Land Cover Classification Using Satellite Imagery and LiDAR
Author
Puzinas, Jonas
Term
4. semester
Publication year
2017
Pages
50
Abstract
Arealdækkekort fremstilles ofte ud fra satellitbilleder, men nøjagtigheden afhænger af metode og datagrundlag. Denne afhandling undersøger, om tilføjelse af LiDAR‑afledte højdedata (Digital Surface Model, DSM) til Sentinel‑2 multispektrale bånd kan påvirke nøjagtigheden af arealdækkeklassifikation, og sammenligner tre teknikker: usuperviseret ISO‑klyngedannelse samt de superviserede Maximum Likelihood og Support Vector Machine (SVM). Sentinel‑2‑billeder blev forbehandlet og kombineret med en DSM genereret fra LiDAR‑punktskyer; træningsprøver blev oprettet til de superviserede metoder. Klassifikationer blev udført både med og uden højdedata, og nøjagtighed blev vurderet ved hjælp af forvekslingsmatricer baseret på referencedata. På tværs af de testede opsætninger leverede SVM den højeste nøjagtighed blandt de undersøgte metoder. Afhandlingen præsenterer klassifikationskort og nøjagtighedsstatistikker for hver tilgang og diskuterer implikationer for praktisk arealdækkekortlægning.
Land cover maps are commonly produced from satellite imagery, but accuracy depends on the chosen method and inputs. This thesis examines whether adding LiDAR‑derived elevation (a Digital Surface Model, DSM) to Sentinel‑2 multispectral bands affects land cover classification accuracy, and compares three techniques: unsupervised ISO clustering and the supervised Maximum Likelihood and Support Vector Machine (SVM) classifiers. Sentinel‑2 imagery was preprocessed and combined with a DSM generated from LiDAR point clouds; training samples were prepared for the supervised methods. Classifications were run with and without elevation, and accuracy was evaluated using confusion matrices based on reference data. Across the tested configurations, SVM achieved the highest accuracy among the examined methods. The thesis presents classification maps and accuracy statistics for each approach and discusses implications for operational land cover mapping.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents