dc.contributor.author | Ράπτης, Βασίλειος | el |
dc.contributor.author | Raptis, Vasileios | en |
dc.date.accessioned | 2020-12-10T10:03:46Z | |
dc.date.available | 2020-12-10T10:03:46Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/52450 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.20148 | |
dc.rights | Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/gr/ | * |
dc.subject | Ταξινόμηση | el |
dc.subject | Classification | en |
dc.subject | Ταξινομητής τυχαίων δασών | el |
dc.subject | Random forest classifier | en |
dc.subject | Κατηγορίες κάλυψης γης | el |
dc.subject | Land cover | en |
dc.subject | Αναγνώριση μεταβολών | el |
dc.subject | Change detection | en |
dc.subject | Πολυφασματικός κύβος | el |
dc.subject | Multi-spectral cube | en |
dc.title | Χαρτογράφηση καμμένων εκτάσεων και θεματικών κατηγοριών κάλυψης γης στο Μάτι Αττικής από διαχρονικά τηλεπισκοπικά δεδομένα πολύ υψηλής χωρικής ανάλυσης | el |
dc.title | Joint burned area and land cover mapping after the wildfire in Mati Greece from multitemporal very high resolution remote sensing data | en |
heal.type | bachelorThesis | |
heal.classification | Τηλεπισκόπηση | el |
heal.classification | Remote sensing | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 13-03 | |
heal.abstract | Τα τελευταία χρόνια η Ελλάδα αντιμετωπίζει πολύ συχνά μεγάλες και έντονες δασικές πυρκαγιές. Η δημιουργία χαρτών που σχετίζονται με την απεικόνιση της καμένης περιοχής μπορεί να βοηθήσει στην κατανόηση και καλύτερη διαχείριση ανάλογων φαινομένων. Προς αυτή την κατεύθυνση, αντικείμενο της εργασίας αποτέλεσε ο σχεδιασμός και υλοποίηση μεθοδολογίας ταξινόμησης και εντοπισμού μεταβολών από διαχρονικά τηλεπισκοπικά δεδομένα, με έμφαση σε περιοχές και αντίστοιχες χρονικές περιόδους μετά από καταστροφικές πυρκαγιές. Στόχος της εργασίας αποτελεί ο πειραματισμός στο πλαίσιο των ταξινομήσεων και του εντοπισμού μεταβολών με μια πρωτότυπη κατηγοριοποίηση θεματικών κατηγοριών, η οποία αποτελείται από κατηγορίες κάλυψης αλλά ταυτόχρονα και από κατηγορίες μεταβολών ήτοι καμένων εκτάσεων. Διερευνήθηκε επίσης, η αποτελεσματικότητα του ταξινομητή RandomForest για ταξινόμηση με ταυτόχρονη ανίχνευση μεταβολών σε ζεύγος εικόνων που απεικονίζει την περιοχή Μάτι της Ανατολικής Αττικής, πριν και μετά την καταστροφική πυρκαγιά του 2018. Για τα πειράματα χρησιμοποιήθηκαν δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης πριν (PLANETSCOPE) και μετά (SUPERVIEW) την πυρκαγιά του 2018. Συγκεκριμένα, δημιουργήθηκε ένας πολυφασματικός κύβος που περιέχει τα κανάλια της κάθε εικόνας σε παράθεση. Επιπρόσθετα δημιουργήθηκαν δεδομένα αναφοράς που περιελάμβαναν συνολικά 16 κατηγορίες κάλυψης γης. Οι κατηγορίες αυτές δημιουργήθηκαν με τη βοήθεια του Corine αλλά και με βοηθητικά γεωχωρικά δεδομένα από τον ΟΠΕΚΕΠΕ. Η ιεραρχία κλάσεων περιλαμβάνει σταθερές κατηγορίες αλλά και κατηγορίες οι οποίες υφίστανται αλλαγές από την μία εικόνα στην άλλη. Η ταξινόμηση βασίστηκε σε φασματικά χαρακτηριστικά και συγκεκριμένα στα τέσσερα κανάλια (Blue, Green, Red, NIR) της κάθε εικόνας και υλοποιήθηκε με τη χρήση του ταξινομητή RandomForest. Επιπρόσθετα, πειράματα υλοποιήθηκαν με την προσθήκη τριών φασματικών δεικτών για την κάθε εικόνα, δημιουργώντας έτσι έναν φασματικό κύβο 14 επιπέδων. Με όλα τα δεδομένα τα οποία ήταν διαθέσιμα εκπαιδεύτηκε ο αλγόριθμος του ταξινομητή με διάφορες