Lake Detection and Water Quality Estimation in Sentinel-2 Data

Riepilogo Tecnico: Rilevamento dei Laghi e Stima della Qualità dell'Acqua nei Dati Sentinel-2

Enunciato del Problema
Le risorse idriche interne sono sempre più vulnerabili ai cambiamenti climatici e alle pressioni antropogeniche, rendendo necessarie metodi affidabili e automatizzati per il rilevamento e il monitoraggio. Sebbene le immagini satellitari offrano una soluzione scalabile, la segmentazione accurata dei corpi idrici interni rimane una sfida a causa della presenza di superfici con aspetto simile all'acqua (ad esempio, ombre, suolo scuro) e di condizioni meteorologiche variabili. Le tecniche di soglia classiche, come quelle applicate all'Indice Normalizzato Differenziale dell'Acqua (NDWI), spesso non riescono a ottenere una segmentazione precisa in queste condizioni. Inoltre, gli approcci di apprendimento automatico (ML) affrontano ostacoli significativi legati alla scarsità di dataset su larga scala etichettati. Oltre al rilevamento, esiste un divario critico nella visualizzazione coerente e interpretabile degli indici spettrali di qualità dell'acqua, dove le tecniche standard di mappatura dei colori si rivelano spesso inadeguate o fuorvianti per la presa di decisioni ambientali.

Metodologia
Lo studio utilizza immagini multispettrali Sentinel-2 per affrontare due obiettivi primari: la segmentazione dei corpi idrici e la stima della qualità dell'acqua.

• Dataset: Gli autori hanno utilizzato la componente ottica del dataset S1S2-Water, composto da 65 scene ad alta risoluzione (100 × 100 km) provenienti da 29 paesi, che coprono diverse classi di copertura del suolo. Le patch di addestramento sono state generate utilizzando una strategia di campionamento orientata all'acqua (richiedendo una copertura d'acqua ≥1,5%) per affrontare lo squilibrio delle classi. Per la validazione e l'analisi qualitativa, è stata utilizzata come caso di test non visto una scena specifica del Lago Dumbrvia, in Romania, acquisita il 19 luglio 2022.
• Architetture del Modello: Tre architetture di deep learning (DL) sono state valutate per la segmentazione binaria dell'acqua:
  1. DeepLabV3 Fine-tuned: Un backbone ResNet-50 preaddestrato su ImageNet-1K, modificato per accettare sei bande spettrali Sentinel-2 (B02, B03, B04, B08, B11, B12) tramite una strategia di inizializzazione mista.
  2. U-Net Personalizzata: Una rete simmetrica encoder-decoder addestrata da zero con quattro livelli di downsampling, che utilizza connessioni skip per mantenere le strutture dettagliate delle rive.
  3. DeepWaterMap: Un'architettura CNN di riferimento specificamente adattata per l'estrazione di acqua su larga scala, originariamente addestrata su immagini Landsat 7.
  • Strategia di Input: A differenza dei modelli che si basano esclusivamente sulle bande RGB, tutti i modelli in questo studio hanno utilizzato sei bande spettrali per fornire informazioni più ricche per gli indici idrologici e per mitigare gli errori causati dalle somiglianze cromatiche tra l'acqua e le superfici terrestri scure.
• Protocollo di Addestramento: I modelli sono stati addestrati su patch 512 × 512 utilizzando una funzione di perdita composita ($0.5 L_{CE} + 0.5 L_{Dice}$) con ponderazione delle classi (Terra:Acqua = 1:20) per penalizzare la classificazione errata della classe minoritaria. Gli esperimenti sono stati condotti su una GPU NVIDIA Tesla P100.
• Indici di Qualità dell'Acqua: Utilizzando le maschere d'acqua generate, lo studio ha calcolato indici spettrali per la torbidità, la biomassa algale (NDCI), le fuoriuscite di petrolio (NDOSI) e la batimetria relativa. Le formule per questi indici si basano su combinazioni specifiche delle sei bande Sentinel-2.
• Framework di Visualizzazione: Per affrontare la mancanza di schemi di colori standardizzati, gli autori hanno proposto un framework di visualizzazione strutturato. Questo include palette di colori tematiche allineate ai fenomeni fisici (ad esempio, dal blu al marrone per la torbidità, dal verde al rosso per le alghe) e mappe di calore della varianza locale per identificare l'eterogeneità spaziale.

