This thesis has been written on behalf of Västerås stad with the purpose to test and evaluate methods for automatic classification of land use from orthophotos. Today, only manual classification of land use based on orthophotos is used, which is a time-consuming task. Västerås stad therefore want to find a method to use in the future that is more efficient and provides equal quality. The land use classes used today, and which will also be used for the automatic classification, are: ● Green area ● Asphalt ● Gravel ● Sand ● Other hard surfaces ● Building In the project, two different methods for automatic classification were tested: classification algorithms and deep learning. Deep learning was used to train a model to classify land use from orthophotos according to the previously mentioned classes. The same set of training samples was used for all classification algorithms and for the training of the deep learning model. Accuracy calculations were performed for all classifications. The trained deep learning model achieved an accuracy of 0.843284. The classification algorithms tested were Support Vector Machine, Random Trees, K-Nearest Neighbor, and Maximum Likelihood. These were tested with different sets of input data. The results showed that Support Vector Machine with a normalized Digital Surface Model (nDSM) and Normalized Difference Vegetation Index (NDVI) as supplementary input data to the orthophoto provided the highest accuracy, with an overall accuracy of 0.852886, which is also better than the result from the deep learning model. After the best result was identified, it was generalized to remove small, misclassified segments. After generalization, the overall accuracy increased to 0.882682. The classes gravel and other hard surfaces stood out with particularly low accuracy in all classifications. When comparing the manually performed classification with the automatically created classifications, clear interruptions in the road network are noticeable. This has been identified as being due to trees and vegetation obscuring the ground beneath. This is a problem that seems difficult to solve with current automatic classification methods. / Detta examensarbete har genomförts på uppdrag av Västerås stad med syftet att testa och utvärdera metoder för automatisk klassificering av markanvändning från ortofoton. Idag används endast manuell klassificering av ortofoton, vilket är ett tidskrävande arbete. Västerås stad önskar därför hitta en metod att använda i framtiden som är effektivare men som ger en motsvarande kvalitet. Klasserna som används idag och som ska användas även för den automatiska klassificeringen är: ● Grönyta ● Asfalt ● Grus ● Sand ● Övriga hårda ytor ● Byggnad I projektet testades två olika metoder för automatisk klassificering: klassificeringsalgoritmer och djupinlärning. Djupinlärning har använts till att träna upp en modell till att klassificera markanvändning från ortofoton enligt de tidigare nämnda klasserna. För alla klassificeringsalgoritmer samt för träningen av djupinlärningsmodellen har samma uppsättning träningsprov använts. Noggrannhetsberäkningar har gjorts för samtliga klassificeringar. Den egentränade djupinlärningsmodellen gav en noggrannhet på 0,843284. Klassificeringsalgoritmerna som testades var Support Vector Machine, Random Trees, K-Nearest Neighbor och Maximum Likelihood. Dessa har testats med olika uppsättningar av indata. Resultatet visade att Support Vector Machine med en normaliserad digital ytmodell (nDSM) och normaliserat vegetationsindex (NDVI) som kompletterande indata till ortofotot gav den högsta noggrannheten med en övergripande noggrannhet på 0,852886, vilket även är bättre än resultatet från djupinlärningsmodellen. Efter att det bästa resultatet identifierats generaliserades det för att få bort små felklassificerade segment. Efter generaliseringen steg den övergripande noggrannheten till 0,882682. Klasserna grus och övriga hårda ytor stack ut med särskilt låg noggrannhet i samtliga klassificeringar. Vid jämförelse mellan den klassificering som gjorts manuellt och de klassificeringar som skapats automatiskt märks tydliga avbrott i vägnätet. Detta har identifierats bero på att träd och växtlighet skymmer marken under. Detta är ett problem som tycks svårt att lösa med nuvarande automatiska klassificeringsmetoder.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kau-100200 |
| Date | January 2024 |
| Creators | Cronqvist, Anna |
| Publisher | Karlstads universitet, Fakulteten för hälsa, natur- och teknikvetenskap (from 2013) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0972 seconds