This thesis compares the performance of multiple spaceborne hyperspectral datasets for urban land-cover fraction mapping over the Municipality of Milan. Since satellite image pixels often contain mixtures of several surface materials, especially within dense urban fabrics, due to their medium spatial resolution (≥ 30 m), spectral unmixing (or "soft classification") techniques can be exploited to reconstruct the relative fraction of constituent materials within each pixel. In this work, a Random Forest regressionbased workflow was used to estimate continuous fractions for three artificial materials (asphalt, shingle, and metal), four natural surfaces (tall and low vegetation, bare soil, and water), and shadow. An initial assessment of past and operational hyperspectral missions was carried out, considering their spectral coverage, spatial resolution, swath width, data access policy, and image availability over the study area. DESIS, PRISMA, and EMIT were selected because they provided suitable acquisitions that were temporally close in August 2025. The datasets were co-registered to a common grid using Sentinel-2 as a geometric reference. A high-spatial-resolution (3 m) PlanetScope image was exploited for endmember selection and reference-map generation. In total, 400 endmember points were selected, and synthetic mixed spectra were generated to train class-specific Random Forest regression models. The resulting fraction maps were evaluated against PlanetScope-derived reference fractions aggregated to each sensor grid using standard metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), coefficient of determination (R²), and Jeffries-Matusita distance for quantitative and interpretative comparison. Landsat-derived Land Surface Temperature (LST) was also used to assess the thermal response of each material by comparing LST values with individual and cumulative material abundance ranges. The results show that all three datasets produced meaningful land-cover fraction maps over Milan, although performance varied among classes and sensors. Low vegetation was the most consistently estimated class, whereas shadow was the most challenging because of its illumination-dependent spectral behavior. The LST comparison showed that built-up and exposed materials were generally associated with higher surface temperatures, while vegetation and water fractions corresponded to lower LST values. Overall, the study demonstrates that DESIS, PRISMA, and EMIT provide complementary capabilities for urban hyperspectral fraction mapping and that the estimated fractions are also useful for interpreting urban surface-temperature patterns.

Questa tesi confronta le prestazioni di diversi dataset iperspettrali satellitari per la mappatura delle frazioni di copertura del suolo urbano nel Comune di Milano. Poiché nei pixel delle immagini satellitari coesistono spesso diversi materiali superficiali, soprattutto nei contesti urbani densamente edificati, a causa della loro risoluzione spaziale media (≥ 30 m), è possibile utilizzare tecniche di spectral unmixing (o classificazione "soft") per ricostruire la frazione relativa dei materiali costituenti all'interno di ciascun pixel. In questo lavoro è stata sviluppata una procedura basata sulla regressione Random Forest per stimare le frazioni di tre materiali artificiali (asfalto, tegole e metallo), quattro superfici naturali (vegetazione alta e bassa, suolo nudo e acqua) e ombra. È stata effettuata una valutazione preliminare di missioni iperspettrali passate e operative, considerando la loro copertura spettrale, risoluzione spaziale, ampiezza della strisciata di acquisizione (swath width), politica di accesso ai dati e disponibilità di immagini sull'area di studio. DESIS, PRISMA ed EMIT sono stati selezionati poiché fornivano acquisizioni idonee e temporalmente vicine nell'agosto 2025. I dataset sono stati co-registrati su una griglia comune utilizzando Sentinel-2 come riferimento geometrico. Un'immagine PlanetScope ad alta risoluzione spaziale (3 m) è stata utilizzata per la selezione degli endmember e per la generazione delle mappe di riferimento. Complessivamente sono stati selezionati 400 punti endmember e sono stati generati spettri misti sintetici per addestrare modelli di regressione Random Forest specifici per ciascuna classe. Le mappe di frazione ottenute sono state valutate confrontandole con frazioni di riferimento derivate da PlanetScope e aggregate alla griglia di ciascun sensore, utilizzando metriche standard quali Mean Absolute Error (MAE), Root Mean Square Error (RMSE), coefficiente di determinazione (R²) e distanza di Jeffries-Matusita per effettuare confronti quantitativi e interpretativi. La Land Surface Temperature (LST) derivata da Landsat è stata inoltre utilizzata per valutare la risposta termica dei diversi materiali, confrontando i valori di LST con gli intervalli di abbondanza individuale e cumulativa dei materiali. I risultati mostrano che tutti e tre i dataset hanno prodotto mappe significative delle frazioni di copertura del suolo per l'area urbana di Milano, sebbene le prestazioni siano risultate differenti a seconda della classe e del sensore. La vegetazione bassa è stata la classe stimata con maggiore accuratezza e stabilità, mentre l'ombra si è rivelata la più difficile da modellare a causa del suo comportamento spettrale dipendente dalle condizioni di illuminazione. Il confronto con la LST ha evidenziato che i materiali edificati ed esposti sono generalmente associati a temperature superficiali più elevate, mentre le frazioni di vegetazione e acqua corrispondono a temperature più basse. Nel complesso, lo studio dimostra che DESIS, PRISMA ed EMIT offrono capacità complementari per la mappatura iperspettrale delle frazioni di copertura del suolo urbano e che le frazioni stimate risultano utili anche per l'interpretazione dei pattern di temperatura superficiale urbana.

Comparative evaluation of spaceborne hyperspectral data : for urban land-cover fraction mapping

Mehdizadeh, Saeed
2025/2026

Abstract

This thesis compares the performance of multiple spaceborne hyperspectral datasets for urban land-cover fraction mapping over the Municipality of Milan. Since satellite image pixels often contain mixtures of several surface materials, especially within dense urban fabrics, due to their medium spatial resolution (≥ 30 m), spectral unmixing (or "soft classification") techniques can be exploited to reconstruct the relative fraction of constituent materials within each pixel. In this work, a Random Forest regressionbased workflow was used to estimate continuous fractions for three artificial materials (asphalt, shingle, and metal), four natural surfaces (tall and low vegetation, bare soil, and water), and shadow. An initial assessment of past and operational hyperspectral missions was carried out, considering their spectral coverage, spatial resolution, swath width, data access policy, and image availability over the study area. DESIS, PRISMA, and EMIT were selected because they provided suitable acquisitions that were temporally close in August 2025. The datasets were co-registered to a common grid using Sentinel-2 as a geometric reference. A high-spatial-resolution (3 m) PlanetScope image was exploited for endmember selection and reference-map generation. In total, 400 endmember points were selected, and synthetic mixed spectra were generated to train class-specific Random Forest regression models. The resulting fraction maps were evaluated against PlanetScope-derived reference fractions aggregated to each sensor grid using standard metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), coefficient of determination (R²), and Jeffries-Matusita distance for quantitative and interpretative comparison. Landsat-derived Land Surface Temperature (LST) was also used to assess the thermal response of each material by comparing LST values with individual and cumulative material abundance ranges. The results show that all three datasets produced meaningful land-cover fraction maps over Milan, although performance varied among classes and sensors. Low vegetation was the most consistently estimated class, whereas shadow was the most challenging because of its illumination-dependent spectral behavior. The LST comparison showed that built-up and exposed materials were generally associated with higher surface temperatures, while vegetation and water fractions corresponded to lower LST values. Overall, the study demonstrates that DESIS, PRISMA, and EMIT provide complementary capabilities for urban hyperspectral fraction mapping and that the estimated fractions are also useful for interpreting urban surface-temperature patterns.
ING I - Scuola di Ingegneria Civile, Ambientale e Territoriale
22-lug-2026
2025/2026
Questa tesi confronta le prestazioni di diversi dataset iperspettrali satellitari per la mappatura delle frazioni di copertura del suolo urbano nel Comune di Milano. Poiché nei pixel delle immagini satellitari coesistono spesso diversi materiali superficiali, soprattutto nei contesti urbani densamente edificati, a causa della loro risoluzione spaziale media (≥ 30 m), è possibile utilizzare tecniche di spectral unmixing (o classificazione "soft") per ricostruire la frazione relativa dei materiali costituenti all'interno di ciascun pixel. In questo lavoro è stata sviluppata una procedura basata sulla regressione Random Forest per stimare le frazioni di tre materiali artificiali (asfalto, tegole e metallo), quattro superfici naturali (vegetazione alta e bassa, suolo nudo e acqua) e ombra. È stata effettuata una valutazione preliminare di missioni iperspettrali passate e operative, considerando la loro copertura spettrale, risoluzione spaziale, ampiezza della strisciata di acquisizione (swath width), politica di accesso ai dati e disponibilità di immagini sull'area di studio. DESIS, PRISMA ed EMIT sono stati selezionati poiché fornivano acquisizioni idonee e temporalmente vicine nell'agosto 2025. I dataset sono stati co-registrati su una griglia comune utilizzando Sentinel-2 come riferimento geometrico. Un'immagine PlanetScope ad alta risoluzione spaziale (3 m) è stata utilizzata per la selezione degli endmember e per la generazione delle mappe di riferimento. Complessivamente sono stati selezionati 400 punti endmember e sono stati generati spettri misti sintetici per addestrare modelli di regressione Random Forest specifici per ciascuna classe. Le mappe di frazione ottenute sono state valutate confrontandole con frazioni di riferimento derivate da PlanetScope e aggregate alla griglia di ciascun sensore, utilizzando metriche standard quali Mean Absolute Error (MAE), Root Mean Square Error (RMSE), coefficiente di determinazione (R²) e distanza di Jeffries-Matusita per effettuare confronti quantitativi e interpretativi. La Land Surface Temperature (LST) derivata da Landsat è stata inoltre utilizzata per valutare la risposta termica dei diversi materiali, confrontando i valori di LST con gli intervalli di abbondanza individuale e cumulativa dei materiali. I risultati mostrano che tutti e tre i dataset hanno prodotto mappe significative delle frazioni di copertura del suolo per l'area urbana di Milano, sebbene le prestazioni siano risultate differenti a seconda della classe e del sensore. La vegetazione bassa è stata la classe stimata con maggiore accuratezza e stabilità, mentre l'ombra si è rivelata la più difficile da modellare a causa del suo comportamento spettrale dipendente dalle condizioni di illuminazione. Il confronto con la LST ha evidenziato che i materiali edificati ed esposti sono generalmente associati a temperature superficiali più elevate, mentre le frazioni di vegetazione e acqua corrispondono a temperature più basse. Nel complesso, lo studio dimostra che DESIS, PRISMA ed EMIT offrono capacità complementari per la mappatura iperspettrale delle frazioni di copertura del suolo urbano e che le frazioni stimate risultano utili anche per l'interpretazione dei pattern di temperatura superficiale urbana.
File allegati
File Dimensione Formato  
Saeed Mehdizadeh_thesis_Final.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Final version of my thesis
Dimensione 46.32 MB
Formato Adobe PDF
46.32 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/260357