Automated surface water detection from space: a Canada-wide, open-source, automated, near-real time solution

Abstract

The goal of this research was to develop a fully automated method to map open water extent that is operationally practical on a national scale. Such a system needs to produce acceptable results in all regions of the country and particularly in the Prairie Potholes Region where understanding water surface dynamics is important for predicting flooding, agriculture/water availability and for evaporation calculations in weather models. A system was developed to automate, ingest, and process Radarsat-2 (RS2) imagery, from which mapping open water body extents in near-real time was carried out using a machine learning classification technique. A Random Forest classification algorithm was trained using the data extracted from the Global Surface Water (GSW) occurrence dataset. The GSW occurrence thresholds used to extract the training data were examined and there was little influence of uncertainty on the classification. The quality of classifications generated from RS2 Fine Wide mode imagery improved with increasing incidence angle. All Fine Quad incident angles produced acceptable results, but Standard and Wide mode imagery produced results below the accuracy thresholds deemed acceptable for this operational solution. Validation was carried out by comparing mapped water extents to temporally coincident high resolution multi-spectral imagery and to the USGS Global Land Cover Characteristics dataset, that is currently used as a land-water mask by ECCC in weather numerical weather modelling. The system that has been developed will allow new image datasets (e.g. Radarsat Constellation Mission) or training data that becomes available to be used to improve models. The open source code will be made available on Github.

RESUMÉ

La présente recherche vise à mettre au point une méthode entièrement automatisée pour cartographier l’étendue des eaux libres qui soit opérationnellement pratique à l’échelle nationale. Un tel système doit produire des résultats acceptables dans toutes les régions au pays et, en particulier, dans la région des fondrières des Prairies où la compréhension de la dynamique de l’eau de surface est importante pour prévoir les inondations, l’agriculture, la disponibilité de l’eau ainsi que pour les calculs de l’évaporation dans les modèles météorologiques. Un système a été conçu pour automatiser, incorporer et traiter l’imagerie de Radarsat-2 (RS2) à partir de laquelle la cartographie des étendues d’eau libre a été réalisée en temps quasi réel grâce à une technique de classification par apprentissage machine. Un algorithme de classification des forêts aléatoires a été entraîné en utilisant les données extraites de l’ensemble des données sur l’occurrence des eaux de surface mondiales. Les seuils d’occurrence des eaux de surface mondiales utilisés pour extraire les données de formation ont été examinés et il y a eu peu d’influence de l’incertitude sur la classification. La qualité des classifications générées par l’imagerie en mode large de RS2 s’est améliorée avec l’augmentation de l’angle d’incidence. Tous les angles d’incidence en mode quad-pol fin ont produit des résultats acceptables, mais l’imagerie en mode standard et large a produit des résultats inférieurs au seuil de précision jugé acceptable pour cette solution opérationnelle. La validation a été effectuée en comparant les étendues d’eau cartographiées à des images multispectrales à haute résolution coïncidant dans le temps ainsi qu’à l’ensemble de données de USGS Global Land Cover Characteristics, qui est actuellement utilisé comme masque sol-plan d’eau par ECCC dans la modélisation météorologique numérique. Le système élaboré permettra d’utiliser les nouveaux ensembles de données d’images (par exemple, la mission Constellation Radarsat) ou les données de formation qui seront offerts pour améliorer les modèles. Le code source ouvert sera disponible sur Github.

Acknowledgements

We would like to thank Sandra Bolanos for sharing her experiences and expertise with previous processing and analysis methods in surface water detection from Radarsat-2. We acknowledge Jean-Michel Fiset for providing an early version of the automated processing system on the CMC machine. Ben Deschamps and Amir Behnamian are thanked for their valuable comments and assistance with the planning of Standard Coverage and knowledge of Radarsat-2.

Disclosure statement

No potential conflict of interest was reported by the author(s).