Assessment of capabilities of UAV multispectral imaging for wetland vegetation mapping

Over the years, the attention paid to wetland ecosystems has increased and their multiple environmental, social, and economic properties and functions have been recognized, to which monitoring, management and protection projects have been dedicated. Among the most widely used techniques for monitoring these ecosystems are photogrammetry and remote sensing, and more recently their extension to images taken by remotely piloted aircraft systems (SAPR), or more simply drones. The thesis study described here involves the analysis of the performance of photogrammetric and remote sensing techniques applied to multispectral images at centimeter resolution acquired by drone for the study of the ecosystem and the mapping of aquatic vegetation in a stretch of the Lakes of Mantova. After presenting the state of the art and the essential basics of the techniques used (photogrammetry and remote sensing), we will illustrate the measurements made and the processing of the images obtained, and then move on to the description and analysis of the results obtained. The use of both radiometric calibration panels and a SAPR-mounted irradiance sensor, called "sunshine sensor", has allowed to examine different radiometric calibration approaches to optimize the radiometric quality of the obtained orthophotos. The best calibration approach proved to be the one based on panels alone in case of stable light conditions and full sun, while in case of variable cloudiness the use of the readings of the "sunshine sensor" is preferable. It was then evaluated the best approach to improve the orientation of images acquired on water, to obtain an orthomosaic as complete as possible of the area. The software used (Metashape), in fact, is not always able to orient images on the water because of the difficulty in the automatic recognition of homologous points: part of these were then oriented by manual insertion of reference points visible on several images. From the digital elevation model (DEM), the Canopy Height Model (CHM) was subsequently generated, defining a flat interpolation surface derived from specific points placed on water as a substrate surface model for aquatic vegetation. The five bands of multispectral orthophotos, the DEM, the CHM, a set of spectral indices and some texture indicators (calculated on the near-infrared band only) were used to evaluate the performance of a set of procedures and methods for classifying the dominant aquatic plant species present in the study area. Different combinations of spectral, geometric and texture features were used as input for supervised classification algorithms: Minimum Distance, Spectral Angle Mapper, Maximum Likelihood and Random Forest. Based on the evaluations it was possible to evaluate the best classification options, which resulted to be the combination of the five bands of multispectral orthophoto, CHM, NDVI and texture contrast with Maximum Likelihood and Random Forest. In the case of Random Forest excellent results are obtained even with just the five bands orthophotos and the CHM.

Nel corso degli anni l’attenzione posta sugli ecosistemi delle aree umide è aumentata e sono state riconosciute le loro molteplici proprietà e funzioni sia ambientali, che sociali ed economiche, alle quali sono stati dedicati progetti di monitoraggio, gestione e protezione. Tra le tecniche più utilizzate per il monitoraggio di questi ecosistemi ci sono la fotogrammetria e il telerilevamento, e più recentemente la loro estensione a immagini rilevate da Sistemi Aeromobili a Pilotaggio Remoto (SAPR), o più semplicemente droni. Lo studio di tesi qui descritto prevede l’analisi delle performance di tecniche fotogrammetriche e di telerilevamento applicate a immagini multispettrali a risoluzione centimetrica acquisite da drone per lo studio dell’ecosistema e la mappatura della vegetazione acquatica in un tratto dei Laghi di Mantova. Dopo aver presentato lo stato dell’arte e le basi essenziali delle tecniche utilizzate (fotogrammetria e telerilevamento), verranno illustrati i rilievi effettuati e il processamento delle immagini ottenute, per poi passare alla descrizione e analisi dei risultati ricavati. L’utilizzo sia di pannelli di calibrazione radiometrica che di un sensore di irradianza montato su SAPR, detto “sunshine sensor”, ha permesso di esaminare diversi approcci di calibrazione radiometrica ai fini dell’ottimizzazione della qualità radiometrica delle ortofoto ottenute. Il miglior approccio di calibrazione si è rivelato essere quello basato sui soli pannelli nel caso di condizioni di luce stabile e pieno sole, mentre in caso di nuvolosità variabile è preferibile l’uso delle letture del “sunshine sensor”. È stato valutato poi il miglior approccio per migliorare l’orientamento di immagini acquisite su acqua, per ottenere un ortomosaico il più completo possibile dell’area. Il software utilizzato (Metashape), infatti, non è sempre in grado di orientare immagini sull’acqua per la difficoltà nel riconoscimento automatico di punti omologhi: una parte di queste sono state quindi orientate mediante inserimento manuale di punti di riferimento visibili su più immagini. Dal modello digitale di elevazione (DEM) è stato successivamente generato il Canopy Height Model (CHM), definendo una superficie piana di interpolazione ricavata da specifici punti posti su acqua come modello di superficie del substrato per la vegetazione acquatica. Le cinque bande di ortofoto multispettrale, il DEM, il CHM, un gruppo di indici spettrali e alcuni indicatori di texture (calcolati sulla sola banda dell’infrarosso vicino) sono state utilizzate per valutare le prestazioni di un insieme di procedure e metodi per la classificazione delle specie dominanti di piante acquatiche presenti nell’area di studio. In particulare, diverse combinazioni di feature di tipo spettrale, geometrico e di texture sono state usate come input per algoritmi di calssificazione supervisionata: Minimum Distance, Spectral Angle Mapper, Maximum Likelihood e Random Forest. Sulla base delle valutazioni è stato possibile valutare le migliori opzioni di classificazione, che sono risultate essere la combinazione delle cinque bande di ortofoto multispettrale, CHM, NDVI e texture contrast con Maximum Likelihood e Random Forest. Nel caso di Random Forest ottimi risultati si ottengono anche solo con le ortofoto più CHM.