Tải file PDF Tác giả
Đơn vị công tác
1 Khoa Công nghệ thông tin, Trường Đại học Mỏ - Địa chất; ngothiphuongthao@humg.edu.vn; ngohunglong@humg.edu.vn
2 Viện Sinh thái và Tài nguyên sinh vật - Viện Hàn lâm khoa học và Công nghệ Việt Nam;
tuantran@iebr.vast.vn
3 Viện Kỹ thuật công trình đặc biệt, Học viện Kỹ thuật quân sự; leminhhang81@lqdtu.edu.vn
*Tác giả liên hệ: ngothiphuongthao@humg.edu.vn; Tel: +84–982198688
Tóm tắt
Trong những năm gần đây, Việt Nam thường xuyên xảy ra các đợt lũ quét gây thiệt hại nghiêm trọng về người và tài sản. Lũ quét thường xuất hiện đột ngột, kèm theo bùn đất, nước lũ lên nhanh gây khó khăn cho việc khảo sát, tiếp cận hiện trường và công tác khắc phục hậu quả. Hiện nay, tư liệu ảnh viễn thám siêu cao tần đã và đang được ứng dụng trong thực tiễn để giám sát, đánh giá các ảnh hưởng của các khu vực bị lũ lụt, lũ quét và đã đạt được hiệu quả cao so với các phương pháp truyền thống. Nghiên cứu này trình bày phương pháp phát hiện lũ quét từ ảnh Sentinel-1A. Theo đó, bốn ảnh được thu thập ở chế độ IW, xử lý mức 1 ở các thời điểm trước và sau khi xảy ra lũ quét. Khu vực nghiên cứu thử nghiệm là tỉnh Lào Cai, nơi thường xuyên xảy ra các hiện tượng lũ quét gây thiệt hại lớn. Phương pháp được đề xuất để chiết tách vùng lũ quét từ ảnh gồm các bước: (1) Thu thập tư liệu ảnh Sentinel-1A và các dữ liệu liên quan; (2) Thực hiện các bước tiền xử lý ảnh và cắt ảnh theo ranh giới vùng nghiên cứu; (3) Xử lý và phân tích ảnh để chiết tách các vùng lũ quét và đánh giá độ chính xác bằng dữ liệu điều tra thực địa. Kết quả nghiên cứu là dữ liệu đầu vào cho việc xây dựng các mô hình cảnh báo lũ quét cũng như cung cấp thông tin cho các cơ quan quản lý nhằm đưa ra các giải pháp ứng phó và giảm nhẹ thiên tai.
Từ khóa
Trích dẫn bài báo
Thảo, N.T.P.; Long, N.H.; Tuấn, T.A.; Hằng, L.M. Sử dụng ảnh Sentinel-1A đa thời gian để phát hiện lũ quét, thử nghiệm tại tỉnh Lào Cai. Tạp chí Khí tượng Thủy văn 2024, 764, 29-37.
Tài liệu tham khảo
1. Siahkamari, S.; Haghizadeh, A.; Zeinivand, H.; Tahmasebipour, N., Rahmati, O. Spatial prediction of flood-susceptible areas using frequency ratio and maximum entropy models. Geocarto Int. 2018, 33(9), 927–941.
2. Ward, P.J.; Jongman, B.; Aerts, J.C.; Bates, P.D.; Botzen, W.J.; Diaz Loaiza, A.; Winsemius, H.C. A global framework for future costs and benefits of river-flood protection in urban areas. Nat. Clim. Change 2017, 7(9), 642–646.
3. Bubeck, P.; Thieken, A.H. What helps people recover from floods? Insights from a survey among flood-affected residents in Germany. Reg. Environ. Change 2018, 18, 287–296.
4. Peduzzi, P. Prioritizing protection ?. Nat. Clim. Change 2017, 7(9), 625–626.
5. NWS. What is flash flooding. National Weather Service, 2018. Available online: https://www.weather.gov/phi/FlashFloodingDefinition.
