Cover classifications in wetlands using Sentinel-1 data (Band C): a case study in the Parana river delta, Argentina

Abstract

With the launch of the Sentinel-1 mission, for the first time, multitemporal and dual-polarization C-band SAR data with a short revisit time is freely available. How can we use this data to generate accurate vegetation cover maps on a local scale? Our main objective was to assess the use of multitemporal C-Band Sentinel-1 data to generate wetland vegetation maps. We considered a portion of the Lower Delta of the Paraná River wetland (Argentina). Seventy-four images were acquired and 90 datasets were created with them, each one addressing a combination of seasons (spring, autumn, winter, summer, complete set), polarization (VV, HV, both), and texture measures (included or not). For each dataset, a Random Forest classifier was trained. Then, the kappa index values (κ) obtained by the 90 classifications made were compared. Considering the datasets formed by the intensity values, for the winter dates the achieved kappa index values (κ) were higher than 0.8, while all summer datasets achieved κ up to 0.76. Including feature textures based on the GLCM showed improvements in the classifications: for the summer datasets, the κ improvements were between 9% and 22% and for winter datasets improvements were up to 15%. Our results suggest that for the analyzed context, winter is the most informative season. Moreover, for dates associated with high biomass, the textures provide complementary information.

Con el lanzamiento de la misión Sentinel-1, por primera vez, datos SAR de banda C multitemporales y de polarización dual, con un tiempo de revisión corto, están disponibles de forma gratuita. ¿Cómo podemos utilizar estos datos para generar mapas precisos de cobertura vegetal a escala local? Nuestro principal objetivo fue evaluar el uso de datos multitemporales de banda C Sentinel-1 para generar mapas de vegetación en humedales. Consideramos una porción del humedal del Bajo Delta del Río Paraná (Argentina). Utilizamos setenta y cuatro imágenes y creamos noventa conjuntos de datos distintos con ellas, cada uno abordando una combinación de estaciones (primavera, otoño, invierno, verano, conjunto completo), polarización (VV, HV, ambas) y medidas de textura (incluidas o no). Para cada conjunto de datos, se entrenó un clasificador Random Forest. Luego, se compararon los valores de índice kappa (κ) obtenidos por las 90 clasificaciones realizadas. Teniendo en cuenta los conjuntos de datos formados por los valores de intensidad de la señal del radar, para las fechas de invierno los valores κ obtenidos fueron superiores a 0,8, mientras que los conjuntos de datos de verano obtuvieron κ menores a 0,76. La inclusión de los atributos de texturas basados en las matrices de GLCM mostraron mejoras en las clasificaciones: para los conjuntos de datos de verano, las mejoras de κ estuvieron entre un 9% y un 22% y para los de invierno, las mejoras fueron de hasta un 15%. Nuestros resultados sugieren que para el contexto analizado, el invierno es la temporada más informativa. Además, para las fechas asociadas con alta biomasa, las texturas proporcionan información complementaria.