Lake Detection and Water Quality Estimation in Sentinel-2 Data

Technische Samenvatting: Detectie van Meren en Schatting van Waterkwaliteit in Sentinel-2-gegevens

Probleemstelling
Binnenlandse waterbronnen worden steeds kwetsbaarder door klimaatverandering en antropogene druk, wat betrouwbare, geautomatiseerde methoden voor detectie en monitoring noodzakelijk maakt. Hoewel satellietbeelden een schaalbare oplossing bieden, blijft het nauwkeurig segmenteren van binnenlandse waterlichamen uitdagend vanwege de aanwezigheid van oppervlakken die op water lijken (bijvoorbeeld schaduwen, donkere grond) en variabele weersomstandigheden. Klassieke drempeltechnieken, zoals die toegepast op de Normalized Difference Water Index (NDWI), slagen vaak niet in het bereiken van een nauwkeurige segmentatie onder deze omstandigheden. Bovendien staan machine learning (ML)-benaderingen voor aanzienlijke hindernissen wat betreft het gebrek aan grote, gelabelde datasets. Naast detectie bestaat er een kritieke kloof in de consistente en interpreteerbare visualisatie van spectrale waterkwaliteitsindices, waarbij standaard kleurencoderingstechnieken vaak ontoereikend of misleidend blijken voor milieubeleidsbeslissingen.

Methodologie
De studie maakt gebruik van multispectrale beelden van Sentinel-2 om twee hoofddoelen te bereiken: segmentatie van waterlichamen en schatting van waterkwaliteit.

• Dataset: De auteurs maakten gebruik van het optische onderdeel van de S1S2-Water-dataset, bestaande uit 65 beelden met hoge resolutie (100 × 100 km) uit 29 landen, die diverse landbedekkingklassen bestrijken. Trainingspatches werden gegenereerd met een watergerichte steekproefstrategie (vereiste ≥1,5% waterbedekking) om class-imbalance aan te pakken. Voor validatie en kwalitatieve analyse werd een specifiek beeld van het Meer Dumbrvia, Roemenië, op 19 juli 2022 opgenomen, gebruikt als een onbekend testgeval.
• Modelarchitecturen: Drie deep learning (DL)-architecturen werden geëvalueerd voor binaire watersegmentatie:
  1. Gefinetuned DeepLabV3: Een ResNet-50-ruggengraat, vooraf getraind op ImageNet-1K, aangepast om zes spectrale banden van Sentinel-2 (B02, B03, B04, B08, B11, B12) te accepteren via een gemengde initialisatiestrategie.
  2. Aangepaste U-Net: Een symmetrisch encoder-decodernetwerk dat vanaf nul is getraind met vier downsampling-niveaus, waarbij skip-verbindingen worden gebruikt om gedetailleerde kustlijnstructuren te behouden.
  3. DeepWaterMap: Een benchmark-CNN-architectuur die specifiek is toegesneden op grootschalige waterextractie, oorspronkelijk getraind op Landsat 7-beelden.
  • Invoerstrategie: In tegenstelling tot modellen die uitsluitend vertrouwen op RGB-bandjes, maakten alle modellen in deze studie gebruik van zes spectrale banden om rijkere informatie voor hydrologische indices te bieden en fouten veroorzaakt door kleursimilariteiten tussen water en donkere terrestrische oppervlakken te verminderen.
• Trainingsprotocol: Modellen werden getraind op 512 × 512 patches met een samengestelde verliesfunctie ($0,5 L_{CE} + 0,5 L_{Dice}$) met class-gewichting (Land:Water = 1:20) om misclassificatie van de minderheidsklasse te bestraffen. Experimenten werden uitgevoerd op een NVIDIA Tesla P100 GPU.
• Waterkwaliteitsindices: Met behulp van de gegenereerde watermaskers berekende de studie spectrale indices voor troebelheid, algenbiomassa (NDCI), oliespills (NDOSI) en relatieve bathymetrie. Formules voor deze indices zijn gebaseerd op specifieke combinaties van de zes Sentinel-2-bandjes.
• Visualisatiekader: Om het gebrek aan gestandaardiseerde kleurenschema's aan te pakken, stelden de auteurs een gestructureerd visualisatiekader voor. Dit omvat thematische kleurenpaletten die zijn afgestemd op fysische fenomenen (bijvoorbeeld blauw-naar-bruin voor troebelheid, groen-naar-rood voor algen) en lokale variantie-heatmaps om ruimtelijke heterogeniteit te identificeren.

Belangrijkste Resultaten

• Segmentatieprestaties: Kwantitatieve evaluatie op de testset van het Meer Dumbrvia toonde aan dat de aangepaste U-Net-architectuur zowel de gefinetuned DeepLabV3 als de DeepWaterMap-benchmark overtrof. De U-Net behaalde de hoogste Intersection over Union (IoU) van 87,47% en een F1-score van 92,24%, samen met een superieure recall (94,71%) en specificiteit (96,29%). Hoewel DeepWaterMap een hoge globale nauwkeurigheid toonde (98,18%), vertoonde het een lagere specificiteit en had het moeite met fijne lokale details in vergelijking met de U-Net.
• Vergelijking met Klassieke Methoden: De DL-modellen presteerden aanzienlijk beter dan klassieke NDWI- en MNDWI-drempelwaarden (zowel vast als Otsu-gebaseerd). Drempelmethoden produceerden ruisachtige achtergronden, vals-positieven in niet-watergebieden en vals-negatieven in complexe waterlichamen, terwijl de U-Net succesvol ingewikkelde kustlijnstructuren behield en correct niet-waterkenmerken zoals dammen identificeerde.
• Waterkwaliteitsanalyse: De U-Net-maskers maakten een diagnostische beoordeling van het Meer Dumbrvia mogelijk. Resultaten toonden een uniforme verdeling van troebelheid en algenbiomassa, waarbij algen niveaus bereikten die dicht bij drempels voor eutrofiëring lagen. Een ruimtelijke correlatieanalyse onthulde dat troebelheid en algenkenmerken diepte-afhankelijk zijn, waarbij troebelheid significant toeneemt na een diepte van 2,0 meter, wat suggereert dat het meer een door bathymetrie gecontroleerd systeem is.
• Visualisatie: De voorgestelde kleurenpaletten vergemakkelijkten een duidelijkere interpretatie van spectrale indices, waarbij onderscheid werd gemaakt tussen stabiele wateromstandigheden en lokale anomalieën (bijvoorbeeld sedimentpluimen) via variantie-heatmaps.

Betekenis en Bijdragen
Het artikel stelt dat het trainen van deep learning-modellen direct op Sentinel-2-gegevens leidt tot verbeterde kwantitatieve metrieken en rijkere kwalitatieve details in vergelijking met modellen die vooraf zijn getraind op verschillende sensoren (zoals Landsat) of traditionele index-gebaseerde benaderingen. De belangrijkste bijdragen zijn:

1. Robuuste Segmentatie: Aantonen dat een vanaf nul getrainde aangepaste U-Net de meest nauwkeurige en robuuste segmentatie biedt voor binnenlandse wateren in Sentinel-2-beelden, waarbij effectief wordt omgegaan met complexe kustlijnen en vals-positieven worden verminderd.
2. Geïntegreerde Kwaliteitsbeoordeling: Het vaststellen van een workflow die verder gaat dan eenvoudige detectie naar diagnostische waterkwaliteitsbeoordeling (troebelheid, algen, olie, diepte) met behulp van gestandaardiseerde spectrale indices.
3. Gestandaardiseerde Visualisatie: Voorstellen van een gestructureerd kader voor het visualiseren van waterkwaliteitsindices met behulp van waarneembaar uniforme en contextbewuste kleurenpaletten. Dit adresseert het probleem van niet-uniforme colormaps die interpretatie kunnen misleiden, en bevordert hiermee consistentie in milieumonitoring.

De auteurs concluderen dat, hoewel deep learning-methoden duidelijk traditionele drempelwaarden overtreffen, toekomstig werk zich moet richten op temporele analyse van deze indices, validatie ter plaatse voor kalibratie, en het optimaliseren van modellen voor realtime implementatie op randapparatuur.