Ετήσια Χαρτογράφηση Κάλυψης Γης και Καλλιεργειών με Χρήση Δεδομένων Sentinel-2 και Τεχνικές Μηχανικής Μάθησης

Αντωνίου, Γεωργία; Antoniou, Georgia

dc.contributor.author	Αντωνίου, Γεωργία
dc.contributor.author	Antoniou, Georgia
dc.date.accessioned	2020-10-21T17:47:43Z
dc.date.available	2020-10-21T17:47:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51566
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19264
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Κάλυψη γης	el
dc.subject	Land cover	en
dc.subject	Χαρτογράφηση	el
dc.subject	Mapping	en
dc.subject	Ταξινόμηση	el
dc.subject	Classification	en
dc.subject	Πολυφασματικά δεδομένα sentinel-2	el
dc.subject	Multispectral sentinel-2 data	en
dc.subject	Τυχαία Δάση	el
dc.subject	Random Forests	en
dc.title	Ετήσια Χαρτογράφηση Κάλυψης Γης και Καλλιεργειών με Χρήση Δεδομένων Sentinel-2 και Τεχνικές Μηχανικής Μάθησης	el
dc.contributor.department	ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ	el
heal.type	masterThesis
heal.secondaryTitle	Land Cover and Crop-type Mapping at an Annual Basis From Sentinel-2 Satellite Data with Machine Learning Techniques	en
heal.classification	Ψηφιακή τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-02-20
heal.abstract	Η αξιοποίηση των διαθέσιμων τηλεπισκοπικών δεδομένων για την παραγωγή χάρτη χρήσεων/ κάλυψης γης, απαιτεί το σχεδιασμό και την εφαρμογή αποδοτικών μεθόδων και τεχνικών για την αναγνώριση των ποικίλων θεματικών κατηγοριών που καλύπτουν την επιφάνεια της γης. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε και υλοποιήθηκε ένα σύστημα επεξεργασίας με βάση τα δένδρα απόφασης, με στόχο τον εντοπισμό και το διαχωρισμό των διαφορετικών εδαφοκαλύψεων και τη δημιουργία χάρτη χρήσεων γης και καλλιεργειών. Χρησιμοποιήθηκαν δορυφορικά δεδομένα υψηλής ανάλυσης (Sentinel-2) σε περιοχή (συνολικά ~14.000 km2) της Ανατολικής Μακεδονίας και Θράκης. Τα δορυφορικά δεδομένα αφορούν το έτος 2016 και προέρχονται από 6 διαφορετικές ημερομηνίες. Ο ταξινομητής αξιοποίησε 6 πολυφασματικά κανάλια (Blue, Green, Red, NIR, SWIR1, SWIR2) και 4 φασματικούς δείκτες (NDVI, MSAVI, NDWI, NDBI) για κάθε ημερομηνία. Αρχικά διενεργήθηκε η συλλογή δεδομένων εκπαίδευσης, τα οποία προήλθαν από φωτοερμηνεία στην περιοχή μελέτης. Τα διαθέσιμα δεδομένα αναφοράς για το έτος 2016 περιελάμβαναν 31 κατηγορίες κάλυψης γης, βασισμένες στην ονοματολογία του CORINE αλλά και πολυάριθμες καλλιέργειες από γεωχωρικά δεδομένα του ΟΠΕΚΕΠΕ. Στη συνέχεια, υλοποιήθηκε η ταξινόμηση των πολυφασματικών δορυφορικών δεδομένων. Οι ταξινομήσεις ομαδοποιήθηκαν σε 3 κατηγορίες, με βάση τα tiles που χρησιμοποιούνται για εκπαίδευση και έλεγχο της ταξινόμησης. Η πρώτη κατηγορία ταξινομήσεων έκανε χρήση του ίδιου tile για την εκπαίδευση και τον έλεγχο του αλγορίθμου ταξινόμησης, ενώ πεδίο διερεύνησης αποτέλεσε το βέλτιστο ποσοστό αποκοπής των δεδομένων για την εκπαίδευση και τον έλεγχο του ταξινομητή. Στην συγκεκριμένη κατηγορία υλοποιήθηκαν 15 ταξινομήσεις, 9 για κάθε tile με τα ποσοστά των δεδομένων εκπαίδευσης επί του συνόλου δεδομένων αναφοράς να κυμαίνονται από 10% έως 90%. Τα αποτελέσματα που προέκυψαν αξιολογήθηκαν με πολύ υψηλή ακρίβεια (συνολική ακρίβεια >98%). Η δεύτερη κατηγορία ταξινομήσεων έκανε χρήση διαφορετικού tile για την εκπαίδευση και για τον έλεγχο του ταξινομητή, διερευνώντας έτσι, τη δυνατότητα δημιουργίας χάρτη χρήσεων γης από ταξινόμηση σε διαφορετικό μοντέλο. Υλοποιήθηκαν δύο ταξινομήσεις, αξιοποιώντας και στις δύο το ίδιο μοντέλο εκπαίδευσης του ταξινομητή στο tile 35TLF. Τα αποτελέσματα, που προέκυψαν ήταν μέτριας ακρίβειας (Συνολική ακρίβεια 64-70%). Η τρίτη κατηγορία ταξινομήσεων έκανε χρήση όλων των επιλεγμένων tiles για εκπαίδευση και έλεγχο της ταξινόμησης, χτίζοντας ένα κοινό μοντέλο. Υλοποιήθηκαν 9 ταξινομήσεις, χρησιμοποιώντας σε κάθε μια διαφορετικό ποσοστό αποκοπής δεδομένων εκπαίδευσης, με σκοπό τη διερεύνηση της βέλτιστης επιλογής. Τα αποτελέσματα, που προέκυψαν ήταν πολύ υψηλής ακρίβειας (>99%). Συνολικά, παρήχθησαν, 6 χάρτες χρήσεων γης και καλλιεργειών οι οποίοι βασίστηκαν στο βέλτιστο σχήμα ταξινόμησης της κάθε κατηγορίας. Από τη συνολική ποσοτική και ποιοτική αξιολόγηση της μεθοδολογίας και των αποτελεσμάτων επιβεβαιώνεται η αποτελεσματικότητα του ταξινομητή τυχαίων δασών σε τηλεπισκοπικές εφαρμογές για την χαρτογράφηση κάλυψης γης και καλλιεργειών. Σημειώνεται ότι παρόλα τα υψηλά συνολικά ποσοστά ακρίβειας συγκεκριμένες κατηγορίες επιτυγχάνουν σχετικά χαμηλότερα ποσοστά και αναλύεται η συμπεριφορά τους.	el
heal.abstract	The exploitation of the available abundance of remote sensing data for the production of land cover maps requires design and implementation of efficient methods and techniques for highlighting different land cover types. To this end, a framework of random forest classification was designed and implemented in order to identify and separate the different land cover types and finally create a land cover map. We used high-resolution satellite data (Sentinel-2) in a region (totally ~14.000 km2) of Eastern Macedonia & Thrace, Greece. The satellite data came from 6 different dates of 2016. The classifier used six multi-spectral bands (Blue, Green, Red, NIR, SWIR1, SWIR2) and four spectral indices (NDVI, MSAVI, NDWI, NDBI). First step was the collection of training data, which produced by photo interpretation of the study area. The available reference data for the year 2016 included 31 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. Subsequently, multiple experiments were conducted. The classifications were grouped into 3 categories, based on the tiles that are used for training and testing algorithm. The first category of classifications used the same tile for training and testing algorithm, changing each time the percentage of ground truth that was used for training algorithm (percentage from 10% to 90%- 27 classifications), the second used different tile for training and testing algorithm (2 classifications), and the third used all tiles for training and testing algorithm, changing each time the percentage of ground truth that was used for training algorithm (percentage from 10% to 90%- 9 classifications). The first group of experiments yielded results of very high precision (98-99%), the second results of medium precision (64-70%) and the third results of very high precision (almost 100%). Totally, 6 land cover maps were produced, based on the optimal classification scheme of each category. From the overall quantitative and qualitative evaluation of the methodology and the results, the effectiveness of the RF techniques for the classification of remote sensing data is confirmed.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Πότσιου, Χρυσή
heal.committeeMemberName	Αργιαλάς, Δημήτριος
heal.academicPublisher	Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	145 σ.
heal.fullTextAvailability	false