Detection and delineation of water bodies in high-resolution satellite images with deep learning

A preliminary study with Detectron2

Authors

  • Samuel Fernandes Agência Portuguesa do Ambiente
  • Alice Fialho Agência Portuguesa do Ambiente ARH Alentejo
  • Isabel Patriarca Agência Portuguesa do Ambiente/ ARH Tejo e Oeste

DOI:

https://doi.org/10.59192/mapping.442

Keywords:

Image Segmentation, Satellite Images, Detectron2, Bodies of water, Deep Learning, Water Recources, Computer vision, Machine Learning

Abstract

Thesegmentationof water bodies through satellite imagery plays a crucial role invarious applications, including environmental monitoring, water resource planning,defence against fires, and climate change analysis.In this articleaimsto explore theapplication of deep learning based on the Detectron2 framework for the automaticgeneration of polygons representing water bodiessuch as small reservoirs, lakes,ponds, and reservoirs.Efficient characterization of water resources insmallreservoirs,and damsallows a better and moreeffective monitoring of Water Plans (PA) and theproper management of these resources.The geographical area of study and thedeveloped methodologies are situated within the jurisdictions of theAdministração daRegião Hidrográficado Alentejo,decentralized departments of the AgênciaPortuguesado Ambiente, I.P..A comprehensive and customized dataset was developed, consisting of high-resolutionsatellite imageswithmanually annotated labels identifying areas corresponding towaterbodies,usedformodel training.The ResNet-50 architecturewascombined withMask R-CNNavailable in Detectron2, to perform the task of object detection in generaland segmentation respectively.Subsequently, we trained the deep learning modelusing our dataset on the Google Colab platform, leveraging the computational powerof Graphics Processing Units (GPUs).The advantage of employing the Detectron2 framework lies in its swift and efficientcapacity for of waterbodies segmentationwithin extensive datasets, in contrast to theconventional approachwhich involves the analysis and marking of polygons in satelliteimages by specialized personnel,incurring substantial costs in terms of humanresources and economic resources while also being notably time-consuming.Two water bodies segmented using the proposed procedurecan be observed in(Figure-1).This approach has the potential to drive the development of more preciseand efficient techniques for thedetectionandsegmentationof hydrological featuresin satellite images, as it allows the segmentation of water bodies with dimensions assmall as 121 m².The methodology implemented in this work can be applied to otherthematic areas, such as fire detection, algae blooms, identification of urban structures, delineation of forests, and agricultural crop mapping.

Downloads

Download data is not yet available.

Author Biographies

Samuel Fernandes, Agência Portuguesa do Ambiente

Concluiu a Licenciatura em Engenharia do Ambiente no Instituto Politécnico de Bragança, Portugal,em 2014, onde foi distinguido como o melhor aluno do curso nesse ano. Obteve o grau de Mestre emTecnologia Ambiental no Instituto Politécnico de Bragança, em2015, tendo desenvolvido um sistemade monitorização e controlo da qualidade do ar interior: construção, validação e aplicação como partedo seu projeto de mestrado. Em 2023, concluiu com sucesso o seu Programa Doutoral na Universidadede Évora, obtendo ograu de Doutor em Engenharia Mecatrónica e Energética, com especialização emMecatrónica. Durante o seu percurso de doutoramento, contribuiu significativamente para odesenvolvimento de instrumentação optoeletrónica de última geração especialmente concebida paraa avaliação da qualidade da água. Recebeu um prestigioso convite da Universidade de Évora paraintegrar o corpo docente como professor no próximo ano letivo de 2023. A Universidade solicitouespecificamente que lecionasse o curso "Energia Solar Fotovoltaica" como parte do programa delicenciatura em Engenharia de Energias Renováveis. Desde 2019, exerce a função de Técnico Séniorna Agência Portuguesa do Ambiente/Administração Regional de Recursos Hídricos do Alentejo, nodepartamento de Planeamento eInformação. Recebeu da Agência para a ModernizaçãoAdministrativa uma menção honrosa pelo Sistema de Incentivo à Inovação Pública na categoria deDesenvolvimento de Modelos de Gestão. Na vanguarda dos seus interesses de pesquisa está o avançodas técnicasde deteção remota com vista à otimização dos processos de gestão e tomada de decisão.Em particular, dedica-se ao desenvolvimento de dispositivos optoelectrónicos que permitem amonitorização em tempo real da qualidade da água. Com experiência em espectroscopia UV/Vis,sistemas embarcados, modelos numéricos e análise de grandes volumes de dados, possui umconhecimento abrangente das várias áreas que contribuem para os seus objetivos de investigação

Alice Fialho, Agência Portuguesa do Ambiente ARH Alentejo

Licenciada em Engenhariados Recursos Hídricos (1997)—Universidade de ÉvoraMestre em Georrecursos (2008)—Instituto Superior TécnicoFormação profissional: Curso de ArcGis (9.2) AvançadoTécnica Superior na Agência Portuguesa do Ambiente, I.P.Assume as funções de Chefe deDivisão de Planeamento e Informação da Administração da RegiãoHidrográfica do Alentejo, na Agência Portuguesa do Ambiente, I.P., desde abril de 2013 até aopresente.Possui 26 anos de experiência profissional nas áreas de planeamento, gestão, monitorização elicenciamento de recursos hídricos, no âmbito da qual se destacam as seguintes tarefas:—Conceção, implementação, gestão e exploração de redes de monitorização de recursos hídricos eprodução de informação técnica;-Coordenação regional de Planos deGestão de Região Hidrográfica (PGRH) e de Planos de Gestão deRiscos de Inundações (PGRI);—Acompanhamento técnico de projetos, direção e coordenação de obras de execução depiezómetros de redes de monitorização; seleção de equipamentos de aquisição de dadosautomáticos com vista à instrumentação de redes de monitorização e elaboração de processos deconcurso para implementação de estações de monitorização.—Articulação entre atividades de monitorização e de licenciamento de utilizações de recursoshídricos, no contexto da análise de dados de autocontrolo e do estado das massas de água, bem como tarefas de apoio à definição de metodologias e procedimentos de trabalho, propostas deorientação técnica e modelos e atuação, no âmbito da análise e emissão detítulos de utilização derecursos hídricos.—Elaboração de registo de zonas protegidas de captação de recursos hídricos superficiais esubterrâneos, e de propostas para regulamentação de zonas protegidas.—Emissão de pareceres de afetação de recursos hídricos no âmbito de: ações com potenciaisimpactes de poluição difusa; avaliação de impacte ambiental; áreas estratégicas de proteção erecarga de aquíferos, entre outros.

Isabel Patriarca, Agência Portuguesa do Ambiente/ ARH Tejo e Oeste

Licenciada em Engenharia Geográfica(Pré-Bolonha, 5 anos),fez parte doorganismopertencente ao Ministério da Defesa Português, o Instituto Hidrográfico desde meados dosanos 90até 2018.Foipioneirano lançamento da cartografia náutica digital eletrónica oficial(CEN)para navegação segura, produto baseadoem Sistemas de Informação Geográfica,tendointegrado a equipa responsávelde produção e validaçãoem Portugal. Seguiu-se umperíodo em que foi responsávelno mesmo Institutopela gestão dosSistemas de Informaçãona produção de cartografia náutica oficial eletrónica e em papel e atualização destes produtoscartográficos. Atualmente encontra-se a exercer funçõesno âmbito dosSistemas deInformaçãoGeográficae Observação da Terra,dando também apoio aosSistemas deInformaçãona Agência Portuguesa do AmbienteI.P./Administração da Região Hidrográficado Tejo e Oeste, no departamento de Planeamentoe Informação.Tem conhecimentos emlinguagem de programação Phyton,Machine Learninge manipulação de imagens de satélite.Autora deartigosapresentados nas JiiDESde 2021 e 2022 e publicados na revista Mapping-Jornal Internacional de Geomática e Ciências da Terra. Autora de diversos outros artigosapresentados em conferências e jornadas e publicados nas respetivas revistas daespecialidade. Membro da Ordem dos Engenheiros.

References

H. Xia, J. Zhao, Y. Qin, J. Yang, Y. Cui, H. Song, L. Ma, N. Jin, Q. Meng, Changes in Water Surface Area during 1989–2017 in the Huai River Basin using Landsat Data and Google Earth Engine, Remote Sens. 2019, Vol. 11, Page 1824. 11 (2019) 1824. https://doi.org/10.3390/RS11151824. DOI: https://doi.org/10.3390/rs11151824

D. Yang, Y. Yang, J. Xia, Hydrological cycle and water resources in a changing world: A review, Geogr. Sustain. 2 (2021) 115–122. https://doi.org/10.1016/J.GEOSUS. 2021.05.003. DOI: https://doi.org/10.1016/j.geosus.2021.05.003

A. El Moll, Water resources and climate change: regional, national and international perspective, Sustain. Circ. Manag. Resour. Waste Towar. a Green Deal. (2023) 309–336. https://doi.org/10.1016/B978-0-323-95278-1.00010-3. DOI: https://doi.org/10.1016/B978-0-323-95278-1.00010-3

M. Yadav, H.G. Gosai, G. Singh, A. Singh, A.K. Singh, R.P. Singh, R.N. Jadeja, Major impact of global climate change in atmospheric, hydrospheric and lithospheric context, Glob. Clim. Chang. Environ. Refug. Nature, Framew. Leg. (2023) 35–55. https://doi.org/10.1007/978- DOI: https://doi.org/10.1007/978-3-031-24833-7_3

-031-24833-7_3/COVER.

J.J. Bogardi, B.M. Fekete, Water: A unique phenomenon and resource, Handb. Water Resour. Manag. Discourses, Concepts Examples. (2021) 9–40. https://doi. org/10.1007/978-3-030-60147-8_2/COVER. DOI: https://doi.org/10.1007/978-3-030-60147-8_2

F. Papa, F. Frappart, Surface Water Storage in Rivers and Wetlands Derived from Satellite Observations: A Review of Current Advances and Future Opportunities for Hydrological Sciences, Remote Sens. 2021, Vol. 13, Page 4162. 13 (2021) 4162. https://doi.org/10.3390/RS13204162. DOI: https://doi.org/10.3390/rs13204162

W. Dorigo, S. Dietrich, F. Aires, L. Brocca, S. Carter, J.F. Cretaux, D. Dunkerley, H. Enomoto, R. Forsberg, A. Guntner, M.I. Hegglin, R. Hollmann, D.F. Hurst, J.A. Johannessen, C. Kummerow, T. Lee, K. Luojus, U. Looser, D.G. Miralles, V. Pellet, T. Recknagel, C.R. Vargas, U. Schneider, P. Schoeneich, M. Schroder, N. Tapper, V. Vuglinsky, W. Wagner, L. Yu, L. Zappa, M. Zemp, V. Aich, Closing the Water Cycle from Observations across Scales: Where Do We Stand?, Bull. Am. Meteorol. Soc. 102 (2021) E1897–E1935. https://doi.org/10.1175/BAMS-D-19-0316.1. DOI: https://doi.org/10.1175/BAMS-D-19-0316.1

G.L. Kyriakopoulos, Circular economy and sustainable strategies: Theoretical framework, policies and regulation challenges, barriers, and enablers for water management, Water Manag. Circ. Econ. (2023) 197–230. https://doi.org/10.1016/B978-0-323-95280-4.00014-X. DOI: https://doi.org/10.1016/B978-0-323-95280-4.00014-X

C. Faye, A.A. Sow, S. Dieye, Water management policy for freshwater security in the context of climate change in Senegal, Clim. Chang. Water Resour. Africa Perspect. Solut. Towar. an Imminent Water Cris. (2021) 255–276. https://doi.org/10.1007/978-3-030-61225-2_12/COVER. DOI: https://doi.org/10.1007/978-3-030-61225-2_12

P.H. Gleick, H. Cooley, Freshwater Scarcity, Https://Doi. Org/10.1146/Annurev-Environ-012220-101319. 46 (2021) 319–348. https://doi.org/10.1146/ANNUREV-ENVIRON-012220-101319. DOI: https://doi.org/10.1146/annurev-environ-012220-101319

