Learning to find mountains

Analyzing digital data to identify and classify landforms is an important task, which can contribute to improve the availability and quality of public open source cartography and to develop novel applications for tourism and environment monitoring. In the literature, several heuristic algorithms are documented for identifying the features of mountain regions, most notably the coordinates of summits, from input datasets, such as the Digital Elevation Model (DEM) of the Earth. Choosing the method to use for mountain peaks detection depends on the requirements of the application at hand, but the decision is helped also by the availability of a rigorous comparison among the different methods. All these algorithms depend on parameters, which are manually set. In this thesis, we explore the use of Deep Learning methods, specifically classification and segmentation, to train a model capable of identifying mountain summits, which learns from a gold standard dataset containing the coordinates of peaks in a region. The models have been trained and tested with Switzerland DEM and peak data. Furthermore, we propose an approach for a fair comparison, in terms of Precision-Recall and mean distance error, and present the quantitative and qualitative results obtained evaluating the best known methods from the literature and our Deep Learning models, in an area of Switzerland.

Analizzare dati digitali, per identificare e classificare la morfologia del terreno, è un compito importante, che può contribuire a migliorare la disponibilità e la qualità della cartografia pubblica open source e a sviluppare nuove applicazioni per il monitoraggio del turismo e dell'ambiente. Nella letteratura, sono documentati alcuni algoritmi euristici per identificare caratteristiche di regioni montane, soprattutto le coordinate delle vette, grazie a set di dati in input, come il Modello Digitale di Elevazione (DEM) della Terra. Scegliere il metodo, da utilizzare per l'individuazione dei picchi delle montagne, dipende dai requisiti della applicazione a portata di mano; ma la decisione è aiutata anche dalla disponibilità di un rigoroso confronto tra i differenti metodi. Tutti questi algoritmi dipendono da parametri che sono da impostare manualmente. In questa tesi, esploriamo l'uso di metodi di Deep Learning, in particolare classificazione e segmentazione, per addestrare un modello, in grado di identificare vette di montagne, e che impari da un set di dati, usato come gold standard, contenente le coordinate dei picchi in una regione. I modelli sono stati addestrati e provati con dati DEM e picchi della Svizzera. Inoltre, proponiamo un approccio per un confronto equo, in termini di Precision-Recall e errore medio sulla distanza, e presentiamo i risultati quantitativi e qualitativi ottenuti valutando, in una area della Svizzera, i metodi più noti dalla letteratura e i nostri modelli di Deep Learning.