برگزاری دفاعیه دکتری مهندس شادی مداح

| تاریخ ارسال: 1404/7/12 |

مهندس شادی مداح دانشجوی دوره دکتری این دانشکده در رشته مهندسی عمران گرایش مهندسی و مدیریت منابع آب ، ۱۳ مهر ماه سال ۱۴۰۴ از رساله خود تحت عنوان «بهبود مدل پیش بینی مکان های مستعد وقوع سیلاب با ترکیب رویکرد یادگیری عمیق و پردازش تصاویر ماهواره ای» به صورت حضوری با راهنمایی دکتر حسین علیزاده و دکتر برات مجردی دفاع می نماید.

چکیده این رساله به شرح زیر می‌باشد:
سیلاب یکی از مهم‌ترین و مخرب‌ترین مخاطرات طبیعی است که موجب خسارات قابل توجه اقتصادی و جانی می‌شود. تهیه نقشه‌های دقیق مناطق مستعد وقوع سیلاب، به‌عنوان گامی اساسی در ارزیابی ریسک و مدیریت سیلاب، منجر به تسهیل برنامه‌ریزی و تخصیص منابع می‌گردد و یک اقدام پیشگیرانه حیاتی در کاهش خطرات و خسارات مرتبط با وقوع سیلاب است. در همین راستا، پژوهش حاضر به توسعه چارچوبی جامع و نوین برای مدلسازی حساسیت سیلاب با تکیه بر فناوری‌های سنجش از دور، یادگیری عمیق و تحلیل مکانی در منطقه‌ای واقع در استان گلستان ایران می‌پردازد.
مدلسازی حساسیت سیلاب (FSM) چارچوبی سه‌مرحله‌ای است که شامل استخراج نقشه موجودی سیلاب (FIM)، شناسایی عوامل محیطی موثر بر وقوع سیلاب (FCF) و توسعه مدل‌های پیش‌بینی می‌شود. در گام نخست، با یکپارچه‌سازی چندین منبع داده‌های سنجش از دور، شامل تصاویر راداری Sentinel-۱ ارائه‌دهنده داده‌های رادار دهانه مصنوعی (SAR) و تصاویر نوری Sentinel-۲ و Landsat-۸، نقشه موجودی سیلاب استخراج شد تا الگوهای وقوع سیلاب‌ شناسایی شوند. در گام دوم، فاکتورهای محیطی مبتنی بر تصاویر ماهواره‌ای و زمینی شامل ارتفاع، شاخص تفاوت نرمال شده رطوبت(NDMI) ، شیب، کاربری اراضی، شاخص رطوبت توپوگرافی (TWI) ، بافت خاک، سنگ‌شناسی، تراکم زهکشی، شاخص تفاوت نرمال شده پوشش گیاهی (NDVI)، جهت شیب، بارندگی، فاصله از رودخانه‌ها، شاخص توان جریان (SPI)، زبری سطح، زیست توده، انحنای قائم و انحنای افقی شناسایی و استخراج شدند. سپس با استفاده از تحلیل نسبت بهره اطلاعات (IGR)، ۱۵ فاکتور محیطی با ارزش اطلاعاتی جهت مدلسازی انتخاب شدند. یکی از محدودیت‌های مدلسازی عدم تعادل نمونه‌های سیلابی (کمبود نمونه‌های سیلابی نسبت به نمونه‌های غیرسیلابی) در داده‌های آموزشی است که می‌تواند عملکرد مدل‌های یادگیری عمیق را تحت تأثیر قرار دهد. برای غلبه بر این محدودیت، از روشی جهت متعادل‌سازی داده‌های سیل، شبکه‌های مولد متخاصم مبتنی بر مکان (GAN)، به منظور افزایش و اصلاح مجموعه داده‌های سیل استفاده شد و در نهایت تعداد ۵۸۸ داده‌های آموزشی متعادل آماده شد.
در گام سوم، مدل‌های پیش‌بینی مبتنی بر شبکه عصبی پیچشی (CNN) با دو رویکرد مختلف توسعه یافتند. در مدل پایه (SI-CNN) تمامی فاکتورهای محیطی (ارتفاع، NDMI، شیب، کاربری اراضی، TWI، بافت خاک، سنگ‌شناسی، تراکم زهکشی، NDVI، جهت شیب، بارندگی، فاصله از رودخانه‌ها، SPI، انحنای قائم و انحنای افقی) به‌صورت یک ورودی ترکیبی به شبکه وارد می‌شوند (تلفیق اولیه) و مدل از طریق استخراج الگوها، نقشه حساسیت سیلاب را تولید می‌کند. در حالی که چارچوب پیشنهادی با یکپارچگی شبکه عصبی پیچشی و ساختار چندورودی (MI)، از یک دسته‌بندی مفهومی جدید برای فاکتورهای محیطی بهره می‌گیرد. در مدل MI-CNN توسعه‌یافته مبتنی بر طبقه‌بندی ساختاریافته، فاکتورهای محیطی به چهار گروه اصلی، متغیرهای توپوگرافی (ارتفاع، شیب، تراکم زهکشی، جهت شیب، فاصله از رودخانه‌ها، SPI، انحنای افقی و انحنای قائم)؛ متغیرهای زمین‌شناسی (بافت خاک و سنگ‌شناسی)؛ متغیرهای هیدرولوژیکی (NDMI، بارندگی و TWI) و متغیرهای پوشش زمین (کاربری زمین و NDVI) تقسیم و به‌طور مستقل به شبکه وارد می‌شوند و ویژگی‌های هر دسته را به‌صورت مجزا استخراج و سپس تلفیق می‌نماید (تلفیق ثانویه). این ساختار موجب افزایش قدرت استخراج ویژگی و بهبود دقت مدل شد.
اعتبارسنجی مدل‌ها با معیارهای سطح زیر منحنی مشخصه عملکرد گیرنده (AUC) و دقت (Accuracy) نشان داد که مدل MI-CNN نسبت به SI-CNN عملکرد برتری دارد؛ به طوری که مقدار AUC در مدل MI-CNN برابر با ۰.۹۶ و در مدل SI-CNN برابر با ۰.۹۳ است. همچنین دقت مدل MI-CNN معادل ۰.۸۹ و دقت مدل SI-CNN معادل ۰.۸۴ است. همچنین نتایج نشان داد که حدود ۱۴ درصد از اراضی که عمدتاً در نواحی پایین دست متمرکز شده‌اند، حساسیت بالا و بسیار بالایی را نشان می‌دهند. علاوه بر این، از تحلیل SHAP برای ارزیابی و رتبه‌بندی تأثیر هریک از فاکتورهای محیطی استفاده شد. نتایج نشان داد ارتفاع، فاصله از رودخانه و بارندگی مهم‌ترین فاکتورهای مؤثر در وقوع سیلاب هستند. این پژوهش با رویکردی مبتنی بر مدلسازی یکپارچه، بر بهبود دقت نگاشت مناطق مستعد سیلاب تمرکز دارد. یافته‌ها نشان داد که بهره‌گیری از مدلسازی مبتنی بر داده‌های چندمنبعی و طبقه‌بندی‌شده، راهکاری مؤثر برای پیش‌بینی دقیق مناطق مستعد سیلاب است که می‌تواند مبنایی برای تصمیم‌گیری‌های مدیریتی و اقدامات کاهش حساسیت سیلاب در مقیاس‌های منطقه‌ای باشد.

کلمات کلیدی: نگاشت مکان‌های مستعد سیلاب، پردازش تصاویر ماهواره‌ای، یادگیری عمیق، متعادلسازی داده، شبکه عصبی پیچشی، SAR، تصاویر نوری.

رایانامه جهت ارتباط با دانشجوی فوق: shadi_maddahcivileng.iust.ac.ir

دفعات مشاهده: 1085 بار | دفعات چاپ: 163 بار | دفعات ارسال به دیگران: 0 بار | 0 نظر