Methods and Algorithms for
Hyperspectral Data Processing

Sykas, Dimitris; Συκάς, Δημήτρης

dc.contributor.author	Sykas, Dimitris	en
dc.contributor.author	Συκάς, Δημήτρης	el
dc.date.accessioned	2016-04-13T09:50:44Z
dc.date.available	2016-04-13T09:50:44Z
dc.date.issued	2016-04-13
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42381
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.1873
dc.rights	Default License
dc.subject	hyperspectral	en
dc.subject	spectral unmixing	en
dc.subject	spectroscopy	en
dc.subject	remote sensing algorithms	en
dc.subject	relative radiometric normalization	en
dc.title	Methods and Algorithms for Hyperspectral Data Processing	en
dc.contributor.department	Εργαστήριο Τηλεπισκόπησης	el
heal.type	doctoralThesis
heal.classification	Remote sensing	en
heal.classificationURI	http://skos.um.es/unescothes/C03347
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2016-04-22
heal.abstract	Hyperspectral remote sensing and spectroscopy collect and process information from across the electromagnetic spectrum with the purpose of finding objects, identifying materials, or detecting processes. Hyperspectral imaging systems, due to their low spatial resolution, obtain pixels that may contain several distinct materials. This is the problem of spectral mixing for which linear and nonlinear models have been proposed in order to spectrally unmix the data. For both models, but especially for the linear one, many methods that implement the required stages of spectral unmixing have been developed. This thesis addresses several key issues on hyperspectral remote sensing and spectroscopy concerning spectral unmixing, spectral matching, spectral discrimination, quantification of parameters using spectral data and relative radiometric normalization of hyperspectral data. These issues are related to real world hyperspectral remote sensing applications, which require both measurements and processing of field data, as well as hyperspectral acquisitions and processing of the same area in many different time periods. The main contributions of the thesis include the introduction of new innovative concepts and ideas, and exploitation of existing ones. A new novel unmixing concept and six new methods have been developed within the thesis: estimation of the number of endmembers and extraction, abundance fraction estimation, spectral matching, spectral discrimination, spectroscopy, and relative radiometric normalization. The first three perform the main spectral unmixing steps in hyperspectral imaging, the next two address key issues of spectroscopy on the distinction of species/varieties and estimation of the object parameters, while the sixth allows the simultaneous processing of remote sensing data of different chronologies / sensors, etc. The first method called Fractional Distance (FD) introduces a novel distance-based method, for estimating the number of endmembers and extracts them. The method adopts the network concept according to which, every pixel of the image creates a network. The endmembers and the pixel are the nodes of the network while the fractional distance parameter quantify the network links. When the pixel is replaced by an endmember, then an endmember network is created. The set of the endmember networks formulates the endmember fractional distance matrix. The Fractional Distance (FD) method, exploits the mathematical properties of the endmember fractional distance matrix and provides the number and the signatures of the endmembers with low computational cost. Fractional distance matrices satisfactorily reveal the linear independence of the endmember vectors, as well as, the maximization of the volume of the simplex formed by the endmembers. FD was evaluated using simulated and real data, and it was also compared with the existing random counterparts of state of the art algorithms. Evaluation of the method showed that the method yields robust and satisfactory results, and outperforms its competitors. The second method called Network Based Method (NBM) is a new non-parametric algorithm for calculating the abundance fraction values for given endmembers which relies on the network concept. Based on the fractional distances which imply nonlinearity, the method quantifies interactions between pixels and endmembers. Relationships between fractional distances and abundance fractions are built through the networks. Because an equal spectral mixture of endmembers is likely impossible, the proposed method, due to its mathematical concept, reveals the presence of unknown endmembers. Three versions of the method have been developed: the non-constrained (U-NBM), the sum-to-one, (S-NBM) and the fully constrained (F-NBM) versions. Evaluation of the method using synthetic and real data showed that the method is robust with clear and interpretable results and provides reliable abundance fractions, particularly the sum-to-one and the fully constrained versions of the method. The new unmixing method has also been compared with the fully constrained least squares method. As part of the matching/labeling, the third method is a new methodology for automatically labeling extracted endmembers from hyperspectral images, using a reference Spectral Library (SL). The SL is structured with three main layers: main consisting material, semantic meaning, and illumination conditions in order to classify the endmembers. The labeling process is based on two similarity metrics: the Spectral Angle Mapper and the Cross Correlation. These two metrics are initially introduced in spectral inequalities which characterize each endmember of the reference SL. During the labeling procedure, inequalities should be respected for labeling the endmembers, otherwise the values of metrics are used. Updating of the SL refers to incorporation of the not labeled endmembers in the SL. The method can also enable the creation of SLs that are related to specific sensors and their characteristics. The proposed method is evaluated using CASI-550 radiance images. The methodology produced satisfactory results.The fourth methodology is a new methodology for the discrimination of plant species and their varieties using hyperspectral data. The concept lies on the combination of spectral pre-processing algorithms (SPPA) that enhance spectral discrimination between species and their varieties. SPPA use as input a single spectral signature and transform it according to the SPPA function. A k-step combination of SPPA uses k pre-processing algorithms serially. Initially each spectral signature is used as input to the first SPPA. The result of this SPPA is used as input to the second SPPA, and so on until the desired pre-processed signatures are reached. These signatures are then discriminated by applying spectral matching algorithms. The performance of the combination is evaluated based on the number of correctly matched signatures. In this work a k-step combination of SPPA has been set up, with k ranging from 1 to 3. Sixteen SPPAs have been investigated in total. There is a very large number of possible combinations of the aforementioned SPPAs, thus a Simple Genetic Algorithm has been used for finding optimum combinations. The evaluation set included the spectral signatures of 9 varieties of vetches and 9 varieties of lentils, measured by the GER1500 spectroradiometer. For all the samples, the spectral signatures were measured at two slightly different times in the growing season. The results showed that several combinations exist which can successfully discriminate and label the spectral signatures in terms of variety, and they are independent from the time of the spectral signature measurement. Continuing on the k-step methodology, the fifth method presents a new algorithm for automatically determining the optimum regression model, which enables the estimation of a parameter. The combination of SPPAs are used as input to three different regression methods: the Normalized band Difference Regression (NDR), the Multiple Linear Regression (MLR) and the Partial Least Squares Regression (PLSR). Three Simple Genetic Algorithms (SGAs) are used, one for each regression method, for the selection of the optimum combination of k SPPAs. The performance of the SGAs is evaluated based on the RMS error of the regression models. The evaluation not only indicates the selection of the optimum SPPA combination but also the regression method that produces the optimum prediction model. The proposed method was applied on soil spectral measurements in order to predict Soil Organic Matter (SOM). In this study, the maximum value assigned to k was 3. PLSR yielded the highest accuracy while NDR’s accuracy was satisfactory compared to its complexity. MLR method showed several drawbacks due to the presence of noise in terms of collinearity at the spectral bands. Most of the regression methods required a 3-step combination of SPPAs for achieving the highest performance. The selected preprocessing algorithms were different for each regression method since each regression method handles with a different way the explanatory variables. Last but not least, the method called Normalized Proximity and Similarity Methodology (NPSM) is proposed. NPSM is a new automatic methodology for radiometric normalization of multi-temporal hyperspectral images. The concept of a relative radiometric normalization (RRN) for multitemporal multispectral and hyperspectral images is investigated. The NPS methodology introduces two spectral metrics, the absolute normalized difference (AND) and the absolute normalized ratio difference (ANRD), to select Invariant Pixels (IPs). A new metric is also introduced for the evaluation of the proposed methodology: the root mean square error (RMSE) between the values of the initial subject image and the relevant reconstructed subject image. The NPSM is validated using 9 ASTER and 14 Hyperion images. Results demonstrate the high performance of the methodology on both hyperspectral and multispectral data.	en
heal.abstract	Η υπερφασματική τηλεπισκόπηση και η φασματοσκοπία συλλέγουν και επεξεργάζονται πληροφορίες από το ηλεκτρομαγνητικό φάσμα με σκοπό την εύρεση αντικειμένων, την ταυτοποίηση υλικών, ή τον εντοπισμό διεργασιών. Τα υπερφασματικά συστήματα, λόγω της χαμηλής τους χωρικής ανάλυσης, καταγράφουν εικονοστοιχεία τα οποία περιέχουν αρκετά διακριτά υλικά. Αυτό είναι το πρόβλημα της φασματικής ανάμιξης για το οποίο έχουν προταθεί αρκετά γραμμικά και μη- γραμμικά μοντέλα με σκοπό τον φασματικό διαχωρισμό. Και για τα δύο μοντέλα, αλλά ειδικά για το γραμμικό, έχουν προταθεί πολλές μέθοδοι που υλοποιούν τα απαιτούμενα στάδια του φασματικού διαχωρισμού. Η παρούσα διδακτορική διατριβή εστιάζει σε ορισμένα χαρακτηριστικά θέματα της υπερφασματικής τηλεπισκόπησης και της φασματοσκοπίας. Τα θέματα αυτά αφορούν τον φασματικό διαχωρισμό, τη φασματική ταυτοποίηση, τη φασματική διάκριση, την ποσοτικοποίηση παραμέτρων χρησιμοποιώντας φασματικά δεδομένα και την σχετική ραδιομετρική κανονικοποίηση. Αυτά τα θέματα σχετίζονται με πραγματικές εφαρμογές της υπερφασματικής τηλεπισκόπησης και της φασματοσκοπίας, οι οποίες απαιτούν τόσο μετρήσεις και επεξεργασία δεδομένων πεδίου, όσο και απόκτηση υπερφασματικών δεδομένων και επεξεργασία τους, στην ίδια περιοχή σε διαφορετικές χρονικές περιόδους. Οι κύριες συνεισφορές της διδακτορικής διατριβής περιλαμβάνουν την εισαγωγή νέων καινοτόμων ιδεών και την αξιοποίηση ήδη υπαρχουσών. Μία νέα προσέγγιση για την επίλυση του φασματικού διαχωρισμού και έξι νέες μέθοδοι έχουν αναπτυχθεί στο πλαίσιο της διατριβής: εκτίμηση του αριθμού των καθαρών στόχων και εξαγωγή τους (endmember number estimation and extraction), εκτίμηση των ποσοστών συμμετοχής των καθαρών στόχων στα εικονοστοιχεία (abundance estimation), φασματική ταυτοποίηση (spectral matching), φασματική διάκριση (spectral discrimination), εκτίμηση παραμέτρων μέσω φασματοσκοπίας (spectroscopy), και σχετική ραδιομετρική κανονικοποίηση απεικονίσεων (relative radiometric normalization). Οι τρεις πρώτες υλοποιούν τα κύρια στάδια του φασματικού διαχωρισμού σε υπερφασματικές απεικονίσεις, οι δύο επόμενες καλύπτουν τους κύριους στόχους της φασματοσκοπίας: την διάκριση ειδών/αντικειμένων και την εκτίμηση των παραμέτρων που συνθέτουν μια φασματική υπογραφή, ενώ η τελευταία επιτρέπει την ταυτόχρονη επεξεργασία τηλεπισκοπικών δεδομένων διαφορετικών χρονολογιών/δεκτών, κλπ. Η πρώτη μέθοδος ονομάζεται Κλασματική Απόσταση (ΚΑ) (Fractional Distance) και εισάγει μια νέα μέθοδο βασιζόμενη στην ευκλείδεια φασματική απόσταση, για την εκτίμηση του αριθμού των καθαρών στόχων και την εξαγωγή τους. Η μέθοδος υιοθετεί την ιδέα του δικτύου σύμφωνα με την οποία, το κάθε εικονοστοιχείο της εικόνας δημιουργεί ένα δίκτυο. Οι καθαροί στόχοι και το εικονοστοιχείο είναι οι κόμβοι του δικτύου ενώ η κλασματική απόσταση μία παράμετρος η οποία περιγράφει και ποσοτικοποιεί τις ακμές του δικτύου. Όταν το εικονοστοιχείο αντικατασταθεί από έναν καθαρό στόχο, τότε το δίκτυο που δημιουργείται λέγεται δίκτυο καθαρών στόχων. Το σύνολο των δικτύων των καθαρών στόχων διατυπώνεται μαθηματικά με τον πίνακα των κλασματικών αποστάσεων των καθαρών στόχων. Η μέθοδος της Κλασματικής Απόστασης αξιοποιεί τις μαθηματικές ιδιότητες του πίνακα των κλασματικών αποστάσεων για να υπολογίσει τον αριθμό και να εξάγει τις φασματικές υπογραφές των καθαρών στόχων με χαμηλό υπολογιστικό κόστος και χωρίς να απαιτεί μετασχηματισμό των δεδομένων και μείωση της διάστασης του υπερφασματικού χώρου. Η ΚΑ αξιολογήθηκε χρησιμοποιώντας δεδομένα προσομοίωσης και πραγματικά δεδομένα. Επίσης συγκρίθηκε με ομόλογους αλγορίθμους. Τα αποτελέσματα της αξιολόγησης της μεθόδου έδειξαν ότι η μέθοδος αποδίδει ισχυρά και ικανοποιητικά αποτελέσματα, και υπερτερεί σε σχέση με τις άλλες μεθόδους. Η δεύτερη μέθοδος ονομάζεται Δικτυακή Μέθοδος (ΔΜ) (Network Based Method) και είναι μια νέα μη παραμετρική μέθοδος, που βασίζεται στην ιδέα των δικτύων, για τον υπολογισμό των ποσοστών αφθονίας των καθαρών στόχων σε κάθε εικονοστοιχείο. Χρησιμοποιεί την κλασματική απόσταση ως βασική μεταβλητή που ποσοτικοποιεί τις αλληλεπιδράσεις μεταξύ των 8 εικονοστοιχείων και των καθαρών στόχων. Οι σχέσεις μεταξύ των κλασματικών αποστάσεων και των ποσοστών αφθονίας ορίζονται βάσει των δικτύων που δημιουργούνται. Επειδή ισοκαταμερισμός των ποσοστών αφθονίας των καθαρών στόχων σε ένα εικονοστοιχείο πραγματικών δεδομένων είναι σχεδόν απίθανος, η προτεινόμενη μέθοδος αποκαλύπτει την ύπαρξη καθαρών στόχων οι οποίοι δεν έχουν πιθανόν εξαχθεί από κάποια μέθοδο εξαγωγής καθαρών στόχων. Τρεις εκδοχές της μεθόδου έχουν αναπτυχθεί: η χωρίς περιορισμούς, η έκδοση με περιορισμό το άθροισμα των αφθονιών σε ένα καθαρό στόχο να είναι ίσο με ένα και η πλήρως περιορισμένη έκδοση. Η αξιολόγηση της μεθόδου με τη χρήση συνθετικών και πραγματικών δεδομένων έδειξε ότι η μέθοδος είναι σταθερή με σαφή και ερμηνεύσιμα αποτελέσματα και παρέχει αξιόπιστα ποσοστά αφθονίας. Ιδιαίτερα αυξημένη ακρίβεια παρέχουν οι δύο εκδόσεις με τους περιορισμούς. Η μέθοδος αφθονίας συγκρίθηκε με την πλήρως περιορισμένη μέθοδο των ελαχίστων τετραγώνων και έδωσε τα πιο ακριβή αποτελέσματα συγκρινόμενη με τις υπόλοιπες μεθόδους. Η τρίτη μέθοδος αναφέρεται στην αυτόματη ταυτοποίηση των καθαρών στόχων που έχουν εξαχθεί από υπερφασματικές εικόνες με χρήση Φασματικών Βιβλιοθηκών αναφοράς (ΦΒΑ). Οι ΦΒΑ δομούνται σε τρία κύρια επίπεδα με βάση το κύριο υλικό στο οποίο αντιστοιχεί μια φασματική υπογραφή της ΦΒΑ, τη σημασιολογική έννοια της φασματικής υπογραφής και τις συνθήκες φωτισμού λήψης της φασματικής υπογραφής. Η διαδικασία ταυτοποίησης βασίζεται σε δύο φασματικές μετρήσεις ομοιότητας: τη φασματική γωνία και την αυτό-συσχέτιση. Αυτά τα δύο μετρικά αρχικά εισάγονται στην ΦΒΑ με σκοπό την διατύπωση ανισοτήτων διάκρισης μεταξύ των φασματικών υπογραφών της. Κατά τη διαδικασία ταυτοποίησης ενός καθαρού στόχου, οι ανισότητες διάκρισης μεταξύ του καθαρού στόχου και των φασματικών υπογραφών της ΦΒΑ θα πρέπει πάντα να τηρούνται. Η ενημέρωση της ΦΒΑ αναφέρεται στην ενσωμάτωση των καθαρών στόχων οι οποίοι δεν μπόρεσαν να ταυτοποιηθούν με την παραπάνω μέθοδο. Η μέθοδος επιτρέπει τη δημιουργία ΦΒΑ οι οποίες σχετίζονται με συγκεκριμένους δέκτες και χαρακτηριστικά τους. Η προτεινόμενη μέθοδος αξιολογήθηκε με καθαρούς στόχους που εξήχθησαν από CASI-550 εναέριες υπερφασματικές απεικονίσεις και παρήγαγε ικανοποιητικά αποτελέσματα. Η τέταρτη μέθοδος είναι μια νέα μέθοδος για τη διάκριση των διαφορετικών υλικών/αντικειμένων με βάση τη φασματική υπογραφή τους, όπως αυτή έχει προκύψει από μετρήσεις πεδίου. Οι μετρήσεις πεδίου είναι απαλλαγμένες από τις ατμοσφαιρικές επιπτώσεις και δίνουν μία σαφή εικόνα των δυνατοτήτων της φασματοσκοπίας και κατ’ επέκταση της υπερφασματικής απεικόνισης στη διάκριση υλικών/αντικειμένων. Η μέθοδος εφαρμόστηκε στην πλέον δύσκολη περίπτωση της διάκρισης δύο φυτικών ειδών και των ποικιλιών τους. Η ιδέα έγκειται στον συνδυασμό εκείνων των αλγορίθμων προ-επεξεργασίας φασματικών υπογραφών (ΑΠΦΥ) που ενισχύουν τις φασματικές ανομοιότητες. Οι ΑΠΦΥ χρησιμοποιούν ως είσοδο μία φασματική υπογραφή και τη μετατρέπουν ανάλογα με τη λειτουργία τους. Ένας συνδυασμός με κ-βήματα χρησιμοποιεί κ αλγορίθμους προ-επεξεργασίας σειριακά. Αρχικά η κάθε φασματική υπογραφή χρησιμοποιείται ως πεδίο εισαγωγής για τον πρώτο ΑΠΦΥ. Το αποτέλεσμα αυτό χρησιμοποιείται ως είσοδος στον δεύτερο ΑΠΦΥ και ούτω καθεξής έως ότου να εφαρμοστούν οι κ αλγόριθμοι. Στις παραγόμενες «υπογραφές» στη συνέχεια εφαρμόζονται τεχνικές διάκρισης και ταυτοποίησης. Η απόδοση του συνδυασμού αξιολογείται με βάση τον αριθμό των σωστά ταυτοποιημένων υπογραφών. Σε αυτήν την εργασία η παράμετρος κ πήρε τιμές από 1 έως 3. Δεκαέξι αλγόριθμοι προ-επεξεργασίας διερευνήθηκαν συνολικά. Ο βέλτιστος συνδυασμός τους προέκυψε από την εφαρμογή ενός γενετικού αλγορίθμου. Τα δεδομένα αξιολόγησης περιέχουν 9 ποικιλίες βίκου και 9 ποικιλίες φακής, που μετρήθηκαν από το φασματοφωτομέτρο GER1500. Για όλα τα δείγματα, οι φασματικές υπογραφές μετρήθηκαν σε δύο ελαφρώς διαφορετικές χρονικές στιγμές κατά τη καλλιεργητική περίοδο. Τα αποτελέσματα έδειξαν ότι υπάρχουν αρκετοί συνδυασμοί που μπορούν να διακρίνουν με επιτυχία μέσω των φασματικών υπογραφών τόσο τα δύο διαφορετικά φυτά, όσο και τις διαφορετικές ποικιλίες του κάθε ενός. Η πέμπτη μέθοδος παρουσιάζει μία επέκταση της προηγούμενης μεθόδου για την ανάδειξη όχι μόνο του βέλτιστου συνδυασμού προ-επεξεργασιών μιας φασματικής υπογραφής αλλά και του βέλτιστου μοντέλου παλινδρόμησης κατά την εφαρμογή του γενετικού αλγορίθμου. Η νέα αυτή μέθοδος αναπτύχθηκε για την εκτίμηση των παραμέτρων που συμβάλλουν στη διαμόρφωση της φασματικής υπογραφής ενός αντικειμένου/στόχου. Κατά την ανάπτυξη της μεθόδου, αξιολογήθηκαν τρία διαφορετικά μοντέλα παλινδρόμησης μέσω τριών γενετικών αλγορίθμων: η παλινδρόμηση κανονικοποιημένης διαφοράς (ΠΚΔ), η πολλαπλή γραμμική παλινδρόμηση (ΠΓΠ) και η μερική παλινδρόμηση ελαχίστων τετραγώνων (ΜΠΕΤ). Η απόδοση των γενετικών αλγορίθμων αξιολογήθηκε με βάση το ελάχιστο τετραγωνικό σφάλμα. Η μέθοδος εφαρμόστηκε σε φασματοσκοπικές μετρήσεις εδάφους, με σκοπό να εκτιμηθεί η περιεκτικότητά του σε οργανική ύλη. Η μέγιστη τιμή που αποδόθηκε στην παράμετρο κ ήταν 3. Η ΜΠΕΤ απέδωσε την υψηλότερη δυνατή ακρίβεια, ενώ η ακρίβεια της ΠΚΔ ήταν ικανοποιητική σε σχέση με την πολυπλοκότητά της. Η μέθοδος ΠΓΠ παρουσίασε σοβαρά μειονεκτήματα λόγω της παρουσίας θορύβου στις φασματοσκοπικές μετρήσεις, αλλά και της μη ανεξαρτησίας γειτονικών φασματικών καναλιών. Οι αλγόριθμοι προ-επεξεργασίας που επιλέχθηκαν μέσω των γενετικών αλγορίθμων ήταν διαφορετικοί για κάθε μέθοδο παλινδρόμησης, γεγονός που αναδεικνύει ότι η κάθε μέθοδος παλινδρόμησης χειρίζεται με διαφορετικό τρόπο τις ερμηνευτικές μεταβλητές. Τέλος, η έκτη μέθοδος που αναπτύχθηκε στο πλαίσιο αυτής της διατριβής είναι η μέθοδος της Κανονικοποιημένης Εγγύτητας και Ομοιότητας (ΜΚΕΟ). Αυτή είναι μια νέα μέθοδος για την αυτόματη ραδιομετρική κανονικοποίηση πολλαπλών υπερφασματικών αλλά και πολυφασματικών εικόνων που έχουν ληφθεί σε διαφορετικές χρονικές στιγμές. Η ΜΚΕΟ εισάγει δύο φασματικά μετρικά: την απόλυτη κανονικοποιημένη διαφορά (ΑΚΔ) και το λόγο της απόλυτης κανονικοποιημένης διαφοράς (ΛΑΚΔ) με σκοπό την επιλογή των χρονικά αμετάβλητων εικονοστοιχείων (ΑΕ). Με βάση αυτά τα εικονοστοιχεία αναπτύσσονται οι σχέσεις της ραδιομετρικής συσχέτισης των απεικονίσεων οι οποίες και εφαρμόζονται στο σύνολο των εικονοστοιχείων της κάθε απεικόνισης. Επίσης, για την αξιολόγηση της προτεινόμενης μεθόδου, εισάγεται ένα νέο μέτρο αξιολόγησης: η τετραγωνική ρίζα του μέσου σφάλματος μεταξύ των τιμών της αρχικής εικόνας και της κανονικοποιημένης εικόνας καθώς και το αντίστοιχο μέσο σφάλμα μεταξύ της ανακατασκευασμένης και της υπό κανονικοποίησης απεικόνισης. Η ΜΚΕΟ αξιολογήθηκε χρησιμοποιώντας 14 Hyperion και 9 ASTER απεικονίσεις. Τα αποτελέσματα δείχνουν την υψηλή απόδοση της μεθοδολογίας και στους δύο τύπους δεδομένων, υπερφασματικά και πολυφασματικά.	el
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.advisorName	Karathanassi, Vasileias	en
heal.committeeMemberName	Karathanassi, Vassileia	el
heal.committeeMemberName	Argialas, Dimitris	el
heal.committeeMemberName	Koutroumbas, Konstantinos	en
heal.committeeMemberName	Theocharis, Ioannis	en
heal.committeeMemberName	Varvarigou, Theodora	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Doulamis, Nikos	en
heal.academicPublisher	Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	136
heal.fullTextAvailability	true