Delimitação de áreas inundadas com base em dados SAR Sentinel-1 processados através de aprendizagem de máquina

Um estudo de caso na Amazónia Central, Brasil

Resumo

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.