Προσδιορισμός ακτογραμμής και στάθμης της θάλασσας με τεχνικές μηχανικής μάθησης

Ευαγγέλου, Έλλη - Αικατερίνη; Evangelou, Elli - Aikaterini

dc.contributor.author	Ευαγγέλου, Έλλη - Αικατερίνη	el
dc.contributor.author	Evangelou, Elli - Aikaterini	en
dc.date.accessioned	2023-04-19T11:04:17Z
dc.date.available	2023-04-19T11:04:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57547
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25244
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	Σημασιολογική κατάτμηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Εξαγωγή ακτογραμμής	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Φωτογραμμετρία	el
dc.subject	Semantic segmentation	en
dc.subject	Machine learning	en
dc.subject	Shoreline extraction	en
dc.subject	Neural networks	en
dc.subject	Photogrammetry	en
dc.title	Προσδιορισμός ακτογραμμής και στάθμης της θάλασσας με τεχνικές μηχανικής μάθησης	el
dc.title	Shoreline extraction and sea level estimation using machine learning	en
heal.type	bachelorThesis
heal.classification	Φωτογραμμετρία	el
heal.classification	Μηχανική μάθηση	el
heal.classification	Photogrammetry	en
heal.classification	Machine learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-10
heal.abstract	Το φυσικό περιβάλλον της ακτογραμμής, δηλαδή οι παράκτιες περιοχές, είναι ένα μέρος που συνεχώς μεταβάλλεται και στο οποίο λαμβάνουν χώρα ποικίλες φυσικές διεργασίες. Γι’ αυτόν τον λόγο, η εξαγωγή της ακτογραμμής, όπως επίσης και ο υπολογισμός του υψομέτρου της, είναι πολύτιμη, τόσο για τη διαχείριση των παράκτιων περιοχών, όσο και για την πρόληψη πιθανών μελλοντικών προβλημάτων. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, το πρόβλημα του προσδιορισμού της ακτογραμμής από αεροφωτογραφίες προσεγγίζεται με τεχνικές μηχανικής μάθησης. Συγκεκριμένα, γίνεται η εκπαίδευση κώδικα για τη σημασιολογική κατάτμηση εικόνων, με στόχο τον εντοπισμό της ακτογραμμής, δηλαδή της γραμμής μεταξύ της στεριάς και της θάλασσας. Για την εκπαίδευση του αλγορίθμου εξετάζονται έξι διαφορετικά συνελικτικά νευρωνικά δίκτυα, τα SegNet, U-Net, ResNet50-FCN, ResNet50-DLV3, ResNet101-FCN και ResNet101-DLV3, ώστε να επιλεγεί το δίκτυο με την καλύτερη απόδοση για τα δεδομένα της συγκεκριμένης εργασίας. Μετά την επιλογή του κατάλληλου δικτύου, γίνεται η σημασιολογική κατάτμηση των εικόνων για τρεις περιοχές μελέτης και, με χρήση κώδικα για τον εντοπισμό περιγραμμάτων, εντοπίζεται η ακτογραμμή σε κάθε εικόνα. Για τον υπολογισμό του μέσου υψομέτρου της ακτογραμμής σε καθεμία από τις τρεις περιοχές μελέτης γίνεται η διαδικασία SfM/MVS (Structure from Motion/Multi View Stereo). Συγκεκριμένα, αφού γίνει η γεωαναφορά των εικόνων στο ΕΓΣΑ ’87 με τη χρήση των γνωστών εξωτερικών προσανατολισμών, δημιουργούνται νέφη σημείων. Κάθε σημείο στα νέφη αυτά έχει γνωστό υψόμετρο. Γνωρίζοντας, πλέον, το υψόμετρο κάθε σημείου του νέφους, καθώς και ποια από τα σημεία του νέφους ανήκουν στην ακτογραμμή, γίνεται ο υπολογισμός των μέσων υψομέτρων και των τυπικών αποκλίσεων των ακτογραμμών.	el
heal.abstract	The natural environment of the shoreline, i.e. coastal areas, is a place that is constantly changing and in which a variety of natural processes take place. For this reason, the shoreline extraction, as well as the calculation of its elevation, is valuable, both for the management of coastal areas and for the prevention of possible future problems. In this diploma thesis, the challenge of extracting the shoreline from aerial images is approached with machine learning techniques. More specifically, an algorithm for semantic segmentation is trained to locate the shoreline as the line barrier between land and sea. In order to train the algorithm, six different convolutional neural networks, SegNet, U-Net, ResNet50-FCN, ResNet50-DLV3, ResNet101-FCN and ResNet101-DLV3 are tested, in order to select the network with the best performance for the given dataset. After selecting the network, semantic segmentation is performed on images of three different study areas and, using code to detect the contours on the segmented images, the shoreline is located in each image. In order to calculate the mean elevation of the shoreline in each of the three study areas, the SfM/MVS (Structure from Motion/Multi View Stereo) process is used. Specifically, after georeferencing the images to HGRS ’87 (Hellenic Geodetic Reference System 1987) using the known external orientation of each image, point clouds are created. Each point in these clouds has a known elevation. Utilizing the knowledge of the elevation of each point of the cloud, as well as of which of the points of the cloud are part of shoreline, the mean elevation and standard deviation of each of the shorelines is calculated.	en
heal.advisorName	Γεωργόπουλος, Ανδρέας	el
heal.committeeMemberName	Πατεράκη, Μαρία	el
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	false