J. Rocha, C. Carvalho-Santos, P. Diogo, P. Beca, J.J. Keizer, J.P. Nunes, Impacts of climate change on reservoir water availability, quality and irrigation needs in a water scarce Mediterranean region (southern Portugal), Sci. Total Environ. 736 (2020) 139477. https://doi. org/10.1016/J.SCITOTENV.2020.139477. DOI: https://doi.org/10.1016/j.scitotenv.2020.139477

P.M.M. Soares, D.C.A. Lima, Water scarcity down to earth Surface in a Mediterranean climate: The extreme future of soil moisture in Portugal, J. Hydrol. 615 (2022) 128731. https://doi.org/10.1016/J.JHYDROL.2022.128731. [13] S. Lu, B. Wu, N. Yan, H. Wang, Water body mapping method with HJ-1A/B satellite imagery, Int. J. Appl. Earth Obs. Geoinf. 13 (2011) 428–434. https://doi.org/10.1016/J.JAG.2010.09.006. DOI: https://doi.org/10.1016/j.jhydrol.2022.128731

W. Jiang, Y. Ni, Z. Pang, X. Li, H. Ju, G. He, J. Lv, K. Yang, J. Fu, X. Qin, An Effective Water Body Extraction Method with New Water Index for Sentinel-2 Imagery, Water 2021, Vol. 13, Page 1647. 13 (2021) 1647. https://doi. org/10.3390/W13121647. DOI: https://doi.org/10.3390/w13121647

X. Yang, Q. Qin, P. Grussenmeyer, M. Koehl, Urban Surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery, Remote Sens. Environ. 219 (2018) 259–270. https://doi. org/10.1016/J.RSE.2018.09.016. DOI: https://doi.org/10.1016/j.rse.2018.09.016

S. Ghosh, A. Pal, S. Jaiswal, K.C. Santosh, N. Das, M. Nasipuri, SegFast-V2: Semantic image segmentation with les parameters in deep learning for autonomous driving, Int. J. Mach. Learn. Cybern. 10 (2019) 3145–3154. https://doi.org/10.1007/s13042-019-01005-5. DOI: https://doi.org/10.1007/s13042-019-01005-5

I. Papadeas, L. Tsochatzidis, A. Amanatiadis, I. Pratikakis, Real-Time Semantic Image Segmentation with Deep Learning for Autonomous Driving: A Survey, Appl. Sci. 2021, Vol. 11, Page 8802. 11 (2021) 8802. https://doi.org/10.3390/APP11198802. DOI: https://doi.org/10.3390/app11198802

X. Liu, L. Song, S. Liu, Y. Zhang, A Review of Deep-Learning-Based Medical Image Segmentation Methods, Sustain. 2021, Vol. 13, Page 1224. 13 (2021) 1224. https://doi.org/10.3390/SU13031224. DOI: https://doi.org/10.3390/su13031224

M.R. Ibrahim, J. Haworth, T. Cheng, Understanding cities with machine eyes: A review of deep computer visión in urban analytics, Cities. 96 (2020) 102481. https://doi.org/10.1016/J.CITIES.2019.102481. DOI: https://doi.org/10.1016/j.cities.2019.102481

Y. Lu, D. Chen, E. Olaniyi, Y. Huang, Generative adversarial networks (GANs) for image augmentation in agriculture: A systematic review, Comput. Electron. Agric.200 (2022) 107208. https://doi.org/10.1016/J.COMPAG. 2022.107208. DOI: https://doi.org/10.1016/j.compag.2022.107208

X. Sang, L. Xue, X. Ran, X. Li, J. Liu, Z. Liu, Intelligent High-Resolution Geological Mapping Based on SLICCNN, ISPRS Int. J. Geo-Information 2020, Vol. 9, Page 99. 9 (2020) 99. https://doi.org/10.3390/IJGI9020099. DOI: https://doi.org/10.3390/ijgi9020099

M.E. El-sayed, A.W. Youssef, O.M. Shehata, L.A. Shihata, E. Azab, Computer vision for package tracking on omnidirectional wheeled conveyor: Case study, Eng. Appl. Artif. Intell. 116 (2022) 105438. https://doi.org/10.1016/J.ENGAPPAI.2022.105438. DOI: https://doi.org/10.1016/j.engappai.2022.105438

A. Vembadi, A. Menachery, M.A. Qasaimeh, Cell Cytometry: Review and Perspective on Biotechnological Advances, Front. Bioeng. Biotechnol. 7 (2019) 462391.https://doi.org/10.3389/FBIOE.2019.00147/BIBTEX. DOI: https://doi.org/10.3389/fbioe.2019.00147

H. Farias, D. Ortiz, G. Damke, M. Jaque Arancibia, M. Solar, Mask galaxy: Morphological segmentation of galaxies, Astron. Comput. 33 (2020) 100420. https://doi.org/10.1016/J.ASCOM.2020.100420. DOI: https://doi.org/10.1016/j.ascom.2020.100420

I.J. Kadhim, P. Premaratne, A Novel Deep Learning Framework for Water Body Segmentation from Satellite Images, Arab. J. Sci. Eng. 48 (2023) 10429–10440. https://doi.org/10.1007/S13369-023-07680-5/FIGURES/4. DOI: https://doi.org/10.1007/s13369-023-07680-5

Z. Ma, M. Xia, L. Weng, H. Lin, Local Feature Search Network for Building and Water Segmentation of Remote Sensing Image, Sustain. 2023, Vol. 15, Page 3034. 15 (2023) 3034. https://doi.org/10.3390/SU15043034. DOI: https://doi.org/10.3390/su15043034

K. Yuan, X. Zhuang, G. Schaefer, J. Feng, L. Guan, H. Fang, Deep-Learning-Based Multispectral Satellite Image Segmentation for Water Body Detection, IEEE J. Sel.

Top. Appl. Earth Obs. Remote Sens. 14 (2021) 7422–7434. https://doi.org/10.1109/JSTARS.2021.3098678. DOI: https://doi.org/10.1109/JSTARS.2021.3098678

M. Wieland, S. Martinis, R. Kiefl, V. Gstaiger, Semantic segmentation of water bodies in very high-resolution satellite and aerial images, Remote Sens. Envi-ron. 287 (2023) 113452. https://doi.org/10.1016/J.RSE.2023.113452. DOI: https://doi.org/10.1016/j.rse.2023.113452

R.G. Tambe, S.N. Talbar, S.S. Chavan, Deep multi-feature learning architecture for water body segmentation from satellite images, J. Vis. Commun. Image Represent. 77 (2021) 103141. https://doi.org/10.1016/J.JVCIR.2021.103141. DOI: https://doi.org/10.1016/j.jvcir.2021.103141

GitHub - facebookresearch/detectron2: Detectron2 is a platform for object detection, segmentation and other visual recognition tasks., (n.d.). https://github.com/facebookresearch/detectron2 (accessed August31, 2023).

A.B. Abdusalomov, B.M.S. Islam, R. Nasimov, M. Mukhiddinov, T.K. Whangbo, An Improved Forest Fire Detection Method Based on the Detectron2 Model and a Deep Learning Approach, Sensors 2023, Vol. 23, Page 1512.23 (2023) 1512. https://doi.org/10.3390/S23031512. DOI: https://doi.org/10.3390/s23031512

V. Pham, C. Pham, T. Dang, Road Damage Detection and Classification with Detectron2 and Faster R-CNN, Proc. - 2020 IEEE Int. Conf. Big Data, Big Data 2020. (2020) 5592–5601. https://doi.org/10.1109/BIGDATA50022.2020.9378027. DOI: https://doi.org/10.1109/BigData50022.2020.9378027

R. Divya, J.D. Peter, Smart healthcare system-a brain-like computing approach for analyzing the performance of detectron2 and PoseNet models for anomalous action detection in aged people with movement impairments, Complex Intell. Syst. 8 (2022) 3021–3040. https://doi.org/10.1007/S40747-021-00319-8/FIGURES/21. DOI: https://doi.org/10.1007/s40747-021-00319-8

