Adaptive Unsupervised Detection of Field-Scale Irrigation from High-Resolution SAR Soil Moisture Maps

Abstract

El objetivo de este trabajo es investigar el uso de mapas de humedad superficial del suelo (SSM) de alta resolución (~100 m), derivados de datos Sentinel-1 y Sentinel-2, para identificar eventos de riego ocurridos en el distrito de riego de Riaza (Castilla y León, España) entre 2017 y 2021. El método propuesto se basa en la aplicación del algoritmo Constant False Alarm Rate (CFAR), un algoritmo adaptativo y no supervisado de umbralización tradicionalmente utilizado para la detección de objetivos en imágenes SAR. Los resultados muestran que la precisión de detección depende principalmente del intervalo temporal entre el paso de Sentinel-1 y el evento de riego, del momento de adquisición y del estado de desarrollo de la vegetación. Además, se observó una fuerte correlación entre la humedad del suelo y la profundidad de riego aplicada, lo que pone de manifiesto el potencial de estos productos para apoyar la estimación de volúmenes de agua utilizados.

The purpose of this work is to investigate the use of high-resolution (~100 m) surface soil moisture (SSM) maps derived from Sentinel-1 (S-1) and Sentinel-2 (S-2) data to identify irrigation events occurring in the Riaza irrigation district (Castilla y León region, Spain) from 2017 to 2021. The proposed method is based on the application of the Constant False Alarm Rate (CFAR) algorithm, which is an adaptive and unsupervised thresholding algorithm traditionally used for target detection in SAR images. This algorithm uses a sliding window approach that allows an adaptive threshold estimate for each pixel of the image, depending on the distribution of the surrounding pixels. Results show that detection accuracy mainly depends on the time span between the S-1 passage and irrigation, acquisition timing, and crop growth stage. A significant correlation between field-scale mean SSM and irrigation depth was also observed.