Αξιολόγηση μεθόδων ταξινόμησης καλλιεργειών με χρήση 
χρονοσειρών Sentinel δεδομένων

Θεοδωρόπουλος, Ελευθέριος; Theodoropoulos, Eleftherios

dc.contributor.author	Θεοδωρόπουλος, Ελευθέριος	el
dc.contributor.author	Theodoropoulos, Eleftherios	en
dc.date.accessioned	2023-12-11T09:18:49Z
dc.date.available	2023-12-11T09:18:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58427
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26123
dc.rights	Default License
dc.subject	Crop classification	en
dc.subject	Ταξινόμηση καλλιεργειών	el
dc.subject	Machine learning	en
dc.subject	Remote sensing	en
dc.subject	Sentinel data	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Δεδομένα Sentinel	el
dc.title	Αξιολόγηση μεθόδων ταξινόμησης καλλιεργειών με χρήση χρονοσειρών Sentinel δεδομένων	el
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι να αξιολογηθούν διάφοροι αλγόριθμοι επιβλεπόμενης και μη-επιβλεπόμενης μάθησης για την ταξινόμηση καλλιεργειών με χρήση χρονοσειρών από δορυφορικά δεδομένα Sentinel-1 και Sentinel-2. Η παρούσα εργασία εστιάζει σε τρεις περιοχές της Λιθουανίας. Το σύνολο των δεδομένων αποτελείται από 27073 αγροτεμάχια με 7 κατηγορίες καλλιεργειών και 462 δορυφορικά χαρακτηριστικά για κάθε αγροτεμάχιο. Οι αλγόριθμοι μη-επιβλεπόμενης μάθησης που χρησιμοποιήθηκαν είναι οι k-means, Gaussian Mixture Model και εφαρμόστηκαν τεχνικές μείωσης διαστάσεων όπως PCA και t-SNE. Οι παραπάνω αλγόριθμοι αξιολογήθηκαν με βάση τη βαθμολογία silhouette. Σχετικά με την επιβλεπόμενη ταξινόμηση, χρησιμοποιήθηκαν οι αλγόριθμοι Random Forest, Linear SVM και Gradient Boosting και αναδείχθηκε ο καταλληλότερος για τη συγκεκριμένη εργασία. Στη συνέχεια, εφαρμόστηκαν τεχνικές εξαγωγής των σημαντικότερων χαρακτηριστικών με σκοπό να μειωθεί ο όγκος των δεδομένων και να επιτευχθεί υψηλή ακρίβεια. Τέλος, εξετάστηκαν τεχνικές για τη γενίκευση των μοντέλων εκπαίδευσης και της μεταφοράς τους σε άλλες περιοχές, είτε με εκπαίδευση σε μεγαλύτερο αριθμό δειγμάτων ή εφαρμόζοντας τεχνικές oversampling και undersampling για να παραχθεί ένα πιο καλά ισορροπημένο σύνολο δεδομένων. Τα αποτελέσματα παρέχουν πληροφορίες για την καταλληλότητα και την απόδοση διαφορετικών αλγορίθμων στο πλαίσιο παρακολούθησης και ταξινόμησης καλλιεργειών με χρήση δορυφορικών δεδομένων.	el
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.advisorName	Karathanassi, Vasileia	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Doulamis, Nikolaos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	78 σ.	el
heal.fullTextAvailability	false