dc.contributor.author |
Ζερβός, Παναγιώτης
|
el |
dc.contributor.author |
Zervos, Panagiotis
|
en |
dc.date.accessioned |
2018-09-21T07:58:55Z |
|
dc.date.available |
2018-09-21T07:58:55Z |
|
dc.date.issued |
2018-09-21 |
|
dc.identifier.uri |
https://dspace.lib.ntua.gr/xmlui/handle/123456789/47642 |
|
dc.identifier.uri |
http://dx.doi.org/10.26240/heal.ntua.8689 |
|
dc.description |
Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική” |
el |
dc.rights |
Default License |
|
dc.subject |
Τηλεπισκόπηση |
el |
dc.subject |
Υπερφασματικά Δεδομένα |
el |
dc.subject |
Μη Επανδρωμένο Εναέριο Σύστημα |
el |
dc.subject |
Ταξινόμηση Εικόνας |
el |
dc.subject |
Πολυφασματικά Δεδομένα |
el |
dc.subject |
Remote Sensing |
el |
dc.subject |
Multispectral Data |
el |
dc.subject |
Hyperspectral Data |
el |
dc.subject |
Image Classification |
el |
dc.subject |
Unmanned Aerial System |
el |
dc.title |
Ενσωμάτωση Φασματικών Αισθητήρων σε Μη Επανδρωμένα Εναέρια Οχήματα και Συγκριτική Αξιολόγηση Ταξινόμησης Δεδομένων |
el |
dc.title |
Integrating Spectral Sensors in Unmanned Aerial Vehicles and Comparative Assessment of Supervised Classification |
en |
heal.type |
masterThesis |
|
heal.classification |
ΤΗΛΕΠΙΣΚΟΠΗΣΗ |
el |
heal.classificationURI |
http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27 |
|
heal.language |
el |
|
heal.access |
free |
|
heal.recordProvider |
ntua |
el |
heal.publicationDate |
2018-06-29 |
|
heal.abstract |
Η παρούσα μεταπτυχιακή εργασία είχε ως αντικείμενο τη συλλογή Τηλεπισκοπικών δεδομένων από πολλαπλούς αισθητήρες, ευαίσθητους σε διάφορα μήκη κύματος του Η/Μ φάσματος, από Μη Επανδρωμένο Εναέριο Όχημα / Σύστημα ( UAV / UAS). Πιο συγκεκριμένα σχεδιάστηκε και κατασκευάστηκε σύστημα σταθεροποίησης αισθητήρων (brushless gimbal) για την ενσωμάτωση υπερφασματικού αισθητήρα τύπου Push-broom / Line Scanning για τη λήψη εναέριων δεδομένων. Στη συνέχεια, πραγματοποιήθηκε ταυτόχρονη λήψη οπτικών, πολυφασματικών και θερμικών δεδομένων σε πτήση καταγραφής στην περιοχή μελέτης. Βασική επιδίωξη ήταν η συλλογή και προεπεξεργασία όλων των παραπάνω ετερογενών δεδομένων και η αξιολόγηση τους ως προς την αποτελεσματικότητά τους σε προβλήματα που απαιτείται η ταξινόμηση των δεδομένων. Για το σκοπό αυτό πραγματοποιήθηκε η συγκριτική αξιολόγηση ενώ αναλυθήκαν τα επιμέρους χαρακτηριστικά και ιδιότητες των δεδομένων.
Η ενσωμάτωση ετερογενών αισθητήρων σε Μη Επανδρωμένα Εναέρια Συστήματα γνωρίζει ραγδαία ανάπτυξη τα τελευταία χρόνια τόσο λόγω της ανάπτυξης πολυάριθμων συστημάτων UAV αλλά και λόγω της ανάπτυξης νέων, μικρού μεγέθους και ελάχιστων απαιτήσεων κατανάλωσης, φασματικών αισθητήρων Τηλεπισκόπησης. Τα πεδία εφαρμογής των παραπάνω συστημάτων είναι πολυάριθμα. Μέχρι σήμερα η απόκτηση τέτοιων δεδομένων προερχόταν αποκλειστικά από δορυφόρους και επανδρωμένα αεροσκάφη με αποτέλεσμα το κόστος τους στις περισσότερες περιπτώσεις να καθίσταται ιδιαίτερα υψηλό.
Προς αυτή την κατεύθυνση κατασκευάστηκε ολοκληρωμένο σύστημα σταθεροποίησης, μέσω του οποίου τοποθετήθηκε ο υπερφασματικός δέκτης και τα συστήματα προσδιορισμού θέσης (GPS / INS) πάνω στο UAS. Στη συνέχεια, πραγματοποιήθηκαν πολλαπλά πειράματα για τον βέλτιστο σχεδιασμό και προγραμματισμό πτήσεων προς τη συλλογή δεδομένων λαμβάνοντας υπόψιν τα χαρακτηριστικά (χωρική ανάλυση, οπτικό πεδίο, κ.α.) του εκάστοτε αισθητήρα. Έπειτα από τις απαραίτητες προεπεξεργασίας (ραδιομετρικές, γεωμετρικές διορθώσεις, υπολογισμός μοντέλων επιφανείας, ορθοεικόνων, κοκ), τα δεδομένα ταξινομήθηκαν με τεχνικές μηχανικής μάθησης με βάση τα εικονοστοιχεία. Συγκεκριμένα υλοποιήθηκαν πολυάριθμες δοκιμές για κάθε σετ δεδομένων (dataset) αλλά και σε συνδυασμό τους (πχ. πολυφασματικά και θερμικά). Ειδικότερα στα υπερφασματικά δεδομένα επιχειρήθηκαν ταξινομήσεις τόσο στον αρχικό υπερκύβο, όσο και στα δεδομένα που προέκυψαν μετά από μείωση διαστάσεων. Τέλος, έγινε ποιοτική και ποσοτική αξιολόγηση όλων των παραπάνω αποτελεσμάτων. Η συγκριτική ανάλυση ανέδειξε τα υψηλά ποσοστά επιτυχίας στις ταξινομήσεις των υπερφασματικών δεδομένων (παρά τη σχετικά μικρότερη χωρική ανάλυση) αλλά και την αποτελεσματικότητα του συνδυασμού ετερογενών δεδομένων για ποικίλες εφαρμογές χαρτογράφησης. |
el |
heal.abstract |
The aim of this particular Postgraduate thesis was the acquisition of remote sensing data from multiple sensors, sensitive to various wavelengths of the Electromagnetic spectrum from Unmanned Aerial Vehicle/System (UAV/UAS). More specifically, a brushless gimbal system was designed and constructed in order to integrate a Push-broom hyperspectral sensor onboard the UAV. Furthermore, concurrent acquisition of optical, multispectral and thermal data was performed during a controlled flight in the study area. The scope was to manage and preprocess all the above collected data and evaluate their performance in image classification tasks.
In particular, nowadays, the rapid development of UAS systems as well as the advancement of remote sensing sensors have broaden the deployment of similar cutting-edge technology for various applications. The combination of the aforementioned systems seems like a relative cost-efficient solution for acquiring very/ultra high resolution multispectral and hyperspectral data, when comparing with certain cases with data from satellite or aerial manned acquisition platforms.
To this end, a new brushless stabilization system was designed, developed and integrated onboard a UAV for the hyperspectral sensor along with the GPS/INS hardware/software. Numerous experiments were conducted in order to optimize flight parameters and planning towards acquiring and fusing multimodal data from sensors with different characteristics (harmonizing e.g., spatial resolution, field of view, etc.). After the execution of the necessary preprocessing tasks (radiometric corrections, geometric corrections, digital surface models, orthoimages, etc) the produced data were classified with pixel-based machine learning techniques. Specifically, numerous experiments were carried out for each dataset as well as combined datasets (e.g., multispectral and thermal). Regarding the hyperspectral data, classification experiments were carried out both in the initial hypercubes as well as after a dimensionality reduction. A qualitative and quantitative evaluation for all aforementioned experiments highlighted the relative high accuracy rates for the hyperspectral data (despite the relative lower spatial resolution) as well as the effectiveness of the multimodal data fusion for a variety of geospatial mapping applications. |
en |
heal.advisorName |
Καράντζαλος, Κωνσταντίνος |
el |
heal.committeeMemberName |
Αργιαλάς, Δημήτριος |
el |
heal.committeeMemberName |
Καραθανάση, Βασιλεία |
el |
heal.committeeMemberName |
Καράντζαλος, Κωνσταντίνος |
el |
heal.academicPublisher |
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών |
el |
heal.academicPublisherID |
ntua |
|
heal.numberOfPages |
107 σ. |
|
heal.fullTextAvailability |
true |
|