Översvämningskartering med djupinlärning och Sentinel-1 SAR-data : Utvärdering av STURM-Flood-modellens generaliseringsförmåga för översvämningskartering i svenska förhållanden

Sammanfattning

Översvämningar är den vanligaste naturkatastrofen i världen och orsakar årligen ett stort antal dödsfall och allvarliga ekonomiska konsekvenser. Behovet av automatiserad översvämningskartering växer, och djupinlärningsmodeller på Sentinel-1 SAR-data är lovande verktyg. Tillgången till märkta träningsdata har dock varit en begränsande faktor. STURM-Flood är ett nytt öppet dataset med tillhörande förtränad U-Net-modell som har utvecklats för att möta dessa behov, men modellens prestanda i svenska översvämningsförhållanden är inte känd. Denna studie utvärderar hur väl modellen generaliserar till tre svenska översvämningsområden från Copernicus EMS-aktiveringen efter stormen Dennis i februari 2020, med kontrasterande landskapskaraktär (semi-urbant, urbant och kustnära våtmark). Random Forest och Otsu-tröskling används som klassiska baslinjer. Modellen tillämpas med förtränade vikter, Random Forest tränas på STURM-Flood-datasetet, och samtliga metoder utvärderas mot referensdata med precision, recall och F1 för vattenklassen. U-Net presterade bäst i samtliga områden. I Göteborg, det mest urbana området, uppnåddes F1 på 0,89 (precision 0,93, recall 0,86), med något lägre prestanda i Karlstad. Båda områdena överträffade STURM-Floods rapporterade referensvärde för F1 på 0,70. Kristianstad uppvisade tydligt lägre prestanda till följd av vattenmättade marker med vattenliknande SAR-signatur. STURM-Flood-modellen har god potential för svensk översvämningskartering, men prestandan i mer komplexa landskap kan förbättras genom fortsatt träning på svenska data. En semi-automatiserad pipeline från rådata till kartproduktion utvecklades, med SAR-förbehandlingen i SNAP som kvarstående manuell flaskhals.