B. Rai, S.A.S. Kumar, F. Chincholi, H. Koestler, Detectron2 for Lesion Detection in Diabetic Retinopathy, Algorithms 2023, Vol. 16, Page 147. 16 (2023) 147. https://doi.org/10.3390/A16030147. DOI: https://doi.org/10.3390/a16030147

G. Merz, Y. Liu, C.J. Burke, P.D. Aleo, X. Liu, M. Carrasco, V. Kindratenko, Y. Liu, Detection, Instance Segmentation, and Classification for Astronomical Surveys with Deep Learning (DeepDISC): Detectron2 Implementation and Demonstration with Hyper Suprime-Cam Data, MNRAS. 000 (2023) 1–16. https://arxiv.org/abs/2307.05826v1 (accessed September 1, 2023). DOI: https://doi.org/10.1093/mnras/stad2785

.F. Restrepo-Arias, P. Arregoces-Guerra, J.W. Branch-Bedoya Crops Classification in Small Areas Using Unmanned Aerial Vehicles (UAV) and Deep Learning Pre-trained Models from Detectron2, Intell. Syst. Ref. Libr. 226 (2023) 273–291. https://doi.org/10.1007/978-3-031-08246-7_12/COVER. DOI: https://doi.org/10.1007/978-3-031-08246-7_12

Tian, Z. Chu, Q. Hu, L. Ma, Class-Wise Fully Convolutional Network for Semantic Segmentation of Remote Sensing Images, Remote Sens. 2021, Vol. 13, Page 3211. 13 (2021) 3211. https://doi.org/10.3390/RS13163211. DOI: https://doi.org/10.3390/rs13163211

O. Povoa, V. Lopes, A.M. Barata, N. Farinha, Monitoring Genetic Erosion of Aromatic and Medicinal Plant Species in Alentejo (South Portugal), Plants. 12 (2023) 2588. https://doi.org/10.3390/PLANTS12142588/S1. DOI: https://doi.org/10.3390/plants12142588

C. Santos-Silva, R. Louro, Assessment of the diversity of epigeous Basidiomycota under different soil-management systems in a montado ecosystem: a case study conducted in Alentejo, Agrofor. Syst. 90 (2016) 117–126. https://doi.org/10.1007/S10457-015-9800-3/FIGURES/2. DOI: https://doi.org/10.1007/s10457-015-9800-3

I. Pulido-Calvo, J.C. Gutierrez-Estrada, V. Sanz-Fernandez, Drought and Ecological Flows in the Lower Guadiana River Basin (Southwest Iberian Peninsula), Water 2020, Vol. 12, Page 677. 12 (2020) 677. https://doi.org/10.3390/W12030677. DOI: https://doi.org/10.3390/w12030677

A.A. Rodriguez Sousa, C. Tribaldos-Anda, S.A. Prats, C. Brigido, J. Munoz-Rojas, A.J. Rescia, Impacts of Fertilization on Environmental Quality across a Gradient of Olive Grove Management Systems in Alentejo (Portugal), Land. 11 (2022) 2194. ttps://doi.org/10.3390/LAND11122194/S1. DOI: https://doi.org/10.3390/land11122194

SNIRH :: Sistema Nacional de Informacao de Recursos Hidricos, (n.d.). https://snirh.apambiente.pt/ (accessed September 29, 2023).

C. Andrade, J. Contente, J.A. Santos, Climate change projections of dry and wet events in iberia based on the wasp-index, Climate. 9 (2021). https://doi.org/10.3390/cli9060094. DOI: https://doi.org/10.20944/preprints202104.0577.v1

Published

2024-01-15

How to Cite

Fernandes, S., Fialho, A., & Patriarca, I. (2024). Detection and delineation of water bodies in high-resolution satellite images with deep learning: A preliminary study with Detectron2. REVISTA INTERNACIONAL MAPPING, 32(214), 10–24. https://doi.org/10.59192/mapping.442

Issue

Section

Artículos Científicos