انجمن مخاطره شناسی ایران مدیریت مخاطرات محیطی 2423-415X 13 2 2026 09 11 Comparison of Visual and Object-Based Automated Methods for Floodplain Mapping: A Case Study of the Karganrud Watershed, Talesh مقایسۀ روش‌های بصری و خودکار مبتنی بر شیء در شناسایی پهنه‌های سیلابی (مطالعۀ موردی: حوضۀ آبریز کرگانرود، تالش) 113 128 108962 10.22059/jhsci.2026.418153.948 FA لیلا ابراهیمی جمنانی استادیار گروه جغرافیا، واحد چالوس، دانشگاه آزاد اسلامی، چالوس ایران مریم ایلانلو دانشیار، گروه جغرافیا، واحد ماهشهر، دانشگاه آزاد اسلامی، ماهشهر، ایران 0000-0001-7571-8808 Journal Article 2026 07 08 Objective: Accurate floodplain mapping using remote sensing data plays a vital role in crisis management, damage reduction, and effective planning for natural hazards. The present study was conducted to compare the performance of a visual threshold-based approach using the Normalized Difference Vegetation Index (NDVI) and an automated Object-Based Image Analysis (OBIA) approach for floodplain extraction in the Karganrud Watershed, Talesh County. Methods: Sentinel-2 imagery acquired during the September 2020 flood event was used in this study. In the visual approach, floodplain areas were extracted through visual image interpretation and analysis of spectral indices. In the automated approach, the image was first segmented into homogeneous objects and then classified based on spectral, textural, geometric, and spatial features. To evaluate the results, 194 reference points, including 100 flood points and 94 non-flood points, were used, and the performance of the two methods was compared using evaluation metrics such as Overall Accuracy (OA) and the Kappa coefficient. Results: The results showed that although the NDVI-based method successfully identified a large proportion of flood-affected areas, it overestimated the flood extent due to its reliance on a single spectral index. The extracted flood area was 540.81 km², with an Overall Accuracy of 49.5%, a Kappa coefficient of −0.041, a Precision of 50.5%, a Recall of 96.0%, and an F1-score of 66.2%. In contrast, the OBIA approach, by integrating spectral, textural, geometric, and spatial features, extracted a flood area of 240.26 km² and achieved an Overall Accuracy of 93.3%, a Kappa coefficient of 0.866, a Precision of 90.7%, a Recall of 97.0%, and an F1-score of 93.7%, demonstrating substantially better performance than the NDVI-based method. Conclusion: Comparison of the results indicated that the OBIA approach, by reducing classification errors caused by spectral similarity, providing more accurate delineation of floodplains, and substantially improving the evaluation metrics, outperformed the visual NDVI-based approach in floodplain extraction. Therefore, the use of Object-Based Image Analysis combined with the Random Forest algorithm can be recommended as an effective approach for producing accurate flood maps and supporting flood risk management and damage reduction planning in similar watershed areas. هدف: شناسایی دقیق پهنه‌های سیلابی با استفاده از داده‌های سنجش از دور، نقش مهمی در مدیریت بحران، کاهش خسارات و برنامه‌ریزی کارآمد مخاطرات طبیعی دارد. پژوهش حاضر با هدف مقایسۀ عملکرد روش بصری مبتنی بر آستانه‌گذاری شاخص تفاضل نرمال‌شدۀ پوشش گیاهی (NDVI) و روش خودکار تحلیل تصویر مبتنی بر شیء (OBIA) در استخراج پهنه‌های سیلابی حوضۀ آبریز کرگانرود شهرستان تالش انجام گرفت. روش پژوهش: در این پژوهش از تصاویر Sentinel-2 مربوط به رخداد سیلاب شهریور ۱۳۹۹ استفاده شد. در روش بصری، پهنه‌های سیلابی از طریق تفسیر چشمی تصویر و بررسی شاخص‌های طیفی استخراج شدند. در روش خودکار، تصویر پس از بخش‌بندی به اشیای همگن، بر اساس ویژگی‌های طیفی، بافتی، هندسی و مکانی طبقه‌بندی شد. برای ارزیابی نتایج، از ۱۹۳ نقطۀ مرجع شامل ۱۰۰ نقطۀ سیلابی و ۹4 نقطۀ غیرسیلابی استفاده و عملکرد دو روش با شاخص‌هایی مانند دقت کلی و ضریب کاپا مقایسه شد. یافته‌ها: نتایج نشان داد روش NDVI با وجود شناسایی بخش عمدۀ مناطق سیلابی، به‌دلیل اتکا به یک شاخص طیفی، پهنۀ سیلابی را بیش‌برآورد کرد؛ به‌طوری ‌که مساحت استخراج‌شده برابر با ۵۴۰٫۸۱ کیلومتر مربع، دقت کلی 5/49 درصد، ضریب کاپا 041/0-، Precision ۵۰٫۵ درصد،Recall ۹۶ درصد و F1-score 2/66 درصد به دست آمد. در مقابل، روش OBIA با تلفیق ویژگی‌های طیفی، بافتی، هندسی و مکانی، مساحت سیلابی 26/240 کیلومتر مربع را استخراج کرد و با دستیابی به دقت کلی 3/93 درصد، ضریب کاپا 866/0، Precision 7/90 درصد، Recall ۹۷ درصد و F1-score 7/93 درصد، عملکرد بهتری نسبت به روش NDVI نشان داد. نتیجه‌گیری: مقایسۀ نتایج نشان داد که روش OBIA با کاهش خطاهای ناشی از شباهت طیفی، تفکیک دقیق‌تر پهنه‌های سیلابی و افزایش چشمگیر شاخص‌های ارزیابی، نسبت به روش بصری مبتنی بر NDVI کارایی بیشتری در استخراج پهنه‌های سیلابی دارد. بنابراین استفاده از تحلیل تصویر مبتنی بر شیء همراه با الگوریتم جنگل تصادفی می‌تواند به‌عنوان رویکردی مؤثر برای تهیۀ نقشه‌های دقیق سیلاب و پشتیبانی از مدیریت خطر و برنامه‌ریزی کاهش خسارات در حوضه‌های آبریز مشابه پیشنهاد شود. https://jhsci.ut.ac.ir/article_108962_0aaabf80a8a83401b1ac31a4d793dd1b.pdf