Towards Daily High-resolution Inundation Observations using Deep Learning and EO

要約

衛星リモートセンシングは、洪水を総合的に監視するための費用対効果の高いソリューションであり、衛星から得られる洪水地図は、従来使用されてきた数値洪水浸水モデルの計算効率の高い代替案となるものです。衛星は、発生中の洪水事象を偶然にもカバーしている場合には、タイムリーな浸水情報を提供しますが、様々なスケールで洪水の進展を動的に監視する能力という点では、その時空間解像度によって制限されます。新しい衛星データソースやビッグデータ処理能力へのアクセスが絶えず向上しているため、この問題に対するデータ駆動型のソリューションの可能性はかつてないほど広がっています。具体的には、空間分解能が高く時間分解能が低いCopernicus Sentinelsなどの衛星データと、空間分解能は低いが時間分解能が高いNASAのSMAPやGPMミッションのデータを融合することで、日スケールの高解像度な洪水氾濫を実現できる可能性があります。ここでは、Sentinel-1合成開口レーダーから得られた氾濫マップと水文、地形、土地利用に基づく様々な予測因子を使って畳み込みニューラルネットワークを初めて学習させ、高解像度の確率的氾濫マップを予測することができる。Sentinel-1とSentinel-2から得られた洪水マスクを用いて、このタスクにおけるUNetとSegNetモデルアーキテクチャの性能を95%信頼区間で評価した。バイナリ洪水マッピング問題では、クラスが本質的に不均衡であるため、精度のリコール曲線の曲線下面積（AUC）（PR-AUC）を主要評価指標として使用し、最良のモデルはPR-AUC0.85を達成した。

要約(オリジナル)

Satellite remote sensing presents a cost-effective solution for synoptic flood monitoring, and satellite-derived flood maps provide a computationally efficient alternative to numerical flood inundation models traditionally used. While satellites do offer timely inundation information when they happen to cover an ongoing flood event, they are limited by their spatiotemporal resolution in terms of their ability to dynamically monitor flood evolution at various scales. Constantly improving access to new satellite data sources as well as big data processing capabilities has unlocked an unprecedented number of possibilities in terms of data-driven solutions to this problem. Specifically, the fusion of data from satellites, such as the Copernicus Sentinels, which have high spatial and low temporal resolution, with data from NASA SMAP and GPM missions, which have low spatial but high temporal resolutions could yield high-resolution flood inundation at a daily scale. Here a Convolutional-Neural-Network is trained using flood inundation maps derived from Sentinel-1 Synthetic Aperture Radar and various hydrological, topographical, and land-use based predictors for the first time, to predict high-resolution probabilistic maps of flood inundation. The performance of UNet and SegNet model architectures for this task is evaluated, using flood masks derived from Sentinel-1 and Sentinel-2, separately with 95 percent-confidence intervals. The Area under the Curve (AUC) of the Precision Recall Curve (PR-AUC) is used as the main evaluation metric, due to the inherently imbalanced nature of classes in a binary flood mapping problem, with the best model delivering a PR-AUC of 0.85.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL