A Deep Learning Approach to Image Resolution Enhancement: Super-Resolution of Multispectral MODIS Imagery Utilizing Sentinel-2 Products

Τσέλκα, Ιωάννα; Tselka, Ioanna

dc.contributor.author	Τσέλκα, Ιωάννα	el
dc.contributor.author	Tselka, Ioanna	en
dc.date.accessioned	2024-12-04T13:08:19Z
dc.date.available	2024-12-04T13:08:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60512
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28208
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	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Super-resolution	en
dc.subject	Υπερανάλυση	el
dc.subject	Machine Learning	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Deep Learning	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Computer Vision	en
dc.subject	Υπολογιστική Όραση	el
dc.subject	Remote Sensing	en
dc.subject	Τηλεπισκόπηση	el
dc.title	A Deep Learning Approach to Image Resolution Enhancement: Super-Resolution of Multispectral MODIS Imagery Utilizing Sentinel-2 Products	en
dc.contributor.department	Orion Lab	el
heal.type	masterThesis
heal.secondaryTitle	Μια προσέγγιση Βαθιάς Μάθησης για την ενίσχυση της ανάλυσης εικόνων: Υπερανάλυση πολυφασματικών εικόνων MODIS με τη χρήση προϊόντων Sentinel-2	el
heal.classification	Artificial Intelligence	en
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-04
heal.abstract	Earth Observation (EO) methods are widely employed for exploiting the Earth’s resources across a broad spectrum of applications and analyses. Recent advances in the field of Computer Vision have led to the development of algorithms capable of processing EO data accurately and robustly, extracting valuable information from the Earth’s surface. The need for high resolution data availability has led to the development of several Deep Learning techniques for upscaling available satellite data. This study aims at enhancing the resolution of EO imagery by incorporating state-of-the-art Super-Resolution (SR) algorithms for rapid and cost-effective generation of super-resolved outputs. Particularly SR models are implemented on the FLOGA dataset, focusing on super-resolving MODIS low-resolution (LR) imagery based on Sentinel-2 high-resolution (HR) images, performing Single-Image Super-Resolution tasks. Specifically, SRCNN, FSRCNN, EDSR, ESPCN, MRUNeT, and VDSR, are employed across three downscaling factors: x2, x4, and x8, corresponding to target resolutions of 240 m, 120 m, and 60 m, respectively. The Bilinear Interpolation method served as a baseline for comparative analyses between the implemented SR models. Quantitative results were performed utilizing metrics such as Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index (SSIM), which supported the qualitative findings. Results showed that MRUNeT consistently outperformed other models across all scaling factors, demonstrating superior clarity, edge definition, and structural fidelity. The existing literature complied with the study’s findings, highlighting the efficacy of advanced