A carregar...
Publicação
Terrain classification using machine learning algorithms in a multi-temporal approach A QGIS plug-in implementation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 11.13 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Land cover and land use (LCLU) maps are essential for the successful administration
of a nation’s topography, however, conventional on-site data gathering methods are costly
and time-consuming. By contrast, remote sensing data can be used to generate up-to-date
maps regularly with the help of machine learning algorithms, in turn, allowing for the
assessment of a region’s dynamics throughout time.
The present dissertation will focus on the implementation of an automated land
use and land cover classifier based on remote sensing imagery provided by the mod ern sentinel-2 satellite constellation. The project, with Portugal at its focus, will expand
on previous approaches by utilizing temporal data as an input variable in order to harvest
the contextual information contained in the vegetation cycles.
The pursued solution investigated the implementation of a 9-class classifier plug-in
for an industry standard, open-source geographic information system. In the course of
the testing procedure, various processing techniques and machine learning algorithms
were evaluated in a multi-temporal approach. Resulting in a final overall accuracy of
65,9% across the targeted classes.
Mapas de uso e ocupação do solo são cruciais para o entendimento e administração da topografia de uma nação, no entanto, os métodos convencionais de aquisição local de dados são caros e demorados. Contrariamente, dados provenientes de métodos de senso riamento remoto podem ser utilizados para gerar regularmente mapas atualizados com a ajuda de algoritmos de aprendizagem automática. Permitindo, por sua vez, a avaliação da dinâmica de uma região ao longo do tempo. Utilizando como base imagens de sensoriamento remoto fornecidas pela recente cons telação de satélites Sentinel-2, a presente dissertação concentra-se na implementação de um classificador de mapas de uso e ocupação do solo automatizado. O projeto, com foco em Portugal, irá procurar expandir abordagens anteriores através do aproveitamento de informação contextual contida nos ciclos vegetativos pela utilização de dados temporais adicionais. A solução adotada investigou a produção e implementação de um classificador geral de 9 classes num plug-in de um sistema de informação geográfico de código aberto. Durante o processo de teste, diversas técnicas de processamento e múltiplos algoritmos de aprendizagem automática foram avaliados numa abordagem multi-temporal, culminando num resultado final de precisão geral de 65,9% nas classes avaliadas.
Mapas de uso e ocupação do solo são cruciais para o entendimento e administração da topografia de uma nação, no entanto, os métodos convencionais de aquisição local de dados são caros e demorados. Contrariamente, dados provenientes de métodos de senso riamento remoto podem ser utilizados para gerar regularmente mapas atualizados com a ajuda de algoritmos de aprendizagem automática. Permitindo, por sua vez, a avaliação da dinâmica de uma região ao longo do tempo. Utilizando como base imagens de sensoriamento remoto fornecidas pela recente cons telação de satélites Sentinel-2, a presente dissertação concentra-se na implementação de um classificador de mapas de uso e ocupação do solo automatizado. O projeto, com foco em Portugal, irá procurar expandir abordagens anteriores através do aproveitamento de informação contextual contida nos ciclos vegetativos pela utilização de dados temporais adicionais. A solução adotada investigou a produção e implementação de um classificador geral de 9 classes num plug-in de um sistema de informação geográfico de código aberto. Durante o processo de teste, diversas técnicas de processamento e múltiplos algoritmos de aprendizagem automática foram avaliados numa abordagem multi-temporal, culminando num resultado final de precisão geral de 65,9% nas classes avaliadas.
Descrição
Palavras-chave
Sentinel-2 Machine learning Land cover and land use