Adapting hyperspectral image analysis from Jupyter Notebook to Google Earth Engine for enhanced local climate zone mapping

This thesis aims to improve Local Climate Zone (LCZ) mapping and analysis by using Google Earth Engine (GEE) to create a web application for processing and classifying satellite imagery. This project involves adapting existing methodologies from a Jupyter Notebook environment, which was implemented as part of the "Local Climate Zone & Open Data Cube" (LCZ-ODC) project funded by the Italian Space Agency (ASI), to the GEE platform to enhance usability, scalability, and performance. The study integrates hyperspectral (PRISMA) and multispectral (Sentinel-2) data, using random forest classification to identify LCZs in the metropolitan area of Milan. The web application demonstrated improved performance and user-friendliness compared to traditional methods. However, the classification accuracy of over 99% on both datasets suggests potential overfitting, indicating the need for further refinement. The enhanced user interface with advanced visualization tools makes this application accessible to a wider audience, facilitating effective urban climate analysis and planning. The results emphasize the advantages of cloud-based geospatial analysis and identify areas for future improvement in model robustness.

Questa tesi mira a migliorare la mappatura e l'analisi delle Zone Climatiche Locali (LCZ) utilizzando Google Earth Engine (GEE) per creare un'applicazione web per l'elaborazione e la classificazione delle immagini satellitari. Questo progetto prevede l'adattamento delle metodologie esistenti da un ambiente Jupyter Notebook, implementato nell'ambito del progetto "Local Climate Zone & Open Data Cube" (LCZ-ODC) finanziato dall'Agenzia Spaziale Italiana (ASI), alla piattaforma GEE per migliorare l'usabilità, la scalabilità e le prestazioni. Lo studio integra dati iperspettrali (PRISMA) e multispettrali (Sentinel-2), utilizzando la classificazione random forest per identificare le LCZ nell'area metropolitana di Milano. L'applicazione web ha dimostrato miglioramenti nelle prestazioni e nella facilità d'uso rispetto ai metodi tradizionali. Tuttavia, l'accuratezza della classificazione superiore al 99% su entrambi i dataset suggerisce un potenziale overfitting, indicando la necessità di ulteriori perfezionamenti. L'interfaccia utente migliorata con strumenti di visualizzazione avanzati rende questa applicazione accessibile a un pubblico più ampio, facilitando l'analisi climatica urbana efficace e la pianificazione. I risultati enfatizzano i vantaggi dell'analisi geospaziale basata su cloud e identificano aree per futuri miglioramenti nella robustezza del modello.