Geração automática dum mapa do coberto do solo português

Abstract

A aplicação de técnicas orientadas a objectos e de aprendizagem automática sobre imagens de satélite tem sido alvo de interesse nos últimos anos. O aumento da qualidade e quantidade de imagens, disponibilizadas por programas de observação da Terra como por exemplo o Programa Cope rnicus, levou à geração de uma grande quantidade de dados. De entre as várias aplicações destes dados destaca-se a criação de mapas do coberto do solo. Com a presente dissertação pretendia-se criar modelos de aprendizagem automática capazes de segmentar e classificar com precisão imagens de satélite, gerando automaticamente um mapa do coberto do território Português. Durante a dissertação foram realizadas várias experiências com as bandas espetrais do satélite Sentinel-2, com índices espetrais e com diversos conjuntos de classes do coberto. Foram testadas três arquiteturas nos modelos de aprendizagem automática treinados, que adotam duas técnicas diferentes para classificação das imagens. Numa das técnicas a classificação é orientada ao objeto, e neste caso a arquitetura adotada nos modelos foi uma rede neuronal artificial U-Net. Na outra técnica, a classificação é orientada ao pixel e os modelos de aprendizagem automática testados foram a floresta aleatória e a máquina de vetores de suporte. A acurácia global dos resultados obtidos variou entre 82.32% e 94.75%, dependendo fortemente do número de classes em que se classifica o coberto. O resultado de 94.75% foi obtido quando se classifica o coberto em apenas 5 dasses. Contudo conseguiu-se uma acurácia bem interessante de 92.37%, no modelo treinado para classificar 8 classes.

The application of object-oriented and machine learning techniques on satellite imagery has been the subject of interest in recent years. The increase in quality and quantity of images, made available by Earth observation programs, such as the Copernicus program, led to the generation of a large amounts of data. Among the various applications of these data is the creation of land cover maps. This dissertation aimed to create machine learning models capable of accurately segment and classify satellite images, automatically generating a land cover map of the Portuguese territory. During the dissertation several experiments were carried out with the spectral bands of the Sentinel-2 satellite, with vegetation indices, and with several sets of land cover classes. Three architectures were tested in the trained machine learning models, which adopt two different techniques for image classification. One of the classification techniques follows an object-oriented approach, and in this case the architecture adopted in our models was a U-Net artificial neural network. The other classification technique is pixel-oriented, and the machine learning models tested were random forest and support vector machine. The overall accuracy of the results obtained ranged from 82.32% to 94.75%, depending strongly on the number of classes into which the land cover was classified. The result of 94.75% was obtained when classifying the cover into only 5 classes. However, a very interesting accuracy of 92.37% was achieved by the model trained to classify 8 classes.