Improving Typha classification using spatial information

Remote sensing, the science of obtaining information about objects or areas from a distance, typically from aircrafts or satellites, has gained a lot of attention in the latest years. Due to the increasing number of satellites, providing daily and high resolution data, the need of automatic systems, that can analyze images and extract important features, is progressively increasing, and one of the most advanced method is represented by the neural networks. In this thesis, we used neural networks, a set of model mimicking the functioning of the human brain and designed to recognize patterns, in order to analyze, classify and extract important features from satellite images. In particular, we focused on the classification of Typha australis, an invasive aquatic plant that is spread in African regions and which correlates with the presence of the dangerous parasite Schistosoma. In order to classify this plant, we propose a classification method that exploits not only the spectral characteristics of the plant, but also spatial informations, given that Typha plants tend to grow close to or inside rivers. Differently from previous studies, where the neural network learns spatial constraints from data themselves, we integrated Geographic Information System (GIS) data in the classification as an “a priori” input. This integration turned out to substantially help the model to perform a better classification process. The solution of exploiting GIS data, which are updated every few days with high precision and freely available from websites like OpenStreetMap, represents an advantageous strategy for improving environmental assessments, easier to implement with respect to other state-of-the-art solutions. Furthermore, since the groundtruths provided were not precise, and the pixels therein contained did not refer to a single class, we also proposed a pre-processing technique, aimed at identifying and removing all the pixels which did not belong to the Typha’s class. This process is based on the k-nearest neighbours algorithm. The integration of these approaches turned out to substantially helped the model to classify with high precision Typha’s plants.

Il "remote sensing'', cioe' la scienza che consente di ottenere informazioni a distanza su oggetti o su aree territoriali per mezzo di velivoli o satelliti, ha riscosso una grande attenzione negli ultimi anni. L'enorme quantita' di dati ad alta risoluzione ottenuti su base giornaliera offre la possibilita' di sfruttare le informazioni ottenibili da tali dati, grazie al numero sempre crescente di satelliti. Di conseguenza, sta diventando sempre piu' pressante la necessita' di mettere a punto sistemi automatici che siano in grado di analizzare le immagini ed estrarne le piu' importanti caratteristiche. Le reti neurali, un insieme di algoritmi che analizzano, classificano ed estraggono le caratteristiche delle immagini attraverso procedimenti che simulano il funzionamento del cervello umano, rappresentano uno dei metodi piu' avanzati in questo ambito. In questa tesi, il modello delle reti neurali e' stato utilizzato per la classificazione della Typha australis, una pianta acquatica invasiva che si sviluppa nelle regioni africane e la cui distribuzione e' correlata con la presenza del pericoloso parassita Schistosoma. Per ottimizzare la classificazione della Typha australis, abbiamo deciso di sfruttare non solo le caratteristiche spettrali della pianta, ma anche alcune specifiche informazioni spaziali. In particolare, dato che le piante di Typha tendono a crescere vicino o all'interno dei fiumi, abbiamo integrato nella classificazione, come input "a priori", i dati che descrivono la localizzazione dei corsi d'acqua ottenuti dal Geographic Information System (GIS). Questa implementazione, che rappresenta una novita' rispetto alla normale procedura in cui le reti neurali apprendono dai dati forniti i vincoli spaziali durante il processo di training, ha migliorato in modo sostanziale il processo di classificazione. La strategia di sfruttare i dati GIS, come quelli forniti da OpenStreetMap che vengono aggiornati ogni giorno con alta precisione e che sono liberamente disponibili nel Web, puo' consentire di migliorare in modo sensibile le valutazioni ambientali eseguite tramite le analisi delle immagini satellitari, soprattutto se queste ultime sono, per vari motivi, di qualita' non elevata. Inoltre, poiche' i "groundtruth" forniti sono non precisi e i pixel contenuti non si riferiscono a una singola classe, e' stata anche implementata una tecnica di pre-elaborazione che, usando l'algoritmo "k-nearest neighbours'', si e' mostrata capace di identificare e rimuovere i pixel non appartenenti alla classe della groundtruth. L'integrazione di questi approcci si e' rivelata di notevole utilita' per aiutare il modello a classificare con precisione le piante di Typha.