Διερεύνηση των δυνατοτήτων των δεδομένων LiDAR σε ταξινομήσεις κάλυψης γης με τεχνικές συνελικτικών νευρωνικών δικτύων

Κατσαντώνης, Σταύρος; Katsantonis, Stavros

dc.contributor.author	Κατσαντώνης, Σταύρος	el
dc.contributor.author	Katsantonis, Stavros
dc.date.accessioned	2020-10-14T06:29:17Z
dc.date.available	2020-10-14T06:29:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51434
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19132
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	LiDAR	en
dc.subject	Sentinel-2	en
dc.subject	Βαθιά μάθηση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Remote sensing	en
dc.subject	Deep learning	en
dc.subject	Convolutional neural networks	en
dc.subject	Ταξινόμηση	el
dc.subject	Κάλυψη γης	el
dc.title	Διερεύνηση των δυνατοτήτων των δεδομένων LiDAR σε ταξινομήσεις κάλυψης γης με τεχνικές συνελικτικών νευρωνικών δικτύων	el
dc.contributor.department	Τοπογραφία - Εργαστήριο Τηλεπισκόπησης	el
heal.type	bachelorThesis
heal.classification	Deep learning	en
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote sensing	en
heal.classification	Βαθιά μάθηση	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-21
heal.abstract	Οι ταξινομήσεις δορυφορικών εικόνων σε χρήσεις/καλύψεις γης είναι ένα από τα σημαντικότερα θέματα με τα οποία ασχολείται η επιστήμη της Τηλεπισκόπησης. Υπάρχουν διάφορες μέθοδοι με τις οποίες μπορεί να γίνει μια ταξινόμηση. Η συγκεκριμένη εργασία επικεντρώνεται στη χρήση νευρωνικών δικτύων και πιο συγκεκριμένα σε δίκτυα συνέλιξης για την ταξινόμηση των τηλεπισκοπικών εικόνων. Ταυτόχρονα, εξετάζει τις δυνατότητες των δεδομένων LiDAR για την βελτιστοποίηση της ταξινόμησης χρησιμοποιώντας την υψομετρική πληροφορία που προσφέρουν. Την τελευταία δεκαετία, τα νευρωνικά δίκτυα παρουσιάζουν άνθιση και είναι σημαντικό εργαλείο στον τομέα της έρευνας και της επιστήμης. Αποτελούν θεμελιώδες στοιχείο του κλάδου της τεχνητής νοημοσύνης δηλαδή της υλοποίησης υπολογιστικών συστημάτων που μιμούνται στοιχεία της ανθρώπινης συμπεριφοράς τα οποία υπονοούν έστω και στοιχειώδη ευφυΐα. Ένα από τα χαρακτηριστικά που κάνουν τα νευρωνικά δίκτυα να ξεχωρίζουν, είναι η ευελιξία που προσφέρουν ως προς την επίλυση του προβλήματος. Ακόμη, έχουν τη δυνατότητα να εντοπίζουν πρότυπα που εμφανίζονται μέσα στα δεδομένα, τα οποία μπορεί να μην ήταν εμφανή σε έναν άνθρωπο. Γι’ αυτό, σε ορισμένες εφαρμογές οι δυνατότητες των νευρωνικών δικτύων ξεπερνούν αυτές των ανθρώπων. Με τη χρήση συνελικτικών νευρωνικών δικτύων, η συγκεκριμένη εργασία στοχεύει εκτός των άλλων στην αξιοποίηση δεδομένων που δημιουργούνται από συστήματα LiDAR. Τα συστήματα LiDAR, εκπέμπουν συγκεντρωμένες δέσμες ακτινοβολίας σε συγκεκριμένα μήκη κύματος, οι οποίες όταν συναντούν ένα αντικείμενο ανακλώνται πίσω στον δέκτη. Μετρώντας τον χρόνο που χρειάστηκε η δέσμη να φτάσει σε κάποιο αντικείμενο και να επιστρέψει πίσω στον δέκτη, μπορεί να υπολογιστεί η απόσταση ανάμεσα στο σύστημα LiDAR και το αντικείμενο. Συνεπώς, αερομεταφερόμενα συστήματα LiDAR δίνουν τη δυνατότητα υπολογισμού υψομετρικών διαφορών και την δημιουργία ψηφιακών μοντέλων επιφάνειας και εδάφους. Η συγκεκριμένη διπλωματική εργασία περιλαμβάνει δύο διακριτές εφαρμογές. Στόχος και των δύο εφαρμογών είναι η διερεύνηση των δυνατοτήτων των δεδομένων LiDAR να βελτιώσουν τα αποτελέσματα ταξινομήσεων καλύψεων γης. Η πρώτη εφαρμογή χρησιμοποιεί δεδομένα δορυφορικών εικόνων Sentinel-2 και την υψομετρική πληροφορία από τα δεδομένα LiDAR. Η δεύτερη χρησιμοποιεί εικόνες πολύ μεγάλης διακριτικής ικανότητας που παρέχονται από την