Improvement and application of UNet network for avoiding the effect of urban dense high-rise buildings and other feature shadows on water body extraction

Xie, Yiheng; Chen, Renxi; Yu, Mingzhou; Rui, Xiaoping; Du, Xiaoze

doi:10.1080/01431161.2023.2229498

Cited by 6 publications

(2 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nas RNAs, as camadas artificiais rasas são capazes de capturar as informações de posição dos pixels e as camadas artificiais profundas são usadas para rotular os pixels. Dessa forma, As RNAs estão sendo gradualmente aplicadas para a extração de informações sobre água em imagens (Xie et al, 2023).…”

Section: Introductionunclassified

Extração de Corpo Hídrico Usando uma Cena Sentinel-1 e Redes Neurais Artificiais: Estudo de Caso – Barragem de Carpina-PE

Silva Júnior,

Silva Junior

2023

S&N

View full text Add to dashboard Cite

A água de superfície é o recurso e fator ambiental mais importante para manter a sobrevivência humana e a estabilidade dos ecossistemas, portanto, informações precisas e oportunas sobre águas superficiais são urgentemente necessárias. Neste estudo foi proposto uma abordagem de classificação de imagens por Redes Neurais Artificiais para o mapeamento da extensão da água de superfície da Barragem de Carpina-PE usando dados (SAR) do satélite Sentinel-1, bem como suas polarizações (VH e VV) e os índices polarimétricos de água gerados (SDWI e SWI). Todos os conjuntos de dados apresentaram limitações na detecção de pequenos corpos hídricos, como rios estreitos, e superestimação em áreas de pastagem, gerando erros de comissão variando de 16,5 % a 28,9% e erros de omissão variando entre 1,47% e 3,5%, com destaque para as polarizações VH e VV. A precisão geral da classificação variou de 96% a 98% e valores de R² chegaram próximo de 1, onde o melhor desempenho foi visto para o SDWI e o SWI. Os experimentos comparativos indicaram que, as polarizações unitárias de radar com índices polarimétricos de água, foram úteis para melhorar a precisão da extração de corpos hídricos em locais com muitas nuvens, sem variações significativas, além de fornecer informações detalhadas, com potencial de monitoramento contínuo.

show abstract

Section: Introductionunclassified

Extração de Corpo Hídrico Usando uma Cena Sentinel-1 e Redes Neurais Artificiais: Estudo de Caso – Barragem de Carpina-PE

Silva Júnior,

Silva Junior

2023

S&N

View full text Add to dashboard Cite

show abstract

“…In ANNs, shallow artificial layers are capable of capturing pixel position information and deep artificial layers are used to label pixels. In this way, ANNs are gradually being applied to extract information about water in images (Xie et al, 2023).…”

Section: Introductionmentioning

confidence: 99%

Water Body Extraction Using a Sentinel-1 Scene and Artificial Neural Networks: Case Study – Carpina-PE Dam

Silva Júnior,

Silva Junior

2023

Sociedade &Amp; Natureza

View full text Add to dashboard Cite

Surface water is the most important resource and environmental factor for maintaining human survival and ecosystem stability, therefore accurate and timely information on surface water is urgently needed. In this study, an image classification approach using Artificial Neural Networks was proposed for mapping the surface water extent of the Carpina-PE Dam using radar image from the Sentinel-1 satellite, as well as its polarizations (VH and VV) and the generated water indices (SDWI and SWI). All datasets presented limitations in detecting small water bodies, such as narrow rivers, and overestimation in pasture areas, generating commission errors ranging from 16.5% to 28.9% and omission errors ranging from 1.47% and 3.5%, with emphasis on VH and VV polarizations. The overall classification accuracy ranged from 96% to 98% and R² values reached close to 1, where the best performance was seen for SDWI and SWI. The comparative experiments indicated that unitary radar polarizations with water spectral indices were useful for improving the accuracy of extracting water bodies in places with clouds, without significant variations, in addition to providing detailed information, with potential for continuous monitoring.

show abstract

Mangrove monitoring and extraction based on multi-source remote sensing data: a deep learning method based on SAR and optical image fusion

Xie,

Rui,

Zou

et al. 2024

Acta Oceanol. Sin.

View full text Add to dashboard Cite

Improvement and application of UNet network for avoiding the effect of urban dense high-rise buildings and other feature shadows on water body extraction

Cited by 6 publications

References 25 publications

Extração de Corpo Hídrico Usando uma Cena Sentinel-1 e Redes Neurais Artificiais: Estudo de Caso – Barragem de Carpina-PE

Extração de Corpo Hídrico Usando uma Cena Sentinel-1 e Redes Neurais Artificiais: Estudo de Caso – Barragem de Carpina-PE

Water Body Extraction Using a Sentinel-1 Scene and Artificial Neural Networks: Case Study – Carpina-PE Dam

Mangrove monitoring and extraction based on multi-source remote sensing data: a deep learning method based on SAR and optical image fusion

Contact Info

Product

Resources

About