Floods are one of the most frequent natural disasters worldwide. Althoughthe vulnerability varies from region to region, all countries are susceptible toflooding. Mozambique was hit by several tropical cyclones (TCs) in the lastfew decades, and in 2019, after TCs Idai and Kenneth, the country becamethe first one in southern Africa to be hit by two cyclones in the same rainyseason. In 2023, Mozambique was slammed twice by the same cyclone (TCFreddy) which was also recorded as the longest one. Aiming to provide thelocal authorities with tools to yield better responses before and after any disasterevent, and to mitigate the impact and support in decision making forsustainable development, it is fundamental to continue investigating reliablemethods for disaster management. In this thesis, two approaches for floodmapping (FM) are proposed. The first is a fully automated method for FM innear real-time utilizing multi-temporal Sentinel-1 Synthetic Aperture Radar(SAR) data acquired in the Beira municipality and the Macomia district.The second approach relies on supervised and unsupervised machine learning(ML) methods as we investigate a dataset provided by DrivenData Labsbased on Sentinel-1 (S1) imagery (VH, VV imagery and labels from 13 countriesworldwide). By exploiting the processing capability of the Google EarthEngine (GEE) platform, both approaches are presented as an alternative todeep learning (DL) methods due to cost effectiveness and low computationalpower requirement. The first approach is implemented by finding the differencesof images acquired before and after the flooding and then use Otsu’sthresholding method to automatically extract the flooded area from the differenceimage, while the second one is based on ML methods such as SVMand K-Means. To validate and compute the accuracy of the proposed techniques,we compare our results with the Copernicus Emergency ManagementService (Copernicus EMS) data available in the study areas. Furthermore, weinvestigated the use of a Sentinel-2 (S2) multi-spectral instrument (MSI) toproduce a land cover (LC) map of the study area and estimate the percentageof flooded areas in each LC class. The results show that the combinationof S1 and S2 data is reliable for near real-time flood mapping and damageassessment. We automatically mapped flooded areas with an overall accuracyof about 87–88% and kappa of 0.73–0.75 for the first approach. The secondapproach produced satisfactory results, and showed to be better than usingVV imagery; in Cambodia and Bolivia with VH polarization yielded IoUs valuesranging from 0.819 to 0.856. The predictions in Beira using VH imageryyielded IoU of 0.568, which is a reasonable outcome. The LC classification isvalidated by randomly collecting over 600 points for each LC, and the overallaccuracy is 90–95% with a kappa of 0.80–0.94. With these results we wereable to detect areas that are prone to flooding and where floods recede fasterfor improving the planning; we were also able to determine the percentageof flooded LC such as Agriculture, Mangrove and Built as their destructionnegatively impacts on food security and socio-economic development plans.

Översvämningar är en av de vanligaste naturkatastroferna i världen. Även omsårbarheten varierar från region till region är alla länder mottagliga för översvämningar.Moçambique drabbades av flera tropiska cykloner (TC) underde senaste decennierna, och 2019, efter cyklonerna Idai och Kenneth, blevlandet det första i södra Afrika som drabbades av två cykloner under sammaregnperiod. 2023 slog samma cyklon (TC Freddy) ner över Moçambiquetvå gånger, som också registrerades som den tidsmässig längsta. I syfte attförse de lokala myndigheterna med verktyg för att ge dem bättre möjligheteratt planera och genomföra hjälpinsatser före och efter varje katastrofhändelse,och för att mildra påverkan och ge stöd i beslutsfattande för hållbarutveckling, är det viktigt att fortsätta att utveckla tillförlitliga metoder förkatastrofhantering. I denna avhandling föreslås två metoder att genomföraöversvämningskartering (FM). Den första metoden är en helt automatiseradmetod för FM i nästan realtid som använder multi-temporala Sentinel-1 SyntheticAperture Radar (SAR)-data från European Space Agency (ESA) överBeira kommun och Macomia-distriktet. Den andra metoden bygger på övervakadoch oövervakad maskininlärning (ML) där vi undersöker en datamängdsom tillhandahålls av DrivenData Labs som är baserat på Sentinel-1 bilder(S1) (VH, VV-bilder och signaturer (små områden i bilder som markeratssom översvämmade/icke-översvämmade från 13 länder över hela världen)).Genom att använda Google Earth Engine (GEE)-plattformen framstår bådadessa metoder som alternativ till Deep Learning-metoder – de är kostnadseffektivaoch har låga krav på datorkraft. Den förstnämnda metoden implementerasgenom att hitta skillnaderna mellan bilder som tagits före och efteröversvämningen och sedan använda Otsus tröskelmetod för att automatisktextrahera det översvämmade området från skillnadsbilden; den andra baseraspå machine learning metoder som SVM och K-Means . För att valideraoch beräkna noggrannheten hos de föreslagna metoderna jämför vi våra resultatmed Copernicus Emergency Management Service (Copernicus EMS) datasom finns tillgängliga i studieområdena. Dessutom undersökte vi användningenav data från Sentinel-2’s (S2) multispektrala instrument (MSI) för attproducera en marktäckeskarta (LC) över studieområdet och kunna uppskattaandelen översvämmade områden i varje marktäckesklass. Resultaten visaratt kombinationen av S1- och S2-data är tillförlitlig för översvämningskarteringoch skadebedömning i nästan realtid. Vår automatiska kartläggning avöversvämmade områden resulterade i en total noggrannhet på cirka 87–88 %och ett kappavärde på 0,73–0,75 för den första metoden. Den andra metodengav tillfredsställande resultat och visade sig vara bättre än att använda VVbilder;i Kambodja och Bolivia med VH-polarisering erhöll vi IoUs-värdenfrån 0,819 till 0,856. Förutsägelserna i Beira med VH-bilder gav ett IoU på0,568, vilket är ett rimligt resultat. Marktäckesklassificeringen valideras genomatt slumpmässigt sampla över 600 poäng för varje marktäckesklass; dentotala noggrannheten blev 90–95 % med ett kappavärde på 0,80–0,94. Meddessa resultat kunde vi upptäcka områden som är utsatta för översvämningoch där översvämningar avtar snabbare för att förbättra markanvändningsplaneringen.Vi kunde också bestämma procentandelen översvämmade marktäckesklasser som jordbruk, Mangrove och byggt miljö, eftersom deras förstörelsenegativt påverkar livsmedelssäkerheten och socioekonomiska utvecklingsplaner.