Delimitación de áreas inundadas basada en datos SAR Sentinel-1 procesados mediante aprendizaje automático

Un estudio de caso en Amazonía Central, Brasil.

Resumen

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.