Επεξεργασία και ταξινόμηση δορυφορικών δεδομένων

Ζωγραφάκης, Δημήτριος; Zografakis, Dimitrios

dc.contributor.author	Ζωγραφάκης, Δημήτριος	el
dc.contributor.author	Zografakis, Dimitrios	en
dc.date.accessioned	2021-07-18T19:15:35Z
dc.date.available	2021-07-18T19:15:35Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53642
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21340
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	Τηλεπισκόπηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Δορυφορικά δεδομένα	el
dc.subject	Βαθιά μαθηση	el
dc.subject	Πολυφασματικές εικόνες	el
dc.subject	Remote sensing	en
dc.subject	Satellite data	en
dc.subject	Neural networks	en
dc.subject	Multispectral Imaging	en
dc.subject	Deep learning	en
dc.title	Επεξεργασία και ταξινόμηση δορυφορικών δεδομένων	el
heal.type	masterThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-15
heal.abstract	Η διαρκής ανάπτυξη συστάδων από δορυφόρους που συγκροτούν οι διάφορες διαστημικές αποστολές, παρέχουν πλέον ένα υπέρογκο πλήθος πληροφορίας σχετικά με την επιφάνεια αλλά και την ατμόσφαιρα της Γης. Πολλές υπηρεσίες κάνουν χρήση τέτοιων δεδομένων προκειμένου να προβούν σε έλεγχο καλλιέργειας, παρατήρηση του περιβάλλοντος και γενικότερα για την παροχή ασφάλειας. Οι προαναφερόμενες διεργασίες υποβοηθούνται από την παρουσία τέτοιων δορυφορικών δεδομένων, όμως απαιτούν την εμπλοκή του ανθρώπινου παράγοντα προκειμένου να επεξεργαστούν στα ενδιάμεσα βήματα. Σκοπός της παρούσας εργασίας αποτελεί η δημιουργία ενός πολυχωρικού και πολυφασματικού κανονικοποιημένου Συνόλου Δεδομένων, που απαρτίζεται από δορυφορικά δεδομένα της Υπηρεσίες Κοπέρνικους και δεδομένα χρήσης Γης από δηλώσεις αγροτών. Ένα τελικό επίπεδο Τεχνητής Νοημοσύνης ενσωματώνεται, προκειμένου να παρέχει υποστήριξη στον ανθρώπινο παράγοντα κατά τα ενδιάμεσα βήματα αξιολόγησης των δεδομένων. Συγκεκριμένα, παρουσιάζονται αρχιτεκτονικές Βαθιών Νευρωνικών Δικτύων, δίνοντας ιδιαίτερη έμφαση σε αρχιτεκτονικές Όρασης Υπολογιστών, που είναι σε θέση να διαχωρίσουν και να ταξινομήσουν τη χρήση Γης για κάθε εικονοστοιχείο σε εικόνες εισόδου. Τα μοντέλα, εξάγουν μία δυαδική μάσκα που αποτυπώνει τη χρήση Γης για την αντίστοιχη εικόνα.	el
heal.abstract	The continuous development of satellite constellations from the various space projects, provide a tremendous amount of information regarding both the surface and the atmosphere of the Earth. A great number of services make use of such data, in order to inspect agricultural habbits, to observe climate changes and, as a whole, to provide security services. The aforementioned services are supported by the presence of these available data, but the inbetween steps still require the interaction of the human factor. The sole purpose of this thesis, is to create a “normalized” multi-country, multitemporal Dataset from Copernicus Program data, as well as, farmer declarations for year 2020. A final layer of Artificial Intelligence is implemented in an attempt to assist final decision making. To be more specific, deep learning architectures are presented, with an emphasis in Computer Vision models, which are assigned to differentiate between “Crop” and “no Crop” for each pixel in an images. These models extract a segmentation mask for every image, that is used to describe the Land Use Land Cover (LULC) of the area.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κωνσταντίνου, Ιωάννης	el
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false