Διερεύνηση Τεχνικών Μεταφοράς Μάθησης για Χαρτογράφηση Κάλυψης Γης με Δεδομένα Αναφοράς Προηγούμενων Ετών

Γκίνης, Ιωάννης; Gkinis, Ioannis

dc.contributor.author	Γκίνης, Ιωάννης	el
dc.contributor.author	Gkinis, Ioannis	en
dc.date.accessioned	2019-06-11T10:16:11Z
dc.date.available	2019-06-11T10:16:11Z
dc.date.issued	2019-06-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48835
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.9474
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
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	Transfer learning	en
dc.subject	Μεταφορά μάθησης	el
dc.subject	Ταξινόμηση εικόνας	el
dc.subject	Image classification	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Machine learning	en
dc.subject	Land cover maps	en
dc.subject	Χάρτες κάλυψης γης	el
dc.subject	Δορυφορικά δεδομένα	el
dc.subject	Satellite data	en
dc.title	Διερεύνηση Τεχνικών Μεταφοράς Μάθησης για Χαρτογράφηση Κάλυψης Γης με Δεδομένα Αναφοράς Προηγούμενων Ετών	el
dc.title	Transfer Learning for Land Cover Classification with Historical Reference Data	en
heal.type	masterThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-02-20
heal.abstract	Η διαθέσιμη πληθώρα διαχρονικών δορυφορικών εικόνων επιτρέπει την παραγωγή χαρτών κάλυψης γης για μεγάλες εκτάσεις σε υψηλή χωρική και χρονική ανάλυση. Οι αλγόριθμοι επιβλεπόμενης ταξινόμησης έχουν αποδειχθεί ως οι πλέον αποτελεσματικοί για την αυτόματη και ημι-αυτόματη παραγωγή χαρτών, αλλά για την εφαρμογή τους αναγκαία είναι η διάθεση και χρήση δεδομένων αναφοράς. Επιπρόσθετα, η συλλογή, σε ετήσια βάση, νέων δεδομένων αναφοράς και ελέγχου αποτελεί μια ιδιαίτερα χρονοβόρα και κοστοβόρα διαδικασία. Στην παρούσα εργασία διερευνήθηκε η αποτελεσματικότητα συστημάτων ταξινόμησης τα οποία αξιοποιούν δεδομένα αναφοράς παλαιότερων ετών με απώτερο σκοπό τη συλλογή σημαντικά λιγότερων (ή και καθόλου) νέων δεδομένων αναφοράς. Για τα πειράματα χρησιμοποιήθηκαν δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης (Sentinel-2) για τα έτη 2016 και 2017, σε περιοχή μελέτης της Δυτικής Μακεδονίας. Συγκεκριμένα δημιουργήθηκαν δύο διαχρονικοί πολυφασματικοί κύβοι 11 διαφορετικών ημερομηνιών, ένας για κάθε έτος. Τα διαθέσιμα δεδομένα αναφοράς για το έτος 2016 περιελάμβαναν 34 κατηγορίες κάλυψης γης, βασισμένες στην ονοματολογία του CORINE αλλά και πολυάριθμες καλλιέργειες από γεωχωρικά δεδομένα του ΟΠΕΚΕΠΕ. Τα δεδομένα ελέγχου για το έτος 2017 δημιουργήθηκαν με προβολή και όπου απαιτούταν τροποποίηση των αντίστοιχων πολυγώνων των κατηγοριών από το 2016 για τις γενικές κατηγορίες κάλυψης ενώ οι αρόσιμες καλλιέργειες ψηφιοποιήθηκαν εκ νέου με νέα δεδομένα του ΟΠΕΚΕΠΕ για το 2017. Η ταξινόμηση βασίστηκε σε φασματικά χαρακτηριστικά και πιο συγκεκριμένα στα 5 πολυφασματικά κανάλια (Blue, Green, Red, NIR, SWIR) και σε 5 φασματικούς δείκτες (NDVI, MSAVI, NDWI, NDBI, MNDWI) ενώ υλοποιήθηκε με χρήση του ταξινομητή Random Forest. Η πειραματική εφαρμογή της μεθοδολογίας απαρτίστηκε από 6 πειράματα ταξινόμησης. Στο πρώτο πείραμα το μοντέλο που εκπαιδεύτηκε με τα δεδομένα αναφοράς του 2016 στο κύβο του 2016 (Source Domain), εφαρμόστηκε για την πρόβλεψη στον κύβο του 2017. Στα πειράματα 2-5 χρησιμοποιήθηκαν τα πολύγωνα εκπαίδευσης του 2016 για την εξαγωγή των χαρακτηριστικών του κύβου του 2017 και πρόβλεψη στο 2017, με μικρές διαφοροποιήσεις. Τέλος, στο 6ο πείραμα χρησιμοποιήθηκε μικρό ποσοστό δεδομένων αναφοράς του 2017 παράλληλα με τα δεδομένα αναφοράς του 2016 για την εκπαίδευση του ταξινομητή για την πρόβλεψη στο κύβο του 2017. Το πρώτο πείραμα απέδωσε χαμηλά ποσοστά (42%) μέσης ακρίβειας για τις κατηγορίες, τα πειράματα 2-5 μέσα ποσοστά (65%-67%) μέσης ακρίβειας και το έκτο πείραμα υψηλά ποσοστά (86%) μέσης ακρίβειας. Από τη συνολική ποσοτική και ποιοτική αξιολόγηση της μεθοδολογίας και των αποτελεσμάτων δημιουργούνται προσδοκίες για την εφαρμογή τεχνικών μεταφοράς μάθησης σε τηλεπισκοπικές εφαρμογές που απαιτούν την χρήση πληθώρας δεδομένων αναφοράς.	el
heal.abstract	Currently, the availability of an unprecedented volume of multitempotal satellite data increases the capacity for large scale land-cover map production at high spatial and temporal resolution. Supervised classification algorithms have been documented as the most effective for automatic and semi-automatic map production, but the availability and use of reference data is a prerequisite for their implementation. In addition, the collection and annotation of new reference data on a yearly basis is a very time and cost consuming process. This Master Thesis investigates the effectiveness of classification systems that use outdated reference data from past years towards the direction of collecting significantly fewer (or not at all) new reference data. Sentinel-2 satellite data for years 2016 and 2017 were used for the experiments over a one-tile-large study area, part of western Macedonia (Greece) region. In particular, two multi-temporal spectral cubes of 11 different dates were created, one for each year. The available reference data for the year 2016 included 34 land cover categories, based on the CORINE nomenclature and included also numerous crops derived from Greek Payment Authority of Common Agricultural Policy (OPEKEPE) geospatial data. Testing data for the year 2017 were created by projecting the available ones from 2016 and modified when needed, while the arable crops were annotated anew with OPEKEPE data for 2017. The classification applied a Random Forest classifier based on spectral features, i.e., five spectral bands (Blue, Green, Red, NIR, SWIR) and five spectral indices (NDVI, MSAVI, NDWI, NDBI, MNDWI). The methodology application set-up consisted of 6 classification experiments. For the first experiment the model trained with the reference data of 2016 on the 2016 cube (Source Domain) was used to predict the 2017 cube. For experiments 2-5 the 2016 training polygons were used for the feature’s extraction from the 2017 cube and for prediction on the 2017 cube, with minor modifications. Finally, for the 6th experiment a small amount of reference data of 2017 were used along with the 2016 reference data for building a model to predict 2017 cube. The first experiment yielded low rates (42%) for average precision of all classes, experiments 2-5 middle rates (65% -67%), and the sixth experiment highly accurate results based on average precision (86%). From the overall quantitative and qualitative evaluation of the methodology and results raise expectations for the implementation of transfer learning techniques in remote-sensing applications requiring the use of numerous reference data.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	true