Abstract

MAGALHAES, Ivo Augusto Lopes; CARVALHO JUNIOR, Osmar Abilio de  and  SANO, Edson Eyji. Délimitation des zones inondées sur la base des données sar sentinel-1 traitées par apprentissage automatique: un cas d'étude en Amazonie centrale, Brésil. Finisterra [online]. 2023, n.123, pp.87-109.  Epub Sep 30, 2023. ISSN 0430-5027.  https://doi.org/10.18055/finis30884.

La délimitation de zones sujettes aux inondations est cruciale pour comprendre la dynamique hydrique et les changements fluviaux. Cette étude a analysé le potentiel des images radar à ouverture de synthétique (SAR) acquises en bande-C par le satellite Sentinel-1 en 2017, 2018 et 2019 pour délimiter les zones inondées en Amazonie Centrale. Les images ont été traitées par le Réseau de Neurones Artificiels Multicouches Perceptron (ARN-MLP) et deux classificateurs d'apprentissage automatique (ML) K-Nearest Neighbor (KNN-7 et KNN-11). Le prétraitement des images SAR images complexes à visée simple (SLC) a impliqué les étapes méthodologiques suivantes : application du fichier d'orbite; calibration radiométrique (σ0); correction de terrain Range-Doppler; filtrage du bruit de chatoiement; et conversion des données linéaires en coefficients de rétrodiffusion (unités en dB). Un filtre de Lee avec une taille de fenêtre de 3×3 a été appliqué pour filtrer le bruit de chatoiement. Un ensemble de 6000 échantillons assignés au hasard pour la formation (70%), la validation (20%) et les tests (10%) a été obtenu à partir de l'interprétation visuelle de l'image satellite optique Sentinel-2 acquise pour la même année que les images radar. Les plus grandes zones inondées ont été trouvées en 2019 dans la zone d'étude (municipalité de Parintins et Urucará, la Riviére Amazonas, Brésil) : 6244km2 selon le classificateur RNA -MLP; 6268km2 pour KNN-7; et 6290km2 pour KNN-11, alors que les plus petites zones inondées ont été trouvées en 2018: 5364km2 pour le classificateur RNA -MLP; 5412km2 pour KNN-7; et 5535km2 pour KNN-11. Les trois classifieurs présentaient des coefficients Kappa compris entre 0,77 et 0,91. L'ARN-MLP a montré une meilleure précision. La présence d'effets d'ombre dans les images SAR a augmenté les erreurs de commission.

Keywords : Télédétection; ressources en eau; classificateurs d'images; inondation.

        · abstract in English | Portuguese | Spanish     · text in English     · English ( pdf )