Farnoosh Noroozi
Analisi Comparativa dei Metodi di Classificazione della Copertura del Suolo a Ouagadougou Utilizzando Immagini Satellitari ad Alta Risoluzione: Valutazione di OBIA, Classificazione Supervisionata e Analisi della Tessitura GLCM = Comparative Analysis of Land Cover Classification Methods in Ouagadougou Using High-Resolution Satellite Imagery: Evaluating OBIA, Supervised Classification, and GLCM Texture Analysis.
Rel. Elena Belcore, Paolo Dabove. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Per L'Ambiente E Il Territorio, 2024
|
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (8MB) | Preview |
|
Archive (ZIP) (Documenti_allegati)
- Altro
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (7MB) |
Abstract: |
Abstract Il monitoraggio e l'analisi della copertura del suolo in aree urbane come Ouagadougou, Burkina Faso, sono essenziali per una pianificazione urbana efficace e per la gestione ambientale. Questo studio ha avuto l'obiettivo di generare una mappa della copertura del suolo ad alta risoluzione di Ouagadougou utilizzando immagini satellitari PlanetScope del 10 maggio 2023. Il sistema di classificazione si è concentrato sulla distinzione tra i principali tipi di copertura del suolo, tra cui vegetazione, acqua, suolo nudo e aree urbanizzate. L'NDVI (Indice di Vegetazione Normalizzato) è stato calcolato utilizzando le bande RGB e NIR per facilitare il processo di classificazione. In questo studio, sono stati confrontati diversi metodi per classificare la copertura del suolo di Ouagadougou. In primo luogo, sono state definite soglie di NDVI in QGIS per classificare i tipi di copertura del suolo. Queste soglie sono state quindi applicate in eCognition tramite l'Analisi delle Immagini Basata sugli Oggetti (OBIA) come secondo metodo, focalizzandosi su una classificazione basata su regole. Per migliorare la classificazione, è stata incorporata l'analisi della tessitura GLCM (Gray Level Co-occurrence Matrix) come condizione aggiuntiva. Come metodo finale, è stata eseguita la classificazione supervisionata utilizzando il machine learning (Random Forest) con campioni di addestramento definiti manualmente. Anche questo metodo, che utilizza OBIA, ha fornito un approccio comparativo. Dal confronto dell'accuratezza di questi metodi, la classificazione supervisionata ha ottenuto l'accuratezza complessiva più alta, pari al 75%. Questi risultati dimostrano l'efficacia della combinazione di più tecniche per la mappatura della copertura del suolo urbano, fornendo un quadro metodologico adattabile a studi simili in altre regioni. |
---|---|
Relatori: | Elena Belcore, Paolo Dabove |
Anno accademico: | 2024/25 |
Tipo di pubblicazione: | Elettronica |
Numero di pagine: | 113 |
Soggetti: | |
Corso di laurea: | Corso di laurea magistrale in Ingegneria Per L'Ambiente E Il Territorio |
Classe di laurea: | Nuovo ordinamento > Laurea magistrale > LM-35 - INGEGNERIA PER L'AMBIENTE E IL TERRITORIO |
Aziende collaboratrici: | NON SPECIFICATO |
URI: | http://webthesis.biblio.polito.it/id/eprint/33595 |
Modifica (riservato agli operatori) |