Υπολογισμός Πυκνότητας Δόμησης και Αστικού Πρασίνου  ανά Οικοδομικό Τετράγωνο από Τηλεπισκοπικά Δεδομένα και Τεχνικές Βαθιάς Μηχανικής Μάθησης

Βαρδουλάκη, Θεοδοσία; Vardoulaki, Theodosia

dc.contributor.author	Βαρδουλάκη, Θεοδοσία	el
dc.contributor.author	Vardoulaki, Theodosia	en
dc.date.accessioned	2016-12-21T10:36:43Z
dc.date.available	2016-12-21T10:36:43Z
dc.date.issued	2016-12-21
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44187
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13553
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	Χάρτες κάλυψης και χρήσης γης	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Αστικός χώρος	el
dc.subject	Ελεύθερα τηλεπισκοπικά δεδομένα	el
dc.subject	Υπολογισμός δόμησης και αστικού πρασίνου	el
dc.title	Υπολογισμός Πυκνότητας Δόμησης και Αστικού Πρασίνου ανά Οικοδομικό Τετράγωνο από Τηλεπισκοπικά Δεδομένα και Τεχνικές Βαθιάς Μηχανικής Μάθησης	el
heal.type	bachelorThesis
heal.secondaryTitle	Per City-Block Density and Urban Green Estimation from Remote Sensing Data and Deep Learning	en
heal.classification	Φωτοερμηνεία - τηλεπισκόπηση	el
heal.classificationURI	http://data.seab.gr/concepts/ee5bf80973632786c849c1c5aee2b365a32d825b
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-10-27
heal.abstract	Οι αστικές περιοχές είναι ένα από τα πιο πολύπλοκα και σημαντικά οικοσυστήματα του πλανήτη μας. Οι αλληλεπιδράσεις τους με το περιβάλλον, οι αλλαγές τους και η επίδραση τους σε περιβαλλοντικές μεταβλητές απαιτούν εξαγωγή πληροφοριών για ευρείς γεωγραφικές περιοχές και κατανόηση των “λεπτών” διεργασιών που διέπουν την αλληλεπίδραση του ανθρώπου με το φυσικό περιβάλλον. Η εκτίμηση της πυκνότητας δόμησης, του αστικού πρασίνου και γενικά των κατηγοριών κάλυψης γης στον αστικό χώρο είναι μείζονος σημασίας για διάφορες δραστηριότητες πολεοδομικού σχεδιασμού καθώς για χάραξη πολιτικής για περιβαλλοντικά ζητήματα. Ωστόσο, η δημιουργία χαρτών χρήσης και κάλυψης γης είναι ακόμα και σήμερα ένα θέμα κρίσιμο χωρίς συγκεκριμένη αντιμετώπιση, γιατί απαιτεί σημαντική δαπάνη χρόνου και εργασίας τόσο για τη δημιουργία δεδομένων αναφοράς (ground truth) όσο και για το σχεδιασμό της κατάλληλης μεθοδολογίας για να επιτευχθεί η ανάλυση ανά οικοδομικό τετράγωνο από τηλεπισκοπικά δεδομένα πολύ υψηλής ανάλυσης. Στην παρούσα διπλωματική εργασία, προτείνεται ένα μοντέλο επιβλεπόμενης ταξινόμησης βασισμένο σε τεχνικές Βαθιάς Μηχανικής Μάθησης (Deep Learning) με στόχο τον ακριβή υπολογισμό πυκνότητας δόμησης σε αστικές περιοχές. Ειδικότερα, για τη διαδικασία της εκπαίδευσης του μοντέλου αξιοποιήθηκαν πληροφορίες για φωτοερμηνεία από χάρτες (OpenStreetMap, google maps) και χρησιμοποιήθηκαν μωσαϊκά RGB εικόνων πολύ υψηλής ανάλυσης της Google πάνω στα οποία δημιουργήθηκαν τα δεδομένα αναφοράς. Το μοντέλο της ταξινόμησης υλοποιήθηκε με βάση αρχιτεκτονικές βαθιάς μηχανικής μάθησης μάθησης κατά την διαδικασία της εκπαίδευσης τροφοδοτήθηκε με τμήματα εικόνας (patches) μεγέθους 29x29 pixel και εκπαιδεύτηκε σε πέντε κατηγορίες κάλυψης γης. Μετά την εξαγωγή των αποτελεσμάτων του μοντέλου, οι πέντε κατηγορίες κάλυψης γης συγχωνεύθηκαν σε τρεις και υπολογίστηκαν ανά οικοδομικό τετράγωνο τα ποσοστά δόμησης, εδάφους και το πρασίνου. Τα πειραματικά αποτελέσματα και η αξιολόγηση τους τους σε δύο ευρωπαϊκές πόλεις, την Αθήνα και το Μπιλμπάο, έδειξαν συνολικά ποσοστά ακρίβειας 95%. Τα αποτελέσματα, επίσης συγκρίθηκαν με το Urban Atlas, που παρέχει πανευρωπαϊκά δεδομένα για τη χρήση και κάλυψη γης σε μεγάλες αστικές περιοχές και αποτελεί μέρος της τοπικής συνιστώσας των υπηρεσιών παρακολούθησης της γης Copernicus και είχαν ικανοποιητικά ποσοστά συμφωνίας.	el
heal.abstract	Urban areas are one of the most complex and important ecosystems of our planet. Their interactions with the surroundings, their changes and their impact on environmental variables require extracting information for wide geographic areas and understanding of the subtle processes that rule the interaction between humans and natural environment. The estimation of building density, urban green and general land cover classes in urban areas is of major importance for various urban planning activities and policy-making on environmental issues. However, the generation of land use and land cover maps is still challenging, because it requires a significant time and labor both generating reference data (ground truth) and designing an appropriate methodology for per city block analysis from very high resolution remote sensing data . In this diploma thesis, we propose a supervised classification approach based on machine learning techniques Deep (Deep Learning) in order to estimate accurately building density in two urban areas. In particular, for the training procedure we exploit information both from maps (open street, google, etc) and from very high resolution RGB google image mosaics. The patch-based, deep learning model was trained against five land cover classes. During the prediction phase, the five land cover classes were merged into three and is calculated the percentages density of buildings, soil and urban green per city-block. The experimental results and their validation from two European cities, Athens and Bilbao, indicated overall accuracy rates of 95%. The results were also compared with the corresponding maps of Urban Atlas, which provides a pan-European data on the land use and land cover in large urban areas and is part of the local component of the Copernicus land monitoring services and percentages of agreement were satisfactory.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Κάβουρας, Μαρίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.
heal.fullTextAvailability	true