Χαρτογράφηση κάλυψης γης με χρήση δεδομένων sentinel-2 από πολλαπλές ημερομηνίες μέσω μηχανών διανυσματικής υποστήριξης

Αντωνίου, Γεωργία; Antoniou, Georgia

dc.contributor.author	Αντωνίου, Γεωργία	el
dc.contributor.author	Antoniou, Georgia	en
dc.date.accessioned	2018-02-12T09:16:29Z
dc.date.available	2018-02-12T09:16:29Z
dc.date.issued	2018-02-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46445
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.14942
dc.rights	Default License
dc.subject	Κάλυψη γης	el
dc.subject	Χαρτογράφηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Μηχανές διανυσματικής υποστήριξης	el
dc.subject	Πολυφασματικά δεδομένα sentinel-2	el
dc.subject	Land cover	en
dc.subject	Mapping	en
dc.subject	Classification	en
dc.subject	Support vector machines	en
dc.subject	Multispectral sentinel-2 data	en
dc.title	Χαρτογράφηση κάλυψης γης με χρήση δεδομένων sentinel-2 από πολλαπλές ημερομηνίες μέσω μηχανών διανυσματικής υποστήριξης	el
dc.title	Land cover mapping using multitemporal sentinel-2 data via support vector machines	en
heal.type	bachelorThesis
heal.classification	Ψηφιακή τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-05
heal.abstract	Η λειτουργική αξιοποίηση των διαθέσιμων τηλεπισκοπικών δεδομένων για την παραγωγή χάρτη χρήσεων/καλύψεων γης, απαιτεί το σχεδιασμό και την εφαρμογή αποδοτικών μεθόδων και τεχνικών για την αναγνώριση των διαφορετικών καλύψεων γης. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε και υλοποιήθηκε ένα σύστημα επεξεργασίας με βάση τις μηχανές διανυσματικής υποστήριξης (SVM) με στόχο τον εντοπισμό και το διαχωρισμό των διαφορετικών εδαφοκαλύψεων και τη δημιουργία χάρτη χρήσεων γης. Χρησιμοποιήθηκαν δορυφορικά δεδομένα υψηλής ανάλυσης (Sentinel-2) στην περιοχή της Κεντρικής Μακεδονίας. Τα δορυφορικά δεδομένα αφορούν το έτος 2016 και προέρχονται από 15 διαφορετικές ημερομηνίες. Ο ταξινομητής αξιοποίησε 5 πολυφασματικά κανάλια (Blue, Green, Red, NIR, SWIR) και 5 φασματικούς δείκτες (NDVI, MSAVI, NDWI, NDBI, MNDWI) για κάθε εικόνα/ημερομηνία. Αρχικά διενεργήθηκε η συλλογή δεδομένων εκπαίδευσης, τα οποία προήλθαν από φωτοερμηνεία στην περιοχή μελέτης. Οι κλάσεις που επιλέχθηκαν βασίστηκαν στην ιεραρχία της ονοματολογίας του CORINE, με τις κατάλληλες όμως μεταβολές, ώστε να ανταποκρίνεται με το βέλτιστο τρόπο στην χωρική ακρίβεια των δορυφορικών δεδομένων και του παραγόμενου χάρτη, αλλά και στις υπάρχουσες εδαφοκαλύψεις στην περιοχή μελέτης. Στη συνέχεια, έλαβε χώρα η ταξινόμηση των πολυφασματικών δορυφορικών δεδομένων. Οι ταξινομήσεις ομαδοποιήθηκαν σε 3 κατηγορίες, με βάση τα ποσοστά συννεφοκάλυψης των εικόνων. Η πρώτη κατηγορία ταξινομήσεων έκανε χρήση των εικόνων που δεν περιέχουν σύννεφα, η δεύτερη των καθαρών και των εικόνων με χαμηλή συννεφοκάλυψη και η τρίτη όλων των εικόνων, συμπεριλαμβανομένων και εκείνων με συννεφοκάλυψη έως 30% (4 ταξινομήσεις). Η πρώτη ομάδα πειραμάτων απέδωσε αποτελέσματα μέσης προς υψηλής ακρίβειας (68-79%), η δεύτερη υψηλής ακρίβειας (84-87%) και η τρίτη ομάδα πειραμάτων αποτελέσματα πολύ υψηλής ακρίβειας(87%-93%). Από τη διενέργεια όλων των πειραμάτων επιλέχθηκε το βέλτιστο σχήμα ταξινόμησης και για τις 3 ομάδες πειραμάτων. Για το συγκεκριμένο σχήμα, παράχθηκαν 3 χάρτες χρήσεων/καλύψεων γης. Τέλος, εφαρμόσθηκαν κάποιες συγχωνεύσεις στις επιλεγμένες κλάσεις, ώστε να εκφραστεί η αξιολόγηση των ταξινομήσεων σε γενικότερο επίπεδο κλάσεων. Από τη συνολική ποσοτική και ποιοτική αξιολόγηση της μεθοδολογίας και των αποτελεσμάτων επιβεβαιώνεται η αποτελεσματικότητα των τεχνικών SVM ταξινόμησης σε τηλεπισκοπικές εφαρμογές. Συμπεραίνεται ότι πρώτον η εισαγωγή περισσότερης πληροφορίας (περισσότερες ημερομηνίες/εικόνες) αυξάνει σημαντικά την ακρίβεια του αποτελέσματος και δεύτερον ότι ο συγκεκριμένος ταξινομητής με χρήση 10 φασματικών χαρακτηριστικών μπορεί να διαχειριστεί αποτελεσματικά εικόνες χαμηλής συννεφοκάλυψης, επιτυγχάνοντας υψηλά ποσοστά ακρίβειας ταξινόμησης.	el
heal.abstract	The exploitation of the available abundance of remote sensing data for the production of land cover maps requires design and implementation of efficient methods and techniques for highlighting different land cover types. To thi s end, a framework of SVM classification was designed and implemented in order to identify and separate the different land cover types and finally create a land cover map. We used high - resolution satellite data (Sentinel - 2) in the region of Central Macedon ia, Greece. The satellite data came from 15 different dates of 2016. The classifier used five multi - spectral bands (Blue, Green, Red, NIR, SWIR) and five spectral indices (NDVI, MSAVI, NDWI, NDBI, MNDWI). The first step was the collection of training data, which produced by photo interpretation of the study area. The classes chosen were based on the hierarchy of the CORINE nomenclature, but with the appropriate changes, for best respond to the spatial accuracy of the satellite data and the produced map, as well as to the land cover types were found in the study area. Subsequently, the classification of multi - spectral satellite data took place. The classifications were grouped into 3 categories, based on the cloud coverage of the used images. The first catego ry of classifications used the cloudless images (9 classifications), the second used the cloudless and the images with low cloud coverage (4 classifications), and the third used all the images, including those with cloud coverage up to 30% (4 classificatio ns). The first group of experiments yielded results of medium to high precision (68 - 79%), the second results of high precision (84 - 87%) and the third results of very high precision (87% - 93%). The optimal classification scheme was selected for all 3 experi ment groups. For this scheme, 3 land use / land cover maps were produced. Finally, some merges have been applied to selected classes, in order to express the evaluation of classifications at a general class level. From the overall quantitative and qualitat ive evaluation of the methodology and the results, the effectiveness of the SVM techniques for the classification of remote sensing data is confirmed. It is concluded that as much information import (more dates / images) as much the output’s accuracy signi ficantly increase. It is also conclude that the SVM classifier using 10 spectral features is capable of managing properly data with low cloud coverage, achieving results of high precision.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δημοπούλου, Ευτέρπη	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	256 σ.
heal.fullTextAvailability	true