Deteção semi-automática de áreas verdes permanentes

Abstract

O Centro de Informação Geoespacial do Exército (CIGeoE) cartografa o território nacional através da interpretação manual de imagens aéreas ortorretificadas com posterior validação no terreno utilizando recursos humanos. Este processo revela-se demasiado moroso, o que pode afectar o desfasamento das cartas do exército, em relação à realidade observada. Deste problema nasce uma premissa interessante, a de acelerar este processo usando técnicas de detecção remota associadas a métodos de classificação de aprendizagem automática, mantendo todas as normas necessárias para garantir que as cartas topográficas possuem o mesmo grau de detalhe e rigor. Para o âmbito deste projecto escolheu-se a detecção semi-automática de vegetação permanente. A solução utilizada utiliza de dados de detecção remota conjuntamente com métodos de classificação automática da vegetação. Os 3 métodos de classificação utilizados são Random Forests, XGBoost e Support Vecto Machines. Foram utilizadas as metodologias temporal estática e de séries temporais com feature selection. Para um estudo inicial dentro de uma área limitada as metodologias utilizadas obtiveram resultados muito bons para 4 regiões diferentes de Portugal Continental e com vegetação distinta. No entanto esta metodologia de classificação aprensenta fraca aplicabilidade na cadeia de produção do CIGeoE. No entanto aquando a generalização revelaram-se alguns problemas nomeadamente com o desequilíbrio entre classes e com a heterogeneidade espectral de cada classe para uma região diferente. Concluiu-se que para este problema é necessário chegar a um compromisso entre desempenho e aplicabilidade na cadeira de produção.

The Army Center of Geo-spacial Information (CIGeoE) maps the Portuguese territory through the manual interpretation of aerial orthorectified imagery, which will be posteriorly validated in the field using human resources. This process is too time consuming and it takes a lot of resources to complete which seriously increases the time lag between the cartographic products and the current our last years. From this problem arises a interesting premise which is how can we accelerate this process and too which extent can it be done, using remote sensing techniques and classification based on machine learning classifiers, while meeting all the standards of rigorousness and detail. The scope of this thesis will focus on the semi-automatic detection and mapping of permanent vegetation. The final solution uses remote detected data with machine learning classification to achieve the desired results. The 3 classification methods used were Random Forests, XGBoost e Support Vecto Machines. These classifiers were evaluated with single image and timseries features. Inittialy for a limited area, the algorithm showed really good results for 4 different regions in Portugal with distinctive vegetation. On the other hand it suffers greatly from a harder implementation in the CIGeoE pipeline. Whentestsweremadetomeasurethegeneralizationofthealgorithm, someproblems were encountered, namely the highly number of samples of each class, and the spectral heterogeneity of each class for differente regions. Our conclusion is that a compromise needs to be made in order to maximize the performance/pipeline implementation relation