OTHERS_CITABLE مطالعه اثرات سونامی بر پارامترهای یونوسفری با استفاده از ‌سیستم تعیین موقعیت جهانی جابه­ جایی سریع کف اقیانوس در هنگام زلزله ­های بزرگ اقیانوسی منجر به انتشار امواج سونامی در سطح دریا و امواج جاذبه (Gravity Waves) در اتمسفر می ­گردد. امواج جاذبه نوسانات شناوری هستند که به صورت افقی و عمودی منتشر می­ شوند و انتشار آن­ ها تحت تأثیر نیروی جاذبه زمین است. امواج جاذبه پس از گذر از لایه تروپسفر وارد لایه یونوسفر می­ شوند که علاوه بر انتقال انرژی به یونوسفر، تغییرات قابل ملاحظه ­ای را در پارامترهای یونوسفری ایجاد می­ کنند، از این رو تأثیر قابل توجّهی بر انتشار امواج رادیویی گذرنده از این محیط پاشنده دارند. در این مطالعه، از اندازه­ گیری­ های دو فرکانسه سیستم تعیین موقعیت جهانی ((GPS و یونوسند (Ionosonde) برای تعیین مدّت زمان و میزان اثر اغتشاشات یونوسفری در پاسخ به سونامی ناشی از زلزله 2011 توکیو استفاده شده است. فرکانس بحرانی لایه F2 (fof2) نیز اغتشاشات واضحی را نشان می ­دهد که با مشاهداتGPS  سازگار می­ باشد. علاوه ­بر­ این، امواج جاذبه و امواج سونامی دارای خصوصیات انتشار مشابهی هستند، بنابراین می ­توان از امواج جاذبه برای هشدار سونامی استفاده کرد. جهت تحقیق درباره تغییرات مکانی چگالی الکترونی یونوسفر از پروفیل­ های چگالی الکترونی یونوسفری ماهواره­ های FORMOSAT-3/COSMIC  برای دو بازه مرجع و کنترل استفاده شده است. نتایج نشان می ­دهد که چگالی الکترونی یونوسفر تا ارتفاع 272 کیلومتری به طور پیوسته کاهش یافته که کمترین مقدار آن el/cm3 105×2.2 بوده است و افزایش آن از ارتفاع 272 الی 750 کیلومتری ادامه داشته که بیشترین مقدار آن برابر el/cm3  105× 3.92 بوده است. http://jgit.kntu.ac.ir/article-1-809-fa.pdf 2022-11-01 1 18 10.52547/jgit.10.2.1 اغتشاشات یونوسفری امواج جاذبه تعامل تروپسفر و یونوسفر سونامی Studying tsunami effects on ionospheric parameters using global positioning system The rapid displacement of the ocean floor during large ocean earthquakes causes the propagation of tsunami waves on the surface of sea and gravity waves in the atmosphere. Gravity are buoyancy oscillations that can propagate both horizontally and vertically and their propagation is under gravity force of earth effect. Gravity waves pierce the ionosphere layer after passing through the troposphere layer. In addition to transferring energy to the ionosphere, cause significant changes in ionospheric parameters, so they have significant effects on the propagation of radio waves through this dispersive medium. In this study, two-frequency measurements of the Global Positioning System (GPS) and ionosonde were used to determine the duration and effect of ionospheric perturbations in response to the tsunami induced by the 2011 Tokyo earthquake. The critical frequency of the F2 layer (fof2) data also showed clear disturbances that were consistent with GPS observation. Furthermore, gravity waves and tsunami waves have similar propagation properties, so gravity waves can be used for tsunami warnings. To further investigate the spatial variation in ionospheric electron density (IED) was used from FORMOSAT-3/COSMIC satellites electron density of ionospheric profiles for both reference and observation periods. the reduction in IED started from 200km and continued up to 272km altitude, and the minimum reduction was 2.2×105 el/cm3 that has happened in the 225 km altitude. The IED increased up to 767 km altitude continuously such that the maximum increase was 3.92×105 el/cm3 in 357 km altitude. http://jgit.kntu.ac.ir/article-1-809-en.pdf 2022-11-01 1 18 10.52547/jgit.10.2.1 ionospheric disturbances gravity waves coupling ionosphere and troposphere tsunami Zahra Foroodi zahra.foroodi@yahoo.com 1 K.N Toosi University of Technology AUTHOR Mahammad Mahdi Alizadeh Elizei alizadeh@kntu.ac.ir 2 K.N Toosi University of Technology AUTHOR
OTHERS_CITABLE ادغام داده های سنجش‌ازدوری و هواشناسی جهت پیش بینی زمانی سیلاب با استفاده از الگوریتم یادگیری عمیق پیش‌بینی دقیق سیلاب نیازی اساسی جهت کاهش خطرات آن می‌باشد ولی به دلیل ساختار پیچیده سیلاب و جریان رودخانه، عملا پیش­بینی دقیق طغیان و تخلیه­­ رودخانه مسأله­ای دشوار است. شبکه­های عصبی مصنوعی مانند شبکه­های عصبی مکرر، عملکرد بسیار خوبی در داده­های سری زمانی دارند. در سال­های اخیر استفاده از شبکه­های حافظه طولانی کوتاه مدت به دلیل رفع معایب شبکه­های عصبی مکرر توجه زیادی را به خود جلب کرده­است. در این مطالعه سعی بر پیش­بینی دبی روزانه ایستگاه آق­قلا در استان گلستان تا سه روز آینده، با استفاده از شبکه حافظه طولانی کوتاه مدت شده­است. این شبکه به دلیل ساختار ویژه­ و توانایی یادگیری وابستگی­های طولانی مدت، جهت پیش­بینی­های سری زمانی بسیار مناسب می­باشد. از طرفی شبکه­ ی مورد نظر شبکه­ای پایدار و شامل حداکثر پارامتر­های پیش­فرض بوده که این امر نشان­گر قابلیت استفاده از آن برای دیگر مناطق می­باشد. همچنین این الگوریتم، توانایی استفاده از توپوگرافی و داده­های دبی سایر ایستگاه­های منطقه را دارد. جهت پیش­بینی دبی در ایستگاه هدف چندین ترکیب داده؛ داده­های دبی ایستگاه آق­قلا به صورت تنها و به همراهِ ایستگاه­های بالادست آن، مدل ارتفاعی شهرستان آق­قلا و استان گلستان، به عنوان ورودی شبکه استفاده شده ­اند. در ادامه یافته­های مطالعه­ حاضر با شبکه ­های رگرسیون ساده، رگرسیون ماشین بردار پشتیبان و شبکه عصبی مکرر ساده مقایسه گردید. نتایج حاکی از برتریِ شبکه حافظه طولانی کوتاه مدت، با مقادیر پارامتر نش-ساتکلیف بالای 91%، نسبت به سایر شبکه­ ها می­باشد. در مطالعات بعدی سعی بر استفاده از سایر داده­های تاثیرگذار بر وقوع سیلاب و همچنین توسعه­ شبکه­ مورد استفاده به شبکه­ای کاملا خودکار می­باشد. http://jgit.kntu.ac.ir/article-1-808-fa.pdf 2022-11-01 19 38 10.52547/jgit.10.2.19 پیش بینی سیل سنجش ازدور دبی یادگیری عمیق LSTM. Integration of remote sensing and meteorological data to predict flooding time using deep learning algorithm Accurate flood forecasting is a vital need to reduce its risks. Due to the complicated structure of flood and river flow, it is somehow difficult to solve this problem. Artificial neural networks, such as frequent neural networks, offer good performance in time series data. In recent years, the use of Long Short Term Memory networks hase attracted much attention due to the faults of frequent neural networks. In this study, it is tried to predict the daily discharge of the Aqqala station in Golestan provice, for the next three days, using Long Short Term Memory network. This network is very suitable for time series predictions, due to its special structure and ability to learn long-term dependencies. On the other hand, the desired network is stable and contains the maximum default parameters, which indicates its usability for other regions. Also, this algorithm has the ability to use topography and flow data from other stations in the region. To predict the discharge at the target station, several data combinations; the discharge data of Aqqala station alone and together with its upstream stations, the elevation model of Aqqala city and Golestan province were used as network inputs. The present research outcome was compared with simple regression network, support vector machine-regression, and frequent neural network. The results show that Long Short Term Memory network is superior to other networks with Nash-Sutcliffe Efficiency values above 91%. In future study, authors are going to to use other influential data on flood occurrence as well as network development into fully automated network. http://jgit.kntu.ac.ir/article-1-808-en.pdf 2022-11-01 19 38 10.52547/jgit.10.2.19 flood forecasting remote sensing discharge forecasting deep learning LSTM. Fateme hosseinzadeh Fateme.h74@email.kntu.ac.ir 1 K.N.Toosi University of Technology AUTHOR Hamid Ebadi Ebadi@kntu.ac.ir 2 K.N.Toosi University of Technology AUTHOR Abbas Kiani a.kiani@nit.ac.ir 3 Babol Noshirvani University of Technology, AUTHOR
OTHERS_CITABLE بررسی مقایسه ای شاخص های آب مستخرج از تصاویر ماهواره‌ای به منظور پایش تغییرات سطح پهنه‌های آبی با کمک سامانه گوگل ارث انجین (مطالعه موردی: تالاب میقان اراک) تالاب‌ها زیست‌بوم آبی پویا و پیچیده‌ای هستند که نقش مهمی در بقای گونه‌های بسیار زیادی از گیاهان و جانوران وابسته به خود ایفا می‌کنند. در این پژوهش با استفاده از شش شاخص NDVI، NDWI، MNDWI، AWEIsh، AWEInsh  و WRI به بررسی تغییرات تالاب میقان اراک در بازه زمانی 1985 تا 2020 پرداخته‌شده است. علاوه بر آن مساحت‌های پهنه‌های آبی حاصل‌شده توسط شاخص‌ها در دوران خشک‌سالی و ترسالی با یکدیگر مقایسه شده و همبستگی بین تصویر حاصل‌شده از هر شاخص تحلیل و ارزیابی‌شده است. با توجه به اینکه تالاب موردمطالعه دارای عمق آب بسیار کم و حاوی آب شور است، توانایی شاخص‌های آبی در استخراج پهنه‌ آبی این تالاب مورد بررسی قرارگرفته و با نتایج طبقه‌بندی روش ماشین بردار پشتیبان مقایسه شده است. نتایج حاکی از آن است که شاخص‌ AWEInsh  در هنگام خشک‌سالی و کاهش حجم و سطح آب قادر به استخراج رضایت‌بخش و دقیق پهنه‌های آبی نمی‌باشند. شاخص‌های WRI و MNDWI با صحت کلی 95.97 و 98.52 برای تصویر دوره خشک‌سالی 99.04 و 99.57 در هنگام پر آبی تالاب بهترین شاخص‏ها برای تعیین پهنه‌ی آبی می‏باشند. عنوان یک نتیجه کلی می­توان گفت اطمینان کردن به نتایج یک شاخص در دوران خشک‌سالی برای بررسی پهنه­های آبی درست نیست. از آنجایی که در بررسی­های زمانمند ترکیبی از سال‏های کم آب و پرآب وجود دارد، لذا توصیه جدی این است که در مطالعات مشابه از چند شاخص برای بررسی پهنه­های آبی به‌طور هم‌زمان استفاده شود. http://jgit.kntu.ac.ir/article-1-871-fa.pdf 2022-11-01 39 62 10.52547/jgit.10.2.39 تشخیص تغییرات تالاب میقان شاخص آب سنجش از دور لندست Comparative analysis of remote sensing water indexes for wetland water body monitoring using Landsat images and the Google Earth Engine Platform0 (A Case study: Meighan Wetland, Iran) Wetlands are dynamic and complex aquatic ecosystems that play an important role in the survival of many plant and animal species. This study modeled the spatio-temporal changes of the Arak Meighan wetland during 1985–2020 using the multi-temporal Landsat images. In doing so, the applicability of different satellite-derived indexes including NDVI, NDWI, MNDWI, AWEIsh , AWEInsh , and WRI was investigated for the extraction of surface water from Landsat data. In addition, the correlation coefficient between the images extracted by the indexes is also estimated. For comparison purposes SVM classification was applied on some selected images.  