αερομεταφερόμενη κάμερα που συνοδεύει τον δέκτη LiDAR, την πληροφορία της έντασης της ακτινοβολίας του δέκτη LiDAR καθώς και την υψομετρική πληροφορία από τα δεδομένα LiDAR. Μια βασική διαφορά των δύο αυτών εφαρμογών είναι η χωρική ανάλυση των δεδομένων. Στην περίπτωση των εικόνων Sentinel-2, η χωρική ανάλυση είναι στα 10 m, ενώ τα δεδομένα LiDAR και η αερομεταφερόμενη κάμερα προσφέρουν μεγαλύτερη ανάλυση, κοντά στα 50 cm. Για τις δύο αυτές εφαρμογές αναπτύχθηκε ένα συνελικτικό νευρωνικό δίκτυο, με το οποίο γίνεται η ταξινόμηση των δεδομένων. Προσθέτοντας την υψομετρική πληροφορία των δεδομένων LiDAR στις εικόνες Sentinel-2 ή στις εικόνες RGB της αερομεταφερόμενης κάμερας, διερευνάται η δυνατότητα βελτίωσης της ταξινόμησης.	el
heal.abstract	Satellite image classification is one of the most important applications of remote sensing. There are many different classification methods. Τhis thesis focuses on classifications utilizing convolutional neural networks (CNN). Moreover, this thesis explores the potential of LiDAR data to increase the CNN’s classification accuracy. During this last decade, neural networks are increasing in popularity and have become a great tool for researchers of every science field. They are the heart of artificial intelligence and machine learning applications. One of the main advantages of neural networks is their flexibility and ability to be implemented in most problems. Moreover, they are capable of recognizing patterns in data, faster and more efficiently than humans. In some applications, neural networks outperform the even the greatest experts in pattern recognition. Significant part of this thesis is the examination of the capabilities of LiDAR data when utilized by neural networks. LiDAR systems are active, meaning that they beam the radiation that is captured and are not reliant to the Sun’s radiation. These beams, reflect when they reach an object and some of these reflections make their way back to the LiDAR system’s sensor. This sensor is measuring the time between the signal’s emission and the time of the signal’s capture. The time difference between these two moments can be converted to distance, using the speed at which the signal was travelling, which is the speed of light. Thus, an airborne LiDAR system is able to measure height differences and create digital elevation models (DEM). This thesis contains two applications, both aiming at examining the influence of LiDAR data when used in CNN satellite image classifications. The first application uses Sentinel-2 satellite images and LiDAR elevation data, while the second uses the images captured from the onboard RGB camera of the LiDAR system, the intensity and the LiDAR elevation data. The main difference between these two applications is the spatial resolution of the images. Sentinel-2 images have a pixel size of 10 m, while the RGB image acquired by the camera onboard the LiDAR system have a pixel size of 50 cm. In order to classify the data, a CNN was developed for each application. This CNN uses as input the imagery in conjunction with the LiDAR data in an effort to examine the LiDAR data capabilities and potentials of LiDAR data to improve classification’s accuracy.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.advisorName	Karathanassi, Vassilia	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	en
heal.committeeMemberName	Doulamis, Anastasios	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Karathanassi, Vassilia	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false