Produzione di mappe di copertura del suolo da dati SAR ad alta risoluzione spaziale.
1. UNIVERSITA' DEGLI STUDI DI ROMA TOR VERGATA
TESI 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 Frate
Correlatore:Correlatore:
Chiara PratolaChiara Pratola
A.A. 2009/2010A.A. 2009/2010
2. 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
4. Metodo: Rete NeuraleMetodo: Rete Neurale
Reti 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 set
Errore validation set
Addestramento con supervisore:Addestramento con supervisore:
Ricerca della topologia di rete che rende
minima la funzione di costo.
STOP
Sul minimo globale
6. 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 datiAcquisizioni e set di dati
Cosmo-Skymed 8 Giugno 2010 Cosmo-Skymed 9 Luglio 2010
7. Elaborazioni preliminari e Input della rete neuraleElaborazioni preliminari e Input della rete neurale
Scalamento (ScalingScaling) DN tra [ 0 ; 210
]
Input:
AmpiezzaAmpiezza
Deviazione Standard LocaleDeviazione Standard Locale
dell'ampiezza su finestra mobile 3x3
Media LocaleMedia Locale dell'ampiezza su finestra
mobile 3x3
Analisi statistica del set di dati.
12. Classificazioni ottenute (falsi colori)Classificazioni ottenute (falsi colori)
8 Giugno 2010
9 Luglio 2010
29/7/2007 Google Earth
AsfaltoAsfalto EdificiEdifici VegetazioneVegetazione
3x11x11x23x11x11x2
Input:
AmpiezzaAmpiezza
Deviazione standard localeDeviazione standard locale
Media localeMedia locale
Output:Output:
EdificiEdifici
Non-EdificiNon-Edifici
3x9x9x23x9x9x2
Input:
AmpiezzaAmpiezza
Deviazione standard localeDeviazione standard locale
Media localeMedia locale
Output:Output:
AsfaltoAsfalto
VegetazioneVegetazione
Accuratezza: 77,92%Accuratezza: 77,92%
COSMO-SkyMed 10 Luglio 2010
13. 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 acquisiteforniscono 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