Desenvolvimento de metodologias para classificação automática de imagens de satélite a partir de dados de treino gerados sem intervenção de operador

Abstract

Over the last few decades due to the growing development of communities and the recurring incidence of natural disasters combined with climate change, the characteristics of the earth's surface has transformed at a rapid pace. By realizing this reality, researchers are encouraging the search for new methodologies for the production of land use and occupation maps, with the aim of entering the race by frequently updating products and emancipating more traditional methods of creating maps which depend on long production times and high costs. In a way, land use and occupation maps constitute vital information in different domains, and automatic methodologies for their creation, such as the study introduced by Fonte, et al. (2020), which bases essential methods as starting points in the field of producing land use maps quickly and with thematic accuracy. The framework described above led to the development of this research, in order to establish programmed methodologies for generating training data extracted from the information made available by voluntary geographic information communities, with a view to the methods presented by the mentioned work, with the aim of perfecting practical components for filtering training data and the subsequent automatic classification of satellite images. In this context, automatic strategies are proposed for creating training data from OpenStreetMap information (i.e. without direct user intervention), by identifying new filtering rules aided by the calculation of radiometric indices, for the combined classification of various sources of satellite images and elevation data. The proposed ideas for optimizing the methodology include redefining the rules for filtering the training data by inserting new radiometric indices. This methodology also involves identifying objects with particular characteristics of a single soil class using segmentation techniques compared with reference maps to select samples of unique information for the given classes, taking into account the variation in the values of the radiometric indices in the objects. The different sets of filtered training data and the combination of satellite images (sentinel-2 and landsat-8) and altimetric data (MDE) were compared and the results of the classifications obtained were analysed and validated using two strategies, aided by CLC + Backbone reference maps and a sample of random points.Of the various methodologies discussed, these were tested for the study area defined as Terceira Island in the Azores. The classification and generation of land cover maps produced using the Random Forest algorithm, showed promising results. In a first phase of analysing the results, it was realized that the combination of satellite images and altimetric information increased the overall accuracy of the maps, compared to using satellite data alone. In a subsequent analysis phase, the results showed that data filtering processes improved classification accuracy, with overall accuracies of over 80 per cent for the training data produced using the filtering rules introduced in the study by Fonte, et al. (2020) (F1). In addition the methodology introduced and the development of new filtering rules revealed a gradual sequence improvement from the training data with the introduction of new filtering rules for the radiometric indices utilised in the reference article (F2) to the new filtering rules with the introduction of other radiometric indices (F3) in the training stage of the classifier with accuracy percentages of over 90%.

Ao longo das últimas décadas, devido ao crescente desenvolvimento das comunidades e à recorrente incidência de catástrofes naturais, aliada das alterações climáticas, têm-se observado transformações nas características da superfície terrestre a olhos vistos. Ao tomar consciência desta realidade, os investigadores incentivam a procura de novas metodologias para a produção de mapas de uso e ocupação do solo, com o objetivo de entrar na corrida através da frequente atualização dos produtos, emancipando métodos de criação de mapas mais tradicional, dependendo de longos períodos de produção e despesas avultadas. De certo modo, os mapas de uso e ocupação do solo constituem informação vital em diferentes domínios, e metodologias automáticas para a sua criação, como é caso de exemplo o estudo introduzido por Fonte, et al. (2020), que fundamenta métodos essenciais como pontos de partida no domínio da produção de mapas de ocupação do solo de forma rápida e de exatidão temática. O quadro acima descrito levou ao desenvolvimento da presente investigação, de modo a estabelecer metodologias programadas para gerar de dados de treino extraídos da informação disponibilizada por comunidades de informação geográfica voluntária, tendo em vista os métodos apresentados pelo trabalho mencionado, com o intuito de aperfeiçoar componentes práticos para a filtragem de dados de treino e posterior classificação automática de imagens de satélite. Neste contexto, são propostas estratégias automáticas para criar dados de treino a partir da informação OpenStreetMap (i.e. sem a intervenção direta do utilizar), através da identificação de novas regras de filtragem, auxiliadas pelo cálculo de índices radiométricos, para a classificação combinada de várias fontes de imagens de satélite e dados de elevação. Para as ideias propostas, que dizem respeito à otimização da metodologia, considerou-se a redefinição de regras para filtrar os dados de treino, por meio da inserção de novos índices radiométricos. Esta metodologia envolve, também, a identificação de objetos com características particulares de uma única classe do solo a partir de técnicas de segmentação comparadas com um mapa de referência para seleção de amostras de informações únicas para as determinadas classes, considerando a variação dos valores dos índices radiométricos nos objetos. Entre os diferentes conjuntos de dados de treino filtrados, e a combinação de imagens de satélite (sentinel-2 e landsat-8) e dados altimétricos (MDE), fez-se uma comparação e análise de resultados das classificações obtidas, validados por intermédio de duas estratégias, auxiliadas pelo mapa de referência CLC + Backbone e uma amostra de pontos aleatórios.Das várias metodologias abordadas, estas foram testadas para a área de estudo definida como a ilha Terceira do arquipélago dos Açores. A classificação e geração de mapas de ocupação do solo, produzidos através do algoritmo Random Forest, revelaram resultados promissores. Numa primeira fase de análise de resultados, percebeu-se que a combinação de imagens de satélite e informação altimétrica aumentava a exatidão global dos mapas, em comparação com a utilização singular de dados de um satélite. Numa fase de análise seguinte, os resultados mostraram que os processos de filtragem dos dados melhoravam as exatidões das classificações com exatidões globais superiores a 80% para os dados de treino produzidos através das regras de filtragem introduzidas no estudo de Fonte, et al. (2020) (F1). Ademais, a metodologia introduzida e o desenvolvimento de novas regras de filtragem revelaram uma melhoria de sequência gradual dos dados de treino com a introdução de novas regras de filtragem para os índices radiométricos utilizados no artigo de referência (F2) para as novas regras de filtragem com a introdução de outros índices radiométricos (F3) na etapa de treino do classificador, com percentagens de exatidão superiores a 90%.