Precise Delineation of Small Water Bodies from Sentinel-1 Data using Support Vector Machine Classification

Abstract

SAR images are increasingly used for delineating water bodies. The high revisit frequency of Sentinel-1A and -1B make these images ideal for studies in hydrology that require data during the wet seasons and intense precipitation events. The aim of our study consisted in determining the attainable accuracy in delineating water bodies using Sentinel-1 data and propose a scheme for the extraction of the water surface. We chose a study site of three small reservoirs in the Pampulha area of Belo Horizonte, Brazil. The Support Vector Machine (SVM) classifier was used to separate water surfaces from the land using a probability threshold of 95%. In our scheme, we combined a SVM classification with a probability map to estimate the partial water area of the pixels within the transition zone between water and land. The VV polarization provided the best separation between water and land and the best geometric accuracy for the study area. Following the proposed approach, adding the water area of the marginal pixels to the water surface yielded accuracies better than 90% and above 80% when the geometry errors were also considered. Our results demonstrated the applicability of using high-resolution Sentinel-1 SAR data for the accurate mapping of water surfaces.

RÉSUMÉ

Les images SAR sont de plus en plus utilisées pour délimiter les plans d’eau et les rivières. La haute fréquence de revisite de Sentinel-1A et -1B rend idéales ces images pour les études en hydrologie qui requièrent des données durant les saisons des pluies et les évènements de précipitations intenses. L’objectif de notre étude consiste à déterminer la limite de précision atteignable à partir des données Sentinel-1 et de proposer une méthode pour extraire les surfaces d’eau. Nous avons choisi un site test comprenant trois petits réservoirs situés dans la région Pampulha de Belo Horizonte, Brésil. Le classificateur Support Vector Machine (SVM) a été utilisé pour séparer les surfaces d’eau de la terre ferme en utilisant un seuil de probabilité de 95%. Notre approche combine une classification SVM avec la carte des probabilités pour estimer la proportion d’eau contenue dans les pixels appartenant à la zone de transition entre eau et terre. La polarisation VV a fournie la meilleure séparation eau-terre et la meilleure précision géométrique pour l’aire de test. En suivant notre démarche et en incorporant l’aire partielle des pixels marginaux à l’aire des réservoirs, nous avons obtenu des scores supérieurs à 90% pour l’aire et de plus de 80% en considérant les erreurs de géométrie. Ces résultats confirment la justesse d’utiliser les données Sentinel-1 de haute résolution pour cartographier avec exactitude les surfaces d’eau.

Acknowledgements

The authors would like to thank CAPES for the postgraduate scholarship and INCRA for the technical support during the fieldwork stage.