Multi-season deep learning-based land cover classification using satellite images

Abstract

The influence of seasonal variations on land cover classification using satellite images is increasingly recognized. The growing volume of data captured at different times of the year highlights the dynamic complexity of environmental conditions over time. These seasonal variations introduce nuances in both atmospheric and land cover patterns, playing a crucial role in the accuracy of soil classification. This dissertation aims to investigate the impact of these nuances, including atmospheric and land changes, on the performance of Convolutional Neural Network (CNN) models developed for this purpose. To this end, the CNN models were evaluated and compared using satellite images captured during the summer and winter. In addition, the effect of combining this data on the overall performance of the models will be studied. The results obtained indicate that the seasons exert a significant influence on land cover classification using CNN models, with notable variations between the different seasons. Furthermore, it was observed that the integration of multi-seasonal data led to a substantial improvement in model performance. Despite the promising results, the scarcity of properly labeled data represented a considerable challenge in the development of these models. In summary, the study concluded that incorporating seasonal information enabled slight improvements in land cover classification accuracy. Moreover, this research not only advances the understanding of how seasonality affects classification but also opens avenues for future studies and refinements in land cover classification techniques based on satellite imagery.

A influência das variações sazonais na classificação da cobertura do terreno utilizando imagens de satélite é cada vez mais reconhecida. O volume crescente de dados captados em diferentes alturas do ano realça a complexidade dinâmica das condições ambientais ao longo do tempo. Estas variações sazonais introduzem nuances nos padrões atmosféricos e de ocupação do solo, desempenhando um papel crucial na precisão da classificação do solo. Esta dissertação investiga o impacto destas nuances, incluindo as alterações atmosféricas e da ocupação do solo, no desempenho dos modelos de Redes Neuronais Convolucionais desenvolvidos para o efeito. Para isso, os modelos CNN foram avaliados e comparados utilizando imagens de satélite capturadas durante o verão e o inverno. Adicionalmente, estudou--se o efeito da combinação destes dados no desempenho global dos modelos. Os resultados obtidos indicam que as estações do ano exercem uma influência significativa na classificação da ocupação do solo utilizando modelos CNN, com variações notáveis entre as diferentes estações. Além disso, observou-se que a integração de dados multi-sazonais conduziu a uma melhoria substancial do desempenho do modelo. Apesar dos resultados promissores, a escassez de dados etiquetados representou um desafio considerável no desenvolvimento destes modelos. Em resumo, o estudo concluiu que a incorporação de informações sazonais permite melhorar a precisão da classificação da ocupação do solo. Além disso, esta investigação não só contribui para a compreensão de como a sazonalidade afeta a classificação, mas também abre caminhos para estudos futuros e aperfeiçoamentos nas técnicas de classificação da ocupação do solo baseadas em imagens de satélite.