Because the Meighan wetland has a very shallow water depth and contains saline water, the capability of water indexes to extract surface water areas of the wetland has been investigated on this area. The results of the study indicate that climate change such as increasing rainfall has a direct relationship with changes in the surface water area of wetland extracted by various indexes in the last 35 years. Also, the AWEIsh  and AWEInsh  indexes are not able to properly and accurately extract surface water area when there is a drought and the water depth is reduced. Overall, it is not recommended to rely on the results of one index to monitor surface water area during drought condition. Since there is a combination of low water and high water years in time-series analyses, it is seriously recommended that in similar studies, several indexes be used simultaneously for detecting and extracting surface water. However, classification can be used as a robust method for water body extraction in all times.   http://jgit.kntu.ac.ir/article-1-871-en.pdf 2022-11-01 39 62 10.52547/jgit.10.2.39 Change Detection Meighan Wetland Water Indexes Remote Sensing Landsat Marjan Faraji Mrj.faraji@gmail.com 1 University of Isfahan AUTHOR Bagher Fatemi sb.fatemi@eng.ui.ac.ir 2 University of Isfahan AUTHOR
OTHERS_CITABLE ارزیابی عملکرد آشکارسازهای عوارض موضعی در حضور نویز، به‌منظور تناظریابی تصاویر چندسنجنده ای سنجش‌از‌دوری تناظریابی خودکار، کارآ، دقیق و پایدار تصاویر یکی از مسائل اساسی در حوزه­های سنجش ازدور، فتوگرامتری و بینایی­ماشین است. در دهه­های گذشته، الگوریتم­های متنوعی مبتنی بر چارچوب تناظریابی­ عارضه­مبنا ارائه شده­است که هسته اصلی آنها را تشخیص و توصیف عوارض موضعی تشکیل می‌دهد. شناخت خصوصیات الگوریتم‌های مختلف تناظریابی در کاربردهای گوناگون یک ضرورت اساسی بوده و تاثیر زیادی در انتخاب صحیح یک الگوریتم مناسب در یک کاربرد مشخص خواهد داشت. مطالعات متعددی در خصوص ارزیابی و مقایسه بسیاری از الگوریتم­های تناظریابی در کاربردهای گوناگون انجام گرفته است. با این وجود تحقیقات انجام گرفته در خصوص ارزیابی عملکرد الگوریتم‌های مختلف تناظریابی در تصاویر چندسنسوری خصوصا تصاویر راداری و نوری بسیار محدود است. در این تحقیق به ارزیابی عملکرد آشکارسازهای شاخص و متداول عوارض موضعی شامل SURF، KAZE، SIFT، PC، FAST و Harris در تناظریابی تصاویر چندسنسوری نوری و راداری پرداخته خواهد شد. به منظور استخراج عوارض پایدار و با توزیع یکنواخت در این الگوریتم‌ها از روش شایستگی یکنواخت استفاده خواهد شد. علاوه بر این به منظور توصیف عوارض از نسخه مستقل از مقیاس توصیفگر جدید HOSS بهره‌گیری خواهد شد. نتایج حاکی از برتری آشکارساز KAZE در حضور سطوح متوالی نویز و سایر اختلافات هندسی و رادیومتریکی است. http://jgit.kntu.ac.ir/article-1-867-fa.pdf 2022-11-01 63 88 10.52547/jgit.10.2.63 تصاویر چندسنسوری ارزیابی آشکارسازهای عوارض موضعی آشکارساز KAZE الگوریتم شایستگی‌یکنواخت توصیفگر HOSS Performance Evaluation of Local Detectors in the Presence of Noise for Multi-Sensor Remote Sensing Image Matching