Συγκριτική αξιολόγηση αντικειμενοστρεφών μεθόδων χαρτογράφησης καμένων εκτάσεων και εκτίμησης του βαθμού καταστροφής τους

Φωτίου, Αικατερίνη Μαρία; Fotiou, Aikaterini Maria

dc.contributor.author	Φωτίου, Αικατερίνη Μαρία	el
dc.contributor.author	Fotiou, Aikaterini Maria	en
dc.date.accessioned	2022-06-15T11:13:14Z
dc.date.available	2022-06-15T11:13:14Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55286
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22984
dc.description	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	Χαρτογράφηση καμένων εκτάσεων	el
dc.subject	Εκτίμηση βαθμού καταστροφής	el
dc.subject	OBIA	en
dc.subject	Random forest	en
dc.subject	Ασαφής λογική	el
dc.subject	Burned area mapping	en
dc.subject	Burn severity mapping	en
dc.subject	Fuzzy logic	en
dc.title	Συγκριτική αξιολόγηση αντικειμενοστρεφών μεθόδων χαρτογράφησης καμένων εκτάσεων και εκτίμησης του βαθμού καταστροφής τους	el
dc.title	Comparative assessment of object-based methodologies for burned area and burn severity mapping	en
heal.type	masterThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-16
heal.abstract	Το φαινόμενο των δασικών πυρκαγιών τα τελευταία χρόνια εντείνεται όλο και περισσότερο, ειδικά στις χώρες της Μεσογείου. Σε αυτό το πλαίσιο, είναι αναγκαία η έγκαιρη και αξιόπιστη αποτύπωση της κατάστασης μετά από μία πυρκαγιά προκειμένου οι αρμόδιοι φορείς να μπορούν να παρέμβουν αποτελεσματικά. Προς αυτή την κατεύθυνση, στην παρούσα εργασία αναπτύσσονται και συγκρίνονται δύο διαφορετικές αντικειμενοστρεφείς μεθοδολογίες τηλεπισκόπησης για την χαρτογράφηση καμένων εκτάσεων και εκτίμησης του βαθμού καταστροφής τους. Το γεγονός που μελετάται είναι η καταστροφική πυρκαγιά που ξέσπασε στο Μάτι τον Ιούλιο 2018. Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν προέρχονται από τον δορυφόρο Sentinel-2 και αφορούν σε μία λήψη πριν το γεγονός της φωτιάς (pre-fire) και μία λήψη μετά (post-fire), προκειμένου να σχηματιστούν κατάλληλοι φασματικοί δείκτες. Τα δεδομένα εισόδου και τα δεδομένα αληθείας είναι τα ίδια και για τις δύο μεθοδολογίες ώστε να είναι άμεσα συγκρίσιμες. Τα δεδομένα αληθείας προέρχονται από την υπηρεσία Copernicus Emergency Management Service (CEMS) και έχουν παραχθεί με ημι-αυτόματη μέθοδο αξιοποιώντας δορυφορικές εικόνες πολύ υψηλής ανάλυσης. Βάσει των δεδομένων αυτών ορίστηκαν και οι κλάσεις ταξινόμησης. Η πρώτη μεθοδολογία αντικειμενοστρεφούς ταξινόμησης αναπτύσσεται στη γλώσσα Python και ως μέθοδος ταξινόμησης εφαρμόζεται η επιβλεπόμενη και συγκεκριμένα ο αλγόριθμος Random Forest. Η δεύτερη μεθοδολογία υλοποιείται στο περιβάλλον του λογισμικού eCognition και αξιοποιεί τις συναρτήσεις συμμετοχής της ασαφούς λογικής για την ταξινόμηση των αντικειμένων. Από τη συνολική ποιοτική και ποσοτική αξιολόγηση των μεθοδολογιών, προκύπτει ότι και οι δύο καταφέρνουν να χαρτογραφήσουν με μεγάλη ακρίβεια τις καμένες εκτάσεις (User’s Accuracy >=85% και Producer’s Accuracy >=0.87) παρόλο την αρκετά χαμηλότερη χωρική ανάλυση των δορυφορικών δεδομένων που αυτές εφαρμόστηκαν συγκριτικά με αυτά από τα οποία έχουν παραχθεί τα δεδομένα CEMS. Σχετικά με τα αποτελέσματα χαρτογράφησης του βαθμού καταστροφής τους, η ακρίβεια είναι μειωμένη και οι δύο μέθοδοι εμφανίζουν την ελάχιστη ακρίβεια στο μέτρο αξιολόγησης User’s Accuracy (60%).	el
heal.abstract	The phenomenon of forest fires has intensified in recent years, especially in the Mediterranean countries. In this context, the timely and reliable mapping of the post-fire situation is necessary in order for the competent bodies to be able to intervene effectively. To this end, in the present work, two different object-based remote sensing methodologies were developed and compared for the mapping of burned areas and burn severity mapping. The case study is the catastrophic fire that broke out in Mati in July 2018. The satellite data used were two Sentinel-2 acquisitions; one pre-fire acquisition and one post-fire in order to compute appropriate spectral indices. The input data and the ground truth are the same for both methodologies so that they could be comparable. The reference data was acquired through the Copernicus Emergence Management Service (CEMS) and its collection method is semi-automatic utilizing very high-resolution satellite images. Based on these data, the classification classes were defined. The first object-oriented classification methodology is developed in Python and as classification method was applied the Random Forest algorithm. The second methodology was implemented in the environment of eCognition software and utilized membership functions to classify objects. From the overall qualitative and quantitative evaluation of the methodologies, it appeared that both managed to map the burned areas with great accuracy (User's Accuracy> = 85% and Producer's Accuracy> = 0.87) despite the much lower spatial analysis of the satellite data applied compared to those from which the CEMS data were generated. Regarding the mapping results of their degree of destruction, the accuracy was reduced and both methods showed the minimum accuracy in the User’s Accuracy rating measure (60%).	en
heal.advisorName	Αργιαλάς, Δημήτρης	el
heal.advisorName	Argialas, Demetre	el
heal.committeeMemberName	Αργιαλάς, Δημήτρης	el
heal.committeeMemberName	Κολοκούσης, Πολυχρόνης	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Argialas, Demetre	en
heal.committeeMemberName	Kolokousis, Pol	en
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	false