Generation of Training Data for Automatic Land Cover Classification with Machine Learning

Abstract

The importance of monitoring changes in land cover has been increasing with time and technological development. Urbanization, agriculture, deforestation and livestock grazing are the primary factors influencing these changes, which can have devastating consequences if not monitored properly. Thematic datasets, e.g. Corine Land Cover for Europe, are usually updated manually, through visual interpretation of remote sensing images, which is inefficient from a cost and time perspective. The manual process can be automated with machine learning algorithms, such as Fully Convolutional Neural Networks, but they require a substantial amount of data in order to produce satisfactory results. Rare land cover classes are especially problematic due to class imbalance (which is almost always present in the environmental data) and coarse resolutions of the available thematic datasets. The goal of this thesis is to develop software that simplifies the choice of the training data in order to improve classification results on rare classes, in addition to automating the refinement and preparation process of the data. The first goal is achieved by developing a visual tool that enables the user to easily see the land cover ratio in the region of their choice. The tool was evaluated on a region in Poland and increased the F-score of wetlands (a rare class) from 0% to 70%. The other goal is achieved by a simple program developed in Python, that performs the refinement and generation process automatically. The tool was evaluated by spatially refining the urban areas in Corine Land Cover using a more detailed dataset. The refinement process increased the F-score of urban class from 36% to 55%. We hope that the use of this software could have a positive impact on the quality and efficiency of future research in this area.

Tæknileg þróun síðustu áratugi hefur gert það að verkum að nú er enn mikilvægara en áður að fylgjast með þróun lands og landnotkunar. Þéttari byggðir, ræktun lands, eyðing skóga og búfjárbeit eru dæmi um helstu áhrifaþætti sem geta haft skaðleg áhrif án viðeigandi eftirfylgni. Landgreiningarverkefni, eins og Corine Land Cover í Evrópu, eru oftast framkvæmd að miklu leyti handvirkt með greiningu gervihnattarmynda og annarra gagna. Sú vinna er óhagkvæm með hliðsjón af kostnaði og tíma. Mögulegt er að sjálfvirknivæða hana með notkun á algrímum sem byggjast á vélanámi. Einn flokkur slíkra algríma eru tauganet, en þau þurfa mikið magn gagna til að framkalla ásættanlegar niðurstöður. Sjaldgæfir landflokkar og landgreiningagögn í lélegum upplausnum eru sérstaklega til vandræða og hafa því neikvæð áhrif á gæði flokkara. Markmið þessa verkefnis er að þróa tól sem auðveldar val á þjálfunargögnum til að bæta nákvæmni tauganeta með tilliti til réttrar flokkunar á sjaldgæfum landflokkum.. Einnig er leitast við að auka upplausn landgreiningargagna á sjálfvirkan hátt og einfalda undirbúning þeirra fyrir vélanám.Fyrra markmiðinu er náð með því að gera notendum kleift að skoða landflokkahlutföll í gervihnattargögnum á einfaldan og sjónrænan hátt. Tólið var prófað á svæði í Póllandi og náðist til að mynda að bæta F-gildið mýra úr 0% upp í 70%. Seinna markmiðinu er náð með einföldu tóli í Python sem bætir og undirbýr gögnin á sjálfvirkan hátt. Það var prófað með því að nýta Urban Atlas gögnin til að auka nákvæmni þéttbýla og náðist að auka F-gildið úr 36% upp í 55% fyrir þann landflokk. Vonast er til þess að ofangreind tól bæti gæði og nýtni rannsókna á þessu sviði í framtíðinni.