Automatic, efficient, accurate, and stable image matching is one of the most critical issues in remote sensing, photogrammetry, and machine vision. In recent decades, various algorithms have been proposed based on the feature-based framework, which concentrates on detecting and describing local features. Understanding the characteristics of different matching algorithms in various applications increases the potential of successful matching in a given application. Numerous studies have evaluated and analyzed many of these algorithms in various applications. However, performance evaluation of image matching methods in multi-sensor images, especially optical-radar and noisy images, is limited. This research will evaluate the performance of the state-of-the-art- detectors, including SURF, KAZE, SIFT, PC, FAST, and Harris detectors for multi-sensor image matching. Moreover, we integrated the employed detectors with the uniform competency algorithm to identify the most reliable features with uniform distribution. Next, we employed a scale-invariant version of the HOSS descriptor to describe extracted features. The results show the superiority of the KAZE detector in the presence of noise and various geometric and radiometric distortions. http://jgit.kntu.ac.ir/article-1-867-en.pdf 2022-11-01 63 88 10.52547/jgit.10.2.63 Multimodal images evaluation of local detectors KAZE Detector HOSS descriptor Uniform Competency method Negar Jovhari negarjovhari77@gmail.com 1 University of Tabriz AUTHOR Amin Sedaghat a.sedaghat@tabrizu.ac.ir 2 University of Tabriz AUTHOR Nazila Mohammadi , n.mohammadi@tabrizu.ac.ir 3 University of Tabriz AUTHOR
OTHERS_CITABLE نقشه‌برداری درختان در محیط‌های شهری با استفاده از شبکه عصبی عمیق کانولوشنی و فیلترهای مورفولوژیکی در پردازش تصاویر هوایی با قدرت تفکیک مکانی بالا امروزه نقش درختان در کیفیت زندگی بشر غیرقابل‌انکار است، به‌گونه‌ای که زمین بدون حضور درختان برای انسان قابل‌تصور نیست. درختان شهری علاوه بر نقش ماهیتی خود، از نظر زیبایی بصری نیز بسیار اهمیت دارند. تصویربرداری هوایی با قدرت تفکیک مکانی بسیار بالا با استفاده از سکوهای بدون سرنشین متداول است. در پردازش داده‌های حجیم حاصل از این نوع تصویربرداری و چالش‌های ویژه آن، روش‌های یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشنی بسیار کارآمد هستند. در این تحقیق یک معماری برای شبکه عصبی کانولوشنی بر پایه شبکه‌های رمزگذار - رمزگشا پیشنهاد شده است که نتایج آن بر روی داده‌های مرجع ارائه شده توسط انجمن بین‌المللی فتوگرامتری و سنجش‌ازدور از شهر پوتسدام کشور آلمان جهت آشکارسازی درختان شهری، دقت کلی 96.10% و امتیاز F1 برابر با 80.72% را ارائه می‌دهد. همچنین موضوع جایگزینی باند مادون‌قرمز به‌جای باند آبی در تصاویر مرئی مورد بررسی قرار گرفت که موجب بهبود در نتایج طبقه‌بندی شد هرچند تغییر بسیار کم دقت با وجود این تغییر را می‌توان به زمان تصویربرداری مرتبط دانست که در این زمان عموماً درختان منطقه موردمطالعه از هیچ‌گونه سبزینگی برخوردار نبوده‌اند. بحث دیگر در این تحقیق ایجاد تصویر تفاضلی از نقشه واقعیت زمینی و نقشه تخمین خروجی از الگوریتم پیشنهادی است که با توجه به این نقشه تفاضلی اعمال یک فیلتر مورفولوژی مفید به نظر می‌رسد که در عمل موجب افزایش دقت در طبقه‌بندی نهایی شده است. موضوع آخر استفاده از پارامترهای شبکه حاصل از آموزش توسط ترکیب باندی قرمز، سبز و آبی به‌عنوان پارامترهای