Αξιολόγηση χρονικών χαρακτηριστικών για την ετήσια
χαρτογράφηση κάλυψης γης από ετήσια δεδομένα Sentinel-2

Τσιώτας Νιαχοπέτρος, Ιωάννης Ανδρέας; Tsiotas Niachopetros, Ioannis Andreas

dc.contributor.author	Τσιώτας Νιαχοπέτρος, Ιωάννης Ανδρέας	el
dc.contributor.author	Tsiotas Niachopetros, Ioannis Andreas	en
dc.date.accessioned	2020-12-18T07:03:53Z
dc.date.available	2020-12-18T07:03:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52586
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20284
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	Τηλεπισκόπηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Χρονικά χαρακτηριστικά	el
dc.subject	Sentinel 2	el
dc.subject	Επιλογή χαρακτηριστικών	el
dc.subject	Remote sensing	en
dc.subject	Machine learning	en
dc.subject	Temporal features	en
dc.subject	Sentinel 2	en
dc.subject	Feature selection	en
dc.title	Αξιολόγηση χρονικών χαρακτηριστικών για την ετήσια χαρτογράφηση κάλυψης γης από ετήσια δεδομένα Sentinel-2	el
dc.title	Evaluating temporal features for land cover mapping from annual Sentinel-2 data	en
dc.contributor.department	Remote Sensing Laboratory	el
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-14
heal.abstract	ΠΕΡΙΛΗΨΗ Το μεγάλο πλήθος ελεύθερα διαθέσιμων δορυφορικών τηλεπισκοπικών δεδομένων σε συνδυασμό με την ανάπτυξη πληθώρας αξιόπιστων αλγορίθμων μηχανικής μάθησης, καθιστά σήμερα την αυτόματη παραγωγή χαρτών καλύψεων γης πιο εφικτή από ποτέ. Σε λειτουργικό επίπεδο όμως υπάρχουν δυο βασικοί παράγοντες που προσθέτουν επιπλέον δυσκολία στην παραγωγή τους: Η υψηλή υπολογιστική ισχύς που απαιτείται για την υλοποίηση του μεθοδολογικού πλαισίου με χρήση πολυάριθμων διαχρονικών πολυφασματικών δεδομένων, καθώς επίσης και η ανάγκη για μεγάλο πλήθος δεδομένων αναφοράς, τα οποία πρέπει να δοθούν ως είσοδος ώστε να είναι εφικτή η εκπαίδευση του μοντέλου μηχανικής μάθησης. Στη συγκεκριμένη διπλωματική εργασία διερευνήθηκαν μέθοδοι μείωσης της διαστατικότητας των διαχρονικών πολυφασματικών δεδομένων και η επίπτωσή τους στην ακρίβεια της ταξινόμησης, προκειμένου να μειωθεί η απαιτούμενη υπολογιστική ισχύς για τη διεξαγωγή του μεθοδολογικού πλαισίου. Για τις ανάγκες αυτής της εργασίας χρησιμοποιήθηκαν 10 πολυφασματικές απεικονίσεις υψηλής χωρικής ανάλυσης του Sentinel 2A για τέσσερα διαφορετικά tiles του δορυφόρου, το 34ΤΕΚ, το 34SEJ, το 35TLF και το 34SEG. Μετά τις απαραίτητες προεπεξεργασίες και διορθώσεις στις δορυφορικές εικόνες, παρήχθησαν δυο σύνολα δεδομένων για κάθε ένα tile. Δημιουργώντας μια στοίβα από διαχρονικά χαρακτηριστικά, πιο συγκεκριμένα έξι φασματικά κανάλια και τρεις φασματικούς δείκτες, σχηματίστηκε αρχικά ένας κύβος φασματικών διαχρονικών χαρακτηριστικών για κάθε ένα tile. Μετέπειτα υπολογίστηκαν επί του φασματικού κύβου κάθε tile στατιστικά μεγέθη (όπως μέγιστη, ελάχιστη, μέση τιμή κ.α.) και έτσι σχηματίστηκαν οι κύβοι των χρονικών (temporal) χαρακτηριστικών. Για κάθε tile και κύβο εφαρμόστηκε μεγάλο πλήθος πειραμάτων με διαφορετικούς συνδυασμούς χαρακτηριστικών, αρχικά για ταξινόμηση και παραγωγή χάρτη ανά tile. Επιπρόσθετα υλοποιήθηκαν και πειράματα γενίκευσης μοντέλων σε άγνωστα δεδομένα, ώστε να βρεθεί το κατά πόσο είναι εφικτή η εκπαίδευση ενός μοντέλου σε μια περιοχή και η εφαρμογή του σε μια διαφορετική περιοχή, καθώς και πειράματα με εκπαίδευση και έλεγχο σε δύο περιοχές (συνδυαστικά πειράματα). Από το πλήθος των πειραμάτων που πραγματοποιήθηκαν προέκυψαν υψηλές ολικές ακρίβειες άνω του 90% για πειράματα μηχανικής μάθησης στον κύβο των χρονικών χαρακτηριστικών ανά tile. Οι ολικές ακρίβειες για γενίκευση μοντέλων σε άγνωστα δεδομένα κυμάνθηκαν στο εύρος 49%-84%, ενώ παρατηρήθηκε ότι βελτιωμένα αποτελέσματα προέκυψαν με τη χρήση γειτνιαζόντων tiles, ένα για εκπαίδευση και ένα για έλεγχο ή με τη χρήση δύο tiles για εκπαίδευση, περίπτωση κατά την οποία οι ολικές ακρίβειες κυμάνθηκαν στο εύρος 55%-81%. Σε ό,τι αφορά στα συνδυαστικά πειράματα παρατηρείται ότι ανά δύο tiles οι ακρίβειες κυμαίνονται στο εύρος 94%-96%, είναι δηλαδή πολύ υψηλές σε κάθε περίπτωση με τη γειτνίαση να μην παίζει κάποιο ρόλο στις ακρίβειες. Η εφαρμογή της μεθοδολογίας και η ανάλυση των αποτελεσμάτων καταδεικνύει ότι η χρήση χρονικών χαρακτηριστικών είναι αποτελεσματική για την ταξινόμηση κάλυψης γης και καλλιεργειών σε εκτενείς εκτάσεις, με ταυτόχρονη μείωση της διαστατικότητας των τηλεπισκοπικών δεδομένων.	el
heal.abstract	ABSTRACT The abundance of freely available remote sensing data combined with the development of reliable machine learning algorithms renders the automatic production of land cover maps easier than ever before. However, on a practical level there are two main factors that hinder the process: The high computational power that is required in order to apply the methodology on a large amount of multispectral imagery, and also the need for a large amount of reference data which have to be given as input to the algorithm in order to render the training of a machine learning model feasible. In this diploma thesis, feature extraction methods for multispectral timeseries and their effect on classification accuracy were studied and implemented, in order to reduce the aforementioned required computational power. 10 Sentinel 2A, high resolution, multispectral images for each of 4 different tiles of Sentinel 2A were used. These tiles are 34TEK, 34SEJ, 35TLF and 34SEG. After the required preprocessing procedures and corrections two datasets were created for every tile. Firstly 6 spectral bands and 3 indices were stacked in order to produce a spectral features cube for every tile. Afterwards statistical derivations of the cube per pixel (temporal features) were calculated and temporal features cubes were created. A large number of experiments was conducted with both training and testing on the same tile, training on one or two tiles and testing on a different tile and training and testing on 2 tiles. The experiments which were conducted on one tile achieved high overall accuracy rates of over 90%. The overall accuracy range for experiments with training on one tile and testing on another was mediocre (49%-84%), and the method yielded its best results for tiles that shared a common border. The overall accuracy range for experiments with training on 2 tiles and testing on one tile was 55%-81%. The experiments with training and testing on the same tile yielded results with high overall accuracy rates ranging from 94% to 96%. The implementation of the methodology and the analysis of the results highlights that the use of temporal features is an efficient solution for accurate land cover classification over large areas, combined with reduced remote sensing data dimensionality.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	140 σ.	el
heal.fullTextAvailability	false