Deteção e delimitação de corpos de água em imagens de satélite de alta resolução com aprendizagem profunda

• Samuel Fernandes ^[1] ; Alice Maria Guerreiro Fialho ^[1] ; Isabel Silva Patriarca ^[1]
  1. [1] Agência Portuguesa do Ambiente
• Localización: Mapping, ISSN 1131-9100, Nº 214, 2023, págs. 10-24
• Idioma: portugués
• Títulos paralelos:
  • Detection and delineation of water bodies in high-resolution satellite images with deep learning. A preliminary study with Detectron2
• Texto completo no disponible (Saber más ...)
• Resumen
  • português

    A delimitação de corpos de água com recurso a imagens de satélite desempenha umpapel crucial em diversas aplicações, como monitorização ambiental, planeamento derecursos hídricos, planeamento na defesa contra a incêndios e na análise dasalteraçõesclimáticas. Neste trabalho, pretendemos explorar a aplicação daaprendizagem profunda tendo por base oFramework Detectron2, nageraçãoautomática depolígonos que representamcorpos de águacomopequenasalbufeiras,lagos,charcos e reservatórios.A caracterização eficiente das disponibilidades hídricasdos reservatórios, albufeiras e barragenspermite uma melhor e maiseficientemonitorização dos Planos de Água (PA), bem como a boa gestão desses mesmosrecursos. A área geográfica de estudo e as metodologias desenvolvidas, encontra-seenquadrada nas áreas de jurisdição da Administração da Região Hidrográfica doAlentejo, Departamentos desconcentrados da Agência portuguesa do Ambiente, I.P..Foidesenvolvidoum conjunto de dados abrangente e personalizado composto porimagens de satélite de alta resolução e rótulos anotados manualmente, identificandoas áreas correspondentes aos corpos de água, para treinar o modelo.Foi utilizada aarquiteturaResNet-50 combinada com aMask R-CNN, presentesno Detectron2, pararealizar a tarefa de deteção de objetos em gerale segmentação respetivamente. Emseguida, treinamos o modelo de aprendizagem profunda utilizando o nosso conjuntode dados na plataforma Google Colab, aproveitando o poder computacional dasunidades de processamento gráfico (GPU).A vantagem de usara FrameworkDetectron2 é a sua capacidade rápida e eficiente dedelimitação de corpos de águaem grandes volumes de dados,comparativamente aométodo tradicional, oqual envolve um processo manual de análise e marcaçãodospolígonosnas imagens de satéliteatravés de pessoal especializado,apresentandoelevados custos em termos de recursos humanos, económicose com elevadamorosidade.Na(Figura-1)é possível observar dois corpos de água corretamente segmentadosutilizando o método proposto.Esta abordagem pode impulsionar o desenvolvimento detécnicas mais precisas e eficientes para a deteção e delimitação de característicashidrológicas em imagens de satéliteuma vez que conseguimos segmentar corpos deágua com dimensões de até 121 m2.A abordagem implementada neste trabalho podeser aplicada a outras áreas temáticas como por exemplo a deteção de incêndios,blooms de algas, identificação de estruturas urbanas, delimitação de florestas e cultivos agrícolas.

  • English

    The segmentation of water bodies through satellite imagery plays a crucial role in various applications, including environmental monitoring, water resource planning, defence against fires, and climate change analysis. In this article aims to explore the application of deep learning based on the Detectron2 framework for the automatic generation of polygons representing water bodies such as small reservoirs, lakes, ponds, and reservoirs. Efficient characterization of water resources in small reservoirs, and dams allows a better and more effective monitoring of Water Plans (PA) and the proper management of these resources. The geographical area of study and the developed methodologies are situated within the jurisdictions of the Administração da Região Hidrográfica do Alentejo, decentralized departments of the Agência Portuguesa do Ambiente, I.P..A comprehensive and customized dataset was developed, consisting of high-resolution satellite images with manually annotated labels identifying areas corresponding to water bodies, used for model training. The ResNet-50 architecture was combined with Mask R-CNN available in Detectron2, to perform the task of object detection in general and segmentation respectively. Subsequently, we trained the deep learning model using our dataset on the Google Colab platform, leveraging the computational power of Graphics Processing Units (GPUs).The advantage of employing the Detectron2 framework lies in its swift and efficient capacity for of water bodies segmentation within extensive datasets, in contrast to the conventional approach which involves the analysis and marking of polygons in satellite images by specialized personnel, incurring substantial costs in terms of human resources and economic resources while also being notably time-consuming.Two water bodies segmented using the proposed procedure can be observed in (Figure 1). This approach has the potential to drive the development of more precise and efficient techniques for the detection and segmentation of hydrological features in satellite images, as it allows the segmentation of water bodies with dimensions as small as 121 m². The methodology implemented in this work can be applied to other thematic areas, such as fire detection, algae blooms, identification of urban structures, delineation of forests, and agricultural crop mapping.