Χαρτογράφηση κάλυψης γης και καλλιεργειών με τεχνικές μηχανικής μάθησης από διαχρονικά δεδομένα Sentinel-2

Γούναρη, Ολυμπία; Gounari, Olympia

dc.contributor.author	Γούναρη, Ολυμπία	el
dc.contributor.author	Gounari, Olympia	en
dc.date.accessioned	2018-11-16T10:50:31Z
dc.date.available	2018-11-16T10:50:31Z
dc.date.issued	2018-11-16
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48031
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16153
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	Τηλεπισκόπηση	el
dc.subject	Παρατήρηση γης	el
dc.subject	Μηχανική μάθησης	el
dc.subject	Ταξινόμηση	el
dc.subject	Corine	en
dc.subject	Sentinel-2	en
dc.subject	Remote sensing	en
dc.subject	Earth observation	en
dc.subject	Machine learning	en
dc.subject	Classification	en
dc.title	Χαρτογράφηση κάλυψης γης και καλλιεργειών με τεχνικές μηχανικής μάθησης από διαχρονικά δεδομένα Sentinel-2	el
dc.title	Land cover and crop-type mapping with machine learning techniques from multitemporal sentinel-2 satellite data	en
heal.type	bachelorThesis
heal.classification	Τηλεσκόπηση	el
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-10
heal.abstract	Η αυτοματοποίηση της διαδικασίας παραγωγής χαρτών χρήσης/κάλυψης γης με σκοπό την παρακολούθηση των μεταβολών οι οποίες προέρχονται από φυσικές ή ανθρωπογενείς δραστηριότητες, αποτελεί αντικείμενο μελέτης πολλών επιστημονικών εργασιών και ερευνητικών προγραμμάτων την τελευταία δεκαπενταετία. Η γνώση τέτοιου είδους πληροφοριών είναι εξαιρετικής σημασίας για μελέτες παρακολούθησης του περιβάλλοντος και της κλιματικής αλλαγής, την εξαγωγή έγκυρων συμπερασμάτων και την λήψη τεκμηριωμένων αποφάσεων σε κρατικό, ευρωπαϊκό και διεθνές επίπεδο. Οι μέχρι τώρα μελέτες και ερευνητικές προσπάθειες έχουν κυρίως επικεντρωθεί στην παραγωγή χαρτών από τηλεπισκοπικά δεδομένα με χωρική ανάλυση τα 500 μέτρα και πιο πρόσφατα τα 30m. Με τη διαθεσιμότητα των ευρωπαϊκών δορυφόρων Copernicus Sentinel-2, το ενδιαφέρον έχει επικεντρωθεί στη παρακολούθηση και διαχρονική χαρτογράφηση της γης με χωρική ανάλυση τα 10 μέτρα. Προς την κατεύθυνση αυτή, στην παρούσα διπλωματική εργασία διερευνήθηκαν και αξιολογήθηκαν προηγμένες τηλεσκοπικές μέθοδοι και τεχνικές ταξινόμησης με χρήση αλγορίθμων μηχανικής μάθησης, σε γλώσσα προγραμματισμού Python 2.7 και σχετικές βιβλιοθήκες διαχείρισης γεωχωρικών δεδομένων και ανάλυση εικόνων (scikit-learn, NumPy, gdal, κοκ). Ετήσια πολυφασματικά δεδομένα Sentinel-2 συλλέχθηκαν για 2 tiles στην περιοχή μελέτης η οποία καλύπτει έκταση 20.000 τετραγωνικών χιλιομέτρων. Συνολικά, εικόνες από έξι ημερομηνίες, μετά τις απαραίτητες προεπεξεργασίες, αξιοποιήθηκαν για κάθε tile. Για τη δημιουργία των δεδομένων αναφοράς (εκπαίδευσης και ελέγχου) χρησιμοποιήθηκαν διαθέσιμα δορυφορικά, εναέρια και άλλα βοηθητικά δεδομένα κατά τη φωτοερμηνεία καθώς και γεωχωρικά δεδομένα του ΟΠΕΚΕΠΕ σχετικά με τα είδη των καλλιεργειών. Πραγματοποιήθηκαν πολλαπλοί πειραματισμοί με δύο αλγορίθμους μηχανικής μάθησης. Τα αποτελέσματα και η ποσοτική αξιολόγηση σε όλα τα πειράματα που πραγματοποιήθηκαν συμφωνούν σε γενικές γραμμές με τη σχετική βιβλιογραφία. Συγκεκριμένα, η συνολική ακρίβεια των ταξινομήσεων κυμάνθηκε σε επίπεδα άνω του 90% με αντίστοιχο συντελεστή kappa άνω του 0.92. Η δημιουργία επιπλέον ενιαίου μοντέλου πρόβλεψης για διαφορετικά tiles είναι ελπιδοφόρα και δίνει ισχυρό κίνητρο για συνέχιση της έρευνας προς την κατεύθυνση αυτή.	el
heal.abstract	The automatic or semi-automatic production of land use/cover maps in order to effectively monitor changes from natural or man-made activities is a key topic for many scientific studies and research programs over the last fifteen years. Knowledge of such information is of great importance for studies on environmental monitoring and climate change, for decision making and strategic planning at national, European and global scale. Up to now most research efforts have mainly focused on the production of maps from remote-sensing data with a spatial resolution of 500 meters and, more recently, 30 meters. With the availability of the European satellites Copernicus Sentinel-2, attention has been focused on monitoring and multi-temporal mapping of land with a spatial resolution of 10 meters. In this diploma thesis, advanced remote sensing techniques and classification methods have been investigated and evaluated using machine learning algorithms. The implementation was based on Python 2.7 and specific geospatial data analysis libraries (e.g., scikit-learn, NumPy, gdal). Annual multi-spectral Sentinel-2 data was collected for 2 tiles in the study area covering an area of 20,000 square kilometers. In total, images from six dates, after necessary preliminary work, were employed for each tile. For the reference data creation (training and testing), available satellite, aerial and other auxiliary data were used during an intensive image interpretation process. For crops’ subtypes annotation, available geospatial data from the Greek Payment Authority’s of Common Agricultural Policy (C.A.P.) were also used. Multiple experiments were conducted with two machine learning algorithms. Experimental results and the performed qualitative and quantitative evaluation, were generally in accordance with the recent literature. More specifically, the overall accuracy of the classification experiments exceeded 90% with a corresponding coefficient of kappa of more than 0.92. Moreover, a generic classification model was developed, able to predict with relative high accuracy rates the land cover and crop-type classes at both Sentinel-2 tiles. These results are quite promising and initiate the motivation for more research and development in the considered scientific field.	en
heal.advisorName	Καράτζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Δημοπούλου, Ευτέρπη	el
heal.committeeMemberName	Καράτζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	124 σ.
heal.fullTextAvailability	true