شناسایی مناطق مستعد سیلاب با یادگیری ماشین در گوگل ارث انجین

یکی از خطرناکترین بلایای طبیعی که در مناطق مختلف جهان از جمله کشور ایران سالیانه رخ میدهد سیلاب است. سیلاب‌ ها هر سال جان و دارایی میلیون ها نفر را تهدید می کنند، و پیش از هر تصمیمی در مدیریت بحران و برنامه‌ریزی زمین، یک پرسش مطرح است: کدام مناطق بیشتر در معرض سیل‌اند؟. علم سنجش از دور با تهیه داده ها و لایه های اطلاعات مختلف در زمینه سیلاب کمک بسیار زیادی به علوم طبیعی خواهد کرد. در دوره شناسایی مناطق مستعد سیلاب با یادگیری ماشین در گوگل ارث انجین هدف استفاده از مدل های یادگیری ماشین برای شناسایی و تهیه نقشه حساسیت سیلاب می باشد.
در این دوره آموزشی با ترکیب داده‌ های ماهواره ای، سابقه ی واقعی سیل های دو ده ه‌ی اخیر و یادگیری ماشین، مناطق مستعد سیلاب را شناسایی می کنید، بدون دانلود حتی یک گیگابایت داده و فقط در محیط ابری گوگل ارث انجین. هدف فقط ساختن یک نقشه نیست؛ یاد می گیرید نتیجه‌ی خود را بسنجید و تشخیص دهید نقشه‌تان واقعاً قابل‌اعتماد است یا فقط زیبا به نظر می‌رسد.

ویژگی دوره شناسایی مناطق مستعد سیلاب با یادگیری ماشین در گوگل ارث انجین

عنوان کلی: تهیه نقشه حساسیت به سیلاب در با کمک یادگیری ماشین
نرم‌افزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر : پایگاه داده‌ی جهانی سیل (gfd)، لندست، SRTM، landsat
کد آماده: دارد.

موارد آموزش داده شده در دوره شناسایی مناطق مستعد سیلاب با یادگیری ماشین در گوگل ارث انجین

اشنایی با مفهوم نقشه حساسیت سیل
آموزش تهیه نقشه مناطق سیلابی با دیتاست GFD
آموزش ایجاد لایه باینری سیلاب
آموزش تهیه نقشه فاصله از رودخانه ها ( تهیه آبراهه و فاصله از آن)
آموزش تهیه بارش منطقه
آموزش تهیه نقشه پوشش گیاهی و پهنه های ابی
آموزش تهیه نقشه ارتفاعی و شیب
آموزش رندم فارست با یک مدل بسیار نظارت شده
آموزش پیاده سازی رندم فارست
آموزش اعتبار سنجی بر اساس مدل های: صحت کلی، کاپا، ماتریس خطا، خطای یوزر و خطی تولید کننده
آموزش خروجی گرفتن از گوگل ارث انجین و تهیه نقشه های استاندارد در جی ای اس
آموزش تهیه نمودار Feature Importance
آموزش پیاده سازی مدل اموزش دیده شده در سایر مناطق

سیلاب و شناسایی آن با تصاویر ماهواره ای

سیلاب از پرتکرارترین و پرهزینه ترین بلایای طبیعی جهان است و هر سال جان، مسکن و معیشت میلیون ها نفر را تهدید می‌ کند. افزایش بارش‌ های شدید ناشی از تغییر اقلیم، تغییر کاربری زمین و گسترش سکونتگاه ها در حاشیه‌ی رودخانه‌ ها و دشت های سیلابی، دامنه و شدت خسارت ها را بیشتر کرده است. مدیریت مؤثر سیلاب، چه در زمان وقوع و چه پیش از آن، به اطلاعات مکانی دقیق، به روز و در سطح وسیع نیاز دارد. اندازه‌گیری های زمینی پر هزینه و محدودند و در زمان بحران دسترسی به منطقه همیشه ممکن نیست. تصاویر ماهواره‌ای این خلأ را پر می کنند، چون پوشش وسیع، تکرار زمانی منظم و دسترسی به آرشیوی چندین‌ ساله را همزمان فراهم می کنند.
تصاویر ماهواره‌ای از سه دیدگاه اصلی در مطالعه‌ی سیلاب به کار می‌روند:

شناسایی پهنه‌ی سیل‌زده (Flood Detection)

در این رویکرد، هدف تعیین محل و وسعت آبی است که در یک رویداد مشخص زمین را پوشانده است. با استفاده از تصاویر راداری (مانند Sentinel-1) که از ابر عبور می‌کنند و تصاویر اپتیکی (مانند Landsat و Sentinel-2) و شاخص‌هایی مانند NDWI، پهنه‌ی آب پیش از سیل و حین آن مقایسه و محدوده‌ی سیل‌زده استخراج می‌شود. این رویکرد پاسخ می‌دهد که «سیل کجا اتفاق افتاده است» و برای ارزیابی خسارت و امداد‌رسانی کاربرد مستقیم دارد.

تعیین پتانسیل سیل‌خیزی با همپوشانی فازی (Fuzzy Overlay)

در این رویکرد، به‌ جای مشاهده‌ ی خود سیل، عوامل مؤثر بر وقوع آن مانند ارتفاع، شیب، فاصله از رودخانه، بارش و کاربری زمین از تصاویر و داده‌های ماهواره‌ای استخراج می‌ شود. هر عامل با توابع عضویت فازی به مقادیر بین صفر و یک تبدیل می‌شود و سپس با عملگرهای فازی (مانند Gamma، Sum و Product) ترکیب می‌شوند. نتیجه یک نقشه‌ی پتانسیل پیوسته است. این روش بر دانش کارشناسی تکیه دارد، به داده‌ی آموزشی نیاز ندارد و برای مناطق فاقد سابقه‌ی ثبت‌شده ی سیل مناسب است. نقطه‌ی ضعف آن، ذهنی بودن وزن‌ دهی و انتخاب توابع عضویت است.

شناسایی مناطق مستعد با یادگیری ماشین (Machine Learning Susceptibility)

در این رویکرد، سابقه ی واقعی رویداد های سیل به عنوان داده ی مرجع به الگوریتم‌ هایی مانند رندم فارست داده می‌ شود تا رابطه ی میان عوامل محیطی و وقوع سیل را خودش بیاموزد. سپس مدل آموزش‌ دیده می‌ تواند نقشه ی حساسیت را برای کل منطقه و حتی مناطق دیگر تولید کند. مزیت اصلی این روش، استفاده از داده‌ ی واقعی به‌جای قضاوت ذهنی و امکان سنجش دقت با معیارهایی مانند AUC است. در عین حال، کیفیت نتیجه به داده‌ی مرجع، نمونه‌برداری و اعتبارسنجی مکانی وابسته است.
این سه دیدگاه رقیب هم نیستند و مکمل یکدیگرند. اولی می‌گوید «چه شد»، دومی با دانش کارشناسی می گوید «کجا ممکن است رخ دهد» و سومی با یادگیری از گذشته همین پرسش را به‌صورت داده محور و قابل سنجش پاسخ می‌دهد. دوره‌ ی حاضر بر دیدگاه سوم تمرکز دارد.

مدرس دوره آموزشی:

آرمان صمدی
دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران
کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی
مدیر و بنیان‌گذار وب‌سایت مدرسه سنجش از دور
مدرس بیش از 500 محصول آموزشی