Landdekkeklassifisering fra hyperspektrale bilder
Abstract
Denne oppgaven undersøker mulighetene og utfordringene ved å benytte høyoppløselige hyperspektrale bilder og data for landdekke- og arealklassifisering. Hyperspektrale sensorer kan gi svært detaljert informasjon om jordoverflaten gjennom mange smale spektrale bånd. Dette åpner for nye anvendelser innen kartlegging og overvåking av ulike arealtyper og materialer. Oppgaven vår ser nærmere på bruk av hyperspektrale data for generell klassifisering av arealtyper. Ulike maskinlæringsmetoder som Support Vector Machine og Random Forest benyttes for å trene klassifiseringsmodeller i Catalyst, basert på treningsdata. Resultatene viser at det er mulig å oppnå akseptable klassifiseringsnøyaktigheter for disse arealtypene. Videre belyses utfordringer knyttet til hyperspektrale data, som stor datamengde, dimensjonalitetsreduksjon, datasettbalansering og effekter av skygger. Manuelle analyser av slike data er svært krevende, og oppgaven ser derfor på bruk av tilgjengelig programvare og verktøy for effektiv prosessering og visualisering. Landdekkeklassifisering basert på hyperspektrale bilder og informasjon har tidligere, i stor grad, vært begrenset til data fra satellitter. Oppgaven undersøker muligheten for å utnytte høyoppløselige hyperspektrale data fra fly for mer detaljert kartlegging av arealet. This thesis explores the potential and challenges associated with the use of high-resolution hyperspectral images and data for land cover and area classification. Hyperspectral sensors can provide highly detailed information about the Earth's surface through numerous narrow spectral bands. This opens up new possibilities for mapping and monitoring various types of land cover and materials. Our study delves into the application of hyperspectral data for the general classification of land cover types. Various machine learning methods such as Support Vector Machine and Random Forest are employed to train classification models in Catalyst, based on training data. The results indicate that it is possible to achieve acceptable classification accuracies for these types of land cover. Furthermore, the thesis highlights challenges related to hyperspectral data, such as large data volumes, dimensionality reduction, dataset balancing, and the effects of shadows. Manual analyses of such data are exceedingly demanding, hence the thesis examines the use of available software and tools for efficient processing and visualization. Historically, land cover classification based on hyperspectral imagery and information has largely been confined to satellite data. The thesis investigates the feasibility of utilizing high-resolution hyperspectral data from aircraft for more detailed mapping of the terrain.