IDENTIFICATION OF WATER BODIES IN SENTINEL-1 RADAR TIME SERIES

Authors

DOI:

https://doi.org/10.22409/GEOgraphia2023.v25i55.a56659

Keywords:

Radar Image, Remote sensing, Machine learning, Google Earth Engine, Water

Abstract

This article aims to address the study carried out for the identification and cartography of water bodies in the state of Rio de Janeiro, using multitemporal remote sensing techniques in Radar images. It’s aims to contribute methodologically to the mapping of water bodies and wetlands, very specific targets that require detailed criteria for their correct classification, due to their dynamics. As a research methodology, machine learning algorithms were used on the Google Earth Engine platform, adopting Sentinel 1 – C-band images to identify these objects. A monthly time series of radar images was used, making it possible to test their potential in identifying these objects. As a result, the classification and quantification of the natural coverage of the state of Rio de Janeiro was obtained, considering the 12 months of the year 2018. The result allowed identifying the spatiality of the water bodies, in the different periods of the year, without atmospheric interference, which corresponds to a methodological difference in the attempt to map the annual flood dynamics. Mapping validation showed an excellent Kappa index (0,93), highlighting the potential of using radar images for mapping water bodies.

Downloads

Download data is not yet available.

Author Biographies

  • Evelyn de Castro Porto Costa, Universidade Federal Fluminense (UFF) - Rio de Janeiro, RJ - Brasil

    Doutoranda em Geografia (UFF), com ênfase em Ordenamento Territorial Ambiental. Mestre em Geografia (2019), na área de concentração de Natureza e Dinâmica da Paisagem, pela Universidade do Estado do Rio de Janeiro (UERJ/FFP). É Licenciada em Geografia pela Faculdade de Formação de Professores da Universidade do Estado do Rio de Janeiro (2017) e geógrafa (bacharel) pela Universidade Federal Fluminense. Atualmente é membro do grupo de pesquisa Dinâmicas Ambientais e Geoprocessamento (DAGEOP/FFP) e do Laboratório de Geografia Física da UFF (LAGEF). Possui experiências profissionais na área de geotecnologias e meio ambiente, tendo experiências profissionais em instituições públicas e privadas. Desenvolve pesquisas no no âmbito da cartografia, sensoriamento remoto e geoprocessamento, aplicados a análises urbano-ambientais e detecção de mudanças, além de ter experiências em projetos de extensão e ministração de cursos na área de geotecnologias e ensino.

  • Mikaella Pereira dos Santos, Universidade Federal Fluminense (UFF) - Rio de Janeiro, RJ - Brasil

    Mestranda em Geografia, POSGEO-UFF

  • Eduardo Thomaz de Aquino Ribeiro, Universidade Federal Fluminense (UFF) - Rio de Janeiro, RJ - Brasil

    Graduando em Geografia, UFF

  • Milton Garcia Rosa, Universidade Federal Fluminense (UFF) - Rio de Janeiro, RJ - Brasil

    Graduando em Geografia, UFF

  • Paula Maria Moura de Almeida

    Doutora em Ciências Ambientais. Professora do Departamento de Geografia da UFF

  • Raúl Sanchez Vicens, Universidade Federal Fluminense (UFF) - Rio de Janeiro, RJ - Brasil

    Doutor em Geografia. Professor do Departamento de Geografia da UFF

References

ANDRADE, N.; S.; O.; ROSA, A.; N.; C.; FARIA, P.; C.; C. (2007); Fundamentos de Polarimetria SAR. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, INPE, p. 4775-4782.

BARBOSA, C. C. F.; NOVO, E.M.L.M.; MARTINS, V.S (2019). Introdução ao Sensoriamento Remoto de Sistemas Aquáticos: princípios e aplicações. 1ª edição. Instituto Nacional de Pesquisas Espaciais. São José dos Campos. 161p.

BRASIL (2015). Recomendação CNZU n. º 07, de 11 de junho de 2015. Brasília, DF. 2015. Disponível em: https://antigo.mma.gov.br/comunicacao/item/10872-comit%C3%AA-nacional-de-zonas-%C3%BAmidas.html&gt. Acessado em: 20 de abril de 2022.

BREIMAN, L (2001). Random Forests. Machine Learning 45, 5–32. Disponível em: https://doi.org/10.1023/A:1010933404324. Acessado em: 14 de novembro de 2023.

BULLOCK, E; OLOFSSON, P. (2018) What is AREA2? Disponível em: https://area2.readthedocs.io/en/latest/overview.html. Acessado em: 14 de novembro de 2023.

CARVALHO, W. S; FILHO, J.C.M; SANTOS, T.L. (2021); Uso e Cobertura do Solo utilizando a Plataforma Google Earth Engine (GEE): Um estudo de caso em uma unidade de conservação. Brazilian Journal of Development, ISSN: 2525-8761.

CERRI, R.; CARVALHO, A. C. P. L. F. (2017). Aprendizado de máquina: breve introdução e aplicações. Cadernos de Ciência & Tecnologia, Brasília, v. 34, n. 3, p. 297-313, set./dez. 2017

CHASMER, L. et al (2020); Remote Sensing of Boreal Wetlands 2: Methods for Evaluating Boreal Wetland Ecosystem State and Drivers of Change. Remote Sensing., 12, 1321.

EUROPEAN SPACE AGENCY (ESA) (2019). Sentinel-1 observation scenario. Disponível em: https://sentinel.esa.int/web/sentinel/missions/sentinel-1/instrument-payload. Acessado em: 14 de novembro de 2023

FERREIRA, K. R et al (2020). E.O Data Cubes for Brazil Requeriments Methodology and Products. Remote Sensing. 12, 4033.

FITZ, Paulo Roberto (2008). Geoprocessamento sem complicação. São Paulo: Oficina de Textos.

GOOGLE, Google Earth Engine (2022). Disponível em: https://earthengine.google.com. Acessado em: 23 de abril de 2022.

GUO, M.; LI, J.; SHENG, C.; XU, J.; WU, L. (2017). A Review of Wetland Remote. Sensors. 17, 777.

INPE (2021). Tutorial do SPRING, Disponível em: http://www.dpi.inpe.br/spring/portugues/tutorial/introducao_geo.html. Acessado em: 23 de jun. de 2021.

JENSEN, JHON R. (2009) Sensoriamento Remoto do Ambiente: uma perspectiva em recursos terrestres. São José dos Campos, SP. 2ª Edição.

JUNIOR, O.; A.; C. (2018) Aplicações e Perspectivas do Sensoriamento Remoto para o Mapeamento De Áreas Inundáveis. Revista de Geografia (Recife) V. 35, No. 4 (especial XII SINAGEO).

KUMAR, L.; MUTANGA, O. (2019). Google Earth Engine Applications. MDPI. Disponível em: https://www.mdpi.com/2072-4292/11/5/591. Acessado em: 14 de nov. de 2023.

MENEZES, P.R.; ALMEIDA, T. (2012). Introdução ao processamento de imagens de Sensoriamento Remoto. 1. Ed. Brasília: CNPq, p. 256.

MAHESH, B. (2020) Machine Learning Algorithms - A Review. International Journal of Science and Research (IJSR). ISSN: 2319-7064. Volume 9 Issue 1, January.

THANH NOI, P.; KAPPAS, Martin. (2018). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors 18, no. 1: 18.

OLOFSSON, P. et al. (2014) Good practices for estimating area and assessing accuracy of land change. Remote sensing of Environment, v. 148, p. 42-57.

PAIVA, R.; OLIVEIRA, S.; MARTINS, W.; PARENTE, L. (2020) Análise de metacaracterísticas para classificação de uso e cobertura do solo utilizando Random Forest. In: Anais do workshop de computação aplicada à gestão do meio ambiente e recursos naturais (WCAMA). Disponível em: https://sol.sbc.org.br/index.php/wcama/article/view/11021 . Acessado em: 14 de nov. de 2023.