6. Trực tuyến: http://cred.org.vn/news-publications/.
7. Tổng cục phòng chống thiên tai. Hội nghị tổng kết công tác chỉ đạo điều hành 2018 và phương hướng nhiệm vụ 2019.
8. Pilon, P.J. Guidelines for reducing flood losses. United Nations: Rome, Italy, 2004.
9. Amitrano, D.; Di Martino, G.; Iodice, A.; Riccio, D.; Ruello, G. Unsupervised rapid flood mapping using Sentinel-1 GRD SAR Images. IEEE Trans. Geosci. Remote Sens. 2018, 56, 3290–3299.
10. Giustarini, L.; Hostache, R.; Kavetski, D.; Chini, M.; Corato, G.; Schlaffer, S.; Matgen, P. Probabilistic flood mapping using synthetic aperture radar data. IEEE Trans. Geosci. Remote Sens. 2016, 54, 6958–6969.
11. Xue, F.; Gao, W.; Yin, C.; Chen, X.; Xia, Z.; Lv, Y.; Zhou, Y.; Wang, M. Flood monitoring by integrating normalized difference flood index and probability distribution of water bodies. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 4170–4179.
12. Zhao, B.; Sui, H.; Liu, J. Siam-DWENet: Flood inundation detection for SAR imagery using a cross-task transfer siamese network. Int. J. Appl. Earth Obs. Geoinf. 2023, 116, 103132.
13. Schepanski, K.; Wright, T.J.; Knippertz, P. Evidence for flash floods over deserts from loss of coherence in InSAR imagery. Int. J. Appl. Earth Obs. Geoinf. 2012, 117(D20), D20101.
14. Deijns, A.A.; Dewitte, O.; Thiery, W.; d'Oreye, N.; Malet, J.P.; Kervyn, F. Timing landslide and flash flood events from SAR satellite: A regionally applicable methodology illustrated in African cloud-covered tropical environments. Nat. Hazards Earth Syst. Sci. 2022, 22(11), 3679–3700.
15. Elkhrachy, I. Flash flood water depth estimation using SAR images, digital elevation models, and machine learning algorithms. Remote Sens. 2022, 14(3), 440.
16. Anh, T.V.; Hạnh, T.H.; Nghị, L.T. Xác định diện tích ngập lụt miền trung năm 2020 và đánh giá ảnh hưởng đến lớp phủ/sử dụng đất dựa trên nền tảng Google Earth Engine. Hội nghị khoa học quốc gia về công nghệ địa không gian trong khoa học trái đất và môi trường, Trường đại học Mỏ - Địa chất, 2021.
17. Nghĩa, N.V. Nghiên cứu phát hiện lũ quét từ tư liệu ảnh viễn thám Radar Palsar tại khu vực Yên Bái, Sơn La. Phát triển bền vững vùng, Viện nghiên cứu phát triển bền vững Vùng, Viện Hàn lâm khoa học xã hội Việt Nam, 2020.
18. Elfadaly, A.; Abate, N.; Masini, N.; Lasaponara, R. SAR Sentinel-1 imaging and detection of palaeo-landscape features in the mediterranean area. Remote Sens. 2020, 12(16), 2611.
19. Rosich, B. Absolute calibration of ASAR level 1 products generated with PF-ASAR. 2004. Available online: http://ftp.esrin.esa.it/pub/ESA-DOC/ENVISAT/ASAR/ASAR-products-absolute-calibration-v1.4.pdf.
20. Filipponi, F. Sentinel-1 GRD preprocessing workflow. Proceedings 2019, 18(1), 11.
21. Lee, J.S. Digital image enhancement and noise filtering by use of local statistics. IEEE Trans. Pattern Anal. Mach. Intell. 1980, 2, 165–168.
22. Lee, J.S.; Jurkevich, L.; Dewaele, P.; Wambacq, P.; Oosterlinck, A. Speckle filtering of synthetic aperture radar images: A review. Remote Sens. 1994, 8(4), 313–340.