1. 1(34)2023
  2. Просторово-часовий аналіз надійності методів виокремлення поверхневої води за даними супутника COPERNICUS

Просторово-часовий аналіз надійності методів виокремлення поверхневої води за даними супутника COPERNICUS

JGD.
2023;
Випуск 1(34)2023, Номер 1(34)
: 5-18
https://doi.org/10.23939/jgd2023.01.005
Надіслано: Квітень 12, 2023
Автори:
  1. Любомир Ксенак
  2. Кароль Бартош
  3. Катаріна Пуканська
  4. Каміль Кішеля
1
Institute of Geodesy Cartography and GIS, Technical University of Košice
2
Інститут геодезії, картографії та ГІС, Кошицький технічний університет
3
Інститут геодезії, картографії та ГІС, Кошицький технічний університет
4
Інститут геодезії, картографії та ГІС, Кошицький технічний університет

Метою цього дослідження є порівняння та подальша оцінка придатності використання SAR (Радар із синтетичною апертурою) та мультиспектральних (MSI) супутникових даних програми Copernicus для картографування та точної ідентифікації поверхневих водних тіл, враховуючи раптові зміни, спричинені значними кліматичними впливами. Методологія виділення наземних навігацій включає стандартну попередню обробку зображень SAR і завершення визначення порогових значень у генерації бінарної маски. Обробка зображень MSI включає автоматичну алгоритмічну обробку та подальшу генерацію водяних масок через хмарну платформу Google Earth Engine. Під час обробки зображення SAR результати показують, що тип конфігурації поляризації VV (вертикальна-вертикальна) є відповідним типом поляризації. Якщо брати інструменти фільтрації для усунення радіолокаційних шумів, то для цієї мети найбільше підходять фільтри Lee і Lee Sigma. Використовуваний розмір вікна залежить від конкретного типу об'єкта, а також від його просторового розміру. Екстракція водних поверхонь із зображення MSI обробляється за допомогою нормалізованого індексу різниці води (NDWI), модифікованого нормалізованого індексу різниці води (MNDWI), пари індексів автоматичного індексу вилучення води (AWEI) та індексу співвідношення води (WRI). Оцінка отриманих значень вилучення –графічна та чисельна – для уточнення результатів (з використанням кількісних показників точності). Автоматичне виділення водних поверхонь із зображень MSI в середовищі платформи GEE є відносно точним, швидким і ефективним інструментом для визначення справжнього рівня грунтових вод. Підсумовуючи, можна сказати, що результати цих досліджень дозволяють більш достовірно оцінювати раптові гідрологічні зміни, зумовлені міжрічними коливаннями водойм країни. У поєднанні з різночасовим моніторингом цих змін вони можуть бути ефективним інструментом постійного моніторингу повеней і посух.

дистанційне зондування
поверхневі води
Радар із синтетичною апертурою
Sentinel-1
Зображення MS
Sentinel-2
Google Earth Engine
  1. Bayanudin, A. A., & Jatmiko, R. H. (Eds.). (2016). Orthorectification of Sentinel-1 SAR (synthetic aperture radar) data in Some parts of south-eastern Sulawesi using Sentinel-1 toolbox. In IOP Conference Series: Earth and Environmental Science (Vol. 47, No. 1, p. 012007). IOP Publishing.
  2. Burshtynska, Kh. V., Babushka, A. V., Bubniak, I. M., Babiy, L. V., & Tretyak, S. K. (2019). Influence of geological structures on the nature of riverbed displacements for the rivers of the Dnister basin upper part. Geodynamics, 2(27), 24–38. https://doi.org/10.23939/jgd2019.02.024
  3. Burshtynska, Kh. V., Tretyak, S., & Halockin, M. (2017). Study of horizontal displacements of the channel of Dniester river using remote sensing data and GIS-technologies. Geodynamics, 2(23), 14–24. https://doi.org/10.23939/jgd2017.02.014 (in Ukrainian)
  4. Cao, H., Zhang, H., Wang, C., & Zhang, B. (2019). Operational flood detection using sentinel-1 SAR data over large areas. Water, 11(4), 786. https://doi.org/10.3390/w11040786
  5. Chen, F., Chen, X., Van de Voorde, T., Roberts, D., Jiang, H., & Xu, W. (2020). Open water detection in urban environments using high spatial resolution remote sensing imagery. Remote Sensing of Environment, 242, 111706. https://doi.org/10.1016/j.rse.2020.111706
  6. Clement, M. A., Kilsby, C. G., & Moore, P. (2017). Multi-temporal synthetic aperture radar flood mapping using change detection. Journal of Flood Risk Management, 11(2), 152–168. https://doi.org/10.1111/jfr3.12303
  7. Du, Y., Zhang, Y., Ling, F., Wang, Q., Li, W., & Li, X. (2016). Water bodies’ mapping from sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the Swir Band. Remote Sensing, 8(4), 354. https://doi.org/10.3390/rs8040354
  8. Fang-fang, Z., Bing, Z., Jun-sheng, L., Qian, S., Yuanfeng, W., & Yang, S. (2011). Comparative analysis of automatic water identification method based on multispectral remote sensing. Procedia Environmental Sciences, 11, 1482–1487. https://doi.org/10.1016/j.proenv.2011.12.223
  9. Ferro-Famil, L., & Pottier, E. (2016). 1 - Synthetic Aperture Radar Imaging. Microwave Remote
  10. Sensing of Land Surface. Elsevier. pp. 1-65. ISBN 9781785481598 https://doi.org/10.1016/B978-1-78548-159-8.50001-3
  11. Feyisa, G. L., Meilby, H., Fensholt, R., & Proud, S. R. (2014). Automated Water Extraction Index: A new technique for surface water mapping using landsat imagery. Remote Sensing of Environment, 140, 23–35. https://doi.org/10.1016/j.rse.2013.08.029
  12. Gergelova, M. B., Kovanič, L., Abd-Elhamid, H. F., Cornak, A., Garaj, M., & Hilbert, R. (2023). Evaluation of spatial landscape changes for the period from 1998 to 2021 caused by extreme flood events in the Hornád Basin in eastern Slovakia. Land, 12(2), 405. https://doi.org/10.3390/land12020405
  13. Hlotov, V., & Biala, M. (2022). Spatial-temporal geodynamics monitoring of land use and land cover changes in Stebnyk, Ukraine based on Earth remote sensing data. Geodynamics, 1(32), 5–15. https://doi.org/10.23939/jgd2022.02.005
  14. Holgerson, M. A., & Raymond, P. A. (2016). Large contribution to inland water CO2 and CH4 emissions from very small ponds. Nature Geoscience, 9(3), 222–226. https://doi.org/10.1038/ngeo2654
  15. Jiang, W., He, G., Pang, Z., Guo, H., Long, T., & Ni, Y. (2019). Surface water map of China for 2015 (SWMC-2015) derived from Landsat 8 satellite imagery. Remote Sensing Letters, 11(3), 265–273. https://doi.org/10.1080/2150704x.2019.1708501
  16. Lee, J.S., & Pottier, E. (2017). Polarimetric Radar Imaging (1st ed.). CRC Press, Taylor & Francis Group: Boca Raton, FL, USA. https://doi.org/10.1201/9781420054989
  17. Li, W., Du, Z., Ling, F., Zhou, D., Wang, H., Gui, Y., Sun, B., & Zhang, X. (2013). A comparison of land surface water mapping using the Normalized Difference Water Index from Tm, ETM+ and Ali. Remote Sensing, 5(11), 5530–5549. https://doi.org/10.3390/rs5115530
  18. Liu, S., Gao, L., Lei, Y., Wang, M., Hu, Q., Ma, X., & Zhang, Y.D. (2021). SAR speckle removal using hybrid frequency modulations. IEEE Transactions on Geoscience and Remote Sensing, 59(5), 3956–3966. https://doi.org/10.1109/tgrs.2020.3014130
  19. Manjusree, P., Prasanna Kumar, L., Bhatt, C. M., Rao, G. S., & Bhanumurthy, V. (2012). Optimization of threshold ranges for rapid flood inundation mapping by evaluating backscatter profiles of high incidence angle SAR images. International Journal of Disaster Risk Science, 3(2), 113–122. https://doi.org/10.1007/s13753-012-0011-5
