Advanced

Evaluation of pixel based and object based classification methods for land cover mapping with high spatial resolution satellite imagery, in the Amazonas, Brazil

Jonsson, Linnea LU (2015) In Student thesis series INES NGEM01 20142
Dept of Physical Geography and Ecosystem Science
Abstract
In the state of Acre, Brazil, there is ongoing land use change, where inhabitants of this part of the Amazonian rainforest practice shifting agriculture. Practicing this type of agriculture is, according to the SKY Rainforest Rescue organization, damaging to forest ecosystems. This organization aims to educate people in how to maintain sustainable agriculture. By monitoring this shift in agricultural practices with the use of remotely sensed data, the organization can follow the development.
In this thesis, an image with high spatial resolution from the SPOT-5 satellite is used to evaluate which classification method is most appropriate for monitoring land use change in this specific area. Three methods are tested; two pixels based and... (More)
In the state of Acre, Brazil, there is ongoing land use change, where inhabitants of this part of the Amazonian rainforest practice shifting agriculture. Practicing this type of agriculture is, according to the SKY Rainforest Rescue organization, damaging to forest ecosystems. This organization aims to educate people in how to maintain sustainable agriculture. By monitoring this shift in agricultural practices with the use of remotely sensed data, the organization can follow the development.
In this thesis, an image with high spatial resolution from the SPOT-5 satellite is used to evaluate which classification method is most appropriate for monitoring land use change in this specific area. Three methods are tested; two pixels based and one object based. The pixel based methods are the Support Vector Machine (SVM) with a Radial Basis Function (RBF) kernel and the Maximum Likelihood Classifier (MLC), and the object based method is segmented with Multi Resolution Segmentation (MRS) and classified with the k-Nearest Neighbor (kNN).
The parameters gamma and penalty parameter C in the SVM with an RBF kernel were estimated by a k-fold cross validation and grid search method; and for the MLC, an assumption that each class had an equal probability distribution was made. For the object based approach the first step was segmentation; for the MRS there are three parameters: scale, shape and compactness. The scale parameter was set by using an algorithm that was based on comparing local variance; shape and compactness were defined based on previous studies and visual evaluation of the segments.
All three methods will produce two classified maps each; one where the feature space consists of the three original wavebands (green, red and NIR) and one where the feature space is of six dimensions that include the original three wavebands and three texture derivations, one from each original band. The texture is derived from the co-occurrence GLCM method, which can be used to calculate 14 different texture measures. The three most suitable texture derivations were the contrast texture measure from the green and NIR band, and an entropy texture derived from the red band. When combining these three texture derivations with the original bands, the classes were further separated.
The original image was also lowered in resolution, from 2.5m to 25m in pixel size. However, this did not generate either higher or similar overall accuracy compared to any of the high spatial resolution classified images. The moderate spatial resolution classifications were only computed with the MLC and SVM due to the inefficiency of an object based image analysis method when used with moderate spatial resolution.
Of these six classifications, only two exceeded the 85% threshold of an acceptable overall accuracy. These were the SVM (86.8%) and OB-kNN (86.2%), which included the texture analysis. None of those classifications with only the three original bands exceeded this threshold. In conclusion, the object based method is the most suitable approach for this dataset because: 1) the parameter optimization is less subjective, 2) computational time is relatively lower, 3) the classes in the image are more cohesive and 4) there is less need for post-classification filtering. (Less)
Popular Abstract (Swedish)
Människor boende i Brasiliens regnskogar livnär sig på svedjebruk, vilket är en jordbruksmetod där en först hugger ned skogen för att sen bränna resterande stubbar och annan vegetation. Jordbruksmetoden är, enligt SKY Rainforest Rescue, en ohållbar metod som kan försämra regnskogens ekosystem och därmed dess ekosystemtjänster som människan har kommit att bli beroende av. Organisationen arbetar för att invånarna ska lära sig att bruka en mer hållbar metod och för att övervaka utvecklingen av projektet använder sig SKY Rainforest Rescue av fjärranalys. Med hjälp av satellitbilder kan jordens yta studeras från ett avstånd vilket genererar en god överblick av ett större område vilket kan vara att föredra i den här studien. Analyserna utgår... (More)
Människor boende i Brasiliens regnskogar livnär sig på svedjebruk, vilket är en jordbruksmetod där en först hugger ned skogen för att sen bränna resterande stubbar och annan vegetation. Jordbruksmetoden är, enligt SKY Rainforest Rescue, en ohållbar metod som kan försämra regnskogens ekosystem och därmed dess ekosystemtjänster som människan har kommit att bli beroende av. Organisationen arbetar för att invånarna ska lära sig att bruka en mer hållbar metod och för att övervaka utvecklingen av projektet använder sig SKY Rainforest Rescue av fjärranalys. Med hjälp av satellitbilder kan jordens yta studeras från ett avstånd vilket genererar en god överblick av ett större område vilket kan vara att föredra i den här studien. Analyserna utgår från bilder tagna av sensorer som är placerade på satelliter, vilka kretsar kring jorden i en omloppsbana och samtidigt registrerar bilder. Varje bild består av ett visst antal band där varje band representerar ett spektralt intervall t.ex. synligt ljus som grön, röd och blå, i det elektromagnetiska spektrumet. Högupplösta bilder är ett resultat av ny teknik som kommit ut på marknaden och det har med den utvecklingen uppstått frågor om hur en ska behandla satellitbilder i framtiden. Därför är det viktigt att utvärdera och utveckla metoder för bildbehandling.
I den här studien används satellitbilder som är högupplösta, där en pixel motsvarar 2.5x2.5m på jordytan. Tre olika metoder används för att framställa markanvändningskartor för att finna den mest optimala metoden för just den plasten och typ av bild. Metoderna är klassificeringsmetoder som grundar sig på pixlars digitala nummer, en pixel kan ha ett värde mellan 0-255 där varje nummer representerar en färg. Två av dessa är baserade på varje pixels enskilda spektrala värden, den tredje segmenterar ihop närliggande pixlar med liknande värden till objekt och beräknar ett spektralt medelvärde av pixlarna tillhörande objekten. En stor skillnad mellan de två metoderna är att i den objektbaserade spelar en pixels intilliggande pixlar en stor roll, medan en pixelbaserad metod behandlar varje pixel enskilt oberoende utav grannpixlar. I och med högupplösta bilder kan intill liggande pixlar spela en större roll eftersom objekt t.ex. ett träd kan bestå av flera pixlar med varierande spektrala värden. En metod som kan minska det problem som uppstår är att analysera en bilds textur, alltså variationen av gråtoner i en bild.
En markanvändningskarta måste valideras innan den kan accepteras som riktig. Validering är baserad på att jämföra stickprov från kartan med den faktiska marken och på det viset skatta hur bra kartan stämmer överens med verkligheten. Enligt tidigare studier ska den generella procenten av korrekt karterade punkter överstiga 85 % för att kartan i fråga ska accepteras som riktig och representativ för området. I studien framställs sex kartor, baserat på olika metoder från en högupplöst satellitbild och två kartor från samma bild men med lägre upplösning. Endast två av de åtta kartorna hade högre än 85 % korrekt karterade markanvändningsklasser. Den ena är baserad på enskilda pixlar (86.8%) och den andra är baserad på segmenterade pixlar (86.2%), vad metoderna har gemensamt är att de både inkluderar en texturanalys. Den objektbaserad är dock att föredra på grund av mindre komplex algoritm, mindre tidskrävande och ser visuellt bättre ut. (Less)
Please use this url to cite or link to this publication:
author
Jonsson, Linnea LU
supervisor
organization
alternative title
En utvärdering av två pixelbaserade och en objektbaserad metod för klassificering av en högupplöst satellitbild i Amazonas, Brasilien
course
NGEM01 20142
year
type
H2 - Master's Degree (Two Years)
subject
keywords
support vector machine, maximum likelihood, SPOT-5, classification, geography, physical geography, RBF-kernel, OBIA, multiresolution segmentation
publication/series
Student thesis series INES
report number
366
language
English
additional info
External supervisor: Tobias Edman, Metria AB, Stockholm
id
8309939
date added to LUP
2016-01-13 12:37:15
date last changed
2016-01-13 12:37:15
@misc{8309939,
  abstract     = {In the state of Acre, Brazil, there is ongoing land use change, where inhabitants of this part of the Amazonian rainforest practice shifting agriculture. Practicing this type of agriculture is, according to the SKY Rainforest Rescue organization, damaging to forest ecosystems. This organization aims to educate people in how to maintain sustainable agriculture. By monitoring this shift in agricultural practices with the use of remotely sensed data, the organization can follow the development.
In this thesis, an image with high spatial resolution from the SPOT-5 satellite is used to evaluate which classification method is most appropriate for monitoring land use change in this specific area. Three methods are tested; two pixels based and one object based. The pixel based methods are the Support Vector Machine (SVM) with a Radial Basis Function (RBF) kernel and the Maximum Likelihood Classifier (MLC), and the object based method is segmented with Multi Resolution Segmentation (MRS) and classified with the k-Nearest Neighbor (kNN). 
The parameters gamma and penalty parameter C in the SVM with an RBF kernel were estimated by a k-fold cross validation and grid search method; and for the MLC, an assumption that each class had an equal probability distribution was made. For the object based approach the first step was segmentation; for the MRS there are three parameters: scale, shape and compactness. The scale parameter was set by using an algorithm that was based on comparing local variance; shape and compactness were defined based on previous studies and visual evaluation of the segments. 
All three methods will produce two classified maps each; one where the feature space consists of the three original wavebands (green, red and NIR) and one where the feature space is of six dimensions that include the original three wavebands and three texture derivations, one from each original band. The texture is derived from the co-occurrence GLCM method, which can be used to calculate 14 different texture measures. The three most suitable texture derivations were the contrast texture measure from the green and NIR band, and an entropy texture derived from the red band. When combining these three texture derivations with the original bands, the classes were further separated. 
The original image was also lowered in resolution, from 2.5m to 25m in pixel size. However, this did not generate either higher or similar overall accuracy compared to any of the high spatial resolution classified images. The moderate spatial resolution classifications were only computed with the MLC and SVM due to the inefficiency of an object based image analysis method when used with moderate spatial resolution. 
Of these six classifications, only two exceeded the 85% threshold of an acceptable overall accuracy. These were the SVM (86.8%) and OB-kNN (86.2%), which included the texture analysis. None of those classifications with only the three original bands exceeded this threshold. In conclusion, the object based method is the most suitable approach for this dataset because: 1) the parameter optimization is less subjective, 2) computational time is relatively lower, 3) the classes in the image are more cohesive and 4) there is less need for post-classification filtering.},
  author       = {Jonsson, Linnea},
  keyword      = {support vector machine,maximum likelihood,SPOT-5,classification,geography,physical geography,RBF-kernel,OBIA,multiresolution segmentation},
  language     = {eng},
  note         = {Student Paper},
  series       = {Student thesis series INES},
  title        = {Evaluation of pixel based and object based classification methods for land cover mapping with high spatial resolution satellite imagery, in the Amazonas, Brazil},
  year         = {2015},
}