع زمین لغزش های احتمالی در پنج کلاس شیب منطقه به کل پیکسل های زمین لغزش به ترتیب 0.07، 0.27، 0.28، 0.22 و 0.15 در حالت شی گرا در کل منطقه تعداد پیکسل های وقوع زمین لغزش های احتمالی در پنج کلاس شیب منطقه به کل پیکسل های زمین لغزش به ترتیب 0 ، 0.26، 0.31، 0.25 و 0.17 محاسبه شد.
Abstract This study has focused on probability landslide zone in Gilan province during Google Earth Engine(GEE) using available Sentinel 1 and 2 data. At the first place, we provided maps from NDVI, BSI and Radar Amplitude difference contain slope and curvature for a primitive map. Image collection filtered by slope, date and cloud area to capture restricted area that are more probable for occurring landslide zones. In the second place, Random Forest algorithm applied to classify landslide. For accurate decision about classification, SNIC algorithm in GEE applied to segment study area in Object base method and Amplitude RADAR difference applied alonge the pixel based method. In addition, Segmentation of study area demonstrate texture, color, shape and feature relatives in addition magnitude spectrum. In the end, the accuracy assessment of classification executed during error matrix contain training and ground truth data. After adding GLCM and statistical indecies the accuracy of model shows a prominent increase. Validation Kappa accuracy in Pixel-based method was 0.79 and in Object-based method the kappa accuracy was 0.96. The results show percent of occurence of landslides in 5 class of slope into two methods. Pixel based method show 7, 27, 28, 22, 15 percent and Object-based method show 0, 26, 31, 25, 17 percent in 5 class of slope area of interest.
Susceptibility Landslide Classification in SAR and Optical Satellite Images using Random Forest Model in Google Earth Engine (Case Study Gilan Province)
اعتدادی علی آبادی،
فاطمه
تهيه کننده
بیاتی خطیبی،
کریم زاده،
مریم
صدرا
استاد راهنما
استاد مشاور
تبریز
