dc.contributor.author | Μηνιάδη, Ιωάννα![]() |
el |
dc.contributor.author | Miniadi, Ioanna![]() |
en |
dc.date.accessioned | 2023-03-01T07:25:40Z | |
dc.date.available | 2023-03-01T07:25:40Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/57170 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.24868 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική” | e |
dc.rights | Αναφορά Δημιουργού 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/gr/ | * |
dc.subject | Ανίχνευση μεταβολών | el |
dc.subject | Επιβλεπόμενη ταξινόμηση | el |
dc.subject | Τυχαία δάση | el |
dc.subject | Αντικειμενοστραφής ανάλυση εικόνας | el |
dc.subject | Είδος μεταβολής | el |
dc.subject | Change detection | en |
dc.subject | Supervised classification | en |
dc.subject | Object based image analysis | en |
dc.subject | Random forest | en |
dc.subject | From-to transitions | el |
dc.title | Change detection of human structures from very high spatial resolution images using machine learning methods and object based image analysis - A comparison of methods | en |
dc.title | Ανίχνευση μεταβολών ανθρωπογενών κατασκευών σε εικόνες πολύ υψηλής χωρικής ανάλυσης με μεθόδους μηχανικής μάθησης και αντικειμενοστραφή ανάλυση εικόνας - Σύγκριση μεθόδων | el |
heal.type | masterThesis | |
heal.classification | Τηλεπισκόπηση | el |
heal.classification | Remote sensing | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-10-31 | |
heal.abstract | Τις τελευταίες δεκαετίες πολλές περιοχές της Αττικής έχουν υποστεί σημαντικές μορφολογικές αλλαγές λόγω της συνεχούς αστικής ανάπτυξης καθώς και της ανεξέλεγκτης και αυθαίρετης δόμησης. Το πρόβλημα αυτό δημιουργεί την ανάγκη για λεπτομερή και οργανωμένη παρακολούθηση των περιοχών οι οποίες υπόκεινται σε τέτοιες αλλαγές. Στα πλαίσια της παρούσας εργασίας αναπτύσσονται και αξιολογούνται δύο διαφορετικές μέθοδοι ανίχνευσης μεταβολών που καταλήγουν σε ανθρωπογενείς κατασκευές (κτίσματα, δρόμοι, πισίνες). Η πρώτη μέθοδος χρησιμοποιεί τον αλγόριθμο μηχανικής μάθησης Random Forest (αλγόριθμος τυχαίων δασών) και υλοποιήθηκε σε γλώσσα προγραμματισμού Python. Η δεύτερη μέθοδος βασίστηκε σε αντικειμενοστραφή ανάλυση εικόνας (Object Based Image Analysis) και υλοποιήθηκε με τη βοήθεια του λογισμικού eCognition. Περιοχή μελέτης αποτέλεσε τμήμα της Περιφερειακής Ενότητας Ανατολικής Αττικής που καλύπτει τμήματα των Δήμων Σπάτων-Αρτέμιδος και Ραφήνας-Πικερμίου για την οποία διατέθηκαν τηλεπισκοπικά δεδομένα πολύ υψηλής χωρικής ανάλυσης και συγκεκριμένα μία δορυφορική εικόνα QuickBird του 2006 και μία δορυφορική εικόνα WorldView-2 του 2011. Πριν από την διενέργεια πειραμάτων και με τις δύο μεθόδους πραγματοποιήθηκε προεπεξεργασία των τηλεπισκοπικών δεδομένων, όπως ατμοσφαιρικές διορθώσεις, αντιστοίχιση εικόνων και δημιουργία δεδομένων αναφοράς (Ground Truth). Όσον αφορά τη μέθοδο με χρήση του ταξινομητή Random Forest διενεργήθηκαν συνολικά 5 πειράματα στα οποία ο διαχωρισμός σε δεδομένα εκπαίδευσης και ελέγχου έγινε σε επίπεδο πολυγώνου και με αναλογία περίπου ίση με 70%-30% αντίστοιχα. Μετά την υλοποίηση του κάθε πειράματος εντοπίζονταν τα προβλήματα και τα σφάλματα της ταξινόμησης ποσοτικά (Confusion Matrix) και ποιοτικά (χάρτης πρόβλεψης) και πραγματοποιούταν διόρθωση των δεδομένων του Ground Truth και λήψη νέων δεδομένων κυρίως σε περιοχές που παρουσίασαν λανθασμένες ταξινομήσεις. Σταδιακά οι τιμές των δεικτών αξιολόγησης (Producer’s Accuracy & User’s Accuracy) και οι χάρτες πρόβλεψης παρουσίασαν βελτίωση και διορθώθηκαν σε σημαντικό βαθμό οι επικαλύψεις που υπήρχαν μεταξύ διαφόρων κατηγοριών κάλυψης γης με παρόμοια φασματικά χαρακτηριστικά. Το πείραμα με τα καλύτερα ποσοτικά και ποιοτικά αποτελέσματα έδωσε συνολική ακρίβεια (Overall Accuracy) της ταξινόμησης 90.4%. Όσον αφορά τη μεθοδολογική προσέγγιση που στηρίζεται στην αντικειμενοστραφή ανάλυση εικόνας, χρησιμοποιήθηκε το Ground Truth του καλύτερου πειράματος της προηγούμενης μεθόδου και έγινε χρήση του αλγορίθμου Random Trees που παρέχεται στο λογισμικό eCognition, προκειμένου να έχει την ίδια βάση και να μπορούν να συγκριθούν τα αποτελέσματά της με εκείνα που προέκυψαν βάσει τη μεθοδολογίας με Random Forest. Στα πλαίσια αυτής της μεθοδολογίας δημιουργήθηκε αρχικά ένα επίπεδο κατάτμησης εικόνας στο οποίο εφαρμόστηκε ο αλγόριθμος Random Trees και στη συνέχεια ένα ανώτερο βοηθητικό επίπεδο για την μεταταξινόμηση κατηγοριών που παρουσίασαν σφάλματα. Η ταυτόχρονη επεξεργασία των δύο εικόνων σε αντικειμενοστραφές περιβάλλον κρίθηκε κατάλληλη για τον εντοπισμό μεταβολών που αφορούν ανθρωπογενείς κατασκευές. Η εισαγωγή κατάλληλων χαρακτηριστικών στο process της εκπαίδευσης του αλγορίθμου με Random Trees (NDVI, Red/Green, Length/Width) και η δημιουργία κατάλληλων κανόνων βελτίωσαν σημαντικά το αποτέλεσμα της ταξινόμησης. Σταδιακά και αυτή η μέθοδος έδωσε βελτιωμένα αποτελέσματα στις τιμές των δεικτών αξιολόγησης (Producer’s Accuracy & User’s Accuracy) και στους χάρτες πρόβλεψης με τη συνολική ακρίβεια να φτάνει το ποσοστό 90.96%. Έπειτα από συστηματικό έλεγχο, παραμετροποίηση και αξιολόγηση και οι δύο μέθοδοι που εξετάστηκαν κρίθηκαν επαρκείς για την ανίχνευση μεταβολών που καταλήγουν σε ανθρωπογενείς κατασκευές με τη χρήση τηλεπισκοπικών δεδομένων πολύ υψηλής χωρικής ανάλυσης. Τα αποτελέσματα των δύο μεθόδων πλησίασαν αρκετά μεταξύ τους με τη μέθοδο με OBIA να δίνει ελάχιστα καλύτερες τιμές στους δείκτες PA και UA των περισσότερων κατηγοριών μεταβολής ενδιαφέροντος καθώς και στη συνολική ακρίβεια της ταξινόμησης. Και οι δύο μέθοδοι οδήγησαν ως επί το πλείστον σε επιτυχή ανίχνευση των ίδιων νέων κτισμάτων/δρόμων/πισίνων. Γενικά, στο χάρτη πρόβλεψης της μεθόδου με χρήση του RF παρατηρήθηκε έντονα το φαινόμενο “salt-and-pepper” effect, ενώ η μέθοδος με OBIA, όπως ήταν αναμενόμενο, έδωσε καλύτερα σχήματα των αντικειμένων λόγω και των δυνατοτήτων που προσφέρει το λογισμικό eCognition. Και στις δύο μεθόδους οι ταξινομήσεις παρουσίασαν σύγχυση παρεμφερών κατηγοριών κυρίως κατηγοριών εδάφους που καταλήγουν σε κεραμοσκεπές κτίσμα ή σε κατηγορία μεταβολής που εμπεριέχει κεραμοσκεπές κτίσμα. Ο θόρυβος από το φαινόμενο αυτό περιορίστηκε σημαντικά με τη μέθοδο OBIA σε αντίθεση με τη μέθοδο ανίχνευσης μεταβολών με RF όπου εξακολουθεί να είναι έντονο παρά τις όποιες βελτιώσεις. Επιπλέον, με τη μέθοδο OBIA ήταν περισσότερο επιτυχής η ανίχνευση νέων δρόμων, αν και παρουσίασε περισσότερο θόρυβο από τη λανθασμένη ταξινόμηση κατηγοριών που εμπεριέχουν έδαφος σε κατηγορία μεταβολής που καταλήγει σε άσφαλτο. Τέλος, η μέθοδος με OBIA απαιτεί περισσότερο χρόνο και κόπο από τον φωτοερμηνευτή, καθώς η εύρεση των κατάλληλων κανόνων που θα οδηγήσουν στο επιθυμητό αποτέλεσμα είναι μια χρονοβόρα διαδικασία. | el |
heal.abstract | The last decades, many areas of Attica region have undergone significant morphological changes due to continuous urban development as well as uncontrolled and arbitrary construction. This problem creates the need for detailed and organized monitoring of the areas undergoing such changes. In the context of this thesis two different methods of detecting changes resulting in man-made constructions are developed and evaluated. The first method uses the Random Forest (RF) machine learning algorithm and was implemented with Python programming language. The second method was based on Object Based Image Analysis (OBIA) and was implemented with the help of eCognition software. The study area was a part of the Regional Unit of Eastern Attica that covers parts of the Municipalities of Spata-Artemida and Rafina-Pikermi. For this area there were available two very high spatial resolution images specifically a QuickBird satellite image from 2006 and a WorldView-2 satellite image from 2011. Before conducting experiments with both methods pre-processing of the remote sensing data was performed, such as atmospheric corrections, image matching and Ground Truth generation. Regarding the method using the Random Forest classifier, a total of 5 experiments were conducted in which the splitting of training and test data was done at a polygon level with a ratio approximately equal to 70%-30% respectively. After the implementation of each experiment, the classification errors were identified quantitatively (Confusion Matrix) and qualitatively (prediction map). Each time the Ground Truth data was corrected and new data was obtained mainly in areas that presented incorrect classifications. Gradually the values of the evaluation indices (Producer's Accuracy & User's Accuracy) and the prediction maps showed an improvement and the overlaps that existed between different land cover categories with similar spectral characteristics were corrected to a significant extent. The experiment with the best quantitative and qualitative results gave an Overall Accuracy of classification of 90.4%. Regarding the method based on Object Based Image Analysis, in order to be able to compare its results with those obtained based on the Random Forest methodology, the Ground Truth of the best experiment of the previous method was used in combination with the Random Trees algorithm provided in the eCognition software. In the context of this methodology, an image segmentation layer was first created in which the Random Trees algorithm was applied, and then a higher level was created to reclassify categories that presented errors. The simultaneous processing of the two images in an object-oriented environment was deemed suitable for the detection of changes which result in man-made structures. Introducing suitable features in the process of training the Random Trees algorithm (NDVI, Red/Green, Length/Width) and creating suitable rules significantly improved the classification result. Gradually, this method also gave improved results in the values of the evaluation indices (Producer's Accuracy & User's Accuracy) as well as in the prediction maps with the overall accuracy reaching 90.96%. After systematic testing, parameterization and evaluation, both methods examined were found to be adequate for detecting changes resulting in man-made structures using very high spatial resolution remote sensing data. The results of the two methods were quite close to each other with OBIA method giving slightly better values for the PA and UA indices of most of the change of interest categories as well as the overall classification accuracy. Both methods mostly resulted in successful detection of the same new buildings/roads/pools. In the prediction map of the RF method the "salt-and-pepper" effect was strongly observed, while the OBIA method, as expected, gave better shapes of the objects due to the possibilities offered by the eCognition software. In both methods the classifications showed a confusion of similar spectral categories mainly soil categories resulting in categories that contain tiled buildings. The noise from this phenomenon was significantly reduced with the OBIA method in contrast to the RF method. In addition, the OBIA method was more successful in detecting new roads, although it presented more noise because of the misclassification of classes containing soil into categories resulting in asphalt. Finally, the method with OBIA requires more time and effort from the user, as finding the appropriate rules that will lead to the desired result is a time-consuming process. | en |
heal.advisorName | Αργιαλάς, Δημήτριος | el |
heal.committeeMemberName | Αργιαλάς, Δημήτριος | el |
heal.committeeMemberName | Καράντζαλος, Κωνσταντίνος | el |
heal.committeeMemberName | Κολοκούσης, Πολυχρόνης | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 116 σ. | el |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: