Εκτίμηση του δυνητικού κέρδους πρασίνου στην Αθήνα με χρήση τηλεπισκόπησης

Κακαρά, Μαρία; Kakara, Maria

dc.contributor.author	Κακαρά, Μαρία	el
dc.contributor.author	Kakara, Maria	en
dc.date.accessioned	2024-07-08T11:03:55Z
dc.date.available	2024-07-08T11:03:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59824
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27520
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Περιβάλλον και Ανάπτυξη"	el
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	Remote sensing	en
dc.subject	Green roofs	en
dc.subject	Cnn	en
dc.subject	Deep learning	en
dc.title	Εκτίμηση του δυνητικού κέρδους πρασίνου στην Αθήνα με χρήση τηλεπισκόπησης	el
heal.type	masterThesis
heal.secondaryTitle	Estimation of potential gain of green areas in Athens using remote sensing	en
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-23
heal.abstract	Η παρούσα εργασία έχει ως σκοπό την εκτίμηση της αύξησης του αστικού πρασίνου σε περίπτωση εγκατάστασης φυτεμένων δωμάτων. Έτσι επιδιώχθηκε η ανίχνευση των επίπεδων οροφών οι οποίες θα είναι κατάλληλες για την εγκατάσταση των πράσινων οροφών. Οι περιοχές μελέτης είναι οι συνοικίες Εξάρχεια – Γκύζη, Κεραμικός – Μεταξουργείο, Κολωνάκι – Ιλίσια, Εμπορικό Τρίγωνο – Θησείο και οι δημοτικές ενότητες της Φιλοθέης, του Παλαιού Ψυχικού και του Νέου Ψυχικού, οι οποίες βρίσκονται εντός του Δήμου Αθηναίων και του Δήμου Φιλοθέης – Ψυχικού αντίστοιχα. Τα δεδομένα που χρησιμοποιήθηκαν αφορούσαν πολυφασματικές εικόνες υψηλής χωρικής ανάλυσης του δορυφόρου Worldview2. Η μεθοδολογική προσέγγιση που ακολουθήθηκε ως πρώτο βήμα είχε την επεξεργασία των δορυφορικών εικόνων σε συνδυασμό με άλλα διανυσματικά αρχεία για τον περιορισμό τους σε μικρότερες περιοχές μελέτης διασφαλίζοντας την ευκολότερη επεξεργασία τους κατά τις διαδικασίες που ακολούθησαν. Το βήμα τις επεξεργασίας των εικόνων περιλάμβανε και την παρατήρηση των εικόνων ούτως ώστε να ανιχνευθούν οι θεματικές κατηγορίες που περιλαμβάνονται σε αυτές με στόχο τη σωστή συλλογή σημείων εκπαίδευσης αλλά και σημείων ελέγχου για τις μεθόδους ταξινόμησης που αξιοποιήθηκαν. Στη συνέχεια ακολούθησε η εκπαίδευση του μοντέλου συνελικτικού νευρωνικού δικτύου (CNN) και κατόπιν η εφαρμογή του στις εικόνες των περιοχών μελέτης, εξήχθησαν οι χάρτες θερμότητας για κάθε θεματική κατηγορία που είχε ορισθεί και βάσει αυτών ολοκληρώθηκε η ταξινόμηση των εικόνων. Ύστερα πραγματοποιήθηκε η εκπαίδευση του αλγόριθμου τυχαίων δασών (Random Forest), με χρήση δειγμάτων που ελήφθησαν στο λογισμικό eCognition, για κάθε θεματική κατηγορία που δημιουργήθηκε και η διαδικασία ολοκληρώθηκε με την εφαρμογή του αλγόριθμου και την παραγωγή της ταξινόμησης. Και για τις δύο μεθόδους ταξινόμησης που εφαρμόσθηκαν εξήχθησαν πίνακες σύγχυσης (confusion matrix) και υπολογίσθηκαν επιπρόσθετοι δείκτες για την καλύτερη αξιολόγηση των ταξινομήσεων. Τέλος τα αποτελέσματα της ταξινόμησης κάθε περιοχής μελέτης εξήχθησαν και ως διανυσματικό αρχείο πολυγώνων και εισήχθησαν στο λογισμικό QGIS όπου υπολογίσθηκαν τα ποσοστό κάλυψης της περιοχής από τις επίπεδες επιφάνειες, τη βλάστηση και τελικά την δυνητική αύξηση της κάλυψης του αστικού πρασίνου. Διαπιστώθηκε ότι το μοντέλο συνελικτικού νευρωνικού δικτύου είχε πολύ καλή ακρίβεια στις περιοχές στις οποίες εκπαιδεύτηκε ενώ η ταξινόμηση με τη χρήση του αλγόριθμου μηχανικής 6 μάθησης Random Forest απέδωσε ποσοστά ακρίβειας που κυμαίνονταν στα ίδια επίπεδα για όλες τις περιοχές μελέτης. Πιο συγκεκριμένα για τις ταξινομήσεις του μοντέλου CNN η συνολική ακρίβεια υπολογίσθηκε στο 91,45% για την περιοχή Εξάρχεια – Γκύζη, 92,12% για την περιοχή Κεραμικός – Μεταξουργείο, 94,2% για την περιοχή Κολωνάκι – Ιλίσια, 94,49% για την περιοχή Εμπορικό Τρίγωνο – Θησείο, 60,78% για την περιοχή της Φιλοθέης, 61,98% για την περιοχή του Παλαιού Ψυχικού και 76,03% για την περιοχή του Νέου Ψυχικού. Για τις ταξινομήσεις του αλγόριθμου Random Forest η συνολιή ακρίβεια υπολογίσθηκε 85,65% για την περιοχή Εξάρχεια – Γκύζη, 88,27% για την περιοχή Κεραμικός – Μεταξουργείο, 87,35% για την περιοχή Κολωνάκι – Ιλίσια, 92,64% για την περιοχή Εμπορικό Τρίγωνο – Θησείο, 88,25% για την περιοχή της Φιλοθέης, 85,83% για την περιοχή του Ψυχικού και 85,58% για την περιοχή του Νέου Ψυχικού	el
heal.advisorName	Κολοκούσης, Πολυχρόνης	el
heal.committeeMemberName	Αργιαλάς, Δημήτριος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	115 σ.	el
heal.fullTextAvailability	false