Моніторинг площ затоплень внаслідок підриву Каховської ГЕС за матеріалами космічного знімання
Автор: Романко Віталій Васильович
Кваліфікаційний рівень: магістр
Спеціальність: Фотограмметрія та дистанційне зондування
Інститут: Інститут геодезії
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: українська
Анотація: Вивчення та моніторинг зон затоплень, спричинених підривом Каховської гідроелектростанції (ГЕС), має велике соціальне, екологічне та економічне значення [1,2]. Внаслідок підриву ГЕС можуть виникати небезпеки для життя та здоров’я мешканців регіону. Знання про зони затоплення та їхній моніторинг є важливим для розробки планів евакуації та безпеки населення. Під час затоплення природні екосистеми можуть бути пошкоджені або втрачені. Моніторинг зон затоплень дозволяє вчасно реагувати на природні наслідки і приймати заходи щодо відновлення природних ресурсів. Зони затоплень можуть впливати на сільське господарство, транспортну інфраструктуру, промисловість та інші сектори економіки [3]. Моніторинг їх впливу дозволяє планувати та приймати ефективні рішення з управління ресурсами та інфраструктурою. Зміни в гідрологічних умовах, які можуть бути спричинені затопленням, можуть впливати на рівні води у річках та озерах, що впливає на сезонні повені та інші природні явища [4]. Моніторинг змін допомагає передбачати та управляти цими стихійними лихами. Дослідження зон затоплень надає можливість для наукового дослідження та розвитку нових методів моніторингу та аналізу даних за космічними знімками, що може бути корисним у інших областях дослідження. Ефективний моніторинг зон затоплень допомагає регулювати діяльність енергетичних об’єктів та забезпечувати сталість розвитку регіону в умовах змінюючогося клімату та технологічних порушень [5-7]. Усі ці фактори свідчать про важливість вивчення та моніторингу зон затоплень, а особливо тих, що спричинені підривом Каховської ГЕС, для забезпечення безпеки, ефективного управління та збереження довкілля в даних регіонах. Об’єктом досліджень є опрацювання різночасових космічних знімків, отриманих із супутника Santinel території русла річки Дніпра. Предметом досліджень є методика моніторингу зон затоплень внаслідок підриву Каховської ГЕС за матеріалами космічного знімання середньої просторової розрізненності. Метою роботи є проведення комплексного моніторингу зон затоплень, спричинених підривом Каховської гідроелектростанції (ГЕС), з використанням космічних знімків та аналізу цих даних з метою оцінки наслідків підриву та розробки рекомендацій для управління цими зонами. Запропоновано і описано методику моніторингу зон затоплень внаслідок підриву Каховської ГЕС за матеріалами космічного знімання. В ході реалізації методики класифіковано по два космічні знімки, що покривають зону досліджень до підриву Каховської ГЕС станом на рік та після нього станом на рік. Результатом роботи пораховані зміни площі водного дзеркала ріки Дніпра на досліджуваній території, встановлено що до підриву площа води становила 13,6 тис. гектарів, а після підриву площа води становила 49,4 тис. гектарів, тобто внаслідок підриву ГЕС і затоплень території площа водного дзеркала Дніпра на досліджуваній території збільшилась на 35,8 тис. гектарів Ключові слова – неконтрольована класифікація, Sentinel-2B, Каховська ГЕС, ArcGIS. Перелік використаних літературних джерел. 1. Tanaka, M.; Sugimura, T.; Tanaka, S.; Tamai, N. Flood–drought cycle of Tonle Sap and Mekong Delta area observed by DMSP-SSM/I. Int. J. Remote Sens. 2003, 24, 1487–1504 2. Haerani H, Apan A and Basnet B 2018 Mapping of peanut crops in Queensland, Australia, using time-series PROBA-V 100-m normalized difference vegetation index imagery J. Appl. Remote Sens. 12 1 3. Tanim, Ahad Hasan, Callum Blake McRae, Hassan Tavakol-Davani, and Erfan Goharian. 2022. "Flood Detection in Urban Areas Using Satellite Imagery and Machine Learning" Water 14, no. 7: 1140. https://doi.org/10.3390/w14071140 4. Shahabi, H.; Shirzadi, A.; Ghaderi, K.; Omidvar, E.; Al-Ansari, N.; Clague, J.J.; Geertsema, M.; Khosravi, K.; Amini, A.; Bahrami, S.; et al. Flood Detection and Susceptibility Mapping Using Sentinel-1 Remote Sensing Data and a Machine Learning Approach: Hybrid Intelligence of Bagging Ensemble Based on K-Nearest Neighbor Classifier. Remote Sens. 2020, 12, 266. 5. Hosseiny, H.; Nazari, F.; Smith, V.; Nataraj, C. A Framework for Modeling Flood Depth Using a Hybrid of Hydraulics and Machine Learning. Sci. Rep. 2020, 10, 8222. 6. Zuhlke, M.; Fomferra, N.; Brockmann, C.; Peters, M.; Veci, L.; Malik, J.; Regner, P. SNAP (sentinel application platform) and the ESA sentinel 3 toolbox. Sentin.-3 Sci. Workshop 2015, 734, 21. 7. Svetnik, V.; Liaw, A.; Tong, C.; Culberson, J.C.; Sheridan, R.P.; Feuston, B.P. Random Forest: A Classification and Regression Tool for Compound Classification and QSAR Modeling. J. Chem. Inf. Comput. Sci. 2003, 43, 1947–1958.