مدیریت اکوسیستم‌های طبیعی

مدیریت اکوسیستم‌های طبیعی

مرور نظام‌مند بر روش‌های یادگیری ماشین و یادگیری عمیق برای نقشه‌برداری از سیلاب در جهان و ایران

نوع مقاله : مقاله پژوهشی

نویسنده
یوسف تقی ملایی
محقق مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، شیراز، ایران.
10.22034/emj.2026.2092056.1178
چکیده
نقشه‌برداری دقیق و به هنگام از پهنه‌های سیل‌گیر، پایه و اساس مدیریت پیشگیرانه و کاهش خطر سیلاب محسوب می‌شود. در سال‌های اخیر، روش‌های یادگیری ماشین و یادگیری عمیق با بهره‌گیری از داده‌های سنجش‌ازدور، تحولی در این حوزه ایجاد کرده‌اند. پژوهش حاضر با هدف مرور نظام‌مند روش‌های یادگیری ماشین و یادگیری عمیق برای نقشه‌برداری سیلاب در جهان و ایران و ارائه چارچوبی برای توسعه مدل‌های قابل‌اعتماد، به‌روش مرور نظام‌مند و بر اساس رهنمودهای پریسما انجام شد. جستجو در پایگاه‌های معتبر علمی برای مقالات منتشرشده بین سال‌های ۲۰۱۵ تا ۲۰۲۶ انجام و پس از غربالگری، ۴۲ مقاله (۳۰ مقاله بین‌المللی و ۱۲ مطالعه موردی از ایران) برای تحلیل نهایی انتخاب شدند. یافته‌ها نشان می‌دهد که روش‌ها در سه دسته اصلی جای می‌گیرند: (۱) روش‌های سنتی یادگیری ماشین مانند جنگل تصادفی و ماشین‌بردار پشتیبان که عمدتاً برای پهنه‌بندی حساسیت به سیل به‌کاررفته‌اند؛ (۲) معماری‌های یادگیری عمیق شامل شبکه عصبی پیچشی، معماری یو- نت و شبکه‌های بازگشتی مانند حافظه کوتاه‌مدت بلندمدت که دقت بالایی در نقشه‌برداری گستره سیل از تصاویر ماهوارهای دارند؛ و (۳) رویکردهای ترکیبی و آگاه از فیزیک مانند شبکه عصبی آگاه از فیزیک که با گنجاندن معادلات هیدرودینامیک در تابع هزینه، پیش‌بینی‌های سازگار با قوانین فیزیک تولید می‌کنند. در سطح بین‌المللی، مدل‌های بنیادی مانند مدل بخش‌بندی هر چیز و مدل پریتوی ناسا و تبدیل‌گرهای بینایی، تعمیم‌پذیری بالاتری در رویدادهای مختلف نشان داده‌اند. در ایران، باوجود پژوهش‌های نوآورانه (مانند شبکه انتزاع عمیق و شبکه عصبی بازگشتی المان) در استان‌های گلستان، خوزستان و خراسان رضوی، شکاف عمیقی میان خروجی‌های علمی و کاربرد عملیاتی وجود دارد. فقدان پژوهش‌های مبتنی بر تصاویر رادار روزنه ترکیبی لحظه‌ای، غیاب مدل‌های آگاه از فیزیک، عدم ارزیابی تعمیم‌پذیری زمانی- مکانی و نبود چارچوب مقرراتی برای پذیرش عملیاتی، از مهم‌ترین شکاف‌های پژوهشی در کشور است. نتیجه‌گیری می‌شود که برای توسعه کاربردهای عملیاتی در ایران، تمرکز بر تنظیم دقیق مدل‌های بنیادی موجود با داده‌های محلی، ایجاد دادگان ملی تصاویر ماهوارهای سیلاب، به‌کارگیری رویکردهای آگاه از فیزیک و تفسیرپذیری با روش‌های هوش مصنوعی تفسیرپذیر ضروری است.
کلیدواژه‌ها
پهنه‌بندی سیلاب
هوش مصنوعی در هیدرولوژی
شبکه‌های عصبی عمیق
مدل‌های بنیادی
سنجش‌ازدور
مدیریت ریسک سیلاب
مطالعات موردی ایران
موضوعات