αναλογίες δεδομένων εκπαίδευσης – ελέγχου, δίνοντας συνολικά 11 αποτελέσματα για το κάθε πείραμα. Η ακρίβεια των ταξινομήσεων για το πρώτο πείραμα με την μικρότερη αναλογία δεδομένων εκπαίδευσης έδωσε την χαμηλότερη ολική ακρίβεια από όλα τα πειράματα (92%) ενώ αυξήθηκε σημαντικά με σταθεροποίηση στο 98% περίπου από την αναλογία 30%-70% και μετά. Η προσθήκη των φασματικών δεικτών απέδωσε πολύ καλύτερα αποτελέσματα ακόμα και από την μικρότερη αναλογία δεδομένων με ποσοστό ολικής ακρίβειας 94%. Συνολικά τα αποτελέσματα της παρούσας εργασίας και η αξιολόγηση τους δημιουργούν προσδοκίες για την ενσωμάτωση αυτοματοποιημένων και ημι-αυτοματοποιημένων τεχνικών χαρτογράφησης καμένων περιοχών με ταυτόχρονη ανίχνευση και χαρακτηρισμό μεταβολών. | el |
heal.abstract | In recent years, Greece has often experience severe and intense wildfires. Creating maps related to depicting the burned area can help to understand and better manage of such phenomena. The science of remote sensing provides data with sufficient spatial, radiometric and spectral resolutions and modern techniques to accurately capture and visualize the phenomenon and the affected areas. Towards this direction, the effectiveness of the Random Forest classifier for simultaneous image pair classification detection, depicting the Eastern Attic Mati region, before and after the fire in 2018 was investigated. The experiments used high spatial resolution satellite data before (PLANETSCOPE) and after (SUPERVIEW) the fire of 2018. Specifically, a multi-spectral cube was created containing the channels of each image. In addition, reference data were created that included a total of 16 land cover categories. These categories were created with the help of Corine and and also included crop-related data from Greek Payment Authority of Common Agricultural Policy (OPEKEPE). The hierarchy of classes includes fixed categories but also categories that undergo changes from one image to another. The classification was based on spectral characteristics, namely the four channels (Blue, Green, Red, NIR) of each image, and was implemented using the Random Forest classifier. In addition, experiments were performed by adding three spectral markers for each image, thereby generating a 14-level spectral indices. With all the data available, the classifier algorithm was trained with different proportions of training-testing data, yielding a total of 11 results for each experiment. The accuracy of the classifications for the first experiment with the smallest proportion of training data gave the lowest overall accuracy of all experiments (92%) and increased significantly with stabilization to about 98% from 30% -70%. The addition of spectral indices yielded much better results even with the lower data rate of 94% overall accuracy. Overall, the results of the present work and their evaluation create expectations for the integration of automated and semi-automated burn area mapping techniques with simultaneous detection and characterization of changes. | en |
heal.advisorName | Καράντζαλος, Κωνσταντίνος | el |
heal.committeeMemberName | Καραθανάση, Βασιλεία | el |
heal.committeeMemberName | Τσιχριντζής, Βασίλειος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 55 σ. | el |
heal.fullTextAvailability | false |
The following license files are associated with this item: