Kartiranje šumske vegetacije na osnovu podataka satelitskog osmatranja Zemlje korišćenjem tehnika mašinskog učenja

Abstract

Potrebe za kvalitetnim podacima kvantitativnih i kvalitativnih karakteristika šuma se povećavaju kako je pritisak na ovaj prirodni resurs sve veći. Podaci satelitskog osmatranja Zemlje su se pokazali kao pogodna alternativa terenskim metodama za prikupljanje informacija o šumama. Osnovni ciljevi istraživanja u okviru ove disertacije su analiza, razvoj i unapređenje metodologije za kartiranje tipova šumske vegetacije na osnovu podataka satelitskog osmatranja Zemlje. Predložena metodologija se u osnovi oslanja na izdvajanje tematskih informacija iz satelitskih snimaka primenom nadziranih neparametarskih metoda klasifikacije, posebno tehnika mašinskog učenja. Istraživanje obuhvata utvrđivanje primenljivosti različitih tehnika mašinskog učenja (stabla odlučivanja, slučajne šume i gradijentnog pojačavanja) za kartiranje tipova šumske vegetacije, analizu različitih reprezentacija podataka radi naglašavanja prostornih i vremenskih aspekata u klasifikacionom modelu, kao i primenu tehnika za kreiranje optimalnog balansiranog skupa podataka i izbora atributa od značaja za kvalitetno kartiranje šumske vegetacije. Razvoj i testiranje predložene metodologije je izvršeno identifikacijom osam tipova šumske vegetacije na području Republike Srbije. Korišćeni su podaci satelitske misije Sentinel-2 iz 2019. godine u kombinaciji sa dodatnim izvorima podataka. Rezultati sprovedenih eksperimenata se podudaraju sa rezultatima sličnih istraživanja zasnovanih na optičkim satelitskim opažanjima visoke prostorne rezolucije. Na osnovu sprovedenih eksperimenata je zaključeno da je predložena metodologija primenljiva za kartiranje tipova šumske vegetacije u Srbiji. Iako je testiranje izvršeno na teritoriji Srbije, metodologija ima značajan potencijal da se primeni i na drugim područjima uz prilagođavanje klasifikacione šeme i dopune podataka za treniranje modela. Takođe, može se smatrati da je predložena metodologija opšteg tipa, tj. ona može biti relativno jednostavno prilagođena i drugim klasifikacionim problemima. Dodatna istraživanja su predviđena u budućnosti kako bi se ispitale prethodne pretpostavke.

The necessity for quality data on quantitative and qualitative characteristics of forests is increasing as the pressure on this natural resource rises. Satellite Earth observation data has proven to be a suitable alternative to field methods when it comes to collecting information about forests. The main goals of the research within this dissertation are the analysis, development and improvement of the methodology for mapping forest vegetation types using satellite Earth observation data. The proposed methodology relies on the extraction of thematic information from satellite imagery using supervised non-parametric classification methods, especially machine learning techniques. The research includes determining the applicability of different machine learning techniques (decision tree, random forest and gradient boosting) for mapping forest vegetation types, analysis of different data representations for emphasizing spatial and temporal aspects in the classification model, and applying techniques to create optimal balanced datasets and to determine optimal features for quality mapping of forest vegetation. The development and testing of the proposed methodology were performed by identifying eight forest vegetation types in the Republic of Serbia. Sentinel-2 satellite imagery from the 2019 was used in combination with additional data sources. The results of the conducted experiments match the results of similar studies which were based on high-resolution optical satellite imagery. In accordance with the conducted experiments, it can be concluded that the proposed methodology is applicable for mapping forest vegetation types in Serbia. While the testing was performed on the territory of Serbia, the methodology has significant potential to be applied in other regions as well, with the adjustment of the classification scheme and the additional data for model training. Also, the proposed methodology can be considered to be of a generic type, since it can be relatively easily adapted to other classification problems. Additional research is planned in the future to test these assumptions.