Εντοπισμός αποψιλώσεων χορτολιβαδικών εκτάσεων σε
χρονοσειρές τηλεπισκοπικών δεδομένων με τεχνικές βαθιάς μηχανικής μάθησης

Μουμούρης, Τηλέμαχος; Moumouris, Tilemachos

dc.contributor.author	Μουμούρης, Τηλέμαχος	el
dc.contributor.author	Moumouris, Tilemachos	en
dc.date.accessioned	2024-11-08T12:03:00Z
dc.date.available	2024-11-08T12:03:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60399
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28095
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική”	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Βαθιά Μηχανική Μάθηση	el
dc.subject	Αποψίλωση καλλιεργούμενων εκτάσεων	el
dc.subject	Παρακολούθηση Μεγάλων Εκτάσεων	el
dc.subject	Mowing Event Detection	en
dc.subject	Deep Learning	en
dc.subject	Large Scale Monitoring	en
dc.title	Εντοπισμός αποψιλώσεων χορτολιβαδικών εκτάσεων σε χρονοσειρές τηλεπισκοπικών δεδομένων με τεχνικές βαθιάς μηχανικής μάθησης	el
dc.title	Implementation of Deep Learning Methods for Mowing Event Detection in Grasslands using Timeseries Data	en
heal.type	masterThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Χρονοσειρές	el
heal.classification	Machine Learning	en
heal.classification	Time Series	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-04
heal.abstract	Οι χορτολιβαδικές εκτάσεις αποτελούν έναν εξαιρετικά σημαντικό πόρο με σημαντική συνεισφορά στην Εθνική Οικονομία κάθε έτος. Η Κοινή Αγροτική Πολίτικη (ΚΑΠ) υπαγορεύει την ανάγκη για παρακολούθηση των καλλιεργειών αυτού του είδους και τον έλεγχο του ρυθμού εκμετάλλευσης τους. Για τον λόγο αυτό έχουν γίνει σημαντικά βήματα προς αυτήν την κατεύθυνση, με πολλές μελέτες να προσανατολίζονται προς την χρήση μεθόδων Μηχανικής Μάθησης για την κατηγοριοποίηση του ρυθμού αποψίλωσης των εκτάσεων αυτών. Η ύπαρξη δεδομένων για την εκπαίδευση των μοντέλων αυτών είναι καταλυτικής σημασίας, ώστε να είναι δυνατή η παραγωγή αποτελεσμάτων που να μπορούν να χρησιμοποιηθούν σε καθημερινές εφαρμογές, όπως για παράδειγμα η βέλτιστη αξιοποίηση των φυσικών πόρων, η μεγιστοποίηση της αγροτικής παραγωγής αλλά και η επιτήρηση της εφαρμογής πολιτικών μέτρων σε μεγάλη κλίμακα. Στην παρούσα Μεταπτυχιακή Εργασία, αρχικά γίνεται μελέτη της διαθεσιμότητας των δεδομένων που θα μπορούσαν να χρησιμοποιηθούν στην παραπάνω εφαρμογή, με επίκεντρο τα οπτικά δεδομένα. Εκτός από την χρήση ενός μόνου δέκτη, όπως για παράδειγμα αυτού της αποστολής Sentinel-2 , εξετάζεται σε βάθος η χρήση δεδομένων από τις δύο βασικές αποστολές παρατήρησης Γης, Sentinel-2 και LandSat-8. Για τις ανάγκες της εργασίας αυτής κατασκευάστηκε σετ δεδομένων εξ αρχής για την περιοχή του Κάμπου, αφού δεν βρέθηκε διαθέσιμο στην βιβλιογραφία κάποιο που να καλύπτει τις ανάγκες των πειραμάτων. Σε ότι αφορά το πειραματικό μέρος, γίνεται εκτενής μελέτη των αρχιτεκτονικών που μπορούν να χρησιμοποιηθούν για την αναγνώριση του αριθμού των αποψιλώσεων στα υπό μελέτη αγροτεμάχια. Μετά από την μελέτη με χρήση δεδομένων από συνδυασμό δεκτών, δίνονται τα αποτελέσματα που προέκυψαν από την χρήση Pseudo-labels από περιοχή της Γερμανίας σε συνδυασμό με fine-tuning και γίνεται σύγκριση των αποτελεσμάτων.	el
heal.abstract	Grassland areas are an extremely important resource with a signifcant contribution to the National Economy each year. The Common Agricultural Policy (CAP) dictates the need for monitoring these types of crops and controlling the rate of their exploitation. For this reason, signifcant steps have been taken in this direction, with many studies focusing on the use of Deep Learning methods to classify the mowing rate of these areas. The availability of data for training these models is of crucial importance so that it is possible to produce results that can be used in everyday applications, such as the optimal utilization of natural resources, maximizing agricultural production, and monitoring the implementation of policy measures on a large scale. In this Master Thesis, we first study the availability of data that could be used in the above application, focusing on optical data. Besides using a single receiver, such as that of the Sentinel-2 mission, the use of data from the two main Earth observation missions, Sentinel-2 and LandSat-8, is examined in depth. For the needs of this work, a dataset was constructed from scratch for the area of Kampos (Thessaly), as no available dataset in the literature was found to meet the needs of the experiments. Re garding the experimental part, an extensive study is conducted on the architectures that can be used to recognize the number of mowing events in the study area. After the study using data from a combination of receivers, the results obtained from the use of Pseudo-labels from an area of Germany in combination with fine-tuning are presented and the results are compared.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false