Klassifisering av arealtyper i satellittbilder ved bruk av konvolusjonelle nevrale nettverk
Master thesis
Submitted version
![Thumbnail](/nmbu-xmlui/bitstream/handle/11250/2680565/Brekke2020.pdf.jpg?sequence=5&isAllowed=y)
View/ Open
Date
2020Metadata
Show full item recordCollections
- Master's theses (RealTek) [1826]
Abstract
I denne masteroppgaven har jeg undersøkt muligheten for nøyaktig segmentering av satellittbilder fra Sentinel-2 ved bruk av konvolusjonelle nevrale nettverk. Dette er for å utforske muligheten for å anvende maskinlæring til å predikere arealressurskart.
Ved å bruke offentlig tilgjengelig satellittbilder fra Sentinel-2 sammen med arealressurskart i målestokk 1:5000 foreslås det et datasett. Dette brukes for å trene to dype konvolusjonelle nevrale nettverk for å klassifisere fire arealtyper: Bebyggelse, jordbruk, skog og vann. Dette blir løst på to måter; ved flerklasseklassifisering og som ett binært datasett for hver av de fire arealklassene. Prediksjonen fra de binære datasettene fusjoneres sammen og sammenlignes med prediksjonen gjort med flerklassedatasettet. Resultatet viser at U-net-4 med flerklasseklassifisering gir det det beste resultatet.
Videre blir et arealressurskart generert basert på et satellittbilde over Nittedal, for å se hvordan nettverket presterer og kan brukes i praksis. Resultatet her viser at U-net-4 med fusjonert binær klassifisering gir det beste resultatet. In this masters thesis I have explored the possibility of accurately segmenting satellite images from Sentinel-2 using convolutional neural networks. This is done to explore the possibility of using machine learning to predict land cover classes.
By using publicly available satellite images from Sentinel-2 with land cover classes from AR5, a dataset is proposed. The dataset is used to train two deep convolutional neural networks to classify four land cover classes: Settlement, agriculture, forests and water. This is done in two ways; by multiclass classification and as one binary classifier for each of the four land cover classes. The predictions from the binary classifiers are merged together and compared with the prediction done with the multiclass dataset. The result shows that U-net-4 with multi-class classification gives the best result.
Furthermore, a land cover map is generated based on a satellite image of Nittedal municipality, to see how the network performs and can be used in practice. The result shows that U-net-4 with merged binary classification gives the best result.