اولیه برای شبکه با ورودی ترکیب باندی مادون‌قرمز نزدیک، قرمز و سبز است که در این حالت زمان دستیابی به بهترین عملکرد شبکه در حدود 83% کاهش یافته و این پیش آموزش پارامترهای شبکه عصبی موجب همگرایی سریع شبکه موردنظر شده است. http://jgit.kntu.ac.ir/article-1-854-fa.pdf 2022-11-01 89 104 10.52547/jgit.10.2.89 یادگیری عمیق سنجش‌ازدور شبکه‌های عصبی کانولوشنی تصاویر هوایی با قدرت تفکیک مکانی بالا Provide a Deep Convolutional Neural Network Optimized with Morphological Filters to Map Trees in Urban Environments Using Aerial Imagery Today, we cannot ignore the role of trees in the quality of human life, so that the earth is inconceivable for humans without the presence of trees. In addition to their natural role, urban trees are also very important in terms of visual beauty. Aerial imagery using unmanned platforms with very high spatial resolution is available today. Convolutional neural networks based deep learning methods are very efficient in processing large amounts of data from this type of imaging and facing its special challenges. The current paper proposed an encoder-decoder networks based convolutional neural network architecture, the results of which are based on reference data provided by the International Society of Photogrammetry and Remote Sensing from Potsdam, Germany for urban tree detection, provide 96.10% overall accuracy and F1 score equals 80.72%. However, very little change in accuracy can be attributed to the time of imaging, at which the trees in the study region generally did not have any greenery. Another discussion in this research is to create a differential image of the terrestrial reality map and the output estimation map of the proposed algorithm. According to this differential map, the application of a morphological filter seems to be useful, which in practice has increased the accuracy of the final classification. The final issue is the use of training network parameters by red, green and blue band combination as primary parameters for the network with near, red and green infrared band input, in which case the time to achieve the best network performance is reduced by about 83% and this pre-training of neural network parameters has caused the rapid convergence of the target network. http://jgit.kntu.ac.ir/article-1-854-en.pdf 2022-11-01 89 104 10.52547/jgit.10.2.89 Deep Learning Remote Sensing Convolutional Neural Network High Spatial Resolution Aerial images Moslem Darvishi darvishim@ut.ac.ir 1 School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran. AUTHOR Reza Shah-Hosseini rshahosseini@ut.ac.ir 2 School of Surveying & Geospatial Engineering, College of Engineering, University of Tehran, Tehran, Iran. AUTHOR
OTHERS_CITABLE برآورد پارامترهای هندسی گسل با استفاده از میدان جابجایی سه بعدی حاصل از روش تداخل سنجی راداری (مطالعه موردی: زمین‌لرزه 1396 سرپل ذهاب) زمین­لرزه ­ها که عمدتاً در مرز صفحات و روی گسل­ها رخ می­ دهند، عامل ایجاد خسارت­های مالی و جانی می­ شوند. مطالعه زلزله­ ها و تغییرشکل زمین، می­تواند به درک بهتر مکانیزم زلزله­ ها و در نتیجه به مدیریت بحران­های ناشی از آن کمک کند. یک گسل را می­ توان با هفت پارامتر هندسی مشخص نمود که در تعریف اوکادا این هفت پارامتر شامل: طول، عرض، عمق، امتداد، شیب، پیچ و لغزش