Le tecniche di delineazione dell’estensione delle inondazioni hanno tratto vantaggio dalla crescente disponibilità di immagini da telerilevamento, tecniche di classificazione e l’introduzione di descrittori geomorfologici derivati dai Modelli Digitali di Elevazione (DEM). D’altro canto, i metodi di Machine Learning (ML) ad alte prestazioni hanno consentito lo sviluppo di mappe accurate delle inondazioni integrando diverse variabili predittive in algoritmi supervisionati o non supervisionati. Tra gli altri, Random Forest (RF) è un classificatore ML potente e ampiamente utilizzato, che fornisce previsioni accurate anche con insiemi di dati complessi e per parametri variabili. Nel presente studio, è stata valutata l’efficacia di questo algoritmo per la mappatura delle aree allagate. Diverse fonti di dati geospaziali sono state integrate, tra cui indicatori morfologici, come l’Indice Geomorfologico di Alluvione (GFI), bande Sentinel-2, indici multispettrali e polarizzazioni Sentinel-1. È stata valutata la affidabilità delle variabili predittive in diverse dimensioni del campione di addestramento e è stata valutata l’accuratezza del classificatore RF. Inoltre, esplorando la capacità dell’algoritmo di identificare le variabili più importanti, sono state individuate le variabili predittive che contribuiscono maggiormente alla classificazione e ne è stata verificata la stabilità per parametri di addestramento variabili. Per valutare l’adattabilità e la coerenza di queste caratteristiche, abbiamo applicato le nostre analisi a diverse aree di studio in tutto il mondo. I risultati indicano che alcune variabili predittive hanno mostrato una notevole stabilità attraverso diverse dimensioni del campione e sono rimaste robuste sotto vari parametri di addestramento. Tuttavia, è stata osservata anche una certa variabilità nella struttura dell’algoritmo e nelle caratteristiche legate alle specifiche complessità di ciascun caso di studio considerato.
How to cite: Albertini, C., A. Gioia, V. Iacobellis, G. P. Petropoulos and S. Manfreda, Assessing Multi-source Random Forest Classification and Robustness of Predictor Variables in Flooded Areas Mapping, Remote Sensing Applications: Society and Environment, (doi: 10.1016/j.rsase.2024.101239) 2024. [pdf]