Χαρτογράφηση καμένων εκτάσεων απο διαχρονικά δορυφορικά 
δεδομένα Sentinel-2 στο περιβάλλον του Google Earth Engine

Ψυχογυιός, Ιωάννης; Psychogyios, Ioannis

dc.contributor.author	Ψυχογυιός, Ιωάννης	el
dc.contributor.author	Psychogyios, Ioannis
dc.date.accessioned	2022-02-28T18:43:18Z
dc.date.available	2022-02-28T18:43:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54870
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22568
dc.rights	Default License
dc.subject	Ταξινόμηση	el
dc.subject	Τυχαία Δάση
dc.subject	Πυρκαγιές
dc.subject	Αυστραλία
dc.subject
dc.title	Χαρτογράφηση καμένων εκτάσεων απο διαχρονικά δορυφορικά δεδομένα Sentinel-2 στο περιβάλλον του Google Earth Engine	el
heal.type	bachelorThesis
heal.secondaryTitle	Burned area mapping from multitemporal Sentinel-2 satellite data in Google Earth Engine	el
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-19
heal.abstract	Στόχος της παρούσας διπλωματικής εργασίας είναι η δημιουργία ενός αλγορίθμου για χαρτογράφηση καμένων εκτάσεων χρησιμοποιώντας καινοτόμες μεθόδους αλγορίθμων που μας προσφέρουν οι σύγχρονες τεχνολογίες. Συγκεκριμένα, ο αλγόριθμος προγραμματίστηκε στη διαδικτυακή εφαρμογή Google Earth Engine (GΕE), μια εφαρμογή η οποία έχει πολλές δυνατότητες καθώς προσφέρει στο χρήστη άμεση, εύκολη και γρήγορη πρόσβαση σε πληθώρα μεγάλων δορυφορικών δεδομένων μέσω χρονοσειρών δορυφορικών εικόνωνοι οποίες είναι αποθηκευμένες σε βάσεις δεδομένων. Για τις ανάγκες της παρούσας μελέτης χρησιμοποιήθηκαν ατμοσφαιρικά διορθωμένα δορυφορικά δεδομένα Sentinel–2. Ο δορυφόρος Sentinel–2 εξυπηρετεί με πολύ ικανοποιητικό βαθμό τις ανάγκες της μελέτης αυτής λόγω της υψηλής του χωρικής του ανάλυσης (10 m), αλλά και λόγω της συχνότητας παρατήρησης της γήινης επιφάνειας, καθώς προσφέρει δεδομένα ανά 5 η 6 ημέρες για κάθε τμήμα της φυσικής γήινης επιφάνειας . Η χαρτογράφηση επιτεύχθηκε με χρήση επιβλεπόμενης ταξινόμησης. Οι αλγόριθμοι μηχανικής μάθησης που βασίζονται σε δένδρα απόφασης για ταξινόμηση κρίνονται ως σαφώς πιο αποτελεσματικοί από τους συμβατικούς αλγορίθμους ( K-means, minimum distance, κοκ), και για αυτό ο αλγόριθμος που χρησιμοποιήσαμε είναι τα τυχαία δάση. Αναγκαία προϋπόθεση για υψηλή ακρίβεια και ικανοποιητικό αποτέλεσμα είναι η συλλογή των κατάλληλων δεδομένων εκπαίδευσης και ελέγχου. Για το σκοπό αυτό, δημιουργήθηκαν ψευδοεικόνες στον Ελλαδικό χώρο στις περιοχές Κύθηρα , Κινέτα, Μάτι, Γραμματικό και Κοντοδεσπότι. Συγκεκριμένα, ορίστηκαν στο περιβάλλον του GEE πολύγωνα ενδιαφέροντος για τις παραπάνω περιοχές και οι τιμές φωτεινότητας που τους αντιστοιχούν στα εικονοστοιχεία δεν πάρθηκαν από μια ημερομηνία, αλλά από ένα μεγάλο χρονικό εύρος. Για την πραγματοποίηση των ταξινομήσεων επιλέχθηκαν 6 και 7 κατηγορίες αντίστοιχα για Ελλάδα και Αυστραλία, ικανές να εκφράσουν το σύνολο της μεταβλητότητας των περιοχών μελέτης στο επιθυμητό επίπεδο ανάλυσης, δηλαδή στον εντοπισμό των καμένων εκτάσεων. Συγκεκριμένα, για Ελλάδα οι κατηγορίες αυτές ήταν καμένα, νερό, βλάστηση, αστικός ιστός, καλλιέργειες και γυμνό έδαφος. Για Αυστραλία ήταν έρημος, νερό, καλλιέργειες, καμένα, αστικός ιστός, δάσος 1 και δάσος 2. Τα δεδομένα εκπαίδευσης και ελέγχου ψηφιοποιήθηκαν από το φυσικό έγχρωμο σύνθετο RGB 4-3-2, με εξαίρεση τα καμένα όπου έγινε χρήση του έγχρωμου συνθέτου RGB 12-8-2, στις 4 περιοχές που προαναφέρθηκαν. Πραγματοποιήθηκαν διαφορετικοί συνδυασμοί των παραπάνω περιοχών ως δεδομένα εκπαίδευσης και ελέγχου. Παράλληλα δημιουργήθηκαν διαγράμματα για να ελεγχθεί η φασματική συνεκτικότητα των πολυγώνων που ψηφιοποιήθηκαν για τις κατηγορίες αυτές. Επίσης οι καμένες εκτάσεις εμβαδομετρήθηκαν και έγινε σύγκριση των τιμών με τα δεδομένα που έδωσε η πυροσβεστική για Ελλάδα, και οι τοπικές υπηρεσίες για Αυστραλία αντίστοιχα. Τέλος, έγινε προσπάθεια χαρτογράφησης των καμένων εκτάσεων στην Νέα Νότια Ουαλία της Αυστραλίας, όσο αφορά το μεγάλο κύμα δασικών πυρκαγιών που έπληξε τη χώρα τα έτη 2019 και 2020. Για τις ανάγκες της παρούσας διπλωματικής εργασίας πραγματοποιήθηκε μόνο ποιοτικός έγεγχος με φωτοερμηνεία σε ορισμένες περιοχές για να εξαχθούν συμπεράσματα όσο αφορά την αποδοτικότητα της διαδικασίας. Λέξεις κλειδιά: Ταξινόμηση, Μηχανική μάθηση, Google Earth Engine, Sentinel-2, Eλλάδα, Αυστραλία .	el
