The increasing availability of new technologies, the improvement and miniaturization of current technologies, the greater accessibility of data with particular reference to free access to numerous (NASA, ESA) archives of remote sensing images, the growth in potential offered by Earth Observation (EO) technologies, can offer a great deal of information (EO) for the scientific and non-scientific community. However, in order to extract useful information from the immense amount of data available today, new analysis and interpretation approaches need to be defined, designed and implemented, especially with regard to long time series New challenges arise such as automatic, robust and efficient processing of this amount of data. The definition of new CD approaches is needed to replace techniques that were effective on the previous generation of images but not on the latest generation. Other challenges include defining techniques that are robust to input data with time-varying quality. Images from these long, dense time series have redundant information. Therefore, it is plausible that the change maps detected between pairs of images extracted from a time series are correlated with each other. Therefore, it becomes necessary, but not sufficient, to eliminate redundant notions in order to obtain 'pure' and valid results. This thesis explores mechanisms for exploiting the temporal correlation of images to improve the extraction of information from long time series. New techniques are proposed to improve CD results obtained for a pair of images or multiple remote sensing data using unsupervised classifications, logistic regressions to understand trends, and per-pixel value extrapolations to analyse vegetation changes within time series. In this context, cloud masking and restoration of cloud-covered pixels in long time series acquired by optical sensors is required. In the literature, solutions to this problem often do not take advantage of the availability of a large number of images available for the study area but rely only on monotemporal cloud discrimination. This requires the development of new paradigms and techniques capable of fully exploiting all data and efficiently processing long time series of images. The main objectives of this work are the development of automatic CD techniques and the study of unsupervised mechanisms for the evaluation and improvement of CD results exploiting long time series. The thesis studies multitemporal approaches capable of fully exploiting the information acquired on the scene. Specifically, the aims and new contributions of the thesis are: 1. the proposal of a new paradigm for extracting information from long time series of images. Approaches are proposed to exploit open-source tools such as Google Earth Engine and medium-high geometric resolution satellite data on different spatial scales, reducing image processing times and returning final outputs. 2. the definition of a model to monitor post-fire vegetation through non-invasive satellite techniques, being able to extrapolate trends on the annual maxima of vegetation indices, allowing the analysis of single pixel values in order to monitor possible anomalies such as: changes of use in protected natural areas, calamitous events triggered by the fire such as landslides, or inadequate land protection such as the cutting of uncontrolled forest areas for agricultural or breeding purposes. 3. the development of approaches for assessing and estimating ecosystem damage due to fires. The comparison of fire maps with current Italian urban plans, in order to delimit vulnerable areas for the safeguarding of Natural Capital.

La crescente disponibilità di nuove tecnologie, il miglioramento e la miniaturizzazione di quelle attuali, la maggiore accessibilità ai dati con particolare riferimento all’ accesso gratuito a numerosi (NASA, ESA) archivi di immagini telerilevate, la crescita delle potenzialità offerte dalle tecnologie di Earth Observation (EO), possono offrire una grande quantità di informazioni (EO) destinate alla comunità scientifica e non. Tuttavia, per estrarre utili informazioni dalla immensa quantità di dati oggi disponibili occorre definire, progettare ed implementare nuovi approcci di analisi ed interpretazioni soprattutto per quanto concerne le lunghe serie temporali Sorgono nuove sfide come l’elaborazione automatica, robusta ed efficace di tale quantità di dati. La definizione di nuovi approcci di CD è necessaria per sostituire le tecniche che erano efficaci sulla precedente generazione di immagini ma non su quelle di ultima generazione. Altre sfide consistono nella definizione di tecniche robuste ai dati di input con qualità variabile nel tempo. Le immagini di queste lunghe e dense serie temporali hanno informazioni ridondanti. Quindi, è plausibile che le mappe di cambio rilevate tra coppie di immagini estratte da una serie temporale siano correlate tra loro. Quindi diventa necessario, ma non sufficiente, eliminare nozioni ridondanti ai fini di ottenere risultati “puri” e validi. Questa tesi esplora i meccanismi per sfruttare la correlazione temporale delle immagini per migliorare l’estrazione di informazioni da lunghe serie temporali. Vengono proposte nuove tecniche per migliorare i risultati CD ottenuti per una coppia di immagini o più dati telerilevati utilizzando classificazioni non supervisionate, regressioni logistiche per comprendere i trend, estrapolazioni di valori per pixel per analizzare i cambi di vegetazione all’interno delle serie storiche. In questo contesto, è necessario il mascheramento delle nuvole e il ripristino dei pixel coperti da nuvole in lunghe serie temporali acquisite dai sensori ottici. In letteratura, le soluzioni a questo problema spesso non sfruttano la disponibilità di un gran numero di immagini disponibili per l’area di studio ma si basano solo sulla discriminazione monotemporale delle nuvole. Questo richiede lo sviluppo di nuovi paradigmi e nuove tecniche in grado di sfruttare pienamente tutti i dati e di elaborare in modo efficiente lunghe serie temporali di immagini. Gli obiettivi principali di questo lavoro sono lo sviluppo di tecniche automatiche di CD e lo studio di meccanismi non supervisionati per la valutazione e il miglioramento dei risultati di CD che sfruttano lunghe serie temporali. La tesi studia approcci multitemporali in grado di sfruttare appieno le informazioni acquisite sulla scena. In particolare, gli obiettivi e i nuovi contributi della tesi sono: 1. la proposta di un nuovo paradigma per l’estrazione di informazioni da lunghe serie temporali di immagini. Vengono proposti approcci per sfruttare strumenti open-source come Google Earth Engine e dati satellitari a medio-alta risoluzione geometrica su differenti scale spaziali riducendo i tempi di elaborazione delle immagini e di restituzione di output finali. 2. la definizione di modello che permette di monitorare la vegetazione post-incendio attraverso tecniche satellitari non invasive, riuscendo ad estrapolare trend sui massimi annuali degli indici di vegetazione consentendo l’analisi dei valori di singoli pixel ai fini di monitorare eventuali anomalie come: cambi di destinazione d’uso in aree naturali protette, eventi calamitosi innescati dall’incendio come frane, o di una non adeguata salvaguardia del territorio come eventuali tagli di aree forestali non controllate per scopi agricoli o di allevamento. 3. lo sviluppo di approcci per la valutazione e la stima del danno ecosistemico dovuto agli incendi. La comparazione delle mappe delle percorse dal fuoco con i piani urbanistici vigenti italiani, ai fini di perimetrare aree vulnerabili per la salvaguardia del Capitale Naturale.