  20. McFeeters, S. K. (1996). The use of the normalized difference water index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
  21. Nilsson, C., Reidy, C. A., Dynesius, M., & Revenga, C. (2005). Fragmentation and flow regulation of the world's large river systems. Science, 308(5720), 405-408. https://doi.org/10.1126/science.1107887
  22. Notti, D., Giordan, D., Caló, F., Pepe, A., Zucca, F., & Galve, J. (2018). Potential and limitations of open satellite data for flood mapping. Remote Sensing, 10(11), 1673. https://doi.org/10.3390/rs10111673
  23. Pakshyn, M., Liaska, I., Kablak, N., & Yaremko, H. (2021). Investigation of the mining departments influence of Solotvynsky salt mine SE on the Earth surface, buildings and constructions using satelite radar monitoring. Geodynamics, 2(31), 41–52. https://doi.org/10.23939/jgd2021.02.041
  24. Paluba, D., Laštovička, J., Mouratidis, A., & Štych, P. (2021). Land cover-specific local incidence angle correction: A method for time-series analysis of forest ecosystems. Remote Sensing, 13(9), 1743. https://doi.org/10.3390/rs13091743
  25. Potin, P., Colin, O., Pinheiro, M., Rosich, B., O'Connell, A., Ormston, T., ... & Torres, R. (Eds.). (2022). Status and Evolution of the Sentinel-1 mission. In IGARSS 2022-2022 IEEE International Geoscience and Remote Sensing Symposium (pp. 4707-4710). IEEE.
  26. Pukanská, K., Bartoš, K., Bakoň, M., Papčo, J., Kubica, L., Barlák, J., Rovňák, M., Kseňak, Ľ., Zelenakova, M., Savchyn, I., & Perissin, D. (2023). Multi-sensor and multi-temporal approach in monitoring of deformation zone with permanent monitoring solution and management of environmental changes: A case study of solotvyno salt mine, Ukraine. Frontiers in Earth Science, 11. https://doi.org/10.3389/feart.2023.1167672
  27. Pulvirenti, L., Pierdicca, N., Chini, M., & Guerriero, L. (2013). Monitoring flood evolution in vegetated areas using COSMO-SkyMed data: The Tuscany 2009 case study. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(4), 1807-1816. doi: 10.1109/JSTARS.2012.2219509.
  28. Sekertekin, A. (2020). A survey on global thresholding methods for mapping open water body using sentinel-2 satellite imagery and Normalized Difference Water Index. Archives of Computational Methods in Engineering, 28(3), 1335–1347. https://doi.org/10.1007/s11831-020-09416-2
  29. Shen, L., & Li, C. (Eds.). (2010). Water Body Extraction from Landsat ETM+ Imagery Using Adaboost Algorithm. Proceedings of 18th International Conference on Geoinformatics. Beijing, China: IEEE.
  30. Sun, F., Sun, W., Chen, J., & Gong, P. (2012). Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery. International Journal of Remote Sensing, 33(21), 6854–6875. https://doi.org/10.1080/01431161.2012.692829
  31. Tsyganskaya, V., Martinis, S., Marzahn, P., & Ludwig, R. (2018). Detection of temporary flooded vegetation using sentinel-1 time series data. Remote Sensing, 10(8), 1286. https://doi.org/10.3390/rs10081286
  32. Tsyganskaya, V., Martinis, S., & Marzahn, P. (2019). Flood monitoring in vegetated areas using multitemporal sentinel-1 data: Impact of time series features. Water, 11(9), 1938. https://doi.org/10.3390/w11091938
  33. Xu, H. (2006). Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025–3033. https://doi.org/10.1080/01431160600589179
  34. Zeleňáková, M., Fijko, R., Labant, S., Weiss, E., Markovič, G., & Weiss, R. (2019). Flood risk modelling of the SLATVINEC stream in Kružlov Village, Slovakia. Journal of Cleaner Production, 212, 109–118. https://doi.org/10.1016/j.jclepro.2018.12.008
  35. Zhang, M., Chen, F., Liang, D., Tian, B., & Yang, A. (2020). Use of sentinel-1 GRD SAR images to delineate flood extent in Pakistan. Sustainability, 12(14), 5784. https://doi.org/10.3390/su12145784
  36. Zhu, Q., & Abdelkareem, M. (2021). Mapping groundwater potential zones using a knowledge-driven approach and GIS analysis. Water, 13(5), 579. https://doi.org/10.3390/w13050579