PARADELLA, W.R. et al; (2005) Radares imageadores nas Geociências: estado da arte e perspectivas. Revista Brasileira de Cartografia, v. 57, n. 1, 2005.

PAL, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1):217–222.

PHAN, T. N.; KUCH, V.; LEHNERT, L. W. (2020) Land Cover Classification using Google Earth Engine and Random Forest Classifier – The Role of Image Composition. Remote Sensing. 12, 2411; doi:10.3390/rs12152411

RABELO, D.R., SANTOS, M.R., SOUSA FILHO, M.R. (2022). Análise comparativa dos dados pluviométricos de satélite e de superfície em bacia hidrográfica semiárida. Revista Brasileira de Sensoriamento Remoto, v.3, n.1, p. 63-75.

SARAIVA, C.; S.; A. (2015) Avaliação do Potencial das Imagens Sentinel-1 para Identificação de Culturas Agrícolas. Universidade de Lisboa. Faculdade de Ciências. Departamento de Engenharia Geográfica, Geofísica e Energia. Dissertação de Mestrado.

SERVELLO, E. L.; SANO, E. E.; PANTOJA, N. V. (2015) Sentinel-1 SAR: efeito de filtros espaciais no estudo do uso do solo amazônico. In: Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil, INPE.

SECRETARÍA DE LA CONVENCIÓN DE RAMSAR (2013). Manual de la Convención de Ramsar: Guía a la Convención sobre los Humedales (Ramsar, Irán, 1971), 6a. edición. Secretaría de la Convención de Ramsar, Gland (Suiza).

SILVA, F. S., PESTANA, A. L. M. (2020). Mapeamento da cobertura hídrica da microrregião da Baixada Maranhense com dados do sensor SAR Sentinel 1A. Revista Brasileira de Sensoriamento Remoto. v.1, n.2, p.58-71.

VICENS, R. S.; RODRIGUEZ, J. M.; CRONEMBERGER, F. M. (2019) A Paisagem Físico-Geográfica: Representação Cartográfica. Revista Brasileira de Geografia, Rio de Janeiro, v. 64, n. 2, p. 2-17.

Downloads

Published

2023-12-06

Issue

Vol. 25 No. 55 (2023): jul./dez.

Section

Dossiê - Jornada de Geotecnologias do Estado do Rio de Janeiro

License

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

DECLARATION OF ORIGINALITY AND TRANSFER OF COPYRIGHT

I declare that this article is original, having not been submitted for publication in any other national or international journal, either in part or in its entirety. I further declare that, once published in the journal GEOgraphia, edited by the Graduate Program in Geography of the Universidade Federal Fluminense, it shall never be submitted by me or by any of the other co-authors to any other journal. I also declare that I am aware that failure to observe this commitment will subject the offender to the sanctions and penalties set forth in the Copyright Protection Law (No. 9609, of 02/19/1998).

The author grants and transfers, fully and free of charge, to the Graduate Program in Geography of the Universidade Federal Fluminense, on a permanent, irrevocable, and non-exclusive basis, all non-commercial patrimonial copyright relating to scientific articles published in the journal GEOgraphia. Signed texts are the sole responsibility of their authors and do not necessarily represent the opinion of the editors or members of the journal's Editorial Board.

Published works are simultaneously licensed under a Creative Commons Attribution 4.0 International License.

How to Cite

IDENTIFICATION OF WATER BODIES IN SENTINEL-1 RADAR TIME SERIES. GEOgraphia, Niterói, v. 25, n. 55, 2023. DOI: 10.22409/GEOgraphia2023.v25i55.a56659. Disponível em: https://periodicos.uff.br/geographia/article/view/56659. Acesso em: 24 jul. 2026.