Verso un approccio multi-scala, multi-temporale e multi-sensore per il monitoraggio del Capitale Naturale nell’era dei Big Earth Data. Metodi, tecniche e sviluppi futuri per la valutazione del danno post-evento / Fattore, Carmen. - (2022 Jul 19).

Verso un approccio multi-scala, multi-temporale e multi-sensore per il monitoraggio del Capitale Naturale nell’era dei Big Earth Data. Metodi, tecniche e sviluppi futuri per la valutazione del danno post-evento.

FATTORE, CARMEN
2022-07-19

Abstract

The increasing availability of new technologies, the improvement and miniaturization of current technologies, the greater accessibility of data with particular reference to free access to numerous (NASA, ESA) archives of remote sensing images, the growth in potential offered by Earth Observation (EO) technologies, can offer a great deal of information (EO) for the scientific and non-scientific community. However, in order to extract useful information from the immense amount of data available today, new analysis and interpretation approaches need to be defined, designed and implemented, especially with regard to long time series New challenges arise such as automatic, robust and efficient processing of this amount of data. The definition of new CD approaches is needed to replace techniques that were effective on the previous generation of images but not on the latest generation. Other challenges include defining techniques that are robust to input data with time-varying quality. Images from these long, dense time series have redundant information. Therefore, it is plausible that the change maps detected between pairs of images extracted from a time series are correlated with each other. Therefore, it becomes necessary, but not sufficient, to eliminate redundant notions in order to obtain 'pure' and valid results. This thesis explores mechanisms for exploiting the temporal correlation of images to improve the extraction of information from long time series. New techniques are proposed to improve CD results obtained for a pair of images or multiple remote sensing data using unsupervised classifications, logistic regressions to understand trends, and per-pixel value extrapolations to analyse vegetation changes within time series. In this context, cloud masking and restoration of cloud-covered pixels in long time series acquired by optical sensors is required. In the literature, solutions to this problem often do not take advantage of the availability of a large number of images available for the study area but rely only on monotemporal cloud discrimination. This requires the development of new paradigms and techniques capable of fully exploiting all data and efficiently processing long time series of images. The main objectives of this work are the development of automatic CD techniques and the study of unsupervised mechanisms for the evaluation and improvement of CD results exploiting long time series. The thesis studies multitemporal approaches capable of fully exploiting the information acquired on the scene. Specifically, the aims and new contributions of the thesis are: 1. the proposal of a new paradigm for extracting information from long time series of images. Approaches are proposed to exploit open-source tools such as Google Earth Engine and medium-high geometric resolution satellite data on different spatial scales, reducing image processing times and returning final outputs. 2. the definition of a model to monitor post-fire vegetation through non-invasive satellite techniques, being able to extrapolate trends on the annual maxima of vegetation indices, allowing the analysis of single pixel values in order to monitor possible anomalies such as: changes of use in protected natural areas, calamitous events triggered by the fire such as landslides, or inadequate land protection such as the cutting of uncontrolled forest areas for agricultural or breeding purposes. 3. the development of approaches for assessing and estimating ecosystem damage due to fires. The comparison of fire maps with current Italian urban plans, in order to delimit vulnerable areas for the safeguarding of Natural Capital.
19-lug-2022
La crescente disponibilità di nuove tecnologie, il miglioramento e la miniaturizzazione di quelle attuali, la maggiore accessibilità ai dati con particolare riferimento all’ accesso gratuito a numerosi (NASA, ESA) archivi di immagini telerilevate, la crescita delle potenzialità offerte dalle tecnologie di Earth Observation (EO), possono offrire una grande quantità di informazioni (EO) destinate alla comunità scientifica e non. Tuttavia, per estrarre utili informazioni dalla immensa quantità di dati oggi disponibili occorre definire, progettare ed implementare nuovi approcci di analisi ed interpretazioni soprattutto per quanto concerne le lunghe serie temporali Sorgono nuove sfide come l’elaborazione automatica, robusta ed efficace di tale quantità di dati. La definizione di nuovi approcci di CD è necessaria per sostituire le tecniche che erano efficaci sulla precedente generazione di immagini ma non su quelle di ultima generazione. Altre sfide consistono nella definizione di tecniche robuste ai dati di input con qualità variabile nel tempo. Le immagini di queste lunghe e dense serie temporali hanno informazioni ridondanti. Quindi, è plausibile che le mappe di cambio rilevate tra coppie di immagini estratte da una serie temporale siano correlate tra loro. Quindi diventa necessario, ma non sufficiente, eliminare nozioni ridondanti ai fini di ottenere risultati “puri” e validi. Questa tesi esplora i meccanismi per sfruttare la correlazione temporale delle immagini per migliorare l’estrazione di informazioni da lunghe serie temporali. Vengono proposte nuove tecniche per migliorare i risultati CD ottenuti per una coppia di immagini o più dati telerilevati utilizzando classificazioni non supervisionate, regressioni logistiche per comprendere i trend, estrapolazioni di valori per pixel per analizzare i cambi di vegetazione all’interno delle serie storiche. In questo contesto, è necessario il mascheramento delle nuvole e il ripristino dei pixel coperti da nuvole in lunghe serie temporali acquisite dai sensori ottici. In letteratura, le soluzioni a questo problema spesso non sfruttano la disponibilità di un gran numero di immagini disponibili per l’area di studio ma si basano solo sulla discriminazione monotemporale delle nuvole. Questo richiede lo sviluppo di nuovi paradigmi e nuove tecniche in grado di sfruttare pienamente tutti i dati e di elaborare in modo efficiente lunghe serie temporali di immagini. Gli obiettivi principali di questo lavoro sono lo sviluppo di tecniche automatiche di CD e lo studio di meccanismi non supervisionati per la valutazione e il miglioramento dei risultati di CD che sfruttano lunghe serie temporali. La tesi studia approcci multitemporali in grado di sfruttare appieno le informazioni acquisite sulla scena. In particolare, gli obiettivi e i nuovi contributi della tesi sono: 1. la proposta di un nuovo paradigma per l’estrazione di informazioni da lunghe serie temporali di immagini. Vengono proposti approcci per sfruttare strumenti open-source come Google Earth Engine e dati satellitari a medio-alta risoluzione geometrica su differenti scale spaziali riducendo i tempi di elaborazione delle immagini e di restituzione di output finali. 2. la definizione di modello che permette di monitorare la vegetazione post-incendio attraverso tecniche satellitari non invasive, riuscendo ad estrapolare trend sui massimi annuali degli indici di vegetazione consentendo l’analisi dei valori di singoli pixel ai fini di monitorare eventuali anomalie come: cambi di destinazione d’uso in aree naturali protette, eventi calamitosi innescati dall’incendio come frane, o di una non adeguata salvaguardia del territorio come eventuali tagli di aree forestali non controllate per scopi agricoli o di allevamento. 3. lo sviluppo di approcci per la valutazione e la stima del danno ecosistemico dovuto agli incendi. La comparazione delle mappe delle percorse dal fuoco con i piani urbanistici vigenti italiani, ai fini di perimetrare aree vulnerabili per la salvaguardia del Capitale Naturale.
Natural Capital; Remote Sensing; Wildfire; Google Earth Engine; Change Detection
Capitale Naturale; Telerilevamento; Incedi; Google Earth Engine; Monitoraggio;
Verso un approccio multi-scala, multi-temporale e multi-sensore per il monitoraggio del Capitale Naturale nell’era dei Big Earth Data. Metodi, tecniche e sviluppi futuri per la valutazione del danno post-evento / Fattore, Carmen. - (2022 Jul 19).
File in questo prodotto:
File Dimensione Formato  
Tesi_dottorato_Fattore.pdf

embargo fino al 31/07/2024

Descrizione: La crescente disponibilità di nuove tecnologie, il miglioramento e la miniaturizzazione di quelle attuali, la maggiore accessibilità ai dati con particolare riferimento all’ accesso gratuito a numerosi (NASA, ESA) archivi di immagini telerilevate, la crescita delle potenzialità offerte dalle tecnologie di Earth Observation (EO), possono offrire una grande quantità di informazioni (EO) destinate alla comunità scientifica e non. Tuttavia, per estrarre utili informazioni dalla immensa quantità di dati oggi disponibili occorre definire, progettare ed implementare nuovi approcci di analisi ed interpretazioni soprattutto per quanto concerne le lunghe serie temporali Sorgono nuove sfide come l’elaborazione automatica, robusta ed efficace di tale quantità di dati. La definizione di nuovi approcci di CD è necessaria per sostituire le tecniche che erano efficaci sulla precedente generazione di immagini ma non su quelle di ultima generazione. Altre sfide consistono nella definizione di tecniche robuste ai dati di input con qualità variabile nel tempo. Le immagini di queste lunghe e dense serie temporali hanno informazioni ridondanti. Quindi, è plausibile che le mappe di cambio rilevate tra coppie di immagini estratte da una serie temporale siano correlate tra loro. Quindi diventa necessario, ma non sufficiente, eliminare nozioni ridondanti ai fini di ottenere risultati “puri” e validi. Questa tesi esplora i meccanismi per sfruttare la correlazione temporale delle immagini per migliorare l’estrazione di informazioni da lunghe serie temporali. Vengono proposte nuove tecniche per migliorare i risultati CD ottenuti per una coppia di immagini o più dati telerilevati utilizzando classificazioni non supervisionate, regressioni logistiche per comprendere i trend, estrapolazioni di valori per pixel per analizzare i cambi di vegetazione all’interno delle serie storiche. In questo contesto, è necessario il mascheramento delle nuvole e il ripristino dei pixel coperti da nuvole in lunghe serie temporali acquisite dai sensori ottici. In letteratura, le soluzioni a questo problema spesso non sfruttano la disponibilità di un gran numero di immagini disponibili per l’area di studio ma si basano solo sulla discriminazione monotemporale delle nuvole. Questo richiede lo sviluppo di nuovi paradigmi e nuove tecniche in grado di sfruttare pienamente tutti i dati e di elaborare in modo efficiente lunghe serie temporali di immagini. Gli obiettivi principali di questo lavoro sono lo sviluppo di tecniche automatiche di CD e lo studio di meccanismi non supervisionati per la valutazione e il miglioramento dei risultati di CD che sfruttano lunghe serie temporali. La tesi studia approcci multitemporali in grado di sfruttare appieno le informazioni acquisite sulla scena. In particolare, gli obiettivi e i nuovi contributi della tesi sono: 1. la proposta di un nuovo paradigma per l’estrazione di informazioni da lunghe serie temporali di immagini. Vengono proposti approcci per sfruttare strumenti open-source come Google Earth Engine e dati satellitari a medio-alta risoluzione geometrica su differenti scale spaziali riducendo i tempi di elaborazione delle immagini e di restituzione di output finali. 2. la definizione di modello che permette di monitorare la vegetazione post-incendio attraverso tecniche satellitari non invasive, riuscendo ad estrapolare trend sui massimi annuali degli indici di vegetazione consentendo l’analisi dei valori di singoli pixel ai fini di monitorare eventuali anomalie come: cambi di destinazione d’uso in aree naturali protette, eventi calamitosi innescati dall’incendio come frane, o di una non adeguata salvaguardia del territorio come eventuali tagli di aree forestali non controllate per scopi agricoli o di allevamento. 3. lo sviluppo di approcci per la valutazione e la stima del danno ecosistemico dovuto agli incendi. La comparazione delle mappe delle percorse dal fuoco con i piani urbanistici vigenti italiani, ai fini di perimetrare aree vulnerabili per la salvaguardia del Capitale Naturale.
Tipologia: Tesi di dottorato
Licenza: Creative commons
Dimensione 116.95 MB
Formato Adobe PDF
116.95 MB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11563/158586
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact