dc.contributor.author | Νικολαΐδης, Γεώργιος | |
dc.contributor.author | Nikolaidis, Georgios | |
dc.date.accessioned | 2024-09-24T09:07:00Z | |
dc.date.available | 2024-09-24T09:07:00Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/60263 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.27959 | |
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 | Ταξινόμηση κάλυψης γης | el |
dc.subject | Υπερπαραμέτροι | el |
dc.subject | Εφαρμογές μηχανικής μάθησης | el |
dc.subject | Δεδομένα εκπαίδευσης | el |
dc.subject | Απομακρυσμένη ανίχνευση | el |
dc.subject | Land cover classification | en |
dc.subject | Hyperparameters | el |
dc.subject | Machine learning applications | el |
dc.subject | Training data | el |
dc.subject | Remote sensing | el |
dc.title | Ταξινόμηση χρήσεων/κάλυψης γης σε πολυφασματικές δορυφορικές εικόνες μέσω ανάπτυξης αλγορίθμου τεχνητής νοημοσύνης (AI) και μεθόδων επεξηγήσιμης τεχνητής νοημοσύνης (XAI) | el |
dc.title | Classification of land uses/cover in multispectral satellite images through the development of artificial intelligence (AI) algorithms and explainable artificial intelligence (XAI) methods | en |
dc.contributor.department | Γεωπληροφορική | el |
heal.type | masterThesis | |
heal.classification | Τηλεπισκόπηση | el |
heal.classification | Remote sensing | en |
heal.classification | Τεχνητή νοημοσύνη | el |
heal.classification | Artificial intelligence | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2024-06-21 | |
heal.abstract | Η παρούσα εργασία εξετάζει τον περίπλοκο τομέα της ταξινόμησης χρήσεων κάλυψης γης, ο οποίος είναι κρίσιμος για την απομακρυσμένη ανίχνευση και την περιβαλλοντική παρακολούθηση. Επιλέγεται μια ολιστική προσέγγιση, εκμεταλλευόμενη ένα προσαρμοσμένο μοντέλο δομής (Sequential API) και τέσσερα προ-εκπαιδευμένα μοντέλα, τα εξής –MobileNetV2, GoogleNet, ResNet101V2 και Xception - μέσα στο πλαίσιο των βιβλιοθηκών του TensorFlow-Keras. Η εξαντλητική εξερεύνηση των υπερπαραμέτρων βελτιστοποιεί προσεκτικά την απόδοση του μοντέλου, επικεντρώνοντας στην ακρίβεια, την αποτελεσματικότητα του χρόνου εκπαίδευσης και τη χρησιμοποίηση πόρων, σε περιβάλλον μη ανεξάντλητων πόρων και δυνατοτήτων. Η εργασία ξεχωρίζει λόγω της ενσωμάτωσης προηγμένων μοντέλων εξηγησιμότητας - SHAP, LIME και Grad CAM. Πέρα από τις ακριβείς προβλέψεις, αυτοί οι μηχανισμοί παρέχουν βαθιά εισαγωγή στις διαδικασίες λήψης αποφάσεων των προηγμένων μοντέλων και προτεραιοποιεί την ελαχιστοποίηση των απαιτήσεων δεδομένων εκπαίδευσης και τη βελτιστοποίηση του χρόνου εκπαίδευσης, δομώντας τα μοντέλα με ευρύτερους στόχους διατήρησης πόρων και επεκτασιμότητας. Οι πειραματικές προσεγγίσεις για τη βελτιστοποίηση των υπερπαραμέτρων είναι πρωτοποριακές, επιτρέποντας μια ισορροπία μεταξύ ακρίβειας και χρονικής απόδοσης. Παράλληλα, ενσωματώνονται προηγμένα μοντέλα εξηγησιμότητας, όπως τα SHAP, LIME και Grad CAM, προσφέροντας βαθύτερη κατανόηση των αποφάσεων του μοντέλου. Ο μακροπρόθεσμος αντίκτυπος περιλαμβάνει τον εντοπισμό του πλέον αποτελεσματικού μοντέλου για την ταξινόμηση κάλυψης γης, ενδεχομένως βελτιώνοντας υπάρχουσες μεθοδολογίες και συμβάλλοντας σε πιο ακριβή περιβαλλοντική παρακολούθηση. Στο μακρινό μέλλον, τα ευρήματα μπορούν να εκτείνονται σε διάφορους τομείς όπου απαιτούνται αποτελεσματικά, ερμηνεύσιμα μοντέλα. Αυτό στοχεύει σε ένα μέλλον, όπου οι εφαρμογές μηχανικής μάθησης, ιδίως στις επιστήμες του περιβάλλοντος, είναι όχι μόνο ακριβείς, αλλά και διαφανείς, υπεύθυνες και αποδοτικές στη χρήση πόρων. Κατανόηση της περίπλοκης αλληλεπίδρασης μεταξύ της απόδοσης του μοντέλου και της εξηγησιμότητας, συμβάλλει σε ένα ευρύτερο διάλογο για την υπεύθυνη υιοθέτηση της Τεχνητής Νοημοσύνης και τις βιώσιμες τεχνολογικές λύσεις, επεκτείνοντας τα όρια της απομακρυσμένης ανίχνευσης και των επιστημών του περιβάλλοντος. Ο μεγαλύτερος αντίκτυπος της έρευνας εκτείνεται πέρα από την ταξινόμηση κάλυψης γης, προσφέροντας ένα νέο πλαίσιο για την ευέλικτη, διαφανή, και αποδοτική χρήση της τεχνητής νοημοσύνης στις επιστήμες του περιβάλλοντος. Επίσης, υπογραμμίζει τη σημασία της εναρμόνισης της απόδοσης του μοντέλου με την επεξηγησιμότητα, ενισχύοντας την υπεύθυνη υιοθέτηση της Τεχνητής Νοημοσύνης και προάγοντας βιώσιμες τεχνολογικές λύσεις. | el |
heal.abstract | This paper addresses the complex area of land cover land use classification, which is critical for remote sensing and environmental monitoring. A holistic approach is chosen, exploiting a custom structure model (Sequential API) and four pre-trained models, namely -MobileNetV2, GoogleNet, ResNet101V2 and Xception - within the framework of the TensorFlow-Keras libraries. Exhaustive exploration of hyperparameters carefully optimizes model performance, focusing on accuracy, training time efficiency and resource utilization, in an environment of non-exhaustible resources and capabilities. The work stands out due to the incorporation of advanced explainability models - SHAP, LIME and Grad CAM. Beyond accurate predictions, these mechanisms provide deep insight into the decision-making processes of advanced models and prioritize minimizing training data requirements and optimizing training time, structuring models with broader goals of resource conservation and scalability. Experimental approaches to hyperparameter optimization are pioneering, allowing a balance between accuracy and time efficiency. At the same time, advanced explainability models such as SHAP, LIME and Grad CAM are incorporated, providing a deeper understanding of model decisions. The long-term impact includes identifying the most effective model for land cover classification, potentially improving existing methodologies and contributing to more accurate environmental monitoring. In the longer term, the findings may extend to several areas where effective, interpretable models are needed. This aims for a future where machine learning applications, particularly in environmental sciences, are not only accurate, but also transparent, accountable and resource-efficient. Understanding the complex interplay between model performance and explainability contributes to a broader dialogue on responsible AI adoption and sustainable technological solutions, pushing the boundaries of remote sensing and environmental sciences. The larger impact of the research extends beyond land cover classification, providing a new framework for the flexible, transparent, and efficient use of AI in environmental sciences. It also highlights the importance of aligning model performance with explainability, fostering responsible adoption of AI and promoting sustainable technological solutions. | en |
heal.advisorName | Δουλάμης, Νικόλαος | |
heal.committeeMemberName | Δουλάμης, Νικόλαος | |
heal.committeeMemberName | Δουλάμης, Αναστάσιος | |
heal.committeeMemberName | Παπουτσής, Ιωάννης | |
heal.academicPublisher | Σχολή Αγρονόμων και Τοπογράφων Μηχανικών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 168 | |
heal.fullTextAvailability | false |
The following license files are associated with this item: