Συνεργιστική χρήση οπτικών και SAR δορυφορικών δεδομένων για τη χαρτογράφηση καλύψεων γης και καλλιεργειών

Μπέγκος, Γεώργιος; Begkos, Giorgos

dc.contributor.author	Μπέγκος, Γεώργιος	el
dc.contributor.author	Begkos, Giorgos	en
dc.date.accessioned	2022-11-30T10:13:01Z
dc.date.available	2022-11-30T10:13:01Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56303
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24001
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	Ταξινόμηση	el
dc.subject	Τυχαία Δάση	el
dc.subject	Εποχικά Σύνθετα	el
dc.subject	Υπολογιστικό Νέφος	el
dc.subject	Sentinel-1	en
dc.subject	Temporal Composites	en
dc.subject	Random Forests	en
dc.subject	Google Earth Engine	en
dc.subject	Sentinel-2	en
dc.title	Συνεργιστική χρήση οπτικών και SAR δορυφορικών δεδομένων για τη χαρτογράφηση καλύψεων γης και καλλιεργειών	el
dc.title	Synergistic Use of Optical and SAR Satellite Data for Land Cover and Crop Type Mapping	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.language	el	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-20
heal.abstract	Accurate and regularly updated land cover and crop type maps are considered essential for supporting actions against climate change and food crisis, decision making, planning, sustainable development goals and natural resources management. During the last decade open policies for a variety of remote sensing satellite data has rapidly increased the exploitation of such imaging datasets and especially the optical ones, for the development of methodologies and systems towards the production of maps at multiple scales. Recent studies, have also highlighted the effectiveness of the synergistic use of optical and radar data for land cover and crop mapping. At the same time, cloud platforms have been developed with a variety of available remote sensing data, offering solutions for managing the large amount of data required for this type of studies. To this end, in this work, we assess the synergistic use of Sentinel-2 and Sentinel-1 temporal composites for land cover and crop type mapping, on the Google Earth Engine Platform. The mapping experiments were applied on two different Sentinel-2 tiles: 34SEJ and 35TLF in central and northeast Greece respectively. All available Sentinel-2 L2A images for each tile from November 2018 to November 2019 with less than 20% cloud cover were used to create three-month seasonal composites based on the median reflectance values of seven spectral bands and four spectral indices. Three-month composites for the same period were created based on the mean and the standard deviation values, as well as the VH/VV ratio, derived from the corresponding Sentinel-1 GRD IW products in dual polarization (VH&VV), after additional pre-processing. Classification of the temporal composites to 35 land cover classes, including 18 crop types, was implemented using a Random Forests classifier. Several classification experiments were conducted by using different sets of data and features, as well as their combination. The use of ancillary information from elevation and thematic data was also assessed on the classification. Experimental results in all cases reached high Overall Accuracy (OA) rates, over 85%. Lowest accuracy rates were recorded when applying solely the Sentinel-1 data, while highest accuracy rates when employing the full set of features, i.e., optical, ancillary and SAR data. Nevertheless, the use of ancillary data along with the Sentinel-2 temporal composites produced competitive results (OA differed less than 2%) to the full set of features. In overall, the experimental results and their evaluation demonstrated the efficiency of the proposed methodology achieving high overall accuracy rates, while analysis on the variation of accuracy metrics when using different classification schemes highlighted the discriminative capacity of the different classification.	en
heal.abstract	Η ακριβής και τακτική παραγωγή χαρτών κάλυψης γης και καλλιεργειών κρίνεται σήμερα απαραίτητη για την υποστήριξη των δράσεων για την αντιμετώπιση της κλιματικής αλλαγής, τη λήψη αποφάσεων, την αντιμετώπιση των επισιτιστικών κρίσεων και την ορθή διαχείριση των φυσικών πόρων. Την τελευταία δεκαετία, οι πολιτικές ανοιχτής διαθεσιμότητας πληθώρας δορυφορικών τηλεπισκοπικών δεδομένων έχουν αυξήσει ραγδαία την αξιοποίηση αυτών των εικονιστικών δεδομένων, προεξεχόντων των οπτικών, προς την ανάπτυξη μεθοδολογιών και συστημάτων για την παραγωγή χαρτών σε πολλαπλές κλίμακες Πρόσφατες μελέτες έχουν αναδείξει το ζήτημα της αποτελεσματικότητας της συνεργιστικής χρήσης οπτικών δεδομένων μαζί με SAR δεδομένα για την παραγωγή χαρτών κάλυψης γης και καλλιεργειών. Ταυτόχρονα, έχουν αναπτυχθεί πλατφόρμες στο νέφος με πληθώρα διαθέσιμων τηλεπισκοπικών δεδομένων, προσφέροντας λύσεις στη διαχείριση του μεγάλου απαιτούμενου όγκου δεδομένων για σχετικές μελέτες. Προς αυτήν την κατεύθυνση, σε αυτή την εργασία, αξιολογήθηκε η συνδυαστική χρήση εποχικών σύνθετων Sentinel-2 και Sentinel-1 για τη χαρτογράφηση καλύψεων γης και τύπων καλλιεργειών στην πλατφόρμα Google Earth Engine. Τα πειράματα χαρτογράφησης εφαρμόστηκαν σε δύο διαφορετικά πλακίδια(tiles) του δορυφόρου Sentinel-2: 34SEJ και 35TLF στην κεντρική και βορειοανατολική Ελλάδα αντίστοιχα. Όλες οι διαθέσιμες εικόνες Sentinel-2 L2A για κάθε πλακίδιο από τον Νοέμβριο του 2018 έως τον Νοέμβριο του 2019 με λιγότερο από 20% νεφοκάλυψη χρησιμοποιήθηκαν για τη δημιουργία εποχιακών σύνθετων τριών μηνών με βάση τις διάμεσες τιμές ανάκλασης επτά φασματικών καναλιών και τεσσάρων φασματικών δεικτών. Τα τριμηνιαία σύνθετα για την ίδια περίοδο δημιουργήθηκαν με βάση τη μέση τιμή, τις τιμές τυπικής απόκλισης και το λόγο των πολώσεων VH/VV, που προέρχονται από τα αντίστοιχα προϊόντα Sentinel-1 GRD IW σε διπλή πόλωση(VH&VV), μετά από διορθωτικές επεξεργασίες που προηγήθηκαν. Για την εφαρμογή της ταξινόμησης των εποχιακών συνθέτων σε 35 κατηγορίες κάλυψης γης, συμπεριλαμβανομένων 18 τύπων καλλιεργειών, εφαρμόστηκε ένας ταξινομητής Τυχαίων Δασών (Random Forests).Υλοποιήθηκαν διαφορετικά πειράματα με χρήση διαφορετικών δεδομένων και χαρακτηριστικών ταξινόμησης καθώς και του συνδυασμού τους. Η χρήση βοηθητικών υψομετρικών και θεματικών δεδομένων αξιολογήθηκε επίσης σχετικά με την αποτελεσματικότητα της ταξινόμησης. Τα πειραματικά αποτελέσματα σε όλες τις περιπτώσεις έφθασαν σε υψηλά ποσοστά Συνολικής Ακρίβειας, πάνω από 85%. Τα χαμηλότερα ποσοστά ακρίβειας καταγράφηκαν για τη χρήση μόνο των δεδομένων Sentinel-1, ενώ τα υψηλότερα ποσοστά ακρίβειας για τη συνδυαστική χρήση του πλήρους σετ δεδομένων, δηλαδή των οπτικών, βοηθητικών και SAR δεδομένων. Επιπρόσθετα η χρήση μόνο των οπτικών δεδομένων Sentinel-2 σε συνδυασμό με τα βοηθητικά δεδομένα, επέφερε ιδιαίτερα ανταγωνιστικά αποτελέσματα με επίπεδα συνολικής ακρίβειας που διέφεραν λιγότερο από 2% σε σχέση με τη χρήση του πλήρους σετ δεδομένων. Συνολικά, τα πειραματικά αποτελέσματα και η αξιολόγησή τους ανέδειξαν την αποτελεσματικότητα της προτεινόμενης μεθοδολογίας στην παραγωγή αξιόπιστων χαρτών κάλυψη γης και καλλιεργειών, ενώ η ανάλυση των διακυμάνσεων της ακρίβειας για τη χρήση διαφορετικών δεδομένων και χαρακτηριστικών ταξινόμησης τεκμηρίωσε τη συνεισφορά της συμπερίληψης τους στις διαδικασίες ταξινόμησης.	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Ioannidis, Harris	en
heal.committeeMemberName	Karathanasi, Vasileia	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	160 σ.	el
heal.fullTextAvailability	false