Assessment of high resolution SAR imagery for mapping floodplain water bodies : a comparison between Radarsat-2 and TerraSAR-X
Notice bibliographique
Résumé
Flooding is a world-wide problem that is considered as one of the most devastating natural hazards. New commercially available high spatial resolution Synthetic Aperture RADAR satellite imagery provides new potential for flood mapping. This research provides a quantitative assessment of high spatial resolution RADASAT-2 and TerraSAR-X products for mapping water bodies in order to help validate products that can be used to assist flood disaster management. An area near Dhaka in Bangladesh is used as a test site because of the large number of water bodies of different sizes and its history of frequent flooding associated with annual monsoon rainfall. Sample water bodies were delineated in the field using kinematic differential GPS to train and test automatic methods for water body mapping. SAR sensors products were acquired concurrently with the field visits; imagery were acquired with similar polarization, look direction and incidence angle in an experimental design to evaluate which has best accuracy for mapping flood water extent. A methodology for mapping water areas from non-water areas was developed based on radar backscatter texture analysis. Texture filters, based on Haralick occurrence and co-occurrence measures, were compared and images classified using supervised, unsupervised and contextual classifiers. The evaluation of image products is based on an accuracy assessment of error matrix method using randomly selected ground truth data. An accuracy comparison was performed between classified images of both TerraSAR-X and Radarsat-2 sensors in order to identify any differences in mapping floods. Results were validated using information from field inspections conducted in good conditions in February 2009, and applying a model-assisted difference estimator for estimating flood area to derive Confidence Interval (CI) statistics at the 95% Confidence Level (CL) for the area mapped as water. For Radarsat-2 Ultrafine, TerraSAR-X Stripmap and Spotlight imagery, overall classification accuracy was greater than 93%. Results demonstrate that small water bodies down to areas as small as 150m² can be identified routinely from 3 metre resolution SAR imagery. The results further showed that TerraSAR-X stripmap and spotlight images have better overall accuracy than RADARSAT-2 ultrafine beam modes images. The expected benefits of the research will be to improve the provision of data to assess flood risk and vulnerability, thus assisting in disaster management and post-flood recovery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».