CONFRONTO DI ALGORITMI PER LA CLASSIFICAZIONE LULC TRAMITE DATI SENTINEL-2 NELL’AREA DI MARGHERITA DI SAVOIA

This thesis compared five LULC classification algorithms in the Margherita di Savoia salt pans and surrounding areas. These algorithms, starting from Sentinel-2 level 2A imagery, generate LULC maps for the following classes: Salt Pans, Water Surfaces, Built-up Areas, Vegetation, and Bare Soil. Specifically, the algorithms analyzed are K-means, X-means, Manual Thresholding, OTSU Thresholding, and Optimized OTSU Thresholding, all implemented in Google Earth Engine. K-means and X-means are unsupervised classification algorithms, while the other three are algorithms based on spectral indices. The latter consist of sequentially applying different indices that, through threshold values, allow the different classes to be extracted. In Manual Thresholding, thresholds are defined manually, while in the OTSU Thresholding and Optimized OTSU Thresholding algorithms, they are determined automatically using the Otsu method, which makes the classification process completely automatic. In addition to the existing GOSAVI and SWIRED indices, two new spectral indices were developed based on the average spectral signatures of the five classes: the SEA Index, used to separate salt pans from aquatic surfaces, and SWIBLUE, introduced in Optimized OTSU Thresholding to improve the distinction between built-up areas and bare soil. This latter algorithm also involves a change in the class extraction order compared to OTSU Thresholding in order to improve classification results. The accuracy of the LULC maps obtained by the five algorithms was assessed using 125 validation points for each class, defined by photointerpretation of the RGB image of the study area. Using these data points, confusion matrices and four accuracy indicators were calculated in Google Earth Engine: overall accuracy (OA), user’s accuracy (UA), producer’s accuracy (PA), and Kappa coefficient. K-means and X-means produced coincident classifications, with an OA of 74.88% and a Kappa coefficient of 0.69. Manual Thresholding achieved an OA of 73.60% (Kappa = 0.67), while OTSU Thresholding achieved an OA of 75.04% (Kappa = 0.69). Optimized OTSU Thresholding achieved the best performance, with an overall accuracy of 89.92% and a Kappa coefficient of 0.87. Compared to previous algorithms, this algorithm reduces classification errors between built-up areas and bare soil, while still maintaining good results for other classes, including salt pans.

In questa tesi sono stati confrontati cinque algoritmi di classificazione LULC nell’area delle Saline di Margherita di Savoia e territori limitrofi. Questi algoritmi, a partire da immagini Sentinel-2 di livello 2A, generano delle mappe LULC relative alle classi Saline, Superfici acquatiche, Aree edificate, Vegetazione e Suolo nudo. In particolare, gli algoritmi analizzati sono K-means, X-means, Manual Thresholding, OTSU Thresholding e Optimized OTSU Thresholding, tutti implementati in Google Earth Engine. K-means e X-means sono algoritmi di classificazione non supervisionata, mentre gli altre tre sono algoritmi basati su indici spettrali. Questi ultimi consistono nell’applicare in sequenza diversi indici che, tramite dei valori soglia, consentono di estrarre le diverse classi. Nel Manual Thresholding le soglie sono definite manualmente, mentre negli algoritmi OTSU Thresholding e Optimized OTSU Thresholding vengono determinate automaticamente tramite il metodo di Otsu, il quale rende il processo di classificazione completamente automatico. Oltre agli indici già esistenti GOSAVI e SWIRED, sono stati sviluppati, a partire dalle firme spettrali medie delle cinque classi, due nuovi indici spettrali: il SEA Index, utilizzato per separare le saline dalle superfici acquatiche, e lo SWIBLUE, introdotto nell’Optimized OTSU Thresholding per migliorare la distinzione tra aree edificate e suolo nudo. Quest’ultimo algoritmo prevede inoltre una modifica nell’ordine di estrazione delle classi rispetto all’OTSU Thresholding al fine di migliorare i risultati della classificazione. L’accuratezza delle mappe LULC ottenute dai cinque algoritmi è stata valutata utilizzando 125 punti di validazione per ogni classe, definiti tramite fotointerpretazione dell’immagine RGB dell’area di studio. Tramite questi punti sono state calcolate in Google Earth Engine le matrici di confusione e quattro indicatori di accuratezza: accuratezza complessiva (OA), accuratezza dell’utente (UA), accuratezza del produttore (PA) e coefficiente Kappa. K-means e X-means hanno prodotto classificazioni coincidenti, con OA pari al 74.88% e coefficiente Kappa pari a 0.69. Il Manual Thresholding ha raggiunto un’OA del 73.60% (Kappa = 0.67), mentre l’OTSU Thresholding ha ottenuto un’OA del 75.04% (Kappa = 0.69). L’Optimized OTSU Thresholding ha ottenuto le migliori prestazioni, con un’accuratezza complessiva dell’89.92% e un coefficiente Kappa pari a 0.87. Rispetto agli algoritmi precedenti, questo algoritmo riduce gli errori di classificazione tra aree edificate e suolo nudo, mantenendo comunque buoni risultati anche sulle altre classi, tra cui le saline.