Klassifisering av trær i urbane områder ved analyser på hyperspektrale flybilder

Abstract

Kartlegging av vegetasjon i urbane områder har vært en utfordring for fjernmåling på grunn av kompleks variasjon i romlig innhold og spektralinformasjon. Hyperspektrale bilder kan være løsningen. I denne oppgaven ble to hyperspektrale datasett fra HySpex brukt til å klassifisere trær i en urban sone i Oslo. HySpex-sensorene har en oppløsning som er unik innenfor fjernmåling. Datasettet VNIR bestod av 186 bånd med en romlig oppløsning på 0,3 m. SWIR bestod av 288 bånd med en romlig oppløsning på 0,7 m. Av totalt 474 bånd ble 370 bånd brukt til klassifiseringen. Målet med klassifiseringen var å se hvilke resultater man kunne oppnå på trær i et urbant område med så gode data. I tillegg var det ønskelig å finne ut om SWIR kunne gjøre klassifiseringen bedre. For å teste dette ble spektralinformasjon fra 805 trær hentet ut. For å ta høyde for variasjoner i belysning ble et normalisert datasett basert på radiansverdier brukt. For å ta høyde for overlapp med andre materialer ble middelverdien for hvert tre benyttet. Et utvalg bestående av 585 trær og ni arter dannet utgangspunktet for klassifiseringen. Klassifisering ble først kjørt på VNIR og deretter på VNIR+SWIR. To ulike algoritmer for styrt klassifisering ble testet, logistisk regresjon og SVM. Dessuten ble to ulike måter for vekting testet, lik vekting og balansert vekting. Balansert vekting tar hensyn til ubalanse i datasettet. Balansert vekting ga best resultat. Med VNIR oppnådde SVM en total nøyaktighet på 88,6 % og en kappa-koeffisient på 0,85. Med data VNIR og SWIR kombinert oppnådde SVM en total nøyaktighet på 91,5 % og en kappa–koeffisient på 0,89.

Remote sensing of urban areas is challenging due to complex spatial and spectral variations. In this thesis, two hyperspectral datasets from HySpex were used to classify trees in an urban zone in Oslo. The HySpex sensors have a resolution that is unique in the field of remote sensing. The VNIR dataset consisted of 186 bands with a spatial resolution of 0,3 m. The other data set consisted of 288 bands in the SWIR region, with a spatial resolution of 0,7 m. A total of 370 bands were used in the classification. The primary object of this thesis was to see what results such good data would give in an urban area. In addition, it was desirable to determine, whether the combined information from VNIR and SWIR would give better results than VNIR alone. To test the ability of the hyperspectral data to discriminate between tree species, spectral features from 805 trees were extracted. A normalised dataset was used to account for variations in illumination. To account for complex overlap with other materials, the mean spectrum from each tree was used. A selection of 585 trees and nine species formed the basis for the classification. The classification was first done only using the VNIR dataset and then using both VNIR and SWIR. Two different supervised algorithms were used, logistic regression and Support Vector Machine (SVM). In addition, two different ways of assigning weights to the data were tested, equal and balanced weighting. Balanced weighting accounted for class imbalance and gave the best results. SVM achieved an overall accuracy of 88,6 % and a kappa-coefficient of 0,82 when the VNIR dataset was used. The overall accuracy increased to 91,5 % when both VNIR and SWIR were used. The kappa-coefficient now increased to 0,89. The results shows that hyperspectral data can be used to map urban trees with a high degree of accuracy.