Land cover change detection using Sentinel-1 satellite images
Loading...
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Author
Date
2023-01-23
Department
Major/Subject
Geoinformatics
Mcode
Degree programme
Master's Programme in Geoinformatics (GIS)
Language
en
Pages
43
Series
Abstract
Finland aims to be carbon neutral by 2035. To achieve that goal, Finland needs to reduce carbon dioxide emissions significantly soon. The land-use sector has a critical role in these plans as it is both a major source of emissions and an important carbon sink. Thus, there is a great demand for accurate and up-to-date information about land use and its changes to support decision-making and international climate reporting. Today, one method to find these changes is to utilize time series of openly accessible satellite imagery. This master’s thesis studied land cover changes that occurred in forests between the years 2020 and 2021 with Sentinel-1 Synthetic Aperture Radar (SAR) imagery in the Uusimaa region in Finland. The research question was whether the land cover changes detected from the Sentinel-1 time-series can be used as clue information during the update process of the Topographic Database maintained by the National Land Survey of Finland. The goals of the study were to develop a well-performing change detection method and to evaluate the feasibility of the applied SAR image mosaics for change detection analysis. The selected method was spectral-temporal combined analysis where the Sentinel-1 time-series were stacked into a multi-band file that was then classified with several types of classifiers, such as random forest, gradient boost, and support vector machine classifiers. Additionally, two machine learning pipeline optimizers, TPOT and Autokeras, were piloted. Random forest and TPOT-based implementations achieved the best performance with potential but still mediocre results. Hyperparameter tuning of the classifiers and a larger training dataset are ideas that might help to increase the change detection performance in the future.Suomen tavoitteena on olla hiilineutraali vuoteen 2035 mennessä. Tämän tavoitteen saavuttamiseksi Suomen on vähennettävä hiilidioksidipäästöjä pian merkittävästi. Maankäyttösektorilla on ratkaiseva rooli näissä suunnitelmissa, koska se on sekä merkittävä päästölähde että tärkeä hiilinielu. Täten, tarkalle ja ajantasaiselle tiedolle maankäytöstä ja sen muutoksista on suuri kysyntä päätöksenteon ja kansainvälisen ilmastoraportoinnin tueksi. Nykyään, yksi tapa etsiä näitä muutoksia on hyödyntää avoimesti saatavilla olevien satelliittikuvien aikasarjoja. Tässä diplomityössä tutkittiin metsissä vuosien 2020 ja 2021 välisenä aikana tapahtuneita maanpeitteen muutoksia Sentinel-1 SAR -tutkakuvilta Uudenmaan maakunnan alueelta Suomessa. Tutkimuksen tavoitteena oli arvioida sovellettujen SAR-kuvamosaiikkien sopivuutta maanpeitteen muutostulkintaan ja selvittää, voivatko havaitut maanpeitteen muutokset auttaa vihjetietona Maanmittauslaitoksen kartoittajia Maastotietokannan päivitystyön yhteydessä. Diplomityössä käytetty menetelmä oli Sentinel-1 aikasarjaan perustuva luokittelu, jossa Sentinel-1-aikasarja pinottiin yhdeksi monikanavaiseksi rasteriksi, joka luokiteltiin erityyppisten luokittelijoiden avulla. Käytettyjä luokittelijoita olivat muun muassa random forest-, gradient boost- ja support vector machine -luokittelijat. Lisäksi pilotointiin kahta koneoppimisputkien optimoijaa, jotka olivat TPOT ja Autokeras. Random forest - ja TPOT-pohjaiset toteutukset toimivat parhaiten ja tuottivat potentiaalisia mutta vielä silti suhteellisen keskinkertaisia tuloksia. Luokittelijoiden hyperparametrien viritys ja suurempi koulutusaineisto ovat ideoita, jotka voisivat auttaa parantamaan muutostulkintaa tulevaisuudessa.Description
Supervisor
Rautiainen, MiinaThesis advisor
Törmä, MarkusKeywords
Sentinel-1, land cover change, remote sensing, machine learning, random forest
