Využití metod hlubokého učení pro klasifikaci krajinného pokryvu z dat Sentinel-2

Bc. Jakub Fér

Master's thesis

Using deep learning methods and Sentinel-2 for land cover classification

Abstract:

V posledních letech dochází k výraznému a stále se zrychlujícímu rozvoji technologií umělé inteligence. Tento rozvoj se nevyhnul ani oblastem dálkového průzkumu Země (DPZ). V DPZ se neustále potýkáme s úkoly, které vyžadují klasifikaci krajinného pokryvu. Tato práce se zaměřuje na využití technologií hlubokého učení, porovnání různých dostupných způsobů klasifikace krajinného pokryvu a vytvoření vlastního modelu klasifikace pomocí hlubokého učení. V práci jsem pracoval s družicovými daty s vysokým rozlišením z družic Sentinel-2. Na tato data jsem následně aplikoval předučený model pro klasifikaci krajinného pokryvu dostupný v rámci Esri Living Atlas a také jsem na jejich základě vytvořil vlastní model. Následně jsem porovnal jejich výsledky a náročnost použití. Výchozími referenčními daty byl produkt Corine Land Cover (CLC), dostupný v rámci programu Evropské Unie Copernicus. Předučený model poskytuje klasifikaci vycházející z dat CLC, ovšem pouze na druhé úrovni dělení jednotlivých tříd. Poskytuje tedy v případě mnou zvoleného území 13 tříd. Svůj model jsem trénoval na datech CLC třetí úrovně, a tedy poskytl stejnou skladbu 26 tříd krajinného pokryvu, které jsou v zájmovém území zastoupeny. Předučený model nabízí uživatelsky přívětivé a jednoduché použití s konzistentními výsledky. Jeho nevýhodou je závislost na konkrétních datech a jejich struktuře, což může omezovat jeho využití ve specifických analýzách zaměřených na analýzu krajinného pokryvu. Tvorba vlastního modelu je oproti tomu náročná jak samotnými kroky tvorby trénovacích dat a volby správné architektury modelu, tak i časově. Výhodou však je, že uživatel není omezen vstupními daty a model si tvoří “na míru” své práci. Výsledkem závěrečné práce byly klasifikované rastry, u kterých jsem porovnával jejich přesnost. Pro toto porovnání, jsem provedl i klasifikaci algoritmem Support Vector Machine (SVM), který je výchozím algoritmem pixelové klasifikace v softwaru ArcGIS Pro. Celková přesnost předtrénovaného modelu byla 74 %. Přesnost mnou vytvořeného modelu byla 34 % pro 26 tříd a 46 % pro 12 tříd. Přesnost algoritmu SVM byla 21 % pro 26 tříd a 29 % pro 12 tříd.

Abstract:

Recent years have seen significant and accelerating advances in machine learning, deep learning and artificial intelligence technologies. This development has not avoided the field of remote sensing (RS). In remote sensing, we are constantly faced with tasks that require the classification of landscape cover. This focuses on the use of deep learning technologies, comparing different available methods for landscape cover classification and developing a custom classification model using deep learning. In this thesis I have worked with high resolution satellite data from Sentinel-2 satellites. I then applied a pre-trained model for landscape cover classification available within Esri Living Atlas to this data and also created my own model based on the data. I then compared their results and the difficulty of application. The initial reference data was the Corine Land Cover (CLC) product, available under the European Union's Copernicus programme. The pre-trained model provides a classification based on CLC data, but only at the second level of class subdivision. Thus, it provides 13 classes in the case of my chosen area. I have trained my model on the third level CLC data, and thus it provides the same composition of the 26 landscape cover classes that are represented in the area of interest. The pre-trained model offers a user-friendly and simple to use model with consistent results. Its drawback is its dependence on specific data and their structure, which may limit its use in specific analyses focused on landscape cover analysis. On the other hand, creating a custom model is both time consuming and demanding in terms of the actual steps of creating training data and choosing the right model architecture. The advantage, however, is that the user is not limited by the input data and can create a model "tailored" to their work. The final work resulted in classified rasters, for which I compared their accuracy. For this comparison, I also performed classification with the Support Vector Machine (SVM) algorithm, which is the default pixel classification algorithm in ArcGIS Pro software. The overall accuracy of the pre-trained model was 74 %. The accuracy of the model I created was 34 % for 26 classes and 46 % for 12 classes. The accuracy of the SVM algorithm was 21 % for 26 classes and 29 % for 12 classes.

Keywords

Předtrénované modely, ArcGIS Pro, Volně dostupná data, Družicová data, Multispektrální snímky

Keywords

Pre-trained models, ArcGIS Pro, Open data, Satellite data, Multispectral imagery

Language used: Czech

Date on which the thesis was submitted / produced: 30. 3. 2024

Thesis defence

• Date of defence: 20. 5. 2024
• Supervisor: Ing. Tomáš Klouček, Ph.D.
• Reader: Jiří Prošek, Ing.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Master programme:
Spatial Sciences in the Environment