Satellite and UAV Imagery for Flood Mapping and Damage Assessment in Mozambique using Machine Learning

QC 20250523

Abstract

Översvämningar blir allt vanligare och deras påverkan värre världen över, ochderas förmåga att göra skada ökar på grund av klimatförändringarna. Dettaväxande hot har gjort alla länder mer sårbara för naturkatastrofer. Under desenaste decennierna har Moçambique särskilt drabbats av flera tropiska cykloner(TC). År 2019, efter förödelsen orsakad av TCs Idai och Kenneth, blevMoçambique det första landet i södra Afrika som drabbades av två cyklonerunder samma regnperiod. År 2023 träffades det två gånger av samma cyklon,TC Freddy, som också registrerades som den längsta varaktiga cyklonennågonsin. Med tanke på omfattningen av de skador som sådana händelserorsakar finns det ett akut behov av effektiva och kostnadseffektiva metoderför att kartlägga både översvämmade och översvämningsdrabbade områden.Dessa metoder är viktiga för att hjälpa lokala myndigheter med katastrofberedskap,planering och begränsning av påverkan. Dessutom spelar de enviktig roll för att tillhandahålla information som stöder evidensbaserat beslutsfattandeför hållbar utveckling. Flera metoder för fjärranalys (RS) harföreslagits för bedömning efter översvämning, inklusive de som bygger på maskininlärning(ML) och djupinlärning (DL). Även om de är effektiva, kräverdessa tillvägagångssätt ofta stora mängder kommenterad data och är vanligtvisuppgiftsspecifika, vilket begränsar deras skalbarhet och anpassningsförmåga,särskilt i områden med brist på data. I den här studien undersökervi användningen av multi-temporal Sentinel-1 (S1) Synthetic Aperture Radar(SAR) och Sentinel-2 (S2) Multi-Spectral Instrument (MSI) data, tillsammansmed andra datakällor, för att utveckla skalbara, kostnadseffektivaoch beräkningseffektiva metoder för översvämningsbedömning (FM) och översvämningsskada(FM) i nära realtid. Dessutom utforskar vi användningen avGeo-Foundation Models (GFM) på små datamängder för FM och DA, inklusiveML-baserade alternativ till DL-metoder. Som sådan föreslås tre tillvägagångssättför FM. Den första är en helt automatiserad metod för nära realtidFM, som använder multi-temporal S1-data som förvärvats över Beira kommunoch Macomia-distriktet. Den identifierar översvämmade områden genom attberäkna skillnaden mellan bilder som tagits före och efter översvämningshändelsen,följt av Otsu’s tröskelmetod för automatisk utvinning av översvämningsområden.Det andra tillvägagångssättet använder både övervakade ochoövervakade ML-metoder, såsom Support Vector Machines (SVM) och KMeans-klustring, som utnyttjar ett dataset från DrivenData, som lanseradessom en del av en tävling för FM som använder SAR-data. Denna datauppsättning,baserad på S1, inkluderar VH- och VV-bilder och annoterad data från13 länder över hela världen. Genom att utnyttja bearbetningsförmågan hosGoogle Earth Engine-plattformen (GEE) presenteras båda metoderna somett alternativ till traditionella DL-metoder på grund av kostnadseffektivitetoch låga krav på beräkningskraft. Det tredje tillvägagångssättet innebär attfinjustera en GFM, kallad Clay, med DrivenData-datasetet för FM-uppgiften.Grundmodeller (FoMs) hänvisar till modeller som är förtränade på breda datauppsättningarsom vanligtvis använder storskalig självövervakning och somkan anpassas (t.ex. finjusteras) för ett brett utbud av nedströmsuppgifter.Clay var från början avsedd för segmentering, klassificering och utvinning avivbiomassainformation med hjälp av en mängd olika sensorer som S1, S2 ochLandsat. Dessa modeller omformar hur traditionella ML- och DL-metodertränas, vilket avsevärt minskar mängden tid och data som krävs för träningsamtidigt som höga standarder för resultatkvalitet bibehålls. Dessutom undersöktevi användningen av S2 MSI-data för att generera en landtäckningskarta(LC) över studieområdet och uppskatta andelen översvämmade områden inomvarje LC-klass. Resultaten visar att kombinationen av S1- och S2-data ärett tillförlitligt tillvägagångssätt för översvämningskartläggning och skadebedömningi nästan realtid. Med den första metoden kartlade vi automatisktöversvämmade områden med en total noggrannhet på cirka 87–88% och kappapå 0,73–0,75. Det andra tillvägagångssättet gav också tillfredsställanderesultat, vilket avslöjade att VH-polarisering och kombinationen av VV+VHfungerade bättre än att använda enbart VV-polarisering. I synnerhet i Kambodjaoch Bolivia, gav VH-polarisering Intersection over Union-värden (IoU)från 0,819 till 0,856. Förutsägelser för Beira med VH-bilder resulterade i ettIoU på 0,568, vilket representerar ett rimligt resultat. Det tredje tillvägagångssättetuppnådde ett IoU som översteg 0,92 och ett F1-poäng över 0,96, vilketöverträffade den vinnande DL-lösningen från DrivenData-tävlingen, som uppnåddeett IoU på 0,8072 när datasetet initialt släpptes. LC-klassificeringenvaliderades genom att slumpmässigt samla in över 600 poäng för varje LCklass,vilket uppnådde en total noggrannhet på 90–95% med ett kappavärdepå 0,80–0,94. Dessa resultat gjorde det möjligt för oss att identifiera områdensom är utsatta för översvämning och regioner där översvämningsvattnet minskarsnabbare, vilket ger värdefulla insikter för förbättrad planering. Dessutombestämde vi andelen översvämmade LC-kategorier som jordbruk, mangroveoch bebyggda områden, eftersom deras förstörelse har betydande konsekvenserför livsmedelssäkerhet och socioekonomisk utveckling. Dessutom, för att fåmer detaljerade insikter om skadorna i Beira, distribuerade vi Clay för uppgiftenBuilding Damage Classification (BDC), och finjusterade den på EDDAdatauppsättningen.EDDA-datauppsättningen, som släpptes 2023, består avgeorefererade drönarebilder som tagits i Beira efter den tropiska cyklonenIdai. Den finjusterade modellen uppnådde en validerings-IoU på 0,829, somsedan jämfördes med resultaten från en U-Net-implementering som gav envaliderings-IoU på 0,567. Därför ligger bidraget från denna avhandling i atttillhandahålla praktiska, dataeffektiva lösningar som förbättrar lokal katastrofhanteringskapacitetoch samhällets motståndskraft. Vi har visat att ävenom ML-metoder är effektiva och kostnadseffektiva för nära realtids-FM, särskilti kombination med Sentinel-data, erbjuder GFM förbättrad noggrannhet(även med en liten datamängd), om än med något högre beräkningskrav.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-363806