Εντοπισμός Σύννεφων και Σκιών από Δεδομένα Landsat 8 με Μηχανές Διανυσματικής Υποστήριξης. Σύγκριση με τον Αλγόριθμο F-mask.

Σκέμβρης, Σπύρος; Skemvris, Spyros

dc.contributor.author	Σκέμβρης, Σπύρος	el
dc.contributor.author	Skemvris, Spyros	en
dc.date.accessioned	2018-01-08T11:28:04Z
dc.date.available	2018-01-08T11:28:04Z
dc.date.issued	2018-01-08
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46180
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15086
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	Landsat 8	en
dc.subject	Fmask	en
dc.subject	επιβλεπόμενη ταξινόμηση	el
dc.subject	SVM	en
dc.subject	Μάσκες σύννεφων	el
dc.subject	Σύννεφα	el
dc.subject	Σκιά σύννεφων	el
dc.subject	Supervised classification	en
dc.subject	Cloud masking	en
dc.subject	Clouds	en
dc.subject	Cloud shadow	en
dc.title	Εντοπισμός Σύννεφων και Σκιών από Δεδομένα Landsat 8 με Μηχανές Διανυσματικής Υποστήριξης. Σύγκριση με τον Αλγόριθμο F-mask.	el
dc.title	Detecting Clouds and Shadows from Landsat-8 data with Support Vector Machines. A comparison Against the F-mask algorithm	en
heal.type	bachelorThesis
heal.classification	ΤΗΛΕΠΙΣΚΟΠΗΣΗ	el
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-16
heal.abstract	Με τη σημαντική πρόοδο στις τεχνολογίες του διαστήματος σήμερα η παγκόσμια κοινότητα έχει στη διάθεσή της ολοένα και περισσότερα δορυφορικά δεδομένα για ποικίλες μελέτες και εφαρμογές. Παρόλα αυτά, τα οπτικά δορυφορικά δεδομένα είναι ευάλωτα στις ατμοσφαιρικές συνθήκες και κυρίως στα σύννεφα και τις σκιές, τα οποία καλύπτουν κατά μέσο όρο το 50% της ατμόσφαιρας του πλανήτη. Αυτό έχει ως αποτέλεσμα σημαντικές πληροφορίες για εκτεταμένες περιοχές με σύννεφα να αποκρύπτονται και να μην απεικονίζονται στις εικόνες. Ο εντοπισμός των σύννεφων και σκιών με αυτόματο τρόπο και με μεγάλη ακρίβεια είναι ιδιαίτερα σημαντικός για την αξιοποίηση των δεδομένων και την τυποποίηση και ανάπτυξη γεωχωρικών εφαρμογών. Προς την κατεύθυνση αυτή, στην παρούσα διπλωματική εργασία αναπτύχθηκε και αξιολογήθηκε ένα μοντέλο εντοπισμού σύννεφων και σκιών με βάση μηχανές διανυσματικής υποστήριξης. Αρχικά χρησιμοποιήθηκαν πολυάριθμες εικόνες Landsat 8 από ένα συγκεκριμένο path/row της χρονιάς 2016 από τα οποία δημιουργήθηκαν δεδομένα εκπαίδευσης/ελέγχου για την κάθε εικόνα καθώς και δείκτες για τη βελτίωση των αποτελεσμάτων. Με τη χρήση μηχανών διανυσματικής υποστήριξης και των δεδομένων εκπαίδευσης, δημιουργήθηκαν μοντέλα εντοπισμού σύννεφων και σκιών για την κάθε εικόνα τα οποία αξιολογήθηκαν βάσει των δεδομένων ελέγχου. Στην συνέχεια, το μοντέλο με τα καλύτερα αποτελέσματα στον εντοπισμό σύννεφων και σκιών, χρησιμοποιήθηκε για να συγκριθεί με τον αλγόριθμο Fmask. Το μοντέλο που δημιουργήθηκε είναι ικανό να αναγνωρίζει και να εντοπίζει τα σύννεφα και τις σκιές σε ποσοστό από 89% έως 98%. Σε ορισμένες εικόνες τα αποτελέσματα ήταν καλύτερα από εκείνα του αλγόριθμου Fmask, ενώ η επιπρόσθετη ανάλυση που υλοποιήθηκε με βάση τις χρονοσειρές των δεδομένων αναδεικνύει την ανάγκη για περαιτέρω έρευνα στο συγκεκριμένο αντικείμενο.	el
heal.abstract	With the recent significant advances in space technology, the earth observation community has gained access to an unprecedented volume of satellite data, leveraging several new applications. However, optical satellite data are vulnerable to atmospheric conditions, particularly clouds, which account for an average of 50% of the planet's atmosphere, and as well as cloud shadows. Therefore, important information over extensive regions covered with clouds is missing from the acquired images. The detection of clouds and cloud shadows in an automatic and highly accurate manner is important for the effective exploitation of data and the development of operational geospatial services. Following this direction, in this diploma thesis, a technique for the detection of clouds and cloud shadows based on support vector machines has been developed and evaluated. Multiple Landsat 8 images were used from a specific path / row of the year 2016, from which reference data was created for each image, as well as some indices to improve the results. Using a support vector machine scheme, cloud and cloud shadow detection models were created for each image that were evaluated based on the control data. Then, the best-performing model in cloud and cloud shadow detection was used for comparison with the Fmask algorithm. The developed model could detect clouds and cloud shadows with an overall accuracy ranging from 89% to 98%. In certain cases, results were better than those of the Fmask algorithm. Further analysis based on time series analysis highlight the need for further research in this area.	en
heal.advisorName	Καράτζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράτζαλος, 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.fullTextAvailability	true