Multi-Temporal Sentinel-1 SAR and Sentinel-2 MSI Data for Flood Mapping and Damage Assessment in Mozambique

QC 20240521

Abstract

Översvämningar är en av de vanligaste naturkatastroferna i världen. Även omsårbarheten varierar från region till region är alla länder mottagliga för översvämningar.Moçambique drabbades av flera tropiska cykloner (TC) underde senaste decennierna, och 2019, efter cyklonerna Idai och Kenneth, blevlandet det första i södra Afrika som drabbades av två cykloner under sammaregnperiod. 2023 slog samma cyklon (TC Freddy) ner över Moçambiquetvå gånger, som också registrerades som den tidsmässig längsta. I syfte attförse de lokala myndigheterna med verktyg för att ge dem bättre möjligheteratt planera och genomföra hjälpinsatser före och efter varje katastrofhändelse,och för att mildra påverkan och ge stöd i beslutsfattande för hållbarutveckling, är det viktigt att fortsätta att utveckla tillförlitliga metoder förkatastrofhantering. I denna avhandling föreslås två metoder att genomföraöversvämningskartering (FM). Den första metoden är en helt automatiseradmetod för FM i nästan realtid som använder multi-temporala Sentinel-1 SyntheticAperture Radar (SAR)-data från European Space Agency (ESA) överBeira kommun och Macomia-distriktet. Den andra metoden bygger på övervakadoch oövervakad maskininlärning (ML) där vi undersöker en datamängdsom tillhandahålls av DrivenData Labs som är baserat på Sentinel-1 bilder(S1) (VH, VV-bilder och signaturer (små områden i bilder som markeratssom översvämmade/icke-översvämmade från 13 länder över hela världen)).Genom att använda Google Earth Engine (GEE)-plattformen framstår bådadessa metoder som alternativ till Deep Learning-metoder – de är kostnadseffektivaoch har låga krav på datorkraft. Den förstnämnda metoden implementerasgenom att hitta skillnaderna mellan bilder som tagits före och efteröversvämningen och sedan använda Otsus tröskelmetod för att automatisktextrahera det översvämmade området från skillnadsbilden; den andra baseraspå machine learning metoder som SVM och K-Means . För att valideraoch beräkna noggrannheten hos de föreslagna metoderna jämför vi våra resultatmed Copernicus Emergency Management Service (Copernicus EMS) datasom finns tillgängliga i studieområdena. Dessutom undersökte vi användningenav data från Sentinel-2’s (S2) multispektrala instrument (MSI) för attproducera en marktäckeskarta (LC) över studieområdet och kunna uppskattaandelen översvämmade områden i varje marktäckesklass. Resultaten visaratt kombinationen av S1- och S2-data är tillförlitlig för översvämningskarteringoch skadebedömning i nästan realtid. Vår automatiska kartläggning avöversvämmade områden resulterade i en total noggrannhet på cirka 87–88 %och ett kappavärde på 0,73–0,75 för den första metoden. Den andra metodengav tillfredsställande resultat och visade sig vara bättre än att använda VVbilder;i Kambodja och Bolivia med VH-polarisering erhöll vi IoUs-värdenfrån 0,819 till 0,856. Förutsägelserna i Beira med VH-bilder gav ett IoU på0,568, vilket är ett rimligt resultat. Marktäckesklassificeringen valideras genomatt slumpmässigt sampla över 600 poäng för varje marktäckesklass; dentotala noggrannheten blev 90–95 % med ett kappavärde på 0,80–0,94. Meddessa resultat kunde vi upptäcka områden som är utsatta för översvämningoch där översvämningar avtar snabbare för att förbättra markanvändningsplaneringen.Vi kunde också bestämma procentandelen översvämmade marktäckesklasser som jordbruk, Mangrove och byggt miljö, eftersom deras förstörelsenegativt påverkar livsmedelssäkerheten och socioekonomiska utvecklingsplaner.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-346482