heal.sponsor	At the current thesis, there was developed an algorithm suitable for burned area mapping, using innovative techniques the technology enables us to use. Specifically, the algorithm was programmed in the web application Google Earth Engine(GEE), a web application with many capabilities since it enables us to have direct, easy and fast attendance in a large database with big satellite data via time series of satellite images. In the current research, there were used atmospheric corrected satellite data from the satellite Sentinel – 2 . This satellite was considered as suitable for the needs of the current research, due toits high spatial resolution ( 10 m) , as well as for the frequence it detects the earth surface, estimated each 5 to 6 days. The mapping was achieved though supervised classification. Machine learning algorithms based in decision trees for classification are being considered as way more effective and suitable than standard algorithms ( K-means, minimum distance etc ), and considering that we used the random forest classification algorithm. Collecting the right training and validation data is essential for high accuracy and a satisfying result. For that purpose, there were created pseudo-images at Greece, atthe regions Kithira, Kineta, Mati, Grammatiko and Kontodespoti. Specifically, there were created at the Google Earth Engine environment regions of interest as for the refered regions , and there was set up and temporal range at which there were detected all the Sentinel – 2 images that overlapped the polygons of the regions of interest. The final spectral value of each pixel is the meanof the all the pixels of the satellite images that overlapit. There were assigned 6 categories for the classification, due to the fact that this number is considered as suitable for detecting burned areas from the rest categories, and for a successful classification result overall. Both training and validation data were being taken from the color composite RGB 4-3-2, aside from the burned data which were taken from the composite RGB 12- 8-2, for each of the four regions that were refered before. The region that got classified is the Kontodespoti in Eboea, with all 6 combinations of the training and validation data, after we created diagrams to make sure that each of the polygons of the training and validation data has a close spectral behavior to the mean of all of them. The best result of all 6 was given by the combination of training at Kineta and Grammatiko and validation at Mati and Kithira. This came to a conclusionafter photo – nterpretation as well comparing the estimated value in the Google Earth Engine to the one the fire service gave. Finally, we tried to classify the New South Wales of Australia, due to the large scale bushfires that took place in the region at the years 2019 and 2020. The procedure was similar to Greece, even though 7 categories were used in the classification. It was impossible to classify New South Wales with the training data for Greece, due to the fact that different climate conditions occur in this area. Validation data were not used due to the fact that it is impossible to create a confusions matrix for such a large area of interest, as it is beyond the Google Earth Engine limitations. Aside from that, it became clear that the result is viable both with photo – interpretation as well as with comparison of the estimated value with the value the local services gave, in hectares. Maps were created for all the above. Key words: Classification, Machine learning, Google Earth Engine, Sentinel – 2, Greece, Australia	el
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπαδοπούλου, Μαρία	el
heal.committeeMemberName	Τσιχριτζής, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	63
heal.fullTextAvailability	false