Object-oriented classification of road pavement surface from satellite images

The information on pavement surface type is rarely included in road network databases of developing countries. Although, it could be very informative for the design of efficient mobility systems and road maintenance plans. Within the Safari Njema project of Politecnico di Milano, this research develops an automatic classification algorithm for road pavement which makes use of street pixels from satellite images to learn road surfaces as paved or unpaved. Street pixels are extracted by means of DBSCAN with properly tuned parameters. The object-oriented k-NN algorithm predicts surface labels by looking at the most similar image pixel distributions in the RGB space. Attention is paid to real-world consequences of the classification by using easily replicable methods and choosing the least expensive solutions. The approach is applied to the case study of Maputo, in Mozambique, and shows an overall classification accuracy of 88.1%, which increases to 94.5% if the street type attribute is included in the model. The resulting classifier can be exploited in sub-Saharan countries straightforwardly, and further studies should include additional features to improve the performance of the method.

La tipologia di manto stradale è raramente indicata nelle mappe di reti stradali dei paesi in via di sviluppo. Tuttavia, da questa informazione trarrebbe vantaggio la pianificazione della mobilità pubblica e informale, così come i programmi di mantenimento delle infrastrutture stradali. Questo studio si inserisce all’interno del progetto Safari Njema del Politecnico di Milano, volto proporre soluzioni strategiche ed efficienti per migliorare la mobilità nei paesi dell’Africa sub-Sahariana. Nel dettaglio, questo articolo presenta un approccio di machine learning innovativo per classificare la superficie di manto stradale in pavimentata, paved, e sterrata, unpaved. A partire dalle immagini satellitari delle strade, si estraggono i pixels rappresentativi del manto stradale tramite DBSCAN. In seguito, si predice il tipo di superficie stradale con l’algoritmo di classificazione supervisionata k-NN ad approccio object-oriented, per cui la classificazione avviene in base alla distribuzione dei pixels delle strade nello spazio RGB. Nella costruzione dell’algoritmo si è posta attenzione alle conseguenze pratiche della classificazione, cercando di minimizzare i costi della sua applicazione e di costruire un metodo altamente scalabile. Ci si è focalizzati sul caso studio di Maputo, in Mozambico, ma è diretta l’estensione del metodo a tutti i paesi dell’Africa sub-Sahariana. Il classificatore finale ha un’accuratezza di 88.1%, che può salire fino a 94.5% quando nel modello viene inclusa anche l’informazione sulla tipologia della strada. Futuri sviluppi del metodo dovranno includere altri fattori oltre a immagini e tipo di strada per migliorarne la capacità di classificare correttamente il manto stradale.