Αξιοποίηση μεθόδων τεχνητής νοημοσύνης για την αυτόματη ταξινόμηση δασικών ειδών δένδρου με χρήση πολυφασματικών εικόνων Sentinel-2

Αναγνωστόπουλος, Χρήστος; Anagnostopoulos, Christos

dc.contributor.author	Αναγνωστόπουλος, Χρήστος	el
dc.contributor.author	Anagnostopoulos, Christos	en
dc.date.accessioned	2024-03-21T08:31:13Z
dc.date.available	2024-03-21T08:31:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59026
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26722
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Τηλεπισκόπηση	el
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Convolutional neural networks	en
dc.subject	Remote sensing	en
dc.subject	Tree species classification	en
dc.subject	Ταξινόμηση ειδών δένδρου	el
dc.title	Αξιοποίηση μεθόδων τεχνητής νοημοσύνης για την αυτόματη ταξινόμηση δασικών ειδών δένδρου με χρήση πολυφασματικών εικόνων Sentinel-2	el
dc.title	Exploiting artificial intelligence methods for automatic classification of forest tree species using multispectral Sentinel-2 imagery	en
heal.type	masterThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Artificial intelligence	en
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2023-10
heal.abstract	Ο διαχωρισμός και η ταξινόμηση διαφορετικών ειδών κάλυψης και η εξαγωγή θεματικών χαρτών αποτελούν έναν από τους σημαντικότερους τομείς εφαρμογής των μεθόδων Τηλεπισκόπησης. Παράλληλα, με τη συνεχή εξέλιξη των μεθόδων και τεχνικών που εφαρμόζονται, αυξάνονται οι ανάγκες απόκτησης και ανάλυσης πιο σύνθετης πληροφορίας. Τα τελευταία χρόνια, οι ταχύτατες εξελίξεις στον κλάδο της επιστήμης των Υπολογιστών έχουν οδηγήσει στην ανάπτυξη νέων αλγορίθμων Τεχνητής Νοημοσύνης, οι οποίοι γίνονται ολοένα πιο δημοφιλείς και εφαρμόζονται σε πλήθος εφαρμογών για την επίλυση προβλημάτων και την ανάλυση πολύπλοκων πληροφοριών, ελαχιστοποιώντας την ανθρώπινη παρέμβαση. Μία τέτοιου είδους εφαρμογή είναι και η επίλυση προβλημάτων ταξινόμησης. Η επιστήμη της Τηλεπισκόπησης, η οποία είναι άρρηκτα συνδεδεμένη με τις τεχνολογικές εξελίξεις, αποτελεί έναν κλάδο στον οποίο βρίσκουν εφαρμογή τέτοιου είδους αλγόριθμοι και μέθοδοι Τεχνητής Νοημοσύνης. Με βάση τα παραπάνω, σκοπός της παρούσας μεταπτυχιακής διατριβής είναι η αξιοποίηση διαθέσιμων μεθόδων Μηχανικής και Βαθιάς Μάθησης για τον αυτόματο διαχωρισμό δασικών ειδών δένδρου μέσω της επεξεργασίας πολυφασματικών δορυφορικών δεδομένων Sentinel-2 και δεδομένων αληθείας, τα οποία συλλέχθηκαν στα πλαίσια της τρέχουσας Εθνικής Απογραφής Δασών. Η περιοχή μελέτης και εφαρμογής των παρακάτω επιλέχθηκε να είναι η Περιφέρεια Δυτικής Μακεδονίας, λόγω του πλήθους των διαφορετικών ειδών δένδρου. Πιο συγκεκριμένα, δημιουργήθηκαν μωσαϊκά δορυφορικών εικόνων Sentinel-2, τα οποία αντιστοιχούν στο έτος 2020-2021 και στις εποχές φθινόπωρο (01/09-30/11), χειμώνα (01/12-15/03), άνοιξη (16/03-15/06) και καλοκαίρι (16/06-10/09), ενώ για την επίλυση του προβλήματος δύο προσεγγίσεις εφαρμόστηκαν: η ταξινόμηση σε επίπεδο εικονοστοιχείου και η ταξινόμηση σε επίπεδο patch. Στα πλαίσια της πρώτης προσέγγισης αναπτύχθηκαν τρία μοντέλα Μηχανικής Μάθησης (Random Forest, Support Vector Machine, Multilayer Perceptron), ενώ η δεύτερη προσέγγιση αποτελείται από δύο σενάρια κατά τα οποία αναπτύχθηκαν δύο πανομοιότυπες αρχιτεκτονικές Νευρωνικών Δικτύων (Βαθιά