Knowledge base: Warsaw University of Technology

Settings and your account

Back

The study of automatic detection of water surfaces algorithm on Sentinel-2 sattelite images

Michał Antoni Szkibiel

Abstract

The problem of this thesis called was to examinate effectivness of machine learning algorithms in detection of water surfaces on Sentinel-2 sattelite images and to check the influence of inclusion of adjacent pixels to analysis for the effectivness of final classification. For this case there is given the theory for water remote sensing with an overwiev for existing elementar methods for extraction of water bodies. Then there was made a description of the Sentinel-2 system with cosideration of technical description of obtained images. Finally the theory of machine learning methods was described with particular consideration for artificial neural networsk and convolutional neural networks algorithms, the other ones finding especial application in objects recognition on images. For training and analysis purposes, training and testing terains were chosen with differing forms of water surfaces, which then they were vectorised by human operator. Next three different neural networks models were chosen, one considering only classified terain pixel, other one 5x5 pixels frame and the last one 7x7 pixels frame. Neural networks were trained on the training dataset and then effectivness of each model was analised on the test dataset. Received classifying functions had effectivnesses in F1-score given respectively: 88.8%, 88.3% and 87.5% on the test dataset. Also there was analised image from other date. Received F1-scores reached respectively 88.5%, 88.3% and 88.3% which confirms high indepedence of algorithms’ effectivness from a date of image taking.
Diploma type
Engineer's / Bachelor of Science
Diploma type
Engineer's thesis
Author
Michał Antoni Szkibiel (FGC) Michał Antoni Szkibiel,, Faculty of Geodesy and Cartography (FGC)
Title in Polish
Opracowanie algorytmu automatycznego wykrywania zasięgu wód powierzchniowych na obrazach satelitarnych Sentinel-2
Supervisor
Katarzyna Osińska-Skotak (FGC/DPRSISIS) Katarzyna Osińska-Skotak,, Department of Photogrammetry, Remote Sensing and Spatial Information Systems (FGC/DPRSISIS)Faculty of Geodesy and Cartography (FGC)
Certifying unit
Faculty of Geodesy and Cartography (FGC)
Affiliation unit
Department of Photogrammetry, Teledetection and Spatial Information Systems (FGC/DPRSISIS)
Study subject / specialization
, Geoinformatyka
Language
(pl) Polish
Status
Finished
Defense Date
04-02-2019
Issue date (year)
2019
Reviewers
Katarzyna Osińska-Skotak (FGC/DPRSISIS) Katarzyna Osińska-Skotak,, Department of Photogrammetry, Remote Sensing and Spatial Information Systems (FGC/DPRSISIS)Faculty of Geodesy and Cartography (FGC) Jerzy Chmiel (FGC/DPRSISIS) Jerzy Chmiel,, Department of Photogrammetry, Remote Sensing and Spatial Information Systems (FGC/DPRSISIS)Faculty of Geodesy and Cartography (FGC)
Keywords in Polish
teledetekcja, sztuczne sieci neuronowe, konwolucyjne sieci neuronowe, Sentinel-2, wody powierzchniowe
Keywords in English
remote sensing, artificial neural networks, convolutional neural networks, Sentinel-2, water surfaces
Abstract in Polish
Problem pracy dotyczył zbadania skuteczności algorytmów uczenia maszynowego w wykrywaniu zasięgów wód powierzchniowych na obrazach satelitarnych Sentinel-2 oraz sprawdzenia wpływu uwzględnienia pikseli bezpośrednio sąsiadujących z pikselem klasyfikowanym w analizie na skuteczność ostatecznej klasyfikacji. W pierwszej kolejności została przedstawiona teoria teledetekcji wód, w tym przegląd istniejących elementarnych metod wykrywania wód powierzchniowych. Następnie znajduje się opis systemu Sentinel-2 z uwzględnieniem technicznych parametrów uzyskiwanych obrazów. Na koniec tej części została opisana teoria dotycząca metod uczenia maszynowego ze szczególnym uwzględnieniem algorytmów sztucznych sieci neuronowych oraz konwolucyjnych sieci neuronowych, które to sieci znalazły szczególne zastosowanie w rozpoznawaniu obiektów na zdjęciach. W celu dokonania treningu i analizy zostały wybrane obszary treningowy i testowy z różnymi formami wód powierzchniowych, które następnie zostały ręcznie zwektoryzowane. Następnie zostały wybrane trzy różne modele sieci neuronowych, które przyjmowały na wejściu dane w obrębie tylko klasyfikowanego piksela terenowego, obszaru 5x5 pikseli oraz obszaru 7x7 pikseli. Sieci neuronowe zostały wytrenowane według zestawu treningowego, a następnie została wykonana analiza ich skuteczności na zestawie testowym. Uzyskane funkcje klasyfikujące otrzymały odpowiednio skuteczności mierzone F1-miarą 88,8%; 88,3% oraz 87,5% na zestawie testowym. Zostało też poddane analizie zdjęcie z innej daty. Uzyskane F1-miary wyniosły odpowiednio 88,5%; 88,3% oraz 88,3% na zestawie testowym, co wykazuje dużą niezależność skuteczności algorytmów od daty wykonania zdjęcia.
File
  • File: 1
    MichałSzkibiel_praca.pdf
Request a WCAG compliant version
Local fields
Identyfikator pracy APD: 27438

Uniform Resource Identifier
https://repo.pw.edu.pl/info/bachelor/WUT330bd300250e4c0f9af756086a6c94f0/
URN
urn:pw-repo:WUT330bd300250e4c0f9af756086a6c94f0

Confirmation
Are you sure?
Report incorrect data on this page