Multispectral analysis of geospatial data through Deep Learning techniques : application on dense forested areas and transportation systems

Abstract

Tree species remain as one of the most challenging tree characteristics in the field of remote sensing-based forest inventory. Despite enormous efforts invested on the sensors and the methodologies, remote sensing -based tree species classification can hardly break the limitation of 70-80% overall accuracy, even in generally simpler forest types such as the boreal forests.

The integration of spectral and 3D structural information of trees and tree parts from the multispectral MLS data will be the main route to the breakthroughs, while both of them have been shown to lack the potential to reach the goal of the practical applications. With accurately extracted individual tree points, segmented into objects with e.g. graph based FH algorithm or Conditional Random Fields, Seeded-region methods, or laser surface data clustering, all classifications will consider structural and spectral characteristics jointly.

In this thesis, one of the main aims is to develop new algorithms that could break the barrier of tree species and dead wood classification in e.g. boreal forest, and to achieve overall 90% accuracy for species classification including dead wood as one class, which is required by practical applications such as the forest health, and forest quality estimations. Also, the same studies will be applied on elements from other scenarios like road and infraestructure resilience.

Las especies de los árboles continúa siendo una de las características más desafiantes en el campo de la teledetección en el ámbito forestal. A pesar de los enormes esfuerzos empleados en los sensores y las metodologías, la teledetección basada en la clasificación de especies puede difícilmente romper el límite de eficacias de 70-80%, incluso en los tipos de bosques más simples, como por ejemplo los bosques boreales.

La integración de información espectral y estructural 3D de árboles y partes de árboles de datos MLS multiespectrales puede ser la ruta principal para adquirir nuevos avances, ya que ambos han demostrado carecer del potencial para alcanzar el objetivo de las aplicaciones prácticas. Con puntos de árbol individuales extraídos con precisión, segmentados en objetos con, por ejemplo, algoritmo FH basado en grafos o Campos Aleatorios Condicionales (Conditional Random Fields), métodos de región semilla (Seeded-region) o agrupación de datos de superficie láser (laser surface data clustering), todas las clasificaciones considerarán las características estructurales y espectrales de forma conjunta.

En esta tesis, uno de los objetivos principales es desarrollar nuevos algoritmos que puedan romper la barrera de las especies de árboles y la clasificación de madera muerta en, por ejemplo, bosques boreales, y lograr una precisión general del 90% para la clasificación de especies, incluída la madera muerta como una clase, ya que es requerida por aplicaciones prácticas como la salud forestal y las estimaciones de calidad forestal. Además, los mismos estudios se aplicarán sobre elementos de otros escenarios como carreteras y resiliencia de infraestructuras.

As especies das árbores continúa sendo unha das características máis desafiantes no campo da teledetección no ámbito forestal. A pesares dos enormes esforzos empregados nos sensores e nas metodoloxías, a teledetección baseada na clasificación de especies pode dificilmente romper o límite de eficacias do 70-80%, incluso nos tipos de bosques máis simples, como por exemplo os bosques boreais.

A integración de información espectral e estructural 3D de árbores e partes de árbores de datos MLS multiespectrais pode ser a ruta principal para adquirir novos avances, xa que ambos demostraron carecer do potencial para alcanzar o obxectivo das aplicacións prácticas. Con puntos de árbol individuais extraídos con precisión, segmentados en obxectos con, por exemplo, algoritmo FH baseado en grafos ou Campos Aleatorios Condicionais (Conditional Random Fields), métodos de rexión semente (Seeded-region) ou agrupacións de datos de superficie láser (laser surface data clustering), todas as clasificacións considerarán as características estructurais e espectrais de forma conxunta.

Nesta tese, un dos obxectivos principais é desenvolver novos algoritmos que poidan romper a barreira das especies de árbores e a clasificación da madera morta en, por exemplo, bosques boreais, e lograr unha precisión xeral do 90% para a clasificación de especies, inclusive a madeira morta como unha clase, xa que é requerida por aplicacións prácticas coma a saúde forestal e as estimacións de calidade forestal. Ademáis, os mesmos estudos aplicaranse sobre elementos doutros escenarios como carreteras e resiliencia de infraestructuras.