Paddyr rice mapping based on multi-temporal sentinel-1 and sentinel-2 data in a high performance data analytics environment

Koukos, Alkiviadis-Marios; Κούκος, Ακλιβιάδης-Μάριος

dc.contributor.author	Koukos, Alkiviadis-Marios
dc.contributor.author	Κούκος, Ακλιβιάδης-Μάριος	el
dc.date.accessioned	2021-01-18T09:48:43Z
dc.date.available	2021-01-18T09:48:43Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52816
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20514
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Default License
dc.subject	Big data	en
dc.subject	Sentinel	en
dc.subject	Remote sensing	en
dc.subject	Machine learning	en
dc.subject	HPDA	en
dc.subject	Μεγάλα δεδομένα	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Υπολογιστικό σύστημα υψηλών επιδόσεων	el
dc.title	Paddyr rice mapping based on multi-temporal sentinel-1 and sentinel-2 data in a high performance data analytics environment	en
heal.type	masterThesis
heal.classification	Big Data	en
heal.classification	Remote Sensing	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-11
heal.abstract	Over the last years, the continuous increase of global population, together with the climate change, is expected to affect the food sector significantly. Rice is a main source of nutrition for more than half of world's population and it contributes significantly to food security, global economy and climate change. Towards the efficient rice growth and yield monitoring, the main objective of this thesis is to develop a generic and transferable model for rice crop mapping based on Sentinel-1 and Sentinel-2 imagery. Specifically, the present thesis deals with agriculture monitoring challenges, for the purposes of food security monitoring in South Korea. South Korea’s food security problems include the overproduction of rice, which consequently leads to low self-sufficiency in the production of other major crops. For this reason, the accurate and large scale mapping of the paddy rice offers valuable information for the high-level decision-making related to food security. Therefore, in order to address this problem, a big data paddy rice mapping application was developed. In this regard, a set of processes has been implemented, using the computing framework Apache Spark and the Hadoop Distributed File System (HDFS) in a High Performance Data Analytics (HPDA). The input data comprise of long time-series of Sentinel-1 and Sentinel-2 images, but also pertinent vegetation indices produced from them. At first, a 2-step data interpolation methodology was implemented to create a robust feature space with fixed timestamps. Furthermore, an unsupervised pixel-based technique, which utilizes the K-means algorithm, was approached for creating trustworthy and close-to-reality training data. Finally, a Random Forest model was trained using the generated training data in order to classify paddy rice in every pixel of the Area of Interest. The proposed paddy rice classification method achieves an accuracy of more than 92%, from as early as the end of July, for a study area in Northwestern South Korea.	en
heal.abstract	Τα τελευταία χρόνια, η συνεχόμενη αύξηση του παγκόσμιου πληθυσμού, σε συνάρτηση με την κλιματική αλλαγή, αναμένεται να επηρεάσουν σημαντικά τον επισιτιστικό τομέα. Το ρύζι αποτελεί κύριο προιόν για πολλές χώρες γης και τρέφει περισσότερο από τον μισό πληθυσμό της. Επομένως, η παρακολούθησή του συνεισφέρει σημαντικά στον έλεγχο της επισιτιστικής ασφάλειας, της παγκόσμιας οικονομίας καθώς της κλιματικής αλλαγής. Με σκοπό την αποτελεσματική παρακολούθηση της ανάπτυξης και παραγωγής του ρυζιού, ο βασικός στόχος της παρούσας διπλωματικής εργασίας είναι να αναπτύξει ένα γενικευμένο και χωρικά μεταβιβάσιμο μοντέλο, με σκοπό τη χαρτογράφηση της καλλιέργειας του ρυζιού, κάνοντας χρήση δεδομένων Sentinel-1 και Senintel-2. Συγκεκριμένα, η παρούσα εργασία ασχολείται με προκλήσεις παρακολούθησης της γεωργίας, για τους σκοπούς της παρακολούθησης της επισιτιστικής ασφάλειας στη Νότια Κορέα. Τα προβλήματα επισιτιστικής ασφάλειας της Νότιας Κορέας, αφορούν στην υπερπαραγωγή ρυζιού, η οποία κατά συνέπεια οδηγεί σε υψηλά κόστη αποθήκευση του πλεονάσματος. Επιπλέον, αυτή η υπερπαραγωγή συνεπάγεται χαμηλή αυτάρκεια στην παραγωγή άλλων σημαντικών καλλιεργειών. Για αυτόν τον λόγο, η υψηλής ακρίβειας και μεγάλης κλίμακας χαρτογράφηση του ρυζιού προσφέρει πολύτιμες πληροφορίες για τη λήψη αποφάσεων υψηλού επιπέδου, όσον αφορά την επισιτιστική ασφάλεια. Επομένως, για να αντιμετωπιστεί αυτό το πρόβλημα, αναπτύχθηκε μια εφαρμογή μεγάλης δεδομένων για τη χαρτογράφηση ορυζώνων. Πιο αναλυτικά, έχει υλοποιηθεί ένα σύνολο διαδικασιών, που κάνει χρήση της υπολογιστικής πλατφόρμας κατανεμημένης επεξεργασίας Apache Spar} και του κατανεμημένου αποθηκευτικό σύστημα Hadoop (HDFS) σε ένα υπολογιστικό σύστημα υψηλών επιδόσεων (High Performance Data Analytics - HPDA). Τα δεδομένα εισόδου αποτελούνται από μεγάλες χρονοσειρές εικόνων Sentinel-1 και Sentinel-2, καθώς και σχετικούς δείκτες βλάστησης που παράγονται από αυτές. Αρχικά, εφαρμόστηκε μια μεθοδολογία παρεμβολής δεδομένων 2 βημάτων για τη δημιουργία ενός δυναμικού χώρου χαρακτηριστικών με σταθερό χρονικό βήμα. Επιπλέον, υλοποιήθηκε με μια μέθοδος μη επιβλεπόμενης μάθησης σε επίπεδο εικονοστοιχείου, χρησιμοποιώντας τον αλγόριθμο των K-means), για τη δημιουργία αξιόπιστων δεδομένων εκπαίδευσης. Τέλος, εκπαιδεύτηκε ένα μοντέλο Random Forest χρησιμοποιώντας τα παραγόμενα δεδομένα εκπαίδευσης, προκειμένου να ταξινομήσει το ρύζι σε κάθε εικονοστοιχείο της περιοχής ενδιαφέροντος. Η προτεινόμενη μέθοδος ταξινόμησης ρυζιού επιτυγχάνει ακρίβεια άνω του 92%, από το τέλος Ιουλίου, για μια περιοχή μελέτης στη βορειοδυτική Νότια Κορέα.	el
heal.sponsor	This work has been supported by the EOPEN project, which has been funded from the European Union’s Horizon 2020 research and innovation programme under grant agreement 776019.	en
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Kontoes, Charalampos	en
heal.committeeMemberName	Goumas, Georgios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	73 σ.	el
heal.fullTextAvailability	false