MAGALHAES, Ivo Augusto Lopes; CARVALHO JUNIOR, Osmar Abilio de    SANO, Edson Eyji. Delimitation of flooded areas based on sentinel-1 sar data processed through machine learning: a study case from central amazon, Brazil. []. , 123, pp.87-109.   30--2023. ISSN 0430-5027.  https://doi.org/10.18055/finis30884.

^a

Delimitation of areas subject to flooding is crucial to understand water dynamics and fluvial changes. This study analyzed the potential of C-band Synthetic Aperture Radar (SAR) images acquired by the Sentinel-1 satellite in 2017, 2018, and 2019 to delineate flooded areas in the Central Amazon. The images were processed by the Artificial Neural Network Multi-Layer Perceptron (ANN-MLP) and two K-Nearest Neighbor (KNN-7 and KNN-11) machine learning (ML) classifiers. Pre-processing of Single Look Complex (SLC) SAR images involved the following methodological steps: orbit-file application; radiometric calibration (σ0); Range-Doppler terrain correction; speckle noise filtering; and conversion of linear data to backscattering coefficients (units in dB). We applied the Lee filter, with a window size of 3x3, for speckle filtering. A set of 6000 randomly distributed samples for training (70%), validation (20%), and test (10%) was obtained based on visual interpretation of Sentinel-2 optical satellite image acquired in the same years of SAR images. We found the largest flooded areas in 2019 in the study area (municipality of Parintins and Urucará, Amazonas River, Brazil): 6244km2 by the ANN-MLP classifier; 6268km2 by KNN-7; and 6290km2 by KNN-11, while the smallest flooded areas were found in 2018: 5364km2 by ANN-MLP; 5412km2 by KNN-7; and 5535km2 by KNN-11. The three classifiers presented Kappa coefficients between 0.77 and 0.91. ANN-MLP showed the best accuracy. The presence of shadow effects in the SAR images increased the commission errors.

A delimitação de áreas sujeitas a inundações é crucial para entender a dinâmica hídrica e as mudanças fluviais. Este estudo analisou o potencial de imagens de radar de abertura sintética (SAR) adquiridas na banda-C pelo satélite Sentinel-1 em 2017, 2018 e 2019 para delinear áreas inundadas na Amazónia Central. As imagens foram processadas pela Rede Neural Artificial Multi-Layer Perceptron (RNA-MLP) e dois classificadores de aprendizagem de máquina (ML) K-Nearest Neighbor (KNN-7 e KNN-11). O pré-processamento de imagens SAR Single Look Complex (SLC) envolveu as seguintes etapas metodológicas: aplicação do orbit-file; calibração radiométrica (σ0); correção de terreno Range-Doppler; filtragem de ruído speckle; e conversão de dados lineares para coeficientes de retroespalhamento (unidades em dB). O filtro de Lee com tamanho de janela de 3×3 foi aplicado para filtragem do ruído speckle. Um conjunto de 6000 amostras distribuídas aleatoriamente para treino (70%), validação (20%) e teste (10%) foi obtido com base na interpretação visual da imagem do satélite óptico Sentinel-2 adquiridas no mesmo ano das imagens de radar. As maiores áreas alagadas foram encontradas em 2019 na área de estudo (municípios de Parintins e Urucará, Rio Amazonas, Brasil): 6244km2 pelo classificador RNA-MLP; 6268km2 pelo KNN-7; e 6290km2 pelo KNN-11, enquanto as menores áreas alagadas foram encontradas em 2018: 5364km2 pelo classificador RNA -MLP; 5412km2 pelo KNN-7; e 5535km2 pelo KNN-11. Os três classificadores apresentaram coeficientes Kappa entre 0,77 e 0,91. A RNA-MLP apresentou a melhor precisão. A presença de efeitos de sombra nas imagens SAR aumentou os erros de comissão.

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.

La delimitación de áreas sujetas a inundaciones es crucial para comprender la dinámica del agua y los cambios fluviales. Este estudio analizó el potencial de las imágenes de radar de apertura sintética (SAR) adquiridas en la banda-C por el satélite Sentinel-1 en 2017, 2018 y 2019 para delinear áreas inundadas en la Amazonía Central. Las imágenes fueron procesadas por la Red Neuronal Artificial de Perceptrón Multicapa (RNA-MLP) y dos clasificadores de aprendizaje automático (ML) K-Nearest Neighbor (KNN-7 y KNN-11). El preprocesamiento de imágenes SAR complejas de una sola mirada (SLC) involucró los siguientes pasos metodológicos: aplicación del archivo de órbita; calibración radiométrica (σ0); corrección del terreno Range-Doppler; filtrado de ruido moteado; y conversión de datos lineales en coeficientes de retrodispersión (unidades en dB). Se aplicó El filtro Lee con un tamaño de ventana de 3×3 para filtrar el ruido moteado. Se obtuvo un conjunto de 6000 muestras asignadas aleatoriamente para entrenamiento (70%), validación (20%) y prueba (10%) en base a la interpretación visual de la imagen del satélite óptico Sentinel-2 adquirida el mismo año que las imágenes de radar. Los humedales más grandes se encontraron en 2019 en el área de estudio (municipio de Parintins y Urucará, Rió Amazonas, Brasil): 6244km2 por el clasificador RNA -MLP; 6268km2 por KNN-7; y, 6290km2 por KNN-11, mientras que, los humedales más pequeños se encontraron en 2018: 5364km2 por el clasificador RNA -MLP; 5412km2 por KNN-7; y 5535km2 por KNN-11. Los tres clasificadores presentaron coeficientes Kappa entre 0,77 y 0,91. RNA-MLP mostró la mejor precisión. La presencia de efectos de sombra en las imágenes SAR aumentó los errores de comisión.

: .

        · | | | |     ·     · ( pdf )