Bien que le potentiel de détection des icebergs ait augmenté considérablement au cours des dernières décennies, la surveillance et la détection des icebergs présentent des limitations qui représentent toujours un obstacle à la sécurité et à l'efficacité des opérations maritimes. Le transport maritime transatlantique est soumis à des détours significatifs vers le sud durant la saison des glaces et les installations et les procédures de production pétrolière au large doivent être conçues spécifiquement pour opération dans les eaux où les icebergs sont présents incluant le recours à des navires additionnels dédiés à la “gestion des icebergs”. Ainsi, des efforts considérables sont orientés vers le développement d'outils de télédétection pour la détection plus fiable et dans toutes les conditions météorologiques des icebergs. Le radar à synthèse d'ouverture (RSO) de RADARSAT-1 permet d'accroître de façon substantielle la fréquence et la précision de la détection des icebergs. Cet article présente des résultats obtenus dans le cadre de l'étude de validation pour déterminer le potentiel de RADARSAT-1 dans la détection des icebergs réalisée au cours de l'année 2000 sur la côte est du Canada. Des images en mode faisceau large 2 et 3 et ScanSAR en mode B étroit ont été acquises à différents endroits près des côtes et au large de Terre-Neuve durant les mois de mai et juin. Des données de réalité de terrain relatives aux icebergs, basées principalement sur l'utilisation de la photographie aérienne à échelle, ont été acquises parallèlement aux acquisitions RADARSAT-1. Les positions des icebergs dérivées de la réalité de terrain ont été corrélées avec les localisations de cibles dans les images RADARSAT-1 et les caractéristiques des signatures des icebergs à l'intérieur des images RSO ont été documentées. Des techniques de taux de fausses alarmes constant (TFAC) ont été utilisées pour déterminer de façon empirique la probabilité de détection des icebergs en tant que fonction de la dimension de l'iceberg, de la vitesse du vent et de l'angle d'incidence du radar. Pour les angles RSO plus grands que 35 degrés, on peut généralement détecter les icebergs d'une dimension de l'ordre de la résolution du mode RSO utilisé. Quant aux icebergs plus grands, il est possible de les détecter de façon plus constante et même dans des conditions de mer agitée.

The inland water bodies are critical components of ecosystems and hydrologic cycles. Thus, the water extent data are crucially important for hydrological and ecological studies. Due to its high temporal resolution, the Cyclone Global Navigation Satellite System (CYGNSS) has the potential for real-time inland water monitoring. In this letter, a high-resolution machine learning (ML) method for detecting inland water content using the CYGNSS data is implemented via the random undersampling boosted (RUSBoost) algorithm. The CYGNSS data of the year 2018 over the Congo and Amazon basins are gridded into $0.01^{\circ }\, \times \, 0.01^{\circ }$ cells. The RUSBoost-based classifier is trained and tested with the CYGNSS data over the Congo basin. The data of the Amazon basin that is unknown to the classifier are then used for further evaluation. By only using the observables extracted from the CYGNSS data, the proposed technique is able to detect 95.4% and 93.3% of the water bodies over the Congo and Amazon basins, respectively. The performance of the RUSBoost-based classifier is also compared with an image processing-based inland water detection method. For the Congo and Amazon basins, the RUSBoost-based classifier has a 3.9% and 14.2% higher water detection accuracy, respectively.

Flash floods can cause massive damages because of their rapid evolution. To reduce or prevent harm caused by a flash flood, it is vital to have information about its formation and spread. Hence, providing real-time surveillance flood is essential. Considering Hurricane Harvey and Hurricane Irma as two case studies, six different data preparation approaches (DPAs) for flood detection based on the Cyclone Global Navigation Satellite System (CYGNSS) data and the Random Under-Sampling Boosted (RUSBoost) classification algorithm are investigated in this paper. Taking flood and land as two classes, flash flood detection is tackled as a binary classification problem. Eleven observables are extracted from the delay-Doppler maps (DDMs) for feature selection. These observables, alongside two features from an ancillary data, are considered in feature selection. All the combinations of these observables with and without ancillary data are fed into the classifier with 5-fold cross-validation one by one. Based on the test results, five observables with the ancillary data are selected as a suitable feature vector for flood detection here. Using the selected feature vector, six different DPAs are investigated and compared to find the best one for flash flood detection. Then, the performance of the proposed method is compared with that of a support vector machine (SVM) based classifier. For Hurricane Harvey and Hurricane Irma, the selected method is able to detect 89.00% and 85.00% of flooded points, respectively, with a resolution of 500m × 500m, and the detection accuracy for non-flooded land points is 97.20% and 71.00%, respectively.

