A neural nets urban land cover classification: a case study of Brno (Czechia)

Accurate and updated land cover maps provide crucial basic information in a number of important enterprises, with sustainable development and regional planning far from the least of them. Remote sensing is probably the most efficient approach to obtaining a land cover map. However, certain intrinsic limitations limit the accuracy of automatic approaches to image classification. Classifications within highly heterogeneous urban areas are especially challenging. This study makes a presentation of multilayer perceptron (MLP), an artificial neural network (ANN), as an applicable approach to image classification. Optimal MLP architecture parameters were established by means of a training set. The resulting network was used to classify a sub-scene within ASTER imagery. The results were evaluated against a test dataset. The overall accuracy of classification was 94.8%. This is comparable to classification results from a maximum likelihood classifier (MLC) used for the same image. In built-up areas, MLP did not exaggerate built-up areas at the expense of other classes to the same extent as MLC. Role neuronových sítí při klasifikaci druhů povrchu v zastavěných oblastech: vícevrstvá neuronová síť Aktuální a přesné mapy druhů povrchů poskytují zásadní informace pro řadu odvětví, mezi jinými pro územní plánování a trvale udržitelný rozvoj. Dálkový průzkum Země nabízí zřejmě nejefektivnější přístup pro tvorbu těchto map. Přesnost metod automatické klasifikace obrazu je nicméně stále limitována, zvláště ve vysoce heterogenních zastavěných oblastech. Tato studie prezentuje vícevrstvou neuronovou síť (multilayer perceptron) jako příklad jednoho z možných přístupů ke klasifikaci obrazu. Optimálního nastavení parametrů architektury použité neuronové sítě bylo dosaženo pomocí trénovací množiny vzorů. Výsledná síť se dvěma skrytými vrstvami byla použita pro klasifikaci satelitního snímku pořízeného senzorem ASTER. Výsledek klasifikace byl následně zhodnocen pomocí testovací množiny dat. Celková přesnost klasifikace vůči testovacím datům dosahovala 94,8 %, což je srovnatelné s klasifikací získanou využitím klasifikátoru maximální pravděpodobnosti (maximum likelihood) pro totožný snímek. Výraznějšího rozdílu v klasifikaci si lze povšimnout především ve výsledné rozloze zastavěných ploch, kdy klasifikátor maximální pravděpodobnosti značně nadhodnotil zastoupení zastavěných ploch v obraze (43,6 %) oproti ostatním klasifikovaným třídám. Klasifikací vícevrstvou neuronovou sítí byla zastavěná plocha vymezena na 36,5 % klasifikovaného území.