Deep learning for water bodies segmentation from SAR images

Segmentation of water bodies is one of the leading Earth Observation environmental research topics of the last years. Near real-time observations of water bodies provide fast and useful information to decision making during natural disaster like flood or tsunami, as well as to water resources management and inland water quality monitoring. Synthetic Aperture Radar, due to its all-weather, day-and-night capabilities is widely recognized in the literature as the best instrument for performing this task. Furthermore, water bodies, when illuminated by an electromagnetic wave generate a precise scattering mechanism, that can be easily described with a proper probability density function, thus giving a prior advantage in comparison to other imaging systems. For a long time, this task has been tackled using countless variants of thresholding-based algorithm, exploiting the specific statistics generated by that scattering mechanism. In the last years, the increase of Synthetic Aperture Radar Earth Observation missions such as Sentinel-1, ALOS and Radarsat has led to a new scenario characterized by the continuous generation of a massive amount of data, which on the one hand disclosed the inadequacy of the classical algorithms in terms of generalization capabilities and computational performance, on the other paved the way for the new Artificial Intelligence paradigm including the Deep Learning one. In this work, we present an extensive study on Deep Learning techniques applied to water bodies segmentation. The considered problem presented a significant number of challenges: compared to the traditional Computer Vision domain, the manipulation of Synthetic Aperture Radar data is characterized by a heavy pre-processing chain, resulting in the absence of task-specific or even more generic dataset. Thus, a suitable dataset has been created using multi-temporal Sentinel-1 dual-polarization data, starting from Single Look Complex-Interferometric Wide products, and the Copernicus Water and Wetness layer. Furthermore, Synthetic Aperture Radar amplitude, as all the coherent imaging systems, is characterized by an intrinsic noise-like process called speckle, which hampers segmentation tasks and is usually responsible for an additional processing step. Differently from classical probabilistic algorithms, the presented solution, based on a U-Net backbone, does not require any de-speckling procedure and is robust to speckle as a result of its multi-semantic architecture trained on a multi-temporal dataset. Given the weak-labelled nature of the created dataset, in order to further improve the results, semi-supervised and weak-supervised training strategies have been investigated, with particular attention to active learning techniques. The latter had the most promising and interesting results, where the aforementioned probabilistic prior is integrated with the traditional backpropagation-based training to correct and update the training set labels. These results outperformed, especially visually, the first baseline, allowing the reconstruction of very small water bodies of a single-pixel width.

Il rilevamento dei corpi d'acqua tramite immagini Radar Satellitari è uno dei principali temi di ricerca nell' ambito del monitoraggio ambientale degli ultimi anni. Possedere informazioni in tempo reale sullo stato dei corpi d'acqua, permette di agire tempestivamente in occasione di eventi naturali catastrofici come inondazioni o tsunami. Altre importanti applicazioni riguardano la gestione delle risorse idriche ed il monitoraggio della qualità delle acque. Il Radar ad Apertura Sintetica (SAR), grazie alle sua capacità di acquisire immagini in qualsiasi condizione metereologica ed in qualsiasi ora del giorno, è considerato uno dei migliori strumenti per effettuare questo tipo di rilevamento. Inoltre, i corpi d'acqua, quando illuminati da un'onda elettromagnetica, generano un meccanismo di dispersione molto specifico. Tale meccanismo può essere facilmente descritto con un'adeguata funzione di densità di probabilità che fornisce una conoscenza a priori, rispetto ad altri sistemi di cattura dell'immagine. In letteratura, il rilevamento dei corpi d'acqua è stato sempre effettuato tramite l'utilizzo di classici algoritmi di elaborazione del segnale, che permettono di segmentare l'immagine effettuando una sogliatura basata sulla statistica generata dal meccanisimo di dispersione. Il recente incremento del numero di satelliti come Sentinel-1, ALOS e Radarsat, ha portato ad un aumento dei dati a disposizione. Questo nuovo scenario caratterizzato dalla generazione continua di grandi quantità di dati, ha permesso l'esplorazione di nuovi approcci come quello dell' Intelligenza Artificiale ed ha evidenziato l'inadeguatezza dei classici algoritmi in termini di prestazioni ed affidabilità. L'obiettivo di questa tesi è dunque quello di proporre una nuova metodologia per la segmentazione dei corpi d'acqua tramite l'utilizzo di teniche di Deep Learning. Questa metodologia presenta una serie di problematiche da affrontare. Rispetto alla classica elaborazione di immagini ottiche, la manipolazione dei dati Radar ad Apertura Sintetica, è caratterizzata da un' imprescindibile pre-elaborazione del segnale che comporta una completa assenza di dataset in letteratura. Sfruttando il Single Look Complex-Interferometric Wide Products ed il Copernicus Water and Wetness Layer, abbiamo quindi creato uno specifico dataset composto da immagini multi-temporali a doppia polarizzazione acquisite dal satellite Sentinel-1. Oltre alla difficoltà di manipolazione iniziale del dato, l'ampiezza del segnale Radar ad Apertura Sintetica è caratterizzata da un processo intrinseco simile al rumore chiamato speckle che, se non rimosso, ostacola completamente l' attività di segmentazione. A differenza dei classici algoritmi probabilistici, la soluzione presentata, non richiede alcuna procedura di de-speckling. Grazie alla sua struttura multi-semantica, la nostra rete, addestrata (UNet) mediante l' utilizzo di un dataset multi-temporale, è in grado di apprendere autonomamente la modalità necessaria a rimuovere questo tipo di rumore intrinseco. Inoltre, al fine di migliorare i risultati ottenuti e trovare risoluzione alla problematiche dell'inaccuratezza nella veridicità delle annotazioni del nostro dataset, vengono approfondite delle strategie di addestramento semi-supervisionate e debolmente-supervisionate. La procedura di apprendimento attivo proposta, è basata sull' integrazione del contenuto statistico dei due canali bipolarimetrici durante la fase di addestramento della rete. Gli ottimi risultati ottenuti, mostrano come una metodologia che integri Deep Learning e Signal Processing classico, possa essere utilizzata per correggere ed aggiornare le annotazioni in modo da incremetarne l' accuratezza.