Risultati Chiave

• Prestazioni di Segmentazione: La valutazione quantitativa sul set di test del Lago Dumbrvia ha rivelato che l'architettura U-Net personalizzata ha superato sia il DeepLabV3 fine-tuned sia il benchmark DeepWaterMap. U-Net ha raggiunto il più alto Intersection over Union (IoU) dell'87,47% e un F1-Score del 92,24%, insieme a una recall superiore (94,71%) e una specificità (96,29%). Sebbene DeepWaterMap abbia mostrato un'alta accuratezza globale (98,18%), ha esibito una specificità inferiore e ha avuto difficoltà con i dettagli locali fini rispetto a U-Net.
• Confronto con Metodi Classici: I modelli DL hanno superato significativamente le soglie classiche NDWI e MNDWI (sia fisse che basate su Otsu). I metodi di soglia hanno prodotto sfondi rumorosi, falsi positivi in aree non acquose e falsi negativi in corpi idrici complessi, mentre U-Net ha preservato con successo strutture intricate delle rive e ha identificato correttamente caratteristiche non acquose come dighe.
• Analisi della Qualità dell'Acqua: Le maschere U-Net hanno permesso una valutazione diagnostica del Lago Dumbrvia. I risultati hanno indicato distribuzioni uniformi di torbidità e biomassa algale, con livelli algali che si avvicinano alle soglie associate all'eutrofizzazione. Un'analisi di correlazione spaziale ha rivelato che le firme di torbidità e alghe dipendono dalla profondità, con la torbidità che aumenta significativamente oltre i 2,0 metri di profondità, suggerendo che il lago è un sistema controllato dalla batimetria.
• Visualizzazione: Le palette di colori proposte hanno facilitato un'interpretazione più chiara degli indici spettrali, distinguendo tra condizioni d'acqua stabili e anomalie localizzate (ad esempio, pennacchi di sedimenti) tramite mappe di calore della varianza.

Significato e Contributi
Il paper afferma che l'addestramento di modelli di deep learning direttamente sui dati Sentinel-2 produce metriche quantitative migliorate e dettagli qualitativi più ricchi rispetto ai modelli preaddestrati su sensori diversi (come Landsat) o agli approcci tradizionali basati su indici. I contributi principali sono:

1. Segmentazione Robusta: Dimostrare che una U-Net personalizzata addestrata da zero fornisce la segmentazione più accurata e robusta per le acque interne nelle immagini Sentinel-2, gestendo efficacemente rive complesse e riducendo i falsi positivi.
2. Valutazione Integrata della Qualità: Stabilire un flusso di lavoro che va oltre il semplice rilevamento verso una valutazione diagnostica della qualità dell'acqua (torbidità, alghe, petrolio, profondità) utilizzando indici spettrali standardizzati.
3. Visualizzazione Standardizzata: Proporre un framework strutturato per la visualizzazione degli indici di qualità dell'acqua utilizzando palette di colori uniformi dal punto di vista percettivo e consapevoli del contesto. Questo affronta il problema delle mappe di colori non uniformi che possono fuorviare l'interpretazione, promuovendo così la coerenza nel monitoraggio ambientale.

Gli autori concludono che, sebbene i metodi di deep learning superino chiaramente le soglie tradizionali, il lavoro futuro dovrebbe concentrarsi sull'analisi temporale di questi indici, sulla validazione in situ per la calibrazione e sull'ottimizzazione dei modelli per il deployment in tempo reale su dispositivi edge.