عنوان مقاله English

Systematic Review of Machine Learning and Deep Learning Methods for Flood Inundation Mapping in the World and Iran

نویسنده English

Yousef Taghi mollaei
Researcher, Natural Resources Research Department, Fars Province Agricultural and Natural Resources Research and Education Center, Iran.
چکیده English

Accurate and timely flood inundation mapping (FIM) provides the foundation for flood management and risk reduction. In recent years, machine learning (ML) and deep learning (DL) methods, leveraging remote sensing data, have revolutionized this field. The present study was conducted to systematically review ML and DL approaches for flood mapping globally and in Iran, and to provide a framework for developing reliable models, using a systematic review methodology based on the PRISMA guidelines. A search was conducted in reputable scientific databases for articles published between 2015 and 2026, and following screening, 42 articles (30 international articles and 12 case studies from Iran) were selected for final analysis. The findings show that the methods fall into three main categories: (1) traditional ML methods such as Random Forest and Support Vector Machine, which have been primarily used for flood susceptibility zoning; (2) DL architectures including CNNs, U‑Net, and LSTM, which demonstrate high accuracy in flood extent mapping from satellite imagery; and (3) hybrid and physics‑informed approaches such asPINNs, which incorporate hydrodynamic equations into the loss function to generate predictions consistent with physical laws. Internationally, foundation models such as SAM and Prithvi, along with vision transformers, have shown Higher generalizability across different events. In Iran, despite innovative research (e.g., DANet and Elman RNN) in the provinces of Golestan, Khuzestan, and Khorasan Razavi, there remains a deep gap between scientific outputs and operational application. the lack of studies based on real‑time SAR imagery, the absence of physics informed models, the lack of assessment of spatiotemporal generalizability, and the absence of a regulatory framework for operational adoption constitute some of the most important research gaps in the country. It is concluded that to develop operational applications in Iran, it is essential to focus on fine-tuning existing foundation models with local data, creating a national database of satellite images of floods, adopting physics-informed approaches, and incorporatinexplainability through XAI.

کلیدواژه‌ها English

Flood Inundation Mapping
Machine Learning
Deep Learning
Remote Sensing
Flood Risk Management
Iranian Case Studies. Deep Neural Networks
Foundation Models
یوسفی، ح.، یونسی، ح.، داودی مقدم، د.، ارشیا، آ.، و شمسی، ز. (۱۴۰۱). تعیین پتانسیل سیل با استفاده از مدل‌های یادگیری ماشین CART، GLM و GAM (مطالعه موردی: حوضه کشکان). آبیاری و آب ایران، (4)۱۲، 105-84.
Bashirgonbad, M., Farokhzadeh, B., and Gholami, V. (2024). Enhancing flood mapping through ensemble machine learning in the Gamasyab watershed, Western Iran. Environmental Science and Pollution Research, 31(38), 50427-50442.
Chamatidis, I., Istrati, D., and Lagaros, N. D. (2024). Vision transformer for flood detection using satellite images from Sentinel-1 and Sentinel-2. Water, 16(12), 1670.
Chen, J., Li, Y., and Zhang, S. (2023). Fast prediction of urban flooding water depth based on CNN− LSTM. Water, 15(7), 1397.
El Baida, M., Boushaba, F., Chourak, M., Hosni, M., Zahaf, T., and Sabar, H. (2024, May). A systematic literature review on regression machine learning for urban flood hazard mapping. In International Conference on Digital Technologies and Applications (pp. 42-51). Cham: Springer Nature Switzerland.
Garshasbi, M., Alizadeh, H., Mojaradi, B., Saadatpour, M., and Zarei, E. (2025). Uncertainty-Aware flood inundation mapping with a bayesian deep learning framework using SAR imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing.
Gholami, H., Mohammadifar, A., Golzari, S., Torkamandi, R., Moayedi, E., Reshkooeiyeh, M. Z., ... and Zeeden, C. (2025). Mapping flood risk using a workflow including deep learning and MCDM–Application to southern Iran. Urban Climate, 59, 102272.
Jakubik, J., Roy, S., Phillips, C. E., Fraccaro, P., Godwin, D., Zadrozny, B., ... and Ramachandran, R. (2023). Foundation models for generalist geospatial artificial intelligence. arXiv preprint arXiv:2310.18660.
Kaçmaz, A., and Alganci, U. (2026). SAR-Based Flood Extent Mapping with a Lightweight Siamese U-Net and Differential Attention Mechanism. Earth, 7(3), 87.
Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L., ... and Girshick, R. (2023, October). Segment anything. In 2023 IEEE/CVF international conference on computer vision (ICCV) (pp. 3992-4003). IEEE.
Maddah, S., Khosravi, K., Jun, C., Bateni, S.M., Kim, D., and Liang, S. (2025a). Assessment of a family of recurrent neural network models for flood susceptibility Mapping: An explainable glass-box approach. Engineering Applications of Artificial Intelligence, 160, 111867.
Maddah, S., Mojaradi, B., and Alizadeh, H. (2025b). Improving deep learning-based flood susceptibility modeling by integrating data balancing technique and dual-input convolutional neural network. Natural Hazards, 121(15), 17555-17577.
Mokarram, M., and Zarei, A.R. (2026). Determining Potential Areas for Flood Inundation Using Remote Sensing and Artificial Neural Networks. Natural Hazards Review, 27(2), 04026006.
Page, M.J., McKenzie, J.E., Bossuyt, P.M., Boutron, I., Hoffmann, T.C., Mulrow, C.D., ... and Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Journal of Clinical Epidemiology, 134, 178-189.
Pech-May, F., Alvarez-Cárdenas, O., and Ríos-Toledo, G. (2025). Flood Mapping through Sentinel-1, Sentinel-2 Imagery and U-NET Deep Learning Model. Computación y Sistemas, 29(1), 393-407.
Qi, X., de Almeida, G. A., and Maldonado, S. (2024). Physics-informed neural networks for solving flow problems modeled by the 2D Shallow Water Equations without labeled data. Journal of Hydrology, 636, 131263.
Razavi-Termeh, S.V., Sadeghi-Niaraki, A., Jelokhani-Niaraki, M., and Choi, S.M. (2025). Flood susceptibility mapping using optimized deep learning models: a non-structural framework. Applied Water Science, 15(8), 208.
Rezvani, H., Arfa, A., Shafizadeh-Moghadam, H., and Minaei, M. (2026). An XGBoost-SHAP framework for interpretable and probabilistic flood susceptibility mapping. Natural Hazards, 122(6), 225.
Roohi, M., Ghafouri, H.R., Ashrafi, S.M., Motagh, M., and Haghshenas Haghighi, M. (2025). A hybrid approach for enhanced flood prediction and assessment: Leveraging physical models, deep learning and satellite remote sensing. Big Earth Data, 9(3), 439-472.
Sardar, B., and Saheer, L. (2025). Flood detection modeling: leveraging the SEN1FLOOD11 dataset for the Rio Colima River. In ICLR 2025 Workshop on Climate Change AI.
Shirzadi, A., Salvati, A., Tahan, M. H., Shahabi, H., Nodoushan, E.J., Ramezani, M., ... and Clague, J.J. (2025). Urban flood susceptibility mapping using deep and machine learning algorithms as a management tool: A case study of Sanandaj City, Iran. Ecological Indicators, 178, 113886.
Silwal, A., Subedi, A., Tamrakar, R., Dahal, K., Dahal, D., Ekpetere, K. O., and Zhran, M. (2026). A comprehensive review of machine learning and deep learning methods for flood inundation mapping. Earth, 7(2), 44.
Xu, Y., He, C., Guo, Z., Chen, Y., Sun, Y., and Dong, Y. (2023). Simulation of water level and flow of catastrophic flood based on the cnn-lstm coupling network. Water, 15(13), 2329.

  • تاریخ دریافت 10 تیر 1405
  • تاریخ بازنگری 13 شهریور 1405
  • تاریخ پذیرش 16 شهریور 1405