A carregar...
Publicação
Remote Sensing for Land Use / Land Cover Mapping in Almada
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 12.16 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Monitoring land use and land cover is an extremely important task which, if properly
carried out, can assist in decision making about urban and territorial planning, thus pro-
viding an improvement in the citizens’ quality of life. In Portugal, and more specifically
in the Almada municipality , the main tool used in this task is Carta de Ocupação de Solo
(COS), a map which represents 83 classes of land use and land cover. Despite its useful-
ness, COS has certain limitations, such as low spatial resolution, due to the minimum
mapping unit of 1 hectare, and low temporal resolution, as it is developed through the
analysis of orthophotos and released every 3 to 5 years. These constraints lead to a map
which is not adequate to continuously track land-use and land-cover changes, especially
with the increasingly fast pace of urbanization.
This research work investigated the application of machine learning classification
algorithms with Sentinel-1 and Sentinel-2 imagery, and derived products, to LULC map-
ping in Almada. As such, maps were developed for 2018 using the two most common
approaches to LULC classification: pixel-based (PBIA) and object-based (OBIA). Multiple
combinations of satellite data and derived products, as well as two classifiers were tested
for each approach. A comparison of two methods of collecting ground truth data, manual
and semi-automatic, was also produced.
The best results were obtained in the PBIA approach, using the manually collected
ground truth and the Extreme Gradient Boosting (XGBoost) classifier with the combina-
tion of Sentinel-1 and Sentinel-2 imagery and textural features obtained through Sentinel-
2 data. The classification model obtained a kappa score of 0.994, and produced an ac-
curate LULC map, which has some limitations in separating Agriculture and Other
Vegetation, but is able to identify with great precision Artificial Territories, Forests and
Bare and sparsely vegetated areas.
A monitorização da utilização e ocupação do solo (LULC) é uma tarefa de extrema im- portância que, sendo adequadamente realizada, pode auxiliar na tomada de decisões de ordenamento do território, providenciando assim uma melhoria na qualidade de vida dos cidadãos. Em Portugal, e mais especificamente no concelho de Almada, a principal ferramenta utilizada nesta tarefa é a Carta de Uso e Ocupação do Solo (COS), um mapa que divide o solo em 83 classes. Embora notavelmente útil, a COS possui determinadas limitações, entre as quais baixa resolução espacial, devido á unidade mínima cartográfica de 1 hectare, e baixa resolução espacial, sendo desenvolvida através da análise de ortofo- tos e disponibilizada a cada 3 a 5 anos. Estas limitações levam a que este mapa não seja adequado para a monitorização contínua de alterações ao nível da utilização e ocupação do solo, especialmente com o ritmo cada vez mais acelerado do crescimento urbano. Este trabalho de investigação estudou a aplicação de algoritmos de classificação de machine learning com imagens de Sentinel-1 e Sentinel-2 e produtos derivados, para a cartografia de uso e ocupação de solo em Almada. Assim, foram desenvolvidos mapas para o ano 2018 explorando duas metodologias frequentemente utilizadas em problemas de classificação de uso e ocupação do solo: baseada em píxeis (PBIA) e baseada em objetos (OBIA). Para cada abordagem foram testadas várias combinações de imagens de satélite e produtos derivados, assim como dois classificadores automáticos. Foi também produzida uma comparação entre dois tipos de ground truth: obtida manualmente, e de uma forma semi-automática. Os melhores resultados foram obtidos na abordagem baseada em pixeis, utilizando a ground truth manual e o classificador Extreme Gradient Boosting (XGBoost) com a combinação de imagens de Sentinel-1, Sentinel-2 e atributos de textura calculados através de imagens de Sentinel-2. Este modelo de classificação obteve um coeficiente kappa de 0.994 e produziu um mapa de uso e ocupação do solo com boa precisão e que, embora tenha algumas limitações ao nível de separação das classes 2. Agricultura e 3. Outra vegetação, identifica com exatidão as classes Territórios Artificializados, Florestas e Espaços descobertos ou com pouca vegetação.
A monitorização da utilização e ocupação do solo (LULC) é uma tarefa de extrema im- portância que, sendo adequadamente realizada, pode auxiliar na tomada de decisões de ordenamento do território, providenciando assim uma melhoria na qualidade de vida dos cidadãos. Em Portugal, e mais especificamente no concelho de Almada, a principal ferramenta utilizada nesta tarefa é a Carta de Uso e Ocupação do Solo (COS), um mapa que divide o solo em 83 classes. Embora notavelmente útil, a COS possui determinadas limitações, entre as quais baixa resolução espacial, devido á unidade mínima cartográfica de 1 hectare, e baixa resolução espacial, sendo desenvolvida através da análise de ortofo- tos e disponibilizada a cada 3 a 5 anos. Estas limitações levam a que este mapa não seja adequado para a monitorização contínua de alterações ao nível da utilização e ocupação do solo, especialmente com o ritmo cada vez mais acelerado do crescimento urbano. Este trabalho de investigação estudou a aplicação de algoritmos de classificação de machine learning com imagens de Sentinel-1 e Sentinel-2 e produtos derivados, para a cartografia de uso e ocupação de solo em Almada. Assim, foram desenvolvidos mapas para o ano 2018 explorando duas metodologias frequentemente utilizadas em problemas de classificação de uso e ocupação do solo: baseada em píxeis (PBIA) e baseada em objetos (OBIA). Para cada abordagem foram testadas várias combinações de imagens de satélite e produtos derivados, assim como dois classificadores automáticos. Foi também produzida uma comparação entre dois tipos de ground truth: obtida manualmente, e de uma forma semi-automática. Os melhores resultados foram obtidos na abordagem baseada em pixeis, utilizando a ground truth manual e o classificador Extreme Gradient Boosting (XGBoost) com a combinação de imagens de Sentinel-1, Sentinel-2 e atributos de textura calculados através de imagens de Sentinel-2. Este modelo de classificação obteve um coeficiente kappa de 0.994 e produziu um mapa de uso e ocupação do solo com boa precisão e que, embora tenha algumas limitações ao nível de separação das classes 2. Agricultura e 3. Outra vegetação, identifica com exatidão as classes Territórios Artificializados, Florestas e Espaços descobertos ou com pouca vegetação.
Descrição
Palavras-chave
Remote sensing Sentinel-1 Sentinel-2 Machine Learning LULC Mapping Object-based LULC Classification