Μάθηση): το μοντέλο Residual Network-18 (ResNet-18) και ένα απλό Συνελικτικό Νευρωνικό Δίκτυο. Η διαφοροποίηση των δύο υποπεριπτώσεων έγκειται στο στάδιο της προεπεξεργασίας, κατά την οποία προτείνεται μία νέα μέθοδος (LUT), καθώς και στις διαστάσεις των patches (3x3, 8x8). Η ανάπτυξη των μοντέλων Μηχανικής Μάθησης βασίστηκε στα σημειακά δεδομένα αληθείας, τα οποία αντιστοιχούν στα επτά διαφορετικά είδη δένδρου προς ταξινόμηση: δρυς (1,419 δείγματα), οξυά (535 δείγματα), λοιπά πλατύφυλλα (102 δείγματα), ελάτη (38 δείγματα), πεύκη (607 δείγματα), αείφυλλα πλατύφυλλα (231 δείγματα) και γυμνά άγονα (272 δείγματα). Τα φασματικά κανάλια που αξιοποιήθηκαν είναι αυτά που αντιστοιχούν στα εξής τμήματα του ηλεκτρομαγνητικού φάσματος: μπλε, πράσινο, κόκκινο, φασματική περιοχή μεταξύ κόκκινου και υπέρυθρου (red edge 2, red edge 4), βραχυκυματική υπέρυθρη περιοχή (shortwave infrared 1, shortwave infrared 2). Παράλληλα αξιοποιήθηκε το ψηφιακό μοντέλο εδάφους (DEM) του προγράμματος Copernicus, όπως επίσης και το προϊόν προσανατολισμού (aspect). Τα δεδομένα υπέστησαν διαδικασίες προεπεξεργασίας, όπως είναι η αναγωγή της χωρικής ανάλυσης των μωσαϊκών και της πρόσθετης πληροφορίας στα 20 μέτρα, η αλλαγή προβολικού συστήματος σε WGS84 και η κανονικοποίηση των δεδομένων. Στη συνέχεια, τα δεδομένα διαχωρίστηκαν σε ποσοστό 70 / 30 % για τα σύνολα εκπαίδευσης (training) και ελέγχου (test), ενώ εφαρμόστηκε διαδικασία grid search για τον καθορισμό του βέλτιστου συνδυασμού υπερπαραμέτρων για την εφαρμογή των μοντέλων. Η ακρίβεια των μοντέλων στο σύνολο ελέγχου για το μοντέλο Random Forest είναι της τάξης του 89%, για το μοντέλο Support Vector Machine της τάξης του 91% και για το μοντέλο MLP της τάξης του 90%. Ωστόσο, παρά τις υψηλές τιμές της ακρίβειας των μοντέλων, οι ταξινομητές αποτυγχάνουν στις περιπτώσεις των κατηγοριών «Λοιπά πλατύφυλλα» και «Ελάτη», λόγω του μικρού αριθμού δειγμάτων και του ανισόρροπου σετ δεδομένων. Τα ίδια δεδομένα αληθείας, φασματικά κανάλια και διαδικασίες προεπεξεργασίας αξιοποιήθηκαν και στην περίπτωση της εφαρμογής του μοντέλου ResNet-18 σε patches διαστάσεων 8x8, με τις διαφορές να αφορούν την αύξηση των δειγμάτων μέσω τεχνικών επαύξησης δεδομένων (περιστροφή δειγμάτων) σε 400 ανά κατηγορία και τον διαχωρισμό των δεδομένων σε σύνολα εκπαίδευσης (training-80%), επαλήθευσης (validation-10%) και ελέγχου (test-10%). Τα αποτελέσματα δεν ήταν ικανοποιητικά, καθώς το μοντέλο πέτυχε ακρίβεια στο σύνολο επαλήθευσης της τάξης του 44% και στο σύνολο ελέγχου της τάξης του 25%, λόγω των μεγάλων διαστάσεων των patches για την παρούσα περίπτωση. Διαφοροποιήσεις εντοπίζονται και στην επιλογή των φασματικών καναλιών που αξιοποιήθηκαν: μπλε, πράσινο, κόκκινο, φασματική περιοχή μεταξύ κόκκινου και υπέρυθρου (vegetation red edge 1, red edge 2, red edge 3, red edge 4), βραχυκυματική υπέρυθρη περιοχή (shortwave infrared 1, shortwave infrared 2). Στην περίπτωση αυτή δεν χρησιμοποιήθηκε η υψομετρική πληροφορία (DEM, aspect). Στην περίπτωση των 3x3 patches, αναπτύχθηκαν και εφαρμόστηκαν δύο αρχιτεκτονικές, όπως αναφέρεται παραπάνω. Κατά την κλασική εφαρμογή των μοντέλων, τα βήματα της προεπεξεργασίας που εφαρμόστηκαν είναι τα ίδια με την περίπτωση του μοντέλου ResNet-18 στα 8x8 patches. Τα αποτελέσματα βελτιώθηκαν αισθητά, με τις ακρίβειες στα σύνολα επαλήθευσης