Αυτόματη επεξεργασία γεωχωρικών δεδομένων για την εκπαίδευση αλγορίθμων μηχανικής μάθησης και την παρακολούθηση καλλιεργειών

Γούναρη, Ολυμπία; Gounari, Olympia

dc.contributor.author	Γούναρη, Ολυμπία	el
dc.contributor.author	Gounari, Olympia	en
dc.date.accessioned	2021-05-12T16:13:24Z
dc.date.available	2021-05-12T16:13:24Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53397
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21095
dc.description.uri	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
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	Παρατήρηση γης	el
dc.subject	Γεωργία	el
dc.subject	Παρακολούθηση καλλιεργειών	el
dc.subject	Χρονοσειρές	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Earth observation	en
dc.subject	Agriculture	en
dc.subject	Crop monitoring	en
dc.subject	Timeseries	en
dc.subject	Machine learning	en
dc.title	Αυτόματη επεξεργασία γεωχωρικών δεδομένων για την εκπαίδευση αλγορίθμων μηχανικής μάθησης και την παρακολούθηση καλλιεργειών	el
dc.title	Automated geospatial data processing for training machine learning models towards efficient crop monitoring	en
heal.type	masterThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote sensing	en
heal.classification	Παρακολούθηση καλλιεργειών	el
heal.classification	Crop monitoring	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-05
heal.abstract	Η παρακολούθηση των καλλιεργειών με τηλεπισκοπικά μέσα σε μεγάλες γεωγραφικές κλίμακες είναι σήμερα μια σημαντική πρόκληση, τόσο από τεχνολογικής όσο και από επιστημονικής σκοπιάς. Πολλαπλά δεδομένα παρατήρησης γης και μέθοδοι μηχανικής μάθησης επιστρατεύονται από την επιστημονική κοινότητα για την ετήσια χαρτογράφηση και παρακολούθηση των αγροτεμαχίων. Προς την κατεύθυνση αυτή, στην παρούσα μεταπτυχιακή εργασία σχεδιάστηκε και αναπτύχθηκε μεθοδολογία για την εκμετάλλευση όλων των διαθέσιμων γεωχωρικών δεδομένων που σχετίζονται με τα γεωγραφικά όρια και τα είδη των καλλιεργειών. Συγκεκριμένα, κίνητρο αποτέλεσε η ανάγκη για τη δημιουργία αξιόπιστων δεδομένων τα οποία είναι κατάλληλα για την εκπαίδευση αλγορίθμων Μηχανικής Μάθησης (Machine Learning) για δυο βασικές εφαρμογές, ήτοι την ανίχνευση των ορίων κάθε καλλιέργειας (Crop Instance Segmentation) και την χαρτογράφηση του είδους της καλλιέργειας (Crop Type Classification). Στόχος ήταν η δημιουργία κατάλληλων δεδομένων για την εκπαίδευση αλγορίθμων, σε ετήσια βάση, με έντονη την ανάγκη για αξιόπιστα δεδομένα εκπαίδευσης. Για το σκοπό αυτό σχεδιάστηκαν και υλοποιήθηκαν τεχνικές ανάλυσης δεδομένων LPIS (Land Parcel Identification System) και διαχρονικών πολυφασματικών δορυφορικών απεικονίσεων. Τα πειραματικά αποτελέσματα είναι ελπιδοφόρα μιας και καταφέρνουν να εντοπίσουν πλήθος πολυγώνων είτε με μεγάλη εσωτερική παραλλακτικότητα είτε με μη συνεπή φαινολογική συμπεριφορά σε σχέση με το είδος της καλλιέργειας και την καλλιεργητική περίοδο.	el
heal.abstract	Crop monitoring with remote sensing techniques in large geographical scale consists currently a major challenge, both from a technological and a scientific point of view. Multiple earth observation data and machine learning methods are deployed by the scientific community for annual mapping and monitoring of parcels. To this end, in the present postgraduate thesis a methodology was designed and developed to exploit all available geospatial data related to geographical boundaries and types of crops. Specifically, it was a motivation the need to create reliable data that are suitable for training Machine Learning algorithms for two basic applications, namely the detection of crop boundaries (Crop Instance Segmentation) and crop type classification (Crop Type Classification). The aim was to create appropriate data for algorithms training, on an annual basis, characterized of a strong need of reliable training data. For this purpose, techniques were designed and implemented on LPIS (Land Parcel Identification System) and multitemporal multispectral satellite data. The experimental results are promising as early findings point to the direction of identification of a significant amount of parcels, either with great internal variability or with inconsistent phenological behavior in relation to the type of crop and the growing season.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.committeeMemberName	Βάρρας, Γρηγόριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false