Χαρτογράφηση πυθμένα με προηγμένες τεχνικές ταξινόμησης από πολυφασματικά πολυδεσμικά ακουστικά δεδομένα

Μερτίκας, Παναγιώτης; Mertikas, Panagiotis

dc.contributor.author	Μερτίκας, Παναγιώτης	el
dc.contributor.author	Mertikas, Panagiotis	el
dc.date.accessioned	2019-04-12T06:53:00Z
dc.date.available	2019-04-12T06:53:00Z
dc.date.issued	2019-04-12
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48608
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16021
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	Sea floor mapping	en
dc.subject	Bathymetry	en
dc.subject	Acoustic data	en
dc.subject	Classification	en
dc.subject	Multispectral data	en
dc.subject	Ταξινόμηση πυθμένα	el
dc.subject	Βυθομετρία	el
dc.subject	Πολυφασματικά δεδομένα	el
dc.subject	Πολυδεσμικά δεδομένα	el
dc.subject	Ανίχνευση μεταβολών	el
dc.title	Χαρτογράφηση πυθμένα με προηγμένες τεχνικές ταξινόμησης από πολυφασματικά πολυδεσμικά ακουστικά δεδομένα	el
dc.title	Sea floor mapping with advanced classification techniques from multispectral multibeam acoustic data	en
heal.type	bachelorThesis
heal.classification	Τηλεσκόπηση	el
heal.classification	Φωτοερμηνεία - Τηλεσκόπηση	el
heal.classificationURI	http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27
heal.classificationURI	http://data.seab.gr/concepts/ee5bf80973632786c849c1c5aee2b365a32d825b
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-10-18
heal.abstract	Η σημαντική τεχνολογική πρόοδος την τελευταία δεκαετία, στην εξέλιξη και ανάπτυξη προηγμένων ενεργητικών και παθητικών αισθητήρων για υποθαλάσσια έρευνα, δίνει τη δυνατότητα για συστηματική και με ακρίβεια χαρτογράφηση του πυθμένα των θαλασσών. Προς τη κατεύθυνση αυτή, στην παρούσα εργασία, αξιολογήθηκαν, αναπτύχθηκαν και διευρύνθηκαν σύγχρονες τεχνικές για την προεπεξεργασία και ανάλυση των δεδομένων. Συγκεκριμένα, αξιοποιήθηκαν πολυφασματικά-πολυδεσμικά ακουστικά δεδομένα, υψηλής χωρικής ανάλυσης σε τρεις περιοχές μελέτης, που ήταν διαθέσιμα στο πλαίσιο διεθνούς διαγωνισμού. Μετά τις βασικές προεπεξεργασίες και την παραγωγή βυθομετρικών χαρτών, πραγματοποιήθηκαν εκτενή πειράματα με αλγορίθμους ταξινόμησης για την χαρτογράφηση του πυθμένα (sea floor mapping) σε βασικές κατηγορίες όπως άμμος, λασπώδης άμμος, άμμος με άλγη, βράχια, κοκ. Η αξιολόγηση των αρχικών πειραμάτων ανά περιοχή μελέτης έδειξε ότι για τις δυο πρώτες περιοχές του Καναδά (Bedford Basin & Patricia Bay), τα υψηλότερα ποσοστά ακρίβειας επιτεύχθηκαν με τη χρήση μηχανών διανυσμάτων υποστήριξης (SVM-Linear) για την ταξινόμησή τους. Στην περιοχή NewBex-Portsmouth, ύστερα από αρκετούς πειραματισμούς ο ταξινομητής Random Forest αξιολογήθηκε ως ο πιο αποτελεσματικός. Σε γενικές γραμμές τα ποσοστά ακρίβειας στους πειραματισμούς ανά περιοχή κυμάνθηκαν από 65% έως 96%. Τέλος, με απώτερο σκοπό τη συστηματοποίηση των διαδικασιών χαρτογράφησης, κατασκευάστηκε ένα ενιαίο γενικευμένο μοντέλο μηχανικής μάθησης το οποίο εκπαιδεύτηκε για τη χαρτογράφηση και των τριών περιοχών μελέτης. Τα ποσοστά ακρίβειας του γενικευμένου μοντέλου κυμάνθηκαν στα ίδια περίπου επίπεδα με τα προηγούμενα πειράματα ανά περιοχή. Το γεγονός αυτό είναι ιδιαίτερα ελπιδοφόρο μιας και υποδεικνύει ότι ένας γενικευμένος ταξινομητής με την κατάλληλη εκπαίδευση μπορεί να πετύχει παρόμοια ποσοστά ακρίβειας στη χαρτογράφηση του πυθμένα από πολυφασματικά, πολυδεσμικά ακουστικά δεδομένα.	el
heal.abstract	Recent technological advances in the development and upgrading of cutting-edge active and passive sensors for underwater research provide currently capabilities for systematic and accurate mapping of the seabed. To this end, in this diploma thesis, advanced processing and classification techniques were studied, developed and evaluated for the analysis of multispectral multibeam acoustic data. In particular, high resolution acoustic data covering three geographic regions were employed, which were available in the framework of an international data processing contest. Following the standard preprocessing and bathymetry estimation steps, extensive experiments were carried out towards sea floor mapping. Diferent machine learning classification algorithms were employed for discriminating seabed classes like Fine Sand, Mud Sand, Sand with algae, Rocky, etc. The quantitative evaluation indicated that for the first two Canadian regions (Bedford Basin & Patricia Bay), the highest accuracy rates were achieved using a Support Vector Machine (SVM) classifier. In the NewBex (Portsmouth, USA) region, several experiments indicated that the Random Forest Classifier (RF) resulted into higher accuracy rates. Overall, the classification accuracy rates in all, per-scene, experiments varied from 65% to 96%. Towards the systematic and operational seabed classification, a generic machine learning model was constructed which was trained with data from all three regions of interest. The resulting overall accuracy rates from the generic model was similar with the per-scene ones. This is a rather promising fact, which indicates that a generic classifier can under an adequate training procedure to achieve similar accuracy rates for sea floor mapping from multispectral multibeam acoustic data.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	98 σ.
heal.fullTextAvailability	true