Oil spill detection in Sentinel-2 imagery: Dataset creation and experiments with Machine Learning algorithms

Δεμερτζή, Ισιδώρα-Ίσις; Demertzi, Isidora-Isis

dc.contributor.author	Δεμερτζή, Ισιδώρα-Ίσις	el
dc.contributor.author	Demertzi, Isidora-Isis	en
dc.date.accessioned	2024-09-24T08:27:01Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60260
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27956
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	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	Machine Learning	en
dc.subject	Random Forest	en
dc.subject	Oil spills	en
dc.subject	Spectral Indices	en
dc.subject	Classification	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Τυχαία Δάση	el
dc.subject	Πετρελαιοκηλίδες	el
dc.subject	Φασματικοί Δείκτες	el
dc.subject	Ταξινόμηση	el
dc.title	Oil spill detection in Sentinel-2 imagery: Dataset creation and experiments with Machine Learning algorithms	en
dc.title	Ανίχνευση πετρελαιοκηλίδων σε δεδομένα Sentinel-2: Δημιουργία συνόλου δεδομένων και πειράματα με αλγορίθμους μηχανικής μάθησης	el
heal.type	masterThesis
heal.classification	Remote Sensing	en
heal.classification	Τηλεπισκόπηση	el
heal.dateAvailable	2025-09-23T21:00:00Z
heal.language	en
heal.access	embargo
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-12
heal.abstract	The goal of this Master’s Thesis is oil spill detection in multispectral Sentinel-2 satellite data using Machine Learning classification algorithms. The ongoing need for accurate, rapid, and cost- effective data to monitor phenomena on the Earth’s surface, accentuates the important role of remote sensing technologies in observing environmental hazards. Multispectral satellite imagery has a prominent role in detecting and monitoring various environmental threats, such as oil spills in the ocean. Oil spills, deliberate or accidental, are occurring causes of marine pollution affecting significantly the ocean’s environment and coastal zones. The continuous variability of aquatic surfaces and the formidable challenge of oil spillage detection, emphasize the need for further exploring of the promising capabilities of multispectral satellite imagery. Using data derived from the MultiSpectral Instrument (MSI) onboard the Sentinel-2 satellites, a novel dataset of 40 images was formatted. In the first stage of the methodology developed in the present study, the oil spills depicted in the imagery were digitized and categorized, along with other spectral classes present in the dataset images, resulting in the creation of reference data for the classification processes. During this procedure, the various Sentinel-2 spectral bands, along with several spectral indices were utilized as features, and their effectiveness was evaluated in indicating the oil spillage in each image. The next stage of the implemented methodology consists of the classification process using two Machine Learning (ML) algorithms. More specifically, the Support Vector Machines (SVM) and the Random Forest (RF) classification methods were utilized and their respective performance was assessed in differentiating between the classes present in the imagery, in a pixel-based approach. Several experiments were conducted using the two ML algorithms, performing single image classifications, creating a global model, utilizing all the acquired data, and one grouping experiment using images from the same location. The results of each classifier’s predictions were visually interpreted and analyzed quantitatively to select the optimal ML algorithm for creating an automated oil spill classification model.	en
heal.abstract	Η παρούσα μεταπτυχιακή εργασία πραγματεύεται το ζήτημα του εντοπισμού πετρελαιοκηλίδων σε πολυφασματικά δορυφορικά δεδομένα Sentinel-2 χρησιμοποιώντας αλγορίθμους ταξινόμησης Μηχανικής Μάθησης. Η συνεχόμενη ανάγκη για ακριβή, γρήγορα και αποδοτικά δεδομένα για την παρακολούθηση φαινομένων στην γήινη επιφάνεια, υπογραμμίζει τον σημαντικό ρόλο των τεχνολογιών Τηλεπισκόπησης στην παρατήρηση περιβαλλοντικών κινδύνων. Οι πολυφασματικές δορυφορικές εικόνες διαδραματίζουν σημαντικό ρόλο στον εντοπισμό και την παρακολούθηση διαφόρων περιβαλλοντικών απειλών, όπως οι πετρελαιοκηλίδες στα ωκεάνια περιβάλλοντα. Οι πετρελαιοκηλίδες, σκόπιμες ή τυχαίες, αποτελούν αιτίες θαλάσσιας ρύπανσης που επηρεάζουν σημαντικά το περιβάλλον του ωκεανού και τις παράκτιες ζώνες. Η συνεχής μεταβολή των υδάτινων επιφανειών και η πρόκληση της ανίχνευσης πετρελαιοκηλίδων, υπογραμμίζουν την ανάγκη περαιτέρω διερεύνησης των πολλά υποσχόμενων δυνατοτήτων των πολυφασματικών δορυφορικών εικόνων. Χρησιμοποιώντας δεδομένα που προέρχονται από το πολυφασματικό όργανο MultiSpectral Instrument (MSI) των δορυφόρων Sentinel-2, διαμορφώθηκε ένα νέο σύνολο δεδομένων 40 εικόνων. Στο πρώτο στάδιο της μεθοδολογίας που αναπτύχθηκε στην παρούσα μελέτη, οι πετρελαιοκηλίδες που απεικονίζονται στις εικόνες ψηφιοποιήθηκαν και κατηγοριοποιήθηκαν, μαζί με άλλα χαρακτηριστικά που υπάρχουν στις εικόνες του συνόλου δεδομένων, με αποτέλεσμα τη δημιουργία περιοχών εκπαίδευσης που θα χρησιμοποιηθούν στις διαδικασίες ταξινόμησης. Κατά τη διάρκεια αυτής της διαδικασίας, χρησιμοποιήθηκαν διάφοροι φασματικοί δείκτες για τη βελτίωση της διαδικασίας κατάτμησης των χαρακτηριστικών και, στη συνέχεια, αξιολογήθηκε η αποτελεσματικότητά τους στον εντοπισμό της πετρελαιοκηλίδας σε κάθε εικόνα. Το επόμενο στάδιο της μεθοδολογίας που εφαρμόστηκε αποτελείται από τη διαδικασία της επιβλεπόμενης ταξινόμησης με τη χρήση δύο αλγορίθμων Μηχανικής Μάθησης. Πιο συγκεκριμένα, χρησιμοποιήθηκαν οι μέθοδοι ταξινόμησης Support Vector Machine (SVM) και Random Forest (RF) και αξιολογήθηκε η αντίστοιχη απόδοσή τους στην ανίχνευση των χαρακτηριστικών που υπάρχουν στις εικόνες, σε μια προσέγγιση με βάση τα εικονοστοιχεία. Πραγματοποιήθηκαν διάφορα πειράματα με τη χρήση των δύο αλγορίθμων, εκτελώντας ταξινομήσεις μεμονωμένων εικόνων, και δημιουργώντας δύο μοντέλα, ένα χρησιμοποιώντας όλες τις εικόνες του συνόλου δεδομένων, και ένα μοντέλο στο οποίο χρησιμοποιήθηκαν εικόνες από την ίδια τοποθεσία. Τα αποτελέσματα των προβλέψεων των ταξινομητών ερμηνεύτηκαν οπτικά και αναλύθηκαν ποσοτικά προκειμένου να επιλεγεί ο βέλτιστος αλγόριθμος Μηχανικής Μάθησης για τη δημιουργία ενός αυτοματοποιημένου μοντέλου ταξινόμησης πετρελαιοκηλίδων.	el
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.committeeMemberName	Ανδρώνης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false