This paper presents a comparison of existing algorithms to derive surface winds from synthetic aperture radar (SAR) satellites and investigates their use in drift forecasting for search and rescue purposes. Specifically, SAR-derived winds from RADARSAT-1 and ENVISAT advanced synthetic aperture radar (ASAR) data at 1.5 km resolution are compared with scatterometer-derived winds. Three approaches were used to retrieve the wind vector from the SAR data, including an optimal inversion method combining SAR data and background numerical weather prediction, the geophysical model function CMOD-IFR2 with an a priori wind direction, and a technique that uses the backscatter values corresponding to two neighboring subimages with slightly different incidence angles. Our comparisons of SAR wind mapping with scatterometer winds from QuikSCAT and ERS-2 produced a root mean square error (RMSE) of 1.5 m/s. The optimal inversion method seems very promising and appears to be the best choice for assimilation of SAR-derived w... Cet article présente une comparaison de trois algorithmes existants pour estimer les vents de surface à l'aide des satellites radar à synthèse d'ouverture (RSO) et leur utilisation pour la prévision de la dérive des objets marins lors des activités de recherche et sauvetage. Spécifiquement, les vents sont extraits de données RSO de RADARSAT-1 et ENVISAT ASAR, à une résolution de 1,5 km, et sont comparés aux vents issus de diffusiomètres. Trois approches ont été employées pour extraire le vecteur de vent des données de RSO, incluant une méthode optimale d'inversion combinant des données d'un modèle de prévision numérique du temps et les données RSO, le modèle géophysique CMOD-IFR2 en utilisant une information a priori sur la direction du vent, et finalement en utilisant les valeurs de rétrodiffusion correspondant à deux sous-images voisines aux angles légèrement différents d'incidence. Nos comparaisons de vent-RSO avec les vents des diffusiomètres QuikSCAT et d'ERS-2 indiquent une erreur moyenne de l'ordre...

This article investigates and compares polarimetric signatures of icebergs embedded in sea ice and icebergs in open water. The main objective is to study on the backscatter properties of melting iceberg and to check on whether there is any distinguishable property in them in the case of different background clutter conditions (i.e. sea ice and open water). This study results will improve the potential of iceberg detection using radar polarimetry. RADARSAT-2 images have been used for the analysis acquired over locations near the coastline (approximately 3–35 km) of the island of Newfoundland. For analysis, polarimetry parameters, such as co-(HH) and cross-(HV) polarization and several popular decomposition techniques, specifically Pauli, Freeman–Durden, Yamaguchi, Cloud–Pottier, and van Zyl, have been used to determine the polarimetric signatures of icebergs and sea ice. The statistical hypothesis T-test has been applied to achieve a precise comparison among backscatters from different icebergs groups. Statistical results tend to show a dominant surface scattering mechanism for icebergs in all types of clutter conditions. Moreover, icebergs in open water produce larger volume scatter than icebergs in sea ice, whereas icebergs in sea ice produce larger surface scatter than icebergs in open water.

Spaceborne synthetic aperture radar (SAR) is an important technology for ship detection applications. It can provide timely information on small boat locations, which is important for security and safety applications. This paper describes the advantages of using very-high-resolution TerraSAR-X data acquired in Staring Spotlight mode for detecting small boats. Coincident to the SAR image acquisitions, Electro-Optical satellite imagery was used, together with field photographs of boats. The results demonstrate the ability to distinguish SAR signatures of small wooden and fiberglass vessels with size of up to 4 m in length.