να κυμαίνονται μεταξύ 89 και 91% και στα σετ ελέγχου μεταξύ 81 και 83%. Η δεύτερη εφαρμογή των δύο μοντέλων Βαθιάς Μάθησης έγινε στα ίδια δεδομένα 3x3, ωστόσο εφαρμόστηκε μία διαφορετική τεχνική προεπεξεργασίας (LUT). Βάσει της τεχνικής LUT, τα δεδομένα εισόδου (patches) ανακατατάσσονται με τέτοιο τρόπο ώστε να δημιουργούνται νέα ψευδο-γεωμετρικά πρότυπα (patterns) με αξιοποίηση της φασματικής πληροφορίας των εικονοστοιχείων τους. Στόχος της προτεινόμενης αυτής μεθόδου είναι η ευκολότερη αναγνώριση προτύπων στον χώρο των φασματικών δεδομένων εισόδου από το εκάστοτε δίκτυο, μέσω της αντιμετώπισης προβλημάτων σχετικών με την ποιότητα των δεδομένων, τον αριθμό των δειγμάτων στα σύνολα εκπαίδευσης, επαλήθευσης και ελέγχου και την χωρική τους ανάλυση (20m). Τα αποτελέσματα των μοντέλων με την εφαρμογή της μεθόδου LUT απέδωσαν καλύτερα αποτελέσματα στην περίπτωση των συνόλων ελέγχου (test): 91% για το δίκτυο ResNet-18 και 92% για το ρηχό δίκτυο CNN, καθιστώντας την προτεινόμενη μέθοδο ως κατάλληλη για την βελτίωση των αποτελεσμάτων σε αρχιτεκτονικές Βαθιάς Μάθησης.	el
heal.abstract	The delineation and classification of numerous kinds of land cover, as well as the derivation of thematic maps, constitute a crucial domain of remote sensing methodologies. The demand for acquiring and analyzing increasingly intricate information is growing in parallel with the ongoing advancement of methods and approaches. In recent years, significant advancements in the domain of computer science have facilitated the emergence of novel Artificial Intelligence algorithms. These algorithms have gained substantial traction and are being extensively employed across several domains to address challenges and analyze complex datasets, hence reducing the need for human involvement. One such example is addressing classification tasks. The field of remote sensing, which is closely intertwined with technological advancements, encompasses the application of Artificial Intelligence algorithms and approaches. Given the aforementioned considerations, the objective of this master’s thesis is to utilize existing Machine and Deep Learning models to automate the distinguish between different species of forest trees. This will be achieved through the analysis of multispectral Sentinel-2 imagery and ground truth data, which have been gathered as part of the ongoing National Forest Inventory. In this study, a total of eight distinct Artificial Intelligence models were developed and implemented. These models were designed based on the available dataset and were utilized for classifying seven separate forest tree species within the geographical area of the Region of Western Macedonia, Greece. The evaluation of the results was conducted, and concurrently, a novel preprocessing method was proposed, which seems to improve the classification results.	en
heal.advisorName	Κολοκούσης, Πολυχρόνης	el
heal.advisorName	Kolokoussis, Polychronis	en
heal.committeeMemberName	Κολοκούσης, Πολυχρόνης	el
heal.committeeMemberName	Kolokoussis, Polychronis	en
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Karathanassi, Vasilia	en
heal.committeeMemberName	Γήτας, Ιωάννης	el
heal.committeeMemberName	Gitas, Ioannis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	119 σ.	el
heal.fullTextAvailability	false