Floods are the most frequent disaster in the world and flood exposure is increasing globally. Flood mapping of past events can be a useful aid in not only disaster risk management, but also in evaluating and validating global flood models (GFMs) which are being used to assess and predict these floods. There are however numerous ways of mapping floods, and it is uncertain how well these perform as validation data. In this paper, a change detection approach based on a combination of synthetic aperture radar (SAR) and cloud-computing to map past flood events is evaluated (hereinafter CD- SAR). Eight flood events were chosen over a wide range of hydroclimatic conditions, regions, and flood types. These eight events were mapped with CD-SAR and compared to four GFM outputs and two flood maps of past events from two commonly used databases. The spatial agreement between CD-SAR and the GFMs showed a considerable variation between regions and models. The agreement was however shown to share a similar interval to previous validation studies, albeit in the lower portion. CD-SAR also showed similar performance to the comparison between the GFMs and the outputs from the databases of mapped past flood events. The results were also analysed for how the flood extent and flood-edge distribution of CD-SAR compare to both the GFMs and the database outputs. The results showed a similar variation in distribution as the spatial agreement but did not follow the same trend for all regions. The flexibility and high resolution of CD-SAR allow it to cover events over a wider range of regions and of any size and it can be a viable tool to map past flood events and could be used to evaluate GFMs. However, CD-SAR needs further evaluation as uncertainties still exist due to the inherent characteristics of SAR and the revisit times of the satellites using SAR. / Översvämningsrelaterade katastrofer är de mest förekommande i världen och exponeringen för översvämningar ökar globalt. Kartläggningar av tidigare översvämningshändelser kan vara ett användbart verktyg för katastrofriskhantering samt för att utvärdera och validera globala översvämningsmodeller som används för att uppskatta och förutse översvämningar. Det finns ett flertal sätt att kartlägga översvämningar men det är osäkert hur bra de fungerar som valideringsdata. Denna studie utvärderar en metod för att kartlägga översvämningar genom förändringsdetektering i syntetiska aperturradarbilder (SAR) med hjälp av molntjänster (härefter CD-SAR). Åtta översvämningshändelser valdes över en rad hydroklimatiska förhållanden, regioner och översvämningstyper. De här översvämningshändelserna kartlades med hjälp av CD-SAR och jämfördes med fyra globala översvämningsmodeller och två översvämningskartor från två väl använda databaser. CD-SAR och de fyra globala översvämningsmodellerna visade betydliga skillnader i överenstämmelse mellan både regioner och modeller. Överenstämmelsen var dock inom samma intervall som påvisats i tidigare studier om än något lägre. CD-SAR visade sig också ha en liknande överensstämmelse som jämförelsen mellan modellerna och databaserna. En analys av CD- SAR jämfört med modellerna och databaserna genomfördes över utbredningen av översvämningarna och dess fördelningar. Resultaten visade en liknande variation som överenstämmelsen men följde inte samma trender för alla regioner. CD-SAR:s flexibilitet och dess höga upplösning gör att den kan omfatta ett stort antal översvämningshändelser över en rad olika regioner. Det gör det möjligt för CD- SAR att genomföra översvämningskartläggningar och för att utvärdera globala översvämningsmodeller. CD-SAR behöver dock utvärderas ytterligare då metoden fortfarande innehar vissa osäkerheter. Osäkerheterna är till mestadels på grund av de inneboende egenskaperna hos SAR samt täckningen för satelliterna som använder SAR.

Throughout the years of space exploration, the usage of Earth observation satellites has increased tremendously. The usage today extends beyond optical sensors, encompassing radars, infrared, and laser sensors. For this thesis, the usage of optical, synthetic aperture radar, and LiDAR sensors were looked at to see if the fusion of these different sensors could enhance the overall image quality. A crucial aspect of satellite image fusion, regardless of sensor type, is preprocessing to ensure the individual images can be seamlessly merged. Ultimately these preprocessing steps are individual to both the sensors and even different satellites. The topic of remote sensing and satellite image fusion is extensive and complex. Therefore, this thesis aims to explore various fusion techniques, data sources, and algorithms to contribute to a deeper understanding of the advantages but mostly challenges associated with multisensor satellite image fusion. A web scraper was developed to collect data from the European Space Agency’s Third Party Mission website, a central repository for satellite missions and Earth images. The scraper made it possible to select different satellites and find the image areas which they had in common. A way to process this data is then presented on how to process the images and finally fuse them. The three fusion algorithms that were used were a simple weighted average, intensity hue saturation, and the pansharpening method. The pansharpening increased both the spatial and spectral resolution whereas the fusion of the optical and synthetic aperture radar gave some mixed results. There are a lot of things that could be explored in the future, such as utilizing more complex fusion algorithms or using additional satellite sensors. However, the web scraper and the processing flowchart stand as notable achievements of this thesis, simplifying the entire process of multisensor satellite image fusion. / Genom åren har användningen av jordobservationsatelliter ökat avsevärt inom rymdforskning. Användningen sträcker sig idag bortom optiska sensorer och inkluderar även radar-, infraröd- och lasersensorer. I detta examensarbete undersöks användningen av optiska, syntetisk aperturradar- och LiDARsensorer för att se om fusionen av dessa olika sensorer kan förbättra helhetsbilden av ett område. En avgörande aspekt av satellitbildsfusion, oavsett sensortyp, är förbehandling för att säkerställa att de individuella bilderna kan smidigt integreras. Slutligen är dessa förbehandlingsteg specifika för både sensorerna och olika satelliter. Ämnet fjärranalys och fusion av satellitbilder är omfattande och komplext. Därför syftar detta examensarbete till att utforska olika fusionsmetoder, datakällor och algoritmer för att bidra till en djupare förståelse för fördelarna och utmaningarna med multisensor fusion av satellitbilder. Ett av huvudproblemen under examensarbetet var datainsamling och databehandling. För att överkomma detta utvecklades en webbskrapare för att samla in data från European Space Agencys Third Party Mission hemsida, en central databas för satellituppdrag och bilder av jorden. Skrapan möjliggjorde valet av olika satelliter och identifieringen av gemensamma bildområden. En metod för databehandling presenteras sedan för att bearbeta bilderna och slutligen förena dem. De tre fusionsalgoritmerna som användes var en enkel viktad medelvärdesmetod, intensitetssättning och pansharpening. Pansharpening ökade både den spatiala och spektrala upplösningen, medan fusionen av optiska och syntetisk aperturradar gav blandade resultat. Det finns många områden som kan utforskas i framtiden, såsom användning av mer komplexa fusionsalgoritmer eller ytterligare satellitsensorer. Sammanfattande kan webbskrapan och behandlingsflödet ses som betydande framsteg i detta examensarbete och förhoppningsvis förenkla hela processen med multisensor fusion av satellitbilder.