Landform identification from surface networks. The case of mountain peaks identification from surface networks

The classification of the Earth surface into landforms is essential for understanding many physical processes that occur in the planet and is the focus of multi-disciplinary studies. In the recent years, automatic landform extraction has emerged as a promising research area, supported by the increasing availability of high resolution Digital Elevation Models (DEMs). DEMs comprise a grid of elevation values, to which different heuristic or data-driven algorithms can be applied for characterizing the terrain features of interest. The choice of the data representation is of primary importance in the design of DEM data analysis approaches, to achieve a landform extraction method that is both efficient and precise. One such representation, the surface network, has proved effective for many topological studies. Unlike previous data-driven leaning-based methods, which encode DEMs as images and apply standard convolution operators, in this paper we explore the suitability of Machine Learning on graphs for the automatic recognition of landforms from surface networks. We discuss a method for identifying mountain summits, which learns from a surface network and from a gold standard data set containing the coordinates of peaks in a region. The model has been trained and tested with Switzerland DEM and mountain summit data.

La classificazione della morfologia della superficie terrestre è essenziale per la comprensione di molti processi che occorrono nel pianeta ed è parte di diversi studi multidisciplinari. Recenti studi dimostrano come l'estrazione delle forme morfologiche sia un'area di studio in continua evoluzione, supportata anche dall'incremento della disponibilità di dati ad alta risoluzione, tra cui i Modelli Digitali di Elevazione (DEM). Un DEM è una rappresentazione della superficie terrestre attraverso una griglia i cui valori sono cono costituiti dall'elevazione rilevata nell'area di interesse. Questi modelli possono essere sfruttati per la individuazione delle proprietà di interesse sia da algoritmi euristici che da quelli basati sull'apprendimento automatico dai dati. Per poter raggiungere buoni livelli sia di precisione che di efficienza, la scelta del tipo di rappresentazione dei dati è di vitale importanza nella progettazione dei metodi che sfruttano i DEM. Una possibile raffigurazione sono le cosiddette surface network, ovvero reti delle superfici, che hanno dimostrato di essere efficaci in diversi studi topologici. Diversamente dai precedenti modelli di apprendimento basati dui dati, che codificano i DEM come immagini e applicano le ormai consolidate tecniche convolutive, in questa tesi esploriamo l'applicabilità del Machine Learning sui grafi per il riconoscimento automatico delle forme morfologiche dalle reti delle superfici. In particolare vedremo i metodi per l'identificazione delle sommità delle montagne, che imparano dalle surface networks e da una base dati definita come "gold standard", cioè contente le coordinate geografiche di montagne note. Il modello è stato allenato e testato con i Modelli Digitali di Elevazione e le montagne note della Svizzera.