Algoritmos de aprendizaje automático para clasificar zonas de inundación a partir de imágenes de radar de apertura sintética

• Ambrosio-Ambrosio, Juan Pablo ^[1] ; González-Camacho, Juan Manuel ^[1]
  1. [1] Colegio de Postgraduados

     Colegio de Postgraduados

     México

     
• Localización: Tecnología y Ciencias del Agua, ISSN-e 2007-2422, Vol. 14, Nº. 4 (julio-agosto), 2023, págs. 107-154
• Idioma: español
• Títulos paralelos:
  • Machine learning algorithms for classifying flood areas from synthetic aperture radar images
• Enlaces
  • Texto completo
• Resumen
  • español

    El uso de imágenes de radar de apertura sintética (SAR) representa una fuente valiosa de información para caracterizar regiones geográficas susceptibles de inundaciones, como en el sureste de México, ya que éstas no son sensibles a condiciones de nubosidad y/u oscuridad. En esta investigación se presenta una metodología para identificar cuerpos de agua en una región del sureste de México. Se aplicaron tres algoritmos de aprendizaje automático: bosque aleatorio (RF), potenciación del gradiente (GB) y máquina de soporte vectorial (SVM) para clasificar las tres clases objetivo A: agua, áreas inundadas y cuerpos de agua; I: infraestructura urbana y/o suelo desnudo, y V: vegetación a partir de imágenes SAR. La imagen SAR utilizada cubre una zona geográfica proyectada UTM Zona 15 Norte WGS84, localizada en los estados de Tabasco y Chiapas, la cual fue preprocesada para disminuir errores en la imagen. Los modelos RF, GB y SVM se implementaron en lenguaje Python, que fueron entrenados y probados en predicción a partir de una base de datos de 12 000 muestras, con valores de amplitud de la imagen SAR. El modelo RF obtuvo una precisión global de clasificación ( ) de 0.979(+/-0.003); GB obtuvo = 0.979(+/-0.003), y SVM  = 0.974(+/-0.005). Los tres modelos obtuvieron un valor de F1_score superior a 0.99 para predecir la clase A; el clasificador RF obtuvo valores de  = 1 para las tres clases objetivo evaluadas. Este estudio permite mostrar el uso potencial de las imágenes satelitales SAR y el alto desempeño de los modelos de aprendizaje automático RF, GB y SVM para clasificar e identificar los cuerpos de agua, así como resaltar su importancia en estudios de los posibles impactos de las inundaciones.

  • English

    The use of synthetic aperture radar (SAR) images represents a valuable source of information to characterize geographic regions susceptible to flooding, such as southeastern Mexico, they are not sensitive to cloudy and / or dark conditions. This research presents a methodology to identify bodies of water in a region of southeastern Mexico. Three machine learning algorithms were implemented: Random forests (RF), Gradient Boosting (GB) and Support Vector Machines (SVM) to classify three target classes: Class A (water, flooded areas, and bodies of water); class I (urban infrastructure and / or bare soil), and class V (vegetation) from SAR images. The SAR image used covers a projected geographical area UTM Zona 15 Norte WGS84 located in the states of Tabasco and Chiapas; this was pre-processed to reduce errors in the image. The RF, GB and SVM models were implemented in Python language. These were trained and tested in prediction from a database of 12 000 samples with amplitude values of the SAR image. The RF model obtained an overall classification accuracy ( ) of 97.9 (+/- 0.003) %; GB obtained  = 97.9 (+/- 0.003) %, and SVM  = 97.4 (+/- 0.005). The three models obtained an  value higher than 0.99 to predict class A; RF obtained  = 1 for the three target classes. This study shows the potential use of SAR satellite images and the high performance of RF, GB and SVM machine learning models to classify and identify water bodies as well as highlighting its importance in studies of possible impacts of floods.