Land cover classification from multispectral data using convolutional autoencoder networks

Abstract

Syväoppiminen saanut paljon huomiota 2000-luvun puolivälistä alkaen, ja tänä päivänä sen sovelluksia on lähes kaikkialla. Samalla aikavälillä avoimen satelliittikuvadatan määrä on kasvanut, erityisesti Sentinel-2 satelliittien laukaisujen jälkeen. Tätä dataa voidaan hyödyntää useissa kaukokartoitussovellutuksissa, mutta tämän datamäärän analysointi ja käsittely on ihmisille käytännössä mahdotonta. Tässä tutkielmassa testattiin erään tunnetun neuroverkkoarkkitehtuurin, U-Netin, suorituskykyä Rakkolanjoen valuma-alueen maanpeiteluokittelussa monispektrisatelliittikuvista eri luokittelutarkkuuksille. Eri lähtodatoilla saatuja luokittelutarkkuuksia vertailtiin keskenään, ja parhaat luokittelutulokset saatiin hyödyntämällä sekä kaikkea Sentinel-2 dataa että erikseen laskettuja spektri-indeksejä. Huolimatta lähes olemattomasta verkkojen hienosäädöstä ja lyhyestä koulutusajasta saadut luokittelutulokset ovat varsin lupaavia helpoimman luokittelutason (CORINE land cover taso 1) tarkkuuden ollessa yli 90% ja haastavimmallakin yli 75%. Tuotettuja maanpeitekarttoja vertailtiin myös visuaalisesti sekä lähtötietoihin että satelliittikuviin. Johtopäätöksenä voidaan todeta, että U-Net on käyttökelpoinen malli Suomen Ympäristökeskuksen tarpeisiin, ja kehitettyä mallia tullaan jatkokehittämään edelleen.

Since the mid 2000's, deep learning has received much attention and today its applications are almost everywhere. Around the same timespan the amount of freely available satellite data has grown, especially after Sentinel-2 missions started. This data has a lot of remote sensing applications, but the amount of produced data is practically impossible for humans to analyze or process. This thesis tested the viability of U-Net, a well-known neural network architecture, in land cover classification from multispectral satellite images to different classification levels in the Rakkolanjoki river drainage basin area. Classification results from only visible light bandwidths, all Sentinel-2 bands, precomputed spectral indices and all available features were compared, and best results were achieved with all available features. Even with next to none fine-tuning and short training time, implemented version of U-Net managed to accurately classify over 90% of the pixels for the easiest classification level (CORINE land cover level 1), and around 75% for the hardest level. Produced segmentation maps were also visually observed and compared to both ground truth labels and RGB-composites of the satellite image. As as conclusion, U-Net is a viable baseline for the needs of Finnish Environment Institute, and will later be developed further.