Título
Land cover automatic classification using deep learning techniques applied to satellite imagery
Autor
Santos, Sérgio Filipe Paiva da Silva Gonçalves dos
Resumo
pt
Nesta em que vivemos de crescimento populacional e rápida urbanização, o desenvolvimento
urbano eficaz e sustentável é um fator muito importante. Neste contexto, a aprendizagem
automática pode desempenhar um papel fundamental na realização destas tarefas; A utilização deste tipo de algoritmos possibilita por exemplo o tratamento de vários tipos de imagens rapidamente. Esta tese centra-se no desenvolvimento e uso de Redes Convolucionais Neuronais para lidar com imagens multiespectrais.
O principal objetivo da tese é avaliar a taxa de acertos e a complexidade computacional
de uma abordagem de classificação da cobertura do solo baseada em redes neuronais convolucionais.
Além disto, tentar avaliar se os resultados alcançados são melhores ou piores
do que as atuais soluções da DGT. Neste sentido, primeiro foi necessário compreender
os dados fornecidos e todas as suas características inerentes. Esses dados foram então
pré-processados, e a arquitetura definida.
Os resultados mostram que as CNNs apresentam uma alternativa promissora no
âmbito da classificação da cobertura do solo. Apesar da promessa que oferece, esta dissertação também destaca as dificuldades enfrentadas e como o trabalho pode ser melhorado,
especificamente no que diz respeito à falta de dados etiquetados. A existência destas
dificuldades oferece oportunidades para um desenvolvimento futuro deste trabalho.
Em resumo, acerca desta dissertação é possível dizer que que a viabilidade da utilização de CNNs para classificação da cobertura do solo foi provada, contudo, como seria
de esperar, existe ainda margem para melhorias. Estas melhorias podem recair especialmente
por exemplo no contexto do pré-processamento dos dados.
en
In this era of population growth and rapid urbanization, effective and sustainable urban
development is a very important factor. In this context, Machine Learning (ML) can
play a leading role in helping with these tasks; it makes possible the treatment of remote
sensing images in a shorter time frame. This thesis focuses on the development and use
of Convolutional Neuronal Network (CNN)s to handle multispectral images.
The principal goal is to evaluate the performance metrics and computational complexity
of a CNN-based land cover classification approach. And to try and assess if the
results achieved are better or worse than the architectures currently implemented by the
Direção Geral do Território (DGT). In this order, it was first necessary to understand the
provided data and all its inherent characteristics. This data was then preprocessed, and
the architecture was defined.
The results show that CNNs present a promising alternative in this context to the
implemented methods for land cover classification. Despite the promise it provides, it also
highlights the difficulties faced and how the work can be improved, specifically concerning
the lack of labeled data. The existence of these difficulties presents opportunities for
further development of this work.
As an overview of this dissertation, it is possible to say that the investigation into the
feasibility of using CNNs for land cover classification provided positive results. There is,
however, as would be expected, room for improvement, especially in what concerns the
pre-processing of data.