Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.
-
Upload
guido-casati -
Category
Engineering
-
view
169 -
download
2
Transcript of Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.
UNIVERSITA' DEGLI STUDI DI ROMA TOR VERGATATESI DI LAUREA IN INGEGNERIA DELLE TELECOMUNICAZIONI
PRODUZIONE DI MAPPE DI COPERTURA DEL SUOLOPRODUZIONE DI MAPPE DI COPERTURA DEL SUOLO DA DATI SAR AD ALTA RISOLUZIONE SPAZIALEDA DATI SAR AD ALTA RISOLUZIONE SPAZIALE
Laureando:Laureando:Guido CasatiGuido Casati
Relatore:Relatore:Prof. Fabio Del FrateProf. Fabio Del FrateCorrelatore:Correlatore:Chiara PratolaChiara Pratola
A.A. 2009/2010A.A. 2009/2010
COSMO-Skymed MissionCOSMO-Skymed Mission Missione dell'Agenzia Spaziale Italiana
Costellazione LEO di 4 satelliti equipaggiati con Syntethic Aperture Radar (SAR) operanti in banda X che offrono copertura globale della Terra.
Possibilità di osservazione dell'area di interesse più volte in un giorno e in tutte le condizioni atmosferiche (tempo min rivisitazione 140 min)
Rapidità di esecuzione delle richieste.
Modalità di acquisizioneModalità di acquisizione
Spotlight : risoluzione spaziale 1 m
Stripmap:
Himage: risoluzione spaziale 3 m
Ping-Pong: risoluzione spaziale 15 m
Scansar:
Wideregion: risoluzione spaziale 30 m
Hugeregion: risoluzione spaziale 100 m
Spotlight SAR
ObiettivoObiettivo Classificazione automatica del suolo sulla base dei pixel tramite elaborazione di rete neurale
29/7/2007 © Google Earth
Immagine ottica del sito di interesse:Zona Roma Tor VergataZona Roma Tor Vergata
Modalità acquisizione: SpotlightSpotlight Tipo di acquisizione: right ascendingright ascending Polarizzazione HHHH Angolo di elevazione: ~ 25° Dimensione immagini 4230x2500
pixel
vegetazionevegetazione
vegetazionevegetazione
edificiedifici
edificiedifici
asfaltoasfalto
asfaltoasfalto
Cosmo-Skymed 8 Giugno 2010
3 Classi di appartenenza: AsfaltoAsfalto, , EdificiEdifici, , VegetazioneVegetazione
Metodo: Rete NeuraleMetodo: Rete NeuraleReti neurali:
modelli di ispirazione neurobiologica per la soluzione di problemi che richiedono una complessa elaborazione.
Multilayer Perceptron (MLP):Multilayer Perceptron (MLP):
Feed Forward Network, il segnale percorre la rete in avanti attraverso 3 tipologie di strato:
Input Layer, introduce i parametri dei pixel
Hidden Layer, costituito da neuroni non lineari
Output Layer, produce il segnale in uscita (associazione pixel-classe) MSE
Epoche
Errore training setErrore validation set
Addestramento con supervisore:Addestramento con supervisore:
Ricerca della topologia di rete che rende minima la funzione di costo.
STOPSul minimo globale
Software utilizzatiSoftware utilizzati
Visualizzazione immagini, selezione set di pixel, statistica (min, max, mean, standard deviation).
Pre-Elaborazione immagini, produzione input/output rete neurale, fusione di immagini.
Simulatore rete neurale.
ENVI ENVI ((© ITT VIS)© ITT VIS)
IDL IDL ((© ITT VIS)© ITT VIS)
Stuttgart Neural Network Stuttgart Neural Network
Simulator Simulator (© University of (© University of
Stuttgart)Stuttgart)
Estrazione set di dati per l'addestramentoEstrazione set di dati per l'addestramento della rete.
Classificazione.Classificazione.
Acquisizioni Spotlight in data: 8 Giugno 20108 Giugno 2010 9 Luglio 20109 Luglio 2010
10 Luglio 201010 Luglio 2010
Acquisizioni e set di dati Acquisizioni e set di dati
Cosmo-Skymed 8 Giugno 2010 Cosmo-Skymed 9 Luglio 2010
Elaborazioni preliminari e Input della rete neuraleElaborazioni preliminari e Input della rete neurale
Scalamento (ScalingScaling) DN tra [ 0 ; 210 ]
Input: AmpiezzaAmpiezza
Deviazione Standard Locale Deviazione Standard Locale dell'ampiezza su finestra mobile 3x3
Media LocaleMedia Locale dell'ampiezza su finestra
mobile 3x3
Analisi statistica del set di dati.
Statistiche data set
Statistiche data set
Statistiche data set
Classificazioni ottenute (falsi colori)Classificazioni ottenute (falsi colori)
Accuratezza classificazione: 80,92%
EdificiEdifici VegetazioneVegetazione AsfaltoAsfalto8 Giugno 2010
9 Luglio 2010
29/7/2007 © Google Earth
3x9x9x33x9x9x3Input: AmpiezzaAmpiezza Deviazione standard localeDeviazione standard locale Media localeMedia locale
Output: Output: AsfaltoAsfalto EdificiEdifici VegetazioneVegetazione
COSMO-SkyMed 10 Luglio 2010
Classificazioni ottenute (falsi colori)Classificazioni ottenute (falsi colori)
8 Giugno 2010
9 Luglio 2010
29/7/2007 Google Earth
AsfaltoAsfalto EdificiEdifici VegetazioneVegetazione
3x11x11x2 3x11x11x2 Input: AmpiezzaAmpiezza Deviazione standard localeDeviazione standard locale Media localeMedia localeOutput: Output: EdificiEdifici Non-EdificiNon-Edifici
3x9x9x2 3x9x9x2 Input: AmpiezzaAmpiezza Deviazione standard localeDeviazione standard locale Media localeMedia localeOutput: Output: AsfaltoAsfalto VegetazioneVegetazioneAccuratezza: 77,92%Accuratezza: 77,92%
COSMO-SkyMed 10 Luglio 2010
ConclusioneConclusione I risultati mostrati, ottenute tramite classificazione di rete neurale sulla base dei pixel, I risultati mostrati, ottenute tramite classificazione di rete neurale sulla base dei pixel,
forniscono mappe di copertura del suolo a partire da immagini SAR Spotlight acquisite forniscono mappe di copertura del suolo a partire da immagini SAR Spotlight acquisite da COSMO-Skymed su una zona urbana periferica.da COSMO-Skymed su una zona urbana periferica.
Sono state considerate 3 caratteristiche delle immagini per il vettore di ingresso della rete.
Limitazioni: elementi del suolo classificati erroneamente a causa di caratteristiche dei pixel che si discostano nettamente dalla media statistica della propria classe di appartenenza:
Margini di miglioramento:
Ricerca di parametri di tessitura più sofisticati per migliorare l'accuratezza dei risultati.
Ricerca di metodi di classificazione alternativi.
Inclusione di informazione relativa a diverse modalità di acquisizione nel vettore di ingresso della rete.
Distinzione tra un numero maggiore di classi (alberi, terreno nudo, erba).
Colture agricole:
classificate come edifici
Vegetazione ad alto fusto:
classificata in parte come edifici