Urban flood mapping based on multi-source remote sensing data fusion and machine learning

Although single-source remote sensing, SAR or optical, has been proven highly effective for general flood monitoring, it often encounters some limitations in complex urban environments, such as susceptibility to building occlusion, radar shadow effects, and spectral confusion. To overcome these challenges, this study introduces an intelligent flood monitoring and mapping framework that integrates multi-source data (SAR, optical imagery, and high-precision LiDAR-derived DEM) with machine learning. Using the 2017 Hurricane Harvey flood event in Houston, USA as a case study, experiments were conducted over seven spatially independent 5 km × 5 km regions, of which four were used for model training and three were reserved for spatially independent testing. The study first investigates baseline methods based on Sentinel-1 dual-polarization SAR data, as well as optical methods combining Sentinel-2 and airborne imagery. A DEM-constrained multi-source weighted fusion strategy is then developed to effectively suppress false water detections caused by elevated infrastructure and building shadows. Building on this, a Random Forest–based multi-source feature-level fusion model is proposed and coupled with an adaptive threshold decision mechanism (Best-F1) to achieve automated flood identification. Experimental evaluations demonstrate that the proposed framework consistently outperforms single-source and linear fusion baselines across all test regions. Feature importance analysis further indicates a substantial contribution from topographic information, confirming both the necessity and practical engineering value of introducing physics-based terrain constraints in urban flood remote-sensing mapping.

Sebbene il telerilevamento, ottico o SAR a singola sorgente, si sia dimostrato altamente efficace per il monitoraggio generale delle alluvioni, esso incontra spesso alcune limitazioni in ambienti urbani complessi, come la suscettibilità all'occlusione degli edifici, agli effetti ombra del radar e a firme spettrali miste. Per superare queste limitazioni, questo studio introduce un approccio intelligente per il monitoraggio e la mappatura delle alluvioni che integra dati multisorgente (SAR, immagini ottiche e DEM ad alta precisione derivato da LiDAR) con il Machine Learning. Utilizzando come caso di studio l’alluvione causata dall'uragano Harvey nel 2017 a Houston, USA, sono stati condotti esperimenti su sette regioni spazialmente indipendenti di 5 km × 5 km, di cui quattro sono state utilizzate per l'addestramento del modello e tre sono state riservate per test spazialmente indipendenti. Lo studio indaga in primo luogo i metodi di baseline basati sui dati SAR a doppia polarizzazione Sentinel-1, nonché i metodi ottici che combinano immagini Sentinel-2 e aeree. Viene quindi sviluppata una strategia di fusione ponderata multisorgente vincolata dal DEM per sopprimere efficacemente i falsi rilevamenti di acqua causati da infrastrutture sopraelevate e ombre degli edifici. Sulla base di ciò, viene proposto un modello di fusione a livello di feature multisorgente basato su Random Forest, accoppiato con un meccanismo di decisione a soglia adattiva (Best-F1) per ottenere l'identificazione automatizzata delle alluvioni. Le valutazioni sperimentali dimostrano che il framework proposto supera costantemente l’accuratezza del risultati ottenuti da singola sorgente. La feature importance analysis indica inoltre un contributo sostanziale delle informazioni topografiche, confermando sia la necessità che il valore ingegneristico pratico dell'introduzione di vincoli del terreno basati sulla fisica nella mappatura mediante telerilevamento delle inondazioni urbane.