Mappatura della copertura del suolo nelle Filippine basata sul deep learning mediante dati SAR Sentinel-1 e un dataset di addestramento derivato da MOLCA

Reliable high-resolution land-cover mapping using spaceborne Earth Observation data in the Philippines is challenging because persistent cloud cover limits consistent optical observations, while existing land-cover products differ in spatial resolution, legend design, and thematic accuracy. This suggests the use of radar systems, and this thesis develops a complete radar-based workflow using the European Sentinel-1 satellite constellation for producing and evaluating land-cover maps by training a deep learning architecture on a harmonised multi-source reference dataset. The reference was obtained from eight global, regional, and national land-cover products, harmonised through a Philippines-adapted Map of Land Cover Agreement (MOLCA) procedure. To cover the country, sixty tiles were processed, from which 280 reference patches were selected to ensure broad geographic coverage and rare-class representation. For each scene, 28 Sentinel-1 features derived from four seasonal intervals were retained. The implemented deep learning architecture was a SwinUNETR model trained using a fixed tile-based split and class-weighted cross-entropy. The final clean baseline achieved an Overall Accuracy of 0.8333, a macro-F1 of 0.5460, a mean Intersection over Union of 0.4339, and a Cohen’s kappa of 0.7703 on the fixed internal validation set. “Forest”, “Water”, and “Cropland” were the strongest classes, whereas “Shrubland” remained unresolved. A source-level audit showed that the “Shrubland” class, which applies only to a small fraction of the country area, had been suppressed during reference construction. Even when a weighted random sampler was used to increase the number of its samples, the improvement was marginal. The results show that reliable land-cover mapping depends not only on model design and class balancing, but also on reference-data construction, class separability, and geographic consistency.

La produzione di mappe della copertura del suolo ad alta risoluzione nelle Filippine mediante dati satellitari di Osservazione della Terra è particolarmente complessa, poiché la persistente copertura nuvolosa limita la disponibilità di osservazioni ottiche consistenti, mentre i prodotti di copertura del suolo esistenti differiscono per risoluzione spaziale, struttura della legenda e accuratezza tematica. Ciò suggerisce l'impiego di sistemi radar, e questa tesi sviluppa un flusso di lavoro completo basato sui dati radar della costellazione europea Sentinel-1 per la produzione e la valutazione di mappe di copertura del suolo, mediante l'addestramento di un'architettura di deep learning su un dataset di riferimento multi-sorgente armonizzato. Il riferimento è stato ottenuto da otto prodotti di copertura del suolo globali, regionali e nazionali, armonizzati mediante una procedura Map of Land Cover Agreement (MOLCA) adattata alle Filippine. Per coprire il Paese, sono stati elaborati sessanta tile, dai quali sono state selezionate 280 patch di riferimento per garantire un'ampia copertura geografica e una migliore rappresentazione delle classi rare. Per ogni scena sono state mantenute 28 feature Sentinel-1 derivate da quattro intervalli stagionali. L'architettura di deep learning implementata è un modello SwinUNETR, addestrato utilizzando una suddivisione fissa basata sui tile e una cross-entropy pesata per classe. La baseline finale ha raggiunto un'Overall Accuracy di 0,8333, un macro-F1 di 0,5460, un mean Intersection over Union di 0,4339 e un coefficiente kappa di Cohen di 0,7703 sul set interno di validazione fissato. Le classi “Forest”, “Water” e “Cropland” hanno ottenuto i risultati migliori, mentre “Shrubland” è rimasta irrisolta. Un'analisi a livello delle sorgenti ha mostrato che “la classe ‘Shrubland‘, che interessa solo una piccola frazione del territorio nazionale”, era stata fortemente ridotta durante la costruzione del riferimento. Anche utilizzando un campionatore casuale pesato per aumentare il numero dei suoi campioni, il miglioramento è risultato marginale. I risultati mostrano che una mappatura affidabile della copertura del suolo dipende non solo dalla progettazione del modello e dal bilanciamento delle classi, ma anche dalla costruzione dei dati di riferimento, dalla separabilità tra le classi e dalla coerenza geografica.