Exploiting optical and SAR sensor fusion in a fully automatic water detection WebApp to monitor riverine drought-to-flood events in Lombardy Region

The impact of climate change on European territories has become increasingly relevant over the last decade, with clear repercussions for the severity and frequency of extreme weather events. In particular, rising temperatures accelerate hydrological processes, leading to an increase in severe drought events. Anomalies in precipitation have often been shown to affect the same areas, especially in southern Europe, where long periods of rainfall scarcity are interspersed with extreme downpours, causing impactful floods. The interaction between these events is known as the 'drought-to-flood' mechanism and is a critical issue in terms of both prevention and mitigation measures from a multirisk perspective. The Po River valley is one of the most representative areas in Europe in terms of the occurrence of such phenomena, having reportedly experienced prolonged dry periods interspersed with multiple flood events between 2022 and 2025. The regional authority responsible for landscape and biodiversity safeguard (Regione Lombardia) triggered the present study with the aim of realizing a decision making support WebApp to be used by public administrator for mapping and monitoring the dynamic evolution of Po River surface. S.I.D.R.A. (Sentinel Imagery for Drought Risk Assessment) WebApp is rooted on Copernicus’ Sentinel satellites imagery processing and allows non-expert users to delineate the water surface of a river of interest by providing as input simple information as the time window and area of interest through a graphical interface. The app is implemented in Google Earth Engine, and it is centered on the integration of optical (Sentinel-2) and radar (Sentinel-1) imagery to enhance water detection and minimize the possible errors deriving from the use of a single-sensor approach. Browsing sensor collections and selecting images acquired as close as possible in time over the area of interest, water detection-oriented spectral indices and VV polarized SAR band are elaborated to implement a classification procedure. The quality of the classification results achieved with the sensor fusion process is shown in the study by considering both a human supervised technique, in which a Random Forest classification algorithm is trained through photo-interpreted polygons, and a totally automated approach. The automation of the process is obtained by exploiting the outcomes of automatic thresholding for each of the considered input bands through a Bmax Otsu algorithm. The application of this methodology is part of a process whose outcome is to provide a reliable binary mask containing only pixels that in the whole considered time interval are consistently classified as water or non-water. Relying on such masks, training pixels are automatically extracted, realizing a “self-training” procedure, preliminary to the running of the supervised classifier. The thesis presents analyses of Bmax Otsu parameters calibration, as well as outcomes of sensitivity analyses meant to determine the most suitable and effective amount of training pixels for the self-extraction procedure oriented to water delineation. In addition, different supervised classifier algorithms are tested and compared based on their classification accuracy with respect to ground truth information. The best performing algorithm and training set size derived from the analyses are integrated in the code of S.I.D.R.A. WebApp. Multitemporal analyses conducted over diverse stretches of Po River confirm the agreement among the results of the classification procedure and the conditions experienced in the field, thanks to a cross-validation between the findings of the imagery processing and in situ measurements derived by Po River hydrometric monitoring network. The work showcases also the performance achieved by S.I.D.R.A. application in mapping the impacts of drought and flood events affecting multiple water bodies, also by comparing the resulting water masks with professional crisis maps provided by the Copernicus Emergency Management Service. The findings of the study show the potential of the sensor fusion approach toward mapping riverine water surface evolution. Furthermore, the complete automation of the procedure and the simplicity of user-side request can foster S.I.D.R.A. integrability in public administrations offices, representing an easy to use support also for non-expert personnel.

L’impatto dei cambiamenti climatici sui territori europei è diventato sempre più severo nel corso dell’ultimo decennio, con evidenti ripercussioni su frequenza e intensità di eventi meteorologici estremi. In particolare, l’aumento delle temperature fa sì che i processi idrologici risultino accelerati, portando all’aumento di fenomeni siccitosi. Si è osservato come spesso nelle stesse aree si verifichino, soprattutto nel sud dell’Europa, anomalie nelle precipitazioni, con lunghi periodi di assenza di pioggia alternati a nubifragi estremi, che originano alluvioni diffuse. L’interazione tra questi eventi è nota come meccanismo “drought-to-flood” e rappresenta un tema critico da affrontare in una prospettiva multirischio, sia in termini di prevenzione che di misure di mitigazione. La valle del Po è una delle aree di studio più significative per il verificarsi di tale tipo di eventi, come risulta dall’alternanza di periodi di siccità intensa e alluvioni a cui si è assistito tra il 2022 e il 2025. Regione Lombardia, autorità responsabile per la protezione dell’ambiente e la salvaguardia della biodiversità, ha dato lo spunto per questo studio, esprimendo la necessità di avere a disposizione della pubblica amministrazione uno strumento informatico (WebApp) di supporto decisionale capace di mappare e monitorare l’evoluzione della superficie del fiume Po. L’app S.I.D.R.A. (Sentinel Imagery for Drought Risk Assessment) è basata sull’utilizzo di immagini satellitari provenienti dalle missioni Sentinel del servizio Copernicus. Consente a utenti non esperti di effettuare il processamento di tali immagini tramite l’inserimento in una apposita interfaccia di pochi e semplici parametri in input, quali la finestra temporale e l’area di interesse per l’analisi. L’app è implementata in Google Earth Engine e si fonda sull’integrazione di input satellitari ottici (Sentinel-2) e SAR (Sentinel-1), ai fini di ottimizzare l’individuazione della superficie dell’acqua, minimizzando gli errori caratteristici del processamento dei dati provenienti da un singolo sensore. Estraendo dai database dei sensori immagini acquisite a distanza di poco tempo le une dalle altre sull’area di interesse, vengono elaborati degli indici per l’identificazione dell’acqua ed estratta la banda polarizzata VV SAR per implementare una procedura di classificazione. Nello studio, la qualità della classificazione ottenuta tramite la fusione dei dati satellitari viene testata considerando due diverse tecniche: una supervisionata, basata sull’intervento umano che allena un algoritmo di Random Forest fornendo poligoni fotointerpretati, e una seconda totalmente automatizzata. L’automatizzazione del processo si ottiene sfruttando i risultati di un algoritmo (Bmax Otsu) per l’estrazione autonoma di valori di soglia per ognuna delle bande in input considerate. L’applicazione di questo algoritmo è parte di un processo finalizzato all’ottenimento di maschere binarie affidabili che contengano solo pixel univocamente classificati come acqua o non-acqua, su tutto l’intervallo temporale considerato. Basandosi su queste maschere vengono estratti automaticamente dei pixel di training, consentendo al sistema un “auto-allenamento”, prima dell’esecuzione di un algoritmo di classificazione supervisionata. Nella tesi sono presentati i risultati della calibrazione dei parametri per l’algoritmo Bmax Otsu e un’analisi di sensitività volta a identificare il numero ottimale di pixel di training da considerare per la classificazione di superfici d’acqua. Inoltre, vengono confrontati i risultati ottenuti da diversi algoritmi di classificazione supervisionata con dati di verità a terra. L’algoritmo dalle performance migliori e la quantità di pixel ottimale identificati sono stati integrati nel codice di S.I.D.R.A. Le analisi multitemporali condotte su diverse porzioni del fiume Po confermano la coerenza dei risultati ottenuti tramite classificazione con le condizioni riscontrate sul campo, grazie a una validazione incrociata con misurazioni idrometriche estratte dalla rete di monitoraggio del Po. Nel lavoro si mostrano le performance di S.I.D.R.A. nel mappare altri corpi d’acqua, anche confrontandone i risultati con quelli di mappe di emergenza professionali realizzate dal servizio Copernicus Emergency Management. Gli esiti dello studio dimostrano il potenziale dell’integrazione tra sensori ottici e SAR per il monitoraggio delle superfici d’acqua in ambiente fluviale. Inoltre, la completa automatizzazione e la semplicità di utilizzo di S.I.D.R.A. ne garantiscono l’integrabilità in attività e procedure interne agli uffici di pubblica amministrazione, e la fruibilità anche da parte di utenti non esperti.