پدیده سیل یکی از مخرب‌ترین و پیچیده‌ترین بلایای طبیعی به شمار می‌آید که همه ساله در اغلب کشورهای جهان رخ داده و منجر به ایجاد خسارت‌های فراوانی می‌شود. تهیه نقشه‌های سیل می‌تواند در زمینه‌های شناسایی مناطقی که در معرض خطر سیل قرار دارند بسیار کمک‌کننده باشد.در این پژوهش یک رویکرد نسبتا جدید برای تصاویر رادار دیافراگم مصنوعی مبتنی بر یادگیری عمیق ارائه شده است. این روش با طراحی یک شبکه عصبی کانولوشنی می‌تواند تغییراتی که بین دو تصویر از یک صحنه که در زمان های مختلف گرفته شده است را با دقت بسیار خوبی شناسایی کند.در این پژوهش بوسیله‌ی تعریف فیلترهای مناسب برای کانولوشن دو بعدی، مناطق تغییر یافته و بدون تغییر به صورت باینری مشخص می‌شود. برچسب و ماسک اولیه در مرحله پیش طبقه بندی تولید می شوند. سپس یک استراتژی به روز رسانی دو مرحله ای برای بازیابی تدریجی مناطق تغییر یافته اعمال می شود. در مرحله اول، تنوع داده های آموزشی به تدریج بازیابی می شود. خروجی شبکه طراحی‌شده کانولوشنی تولید یک برچسب جدید پیش بینی خواهد بود. در این پژوهش ما از تغییرات اتفاق افتاده یک نقشه تغییرات باینری بدست آورده‌ایم و در ادامه با استفاده از تولید تصویر اختلاف حاصل از تصویر پیش بینی شده‌ای که از شبکه بدست آمده و تصویر بدنه‌ی آب ،نقشه تغییرات را بدست می-آوریم سپس با استفاده از اختلاف تصویر بدنه‌ی آب و ماسک سیل توانستیم تصویر واقعیت زمینی را بدست بیاوریم.آزمایش بر روی مجموعه داده های واقعیSAR در منطقه نبراسکا پتانسیل روش پیشنهادی را نشان می‌دهد.در این روش ابتدا ماسک پیش بینی سیل را که خروجی شبکه عصبی کانولوشنی است را بدست می‌آوریم و آن را ازماسک جریان آب کم می‌کنیم و از اختلاف آن ها ماسک تغییر را بدست می‌آوریم.از آنجایی که تنوع داده ها پس از مرحله اول تضمین می شود، پیکسل ها در مناطق نامشخص می توانند به راحتی در مرحله دوم طبقه بندی شوند. برای ارزیابی شبکه طراحی شده در این پزوهش از دو نوع مجموعه دادهSAR برای آموزش و تست استفاده شده است که این خود نشان دهنده قدرت شبکه می‌باشد.برای آموزش شبکه از منطقه فلورانس بعد از وقوع سیل استفاده شده و برای تست شبکه از داده‌های منطقه نبراسکا بعد از وقوع سیل استفاده شده است. دقت کلی بدست آمده از شبکه طراحی شده 97 درصدو ضریب کاپای 80 درصد است. نتایج آزمایش بر روی چندین مجموعه داده، اثربخشی روش پیشنهادی را نشان می‌دهد.
