PRISMA satellite images coregistration and their use for landcover classification

This study focuses on enhancing land cover classification by coregistering PRISMA hyperspectral L2D imagery with Sentinel-2 Level 2A satellite images. Utilizing the eFolki algorithm for this task, we achieved a residual error below 0.18 pixels in the coregistration process, a crucial factor in ensuring accurate pixel alignment. This precision was validated using the forward-backward criterion, confirming the effectiveness of the alignment.A vital step in our methodology was the preprocessing of PRISMA data. Through histogram analysis, we identified and removed noisy spectral bands, significantly improving data quality for classification. In the initial classification phase, we applied Random Forest and Support Vector Machine (SVM) models to an imbalanced dataset. This approach yielded notable accuracies of approximately 94.60% with Random Forest and 96.97% with SVM.Further refining our technique, we applied the SVM model to a balanced dataset, which substantially enhanced the classification accuracy. This resulted in an overall accuracy of approximately 99.39%, demonstrating the effectiveness of our method in providing highly accurate land cover classifications.These findings highlight the importance of precise coregistration and careful data preprocessing in land cover classification from satellite imagery. By integrating detailed image analysis with advanced algorithmic approaches, this study offers a robust framework for environmental monitoring and sets a precedent for future remote sensing applications.

Questo studio si concentra sul miglioramento della classificazione del coperto terrestre attraverso la coregistrazione di immagini iperspettrali PRISMA L2D con immagini satellitari Sentinel-2 Livello 2A. Utilizzando l'algoritmo eFolki per questo compito, abbiamo raggiunto un errore residuo inferiore a 0,18 pixel nel processo di coregistrazione, un fattore cruciale per garantire un preciso allineamento dei pixel. Questa precisione è stata validata utilizzando il criterio di andata e ritorno, confermando l'efficacia dell'allineamento. Un passaggio fondamentale nella nostra metodologia è stata la pre-elaborazione dei dati PRISMA. Attraverso l'analisi degli istogrammi, abbiamo identificato e rimosso bande spettrali rumorose, migliorando significativamente la qualità dei dati per la classificazione. Nella fase iniziale di classificazione, abbiamo applicato i modelli Random Forest e Support Vector Machine (SVM) a un dataset sbilanciato. Questo approccio ha prodotto notevoli accuratezze di circa il 94,60% con Random Forest e il 96,97% con SVM. Affinando ulteriormente la nostra tecnica, abbiamo applicato il modello SVM a un dataset bilanciato, migliorando notevolmente l'accuratezza della classificazione. Questo ha portato a un'accuratezza complessiva di circa il 99,39%, dimostrando l'efficacia del nostro metodo nel fornire classificazioni del coperto terrestre altamente accurate. Questi risultati sottolineano l'importanza della coregistrazione precisa e della meticolosa pre-elaborazione dei dati nella classificazione del coperto terrestre da immagini satellitari. Integrando analisi dettagliate delle immagini con approcci algoritmici avanzati, questo studio offre un quadro robusto per il monitoraggio ambientale e stabilisce un precedente per future applicazioni di telerilevamento.