می­ باشد. یکی از روش­های برآورد این پارامترها، استفاده از بردارهای جابجایی حاصل از روش­های ژئودتیکی GPS و تداخل­ سنجی راداری(InSAR) می­ باشد. در این پژوهش، با استفاده از پردازش تصاویر راداری ماهواره سنتینل-1 در مدارات بالاگذر و پائین ­گذر و استفاده از تکنیک تداخل­ سنجی راداری، جابجایی­ های در راستای دید ماهواره(LOS) برای زمین­ لرزه 1396 کرمانشاه برآورد شد، سپس با تلفیق جابجائی­های LOS، مؤلفه­ های میدان جابجائی سه­ بعدی استخراج شدند. با استفاده از حل مسأله معکوس روی جابجائی ­های LOS در روش بایزین پارامترهای گسل کور کرمانشاه برآورد گردید. با استفاده از این روش، 41.7 کیلومتر طول، 13.5 کیلومتر عرض و 14.9 کیلومتر عمق گسل، 350.8 درجه آزیموت، 16 درجه شیب و 2.98 درجه لغزش برای این گسل برآورد شد. سپس از روش کمترین مربعات و مؤلفه­ های سه­ بعدی جابجائی برای حل مسأله معکوس استفاده شد تا پارامترهای هندسی گسل برآورد شوند. در این روش مقادیر برای طول، عرض و عمق گسل به ترتیب 45.6، 17.5 و 19.6 کیلومتر و زوایای آزیموت و شیب گسل به ترتیب 353، 16.9 درجه برآورد شدند. گسل مسبب این زلزله، از نوع گسل معکوس کور می­باشد. بیشترین لغزش در حدود 3 متر در راستای عمود به صفحه گسل، تقریباً در عمق 7 کیلومتری زمین رخ داده است. با توجه به مقایسه نتایج با کاتالوگ­های زمین­ شناسی، می ­توان گفت که استفاده از مؤلفه­  های سه­ بعدی میدان جابجائی در حل مسئله معکوس، پارامترهای گسل را با دقت بهتری در مقایسه با پارامترهای حاصل شده از جابجائی­های LOS برآورد می­ کند.   http://jgit.kntu.ac.ir/article-1-881-fa.pdf 2022-11-01 105 118 10.52547/jgit.10.2.105 تداخل سنجی راداری پارامترهای هندسی گسل حل مسئله معکوس زلزله سرپل ذهاب SAR Interferometry, Bayesian inversion, Sarpol-e zahab earthquake, Fault source parameters Abstract Earthquakes occur at teh border of teh plates and faults, causing financial and casual damages. Teh study of earthquakes and surface deformation is useful in understanding teh mechanism of earthquakes and managing teh risks and crises of earthquakes. A fault can be specified by its geometric source parameters. In Okada’s definition, these parameters are length, width, depth, strike, dip, rake, and slip. One of teh methods to estimate teh parameters is displacement fields through geodetic techniques such as GPS and InSAR. In this study, teh LOS displacement of teh 2017 Sarpol-e Zahab earthquake is produced through teh InSAR technique and Sentinel-1A/B images. Teh 3-dimensional displacement field is retrieved by combining LOS displacements. Source parameters of blind reverse fault are estimated by applying Bayesian inversion on LOS displacement. Source parameters are estimated by applying least squares inversion on 3D displacement components. According to teh results, teh maximum of 3 meters slip is detected perpendicular to teh fault plane approximately at teh 7 kilometers depth. A comparison of teh estimated parameters through LOS and 3D displacement fields and geological catalogs indicated that teh estimated parameters through 3D displacement are more accurate rather than LOS parameters.   http://jgit.kntu.ac.ir/article-1-881-en.pdf 2022-11-01 105 118 10.52547/jgit.10.2.105 SAR Interferometry Bayesian inversion Sarpol-e zahab earthquake Fault source parameters Reza Rahimipour 1 University of Isfahan AUTHOR Hamid Mehrabi h.mehrabi@eng.ui.ac.ir 2 University of Isfahan AUTHOR