Ανάπτυξη και αξιολόγηση μεθοδολογίας για την αυτόματη παραγωγή χαρτών κάλυψης γης για την Ελλάδα

Μπληζιώτης, Δημήτριος; Bliziotis, Dimitrios

dc.contributor.author	Μπληζιώτης, Δημήτριος	el
dc.contributor.author	Bliziotis, Dimitrios	en
dc.date.accessioned	2016-09-21T06:18:18Z
dc.date.available	2016-09-21T06:18:18Z
dc.date.issued	2016-09-21
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43610
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.5539
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Χρήσεις/κάλυψη γης	el
dc.subject	Μέθοδοι παρατήρησης γης	el
dc.subject	Εξόρυξη δεδομένων	el
dc.subject	Ταξινομήσεις	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Data mining	en
dc.subject	Classification algorithms	en
dc.subject	Earth observation methods	en
dc.subject	Land cover/land use	en
dc.title	Ανάπτυξη και αξιολόγηση μεθοδολογίας για την αυτόματη παραγωγή χαρτών κάλυψης γης για την Ελλάδα	el
dc.title	Development and evaluation of an automated land cover mapping approach in Greece	en
heal.type	masterThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Φωτοερμηνεία - τηλεπισκόπηση	el
heal.classification	Γεωπληροφορική	el
heal.classification	Remote sensing	en
heal.classification	Spatial data	en
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.classificationURI	http://data.seab.gr/concepts/ee5bf80973632786c849c1c5aee2b365a32d825b
heal.classificationURI	http://data.seab.gr/concepts/0470dde7ed974578bbc4961549816f7b254efcb2
heal.classificationURI	http://skos.um.es/unescothes/C03347
heal.classificationURI	http://lod.nal.usda.gov/977
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-05-19
heal.abstract	Στη συγκεκριμένη μεταπτυχιακή διπλωματική εργασία αναπτύχθηκε και αξιολογήθηκε μεθοδολογική προσέγγιση για την αυτόματη παραγωγή χαρτών κάλυψης και χρήσεων γης, αξιοποιώντας ελεύθερα δορυφορικά τηλεπισκοπικά δεδομένα καθώς και εξειδικευμένους αλγόριθμους ταξινόμησης που συνδέονται με την επιστήμη της τηλεπισκόπησης και παρατήρησης της γης, για την περιοχή της Ελλάδας. Για την υλοποίηση των αλγορίθμων και την περάτωση των απαιτούμενων διαδικασιών με σκοπό την επίτευξη του παραπάνω στόχου χρησιμοποιηθήκαν λογισμικά και δεδομένα που διέπονται από τις αρχές του ανοιχτού λογισμικού και των ανοιχτών προτύπων αντίστοιχα. Πιο συγκεκριμένα, η μεθοδολογική προσέγγιση που αναπτύχθηκε ακολουθεί μορφή ιεραρχικού δέντρου απόφασης, η οποία αξιοποιεί πολλαπλούς ταξινομητές ανάλογα με τη θεματική κατηγορία προς ταξινόμηση. Η συγκεκριμένη μεθοδολογία βασίζεται στη λογική του “per class classification”, δηλαδή κάθε κατηγορία ταξινομείται χωριστά και στη συνέχεια «μασκάρεται» έτσι ώστε ο αλγόριθμος ταξινόμησης να εστιάζει κάθε φορά στην ενδιαφερόμενη κατηγορία, αξιοποιώντας παράλληλα φαινολογικά χαρακτηριστικά, τα οποία εξάγονται ύστερα από κατάλληλη ανάλυση χρονοσειρών για την αύξηση της ακρίβειας στις θεματικές κατηγορίες της βλάστησης και των καλλιεργειών. Για το σύνολο των διαδικασιών δημιουργήθηκε πρόγραμμα γραμμένο σε γλώσσα προγραμματισμού Python αξιοποιώντας ελεύθερες βιβλιοθήκες όπως είναι η GDAL, Numpy και Orfeo Toolbox. Η μεθοδολογική προσέγγιση που αναπτύχθηκε ταξινομεί την κάθε σκηνή σε 2 στάδια, ανάλογα με το επίπεδο λεπτομέρειας κάθε κατηγορίας. Πιο συγκεκριμένα, κατά το 1ο στάδιο εφαρμόζεται μία ιεραρχική ταξινόμηση ανά κλάση, λαμβάνοντας υπόψη λογικούς και ποσοτικούς κανόνες, ενώ στο 2ο στάδιο ενσωματώνονται διαχρονικά φαινολογικά χαρακτηριστικά σε συνδυασμό με το διαχρονικό στατιστικό μοντέλο εκπαίδευσης/πρόβλεψης που δημιουργήθηκε από δείγματα σε διάφορες περιοχές και χρονικές στιγμές στην Ελλάδα. Η ενσωμάτωση των χαρακτηριστικών που σχετίζονται με το χρόνο ήταν ιδιαίτερα σημαντική για τη βελτίωση της ακρίβειας των αποτελεσμάτων της ταξινόμησης αξιοποιώντας δορυφορικά δεδομένα από τον Landsat 8 καθώς και αναλύοντας χρονοσειρές NDVI του αντίστοιχου δορυφόρου. Συνοψίζοντας, η μεθοδολογική προσέγγιση που ακολουθήθηκε, καθώς και τα αντίστοιχα προγράμματα που δημιουργήθηκαν, αντιμετώπισαν ικανοποιητικά την παραγωγή διαχρονικών χαρτών κάλυψης γης και χρήσεων γης για την περιοχή της Ελλάδας με ακρίβειες καλύτερες του 85 % στις περιοχές μελέτης που επιλέχθηκαν. Λαμβάνοντας τα παραπάνω υπόψη, μπορεί να θεωρηθεί πως η συγκεκριμένη μεθοδολογική προσέγγιση, ύστερα από κατάλληλες παραμετροποιήσεις και προσθήκες, μπορεί να αξιοποιηθεί ως μία εφικτή επιχειρησιακή λύση για την παραγωγή χαρτών κάλυψης γης σε χωρική ανάλυση 30 m για την περιοχή της Ελλάδας.	el
heal.abstract	In this MSc thesis a methodological approach for the automatic production of land cover and land use maps for the region of Greece was developed and evaluated. The methodology takes advantage of free satellite remote sensing data (such as Landsat 8 imagery) and specialized classification algorithms, utilizing machine learning processes, associated with the science of remote sensing and earth observation. For the implementation of the algorithms and the completion of the necessary procedures open source software/programming languages as well as data governed by the principles of open standards were extensively used. More specifically, the developed methodological approach for the production of automated LC/LU maps follows the form of a hierarchical decision tree, which utilizes multiple classifiers depending on the land use to be classified. The methodology is based on the logic of "per class classification", i.e. each category is classified separately and then is masked so that the classification algorithm focuses each time on the concerned category. Moreover, in order to increase the accuracy of the thematic categories of vegetation and crops the methodology incorporates multitemporal phenological characteristics, exported from the appropriate time series analysis. For all procedures a software written in Python programming language, utilizing free libraries such as GDAL, Numpy and Orfeo Toolbox, was developed. The developed methodological approach classifies each scene in two stages, depending on the level of detail in each category. More specifically, during the first stage a hierarchical per class classification approach is applied, taking into account logical and quantitative rules, while during the second stage the multitemporal phenological features are incorporated combined with the multitemporal training/predictive statistical model created from samples at various locations and times in Greece. The integration of the characteristics associated with the time was particularly important in order to improve the accuracy of the classification results utilizing satellite data from Landsat 8 and analyzing time series of NDVI of the corresponding satellite. In summary, the methodological approach followed, and the respective programs created, sufficiently experienced the goal of producing temporal land cover and land use maps in the region of Greece with accuracies better than 85% in the target areas selected. Taking the abovementioned into account, it can be assumed that the specific methodological approach, after appropriate configurations and additions, can be used as a viable operational solution for the production of land cover maps at 30 m spatial resolution in the region of Greece.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	101 σ.	el
heal.fullTextAvailability	true