Computational methods for efficiently handling and analyzing satellite sensor imagery

• Autores: Harkaitz Goyena Baroja
• Directores de la Tesis: María Dolores Ugarte Martínez (dir. tes.), Unai Pérez Goya (codir. tes.)
• Lectura: En la Universidad Pública de Navarra ( España ) en 2026
• Idioma: inglés
• Depósito Legal: https://doi.org/10.48035/
• Número de páginas: 129
• Programa de doctorado: Programa de Doctorado en Ciencias y Tecnologías Industriales por la Universidad Pública de Navarra
• Enlaces
  • Tesis en acceso abierto en: Academica-e
• Resumen
  • español

    Las imágenes satelitales proporcionan información de un valor incalculable para una amplia gama de áreas de investigación. Su utilización en la observación de la Tierra constituye una práctica fundamental para monitorizar catástrofes como incendios forestales, terremotos o inundaciones, analizar procesos agroecológicos o evaluar políticas públicas como la Política Agraria Común. Sin embargo, las imágenes satelitales no están exentas de limitaciones. En primer lugar, las imágenes multiespectrales captadas por estos sensores se ven afectadas por efectos atmosféricos, geométricos y físicos del propio sensor, entre otros, por lo que no están libres de errores. Además, los sensores satelitales deben encontrar un equilibrio entre el ancho de barrido y el tiempo de revisita, lo que implica una compensación entre la frecuencia de adquisición de imágenes y la resolución espacial. Esta tesis se dedica al desarrollo de métodos computacionales eficientes para el tratamiento y análisis de imágenes satelitales. Con este fin, se plantean los siguientes objetivos. El primer objetivo es introducir los conceptos básicos de la teledetección por sensores satelitales, junto con sus aplicaciones y desafíos, con el propósito de aclarar la relevancia de esta tesis. El Capítulo 1 cumple este objetivo al ofrecer una visión general de los conceptos fundamentales necesarios para comprender el resto del trabajo. Asimismo, resume algunas de las diversas aplicaciones de las imágenes satelitales y describe los principales retos para su uso generalizado, vinculándolos con los trabajos desarrollados en esta tesis. El segundo objetivo es analizar el uso del aprendizaje automático (machine learning) para la observación de la Tierra. El Capítulo 2 estudia la aplicación de un conocido método de aprendizaje automático, eXtreme Gradient Boosting (XGBoost), para la detección de áreas quemadas (Burned Area, BA), y lo compara con un enfoque estadístico tradicional, la regresión logística (LR). Para ello, en primer lugar, se transforma la información de las imágenes a un formato que contiene las diferencias de diversos índices. Posteriormente, se realiza la clasificación de las áreas quemadas y se comparan las métricas de precisión obtenidas por ambos métodos. Este trabajo sugiere que los modelos de aprendizaje automático no siempre son la opción más adecuada para detectar áreas quemadas cuando se dispone de conjuntos de datos de tamaño medio o grande. Las concesiones inherentes entre el ancho de barrido y el tiempo de revisita de los sensores satelitales implican una relación de compromiso entre la resolución espacial y la resolución temporal. En consecuencia, los programas satelitales que ofrecen alta resolución espacial no pueden alcanzar simultáneamente una alta resolución temporal, y viceversa. El tercer objetivo de esta tesis es desarrollar un método de fusión espaciotemporal de imágenes (Spatio-Temporal Image Fusion, STIF) que compense estas limitaciones fusionando imágenes de satélites con resoluciones espaciales y temporales complementarias, generando así productos con alta resolución tanto espacial como temporal. El Capítulo 3 describe el método propuesto, denominado Unpaired Spatio-Temporal Fusion of Image Patches (USTFIP). Este método fusiona imágenes de resolución gruesa (por ejemplo, de MODIS) y de resolución fina (por ejemplo, de Landsat) mediante un procedimiento de tres etapas que simplifica los requisitos habituales de los datos de entrada y permite obtener imágenes diarias de alta resolución. El cuarto objetivo es diseñar una plataforma de software capaz de implementar el método USTIFP para generar automáticamente imágenes diarias de alta resolución para cualquier región. El Capítulo 4 presenta la arquitectura propuesta y algunas de las decisiones de implementación subyacentes, así como ciertas limitaciones que motivaron el desarrollo de un nuevo procedimiento de estandarización multisensor. El quinto objetivo consiste en perfeccionar los procedimientos de estandarización existentes con el fin de obtener series de imágenes más adecuadas para los métodos STIF. El Capítulo 5 presenta un procedimiento automático de reescalado (upscaling) que busca mejorar la similitud degradando las imágenes de alta resolución, junto con un enfoque que genera imágenes de baja resolución más parecidas a las imágenes agregadas de alta resolución. Además, compara el efecto de ambas metodologías sobre las predicciones del método USTFIP. La tesis concluye con un resumen de los principales hallazgos y las líneas futuras de investigación.

  • English

    Satellite sensor images provide invaluable information for a wide range of research areas. Operating them for Earth observation is a crucial practice to monitor catastrophes such as wildfires, earthquakes or floods, to analyze agro-ecological processes, or to evaluate public policies such as the common agricultural policy. However, satellite sensor images are not free of caveats. First of all, multispectral images captured by satellite sensors are affected by atmospheric, geometric and physical sensor effects, among others, thus, they are not free of errors. In addition, satellite sensors need to compromise between capture swath width and revisiting time, which leads to trade-offs between image frequency and spatial resolution. This thesis is dedicated to develop computational methods for handling and analyzing satellite sensor imagery. To this end, it aims to achieve the following goals. The first goal is to introduce the basic concepts of satellite sensor imagery, along with their applications and challenges to clarify the relevance of this thesis. Chapter 1 achieves this goal by providing an overview of the fundamental concepts of satellite sensor imagery necessary to understand the rest of the work. It also summarizes some of its various applications and describes the main challenges for the widespread application of satellite sensor imagery methods, while linking them to the work done for this thesis. The second goal is to analyze the use of machine learning for earth observation applications. Chapter 2 investigates the application of a well known machine learning method, eXtreme Gradient Boosting (XGBoost) for burned area (BA) detection and compares it to a traditional statistical approach, Logistic Regression (LR). To this end, we first transform the image data into text format containing several difference indexes. Then, we perform the burned area classification and compare the accuracy metrics obtained by both methods. This work hints that machine learning models are not always the preferable method to detect burned areas with medium to large datasets. The inherent trade-offs between the swath width and revisit time of satellite sensors result in a compromise between spatial and temporal resolution. Consequently, satellite programs offering high spatial resolution cannot simultaneously achieve high temporal resolution, and vice versa. The third objective of this work is to develop a Spatio-Temporal Image Fusion (STIF) method that compensates for these trade-offs by fusing imagery from satellites with complementary spatial and temporal resolutions, thereby generating products with both high spatial and temporal resolution. Chapter 3 describes the proposed Unpaired Spatio Temporal Fusion of Image Patches (USTFIP) method. The method fuses coarse- (e.g. from MODIS) and fine- (e.g. from Landsat) resolution images in a three step procedure that eases the usual input data requirements while providing daily fine-resolution images. The fourth goal is to design a software platform capable of implementing the STIF method to automatically provide daily fine-resolution for any given region. Chapter 4 presents the proposed architecture and some of its underlying mplementation decisions, along with some of its caveats that motivated the development of a new multi-source standardization procedure. The fifth goal is to refine the available standardization procedures to provide image series that are more suitable for STIF methods. Chapter 5 provides an automatic upscaling procedure that aims to improve similarity by degrading the fine resolution images along with a sharpening based approach that provides coarseresolution images that are more alike to the aggregated fine-resolution images and compares the effect of both methodologies on the predictions of the USTFIP method. The thesis concludes with a summary of the main findings and the future research lines.