SAR-based coastline detection and monitoring

Natural events and human activities can significantly change our planet. The coastal environment is among the most fragile ones, its efficient monitoring is crucial to manage properly human and natural resources located in this environment where a large portion of our population lives. This thesis aims at exploring the capabilities of Synthetic Aperture Radar (SAR) for coastline detection and monitoring. This technology is chosen over optical systems because of the maturity reached with the launch of the Sentinel-1 mission and because SAR systems can operate day-and-night time and all-weather. Moreover, water has a distinctive behavior in SAR images. After a state-of-the-art analysis of available techniques, this thesis proposes two novel approaches for shoreline detection and coastal monitoring. The iterative detection method is based on the SLIC algorithm and segments the imagery in units that are then filtered and classified as water or land with a thresholding technique. The goal is to fit accurately the image features to preserve the coastline details. Results of the algorithm are compared to a manually-detected shoreline for the Lizard Island case study. The coastline monitoring approach exploits a long time-series of SAR acquisitions to describe the modifications of the coast. The preprocessing involves a season-wise temporal averaging to erase tidal effects. However, the major innovation is the introduction of a land-water index that allows for the comparison between acquisitions with a different sea state, which would negatively influence the analysis. The proposed index is modeled in time on a pixel basis. A visualization technique that exploits the HSV codification of the color space highlights where and when changes happened. A case study for this technique is carried out over the Reentrancias Maranhenses natural area, where results are qualitatively assessed by comparisons with optical data and with the output of an existing (deep learning) approach.

Eventi naturali ed attività umane possono modificare profondamente l'ambiente costiero. Monitorare in maniera efficiente queste zone, in cui vive una grande fetta della popolazione, è importante per la corretta gestione delle risorse. L'obiettivo di questa tesi è di investigare le possibilità del Radar ad apertura sintetica (SAR) per l'identificazione ed il monitoraggio della linea di costa. Questa tecnologia è stata scelta in virtù del grado di maturità raggiunto con la missione europea Sentinel-1. Il SAR viene preferito ai sistemi ottici in quanto ha la capacità di operare giorno e notte ed in qualsiasi condizione meteo, inoltre l'acqua è facilmente riconoscibile in questo tipo di immagini. Dopo avere analizzato lo stato dell'arte, in questa tesi vengono proposti due nuovi algoritmi per l'individuazione della linea di costa e per il suo monitoraggio. L'algoritmo di individuazione della linea di costa è basato sulla segmentazione dell'immagine con SLIC in unità chiamate superpixels che vengono poi filtrate ed in seguito classificate come appartenenti alle classi acqua e terra. L'idea è che utilizzare i superpixel come prima operazione possa preservare il dettaglio della linea costiera. La validazione consiste nel confronto del risultato con una costa individuata manualmente nell'isola di Lizard. Il monitoraggio sfrutta una lunga serie temporale di acquisizioni SAR per descrivere lo spostamento della linea di costa. L'effetto delle maree viene annullato grazie ad una media stagionale, ma l'innovazione più rilevante è l'introduzione di un indice che permette di annullare l'oscillazione caratteristica dei pixel di acqua, causata dal variare del moto ondoso. L'andamento temporale dell'indice proposto viene modellizzato tramite una regressione lineare. La posizione e l'istante dei cambiamenti alla linea di costa sono espressi con una visualizzazione ad-hoc. Una validazione qualitativa è eseguita confrontando i risultati con immagini ottiche e con un algoritmo esistente (deep learning) nella riserva naturale delle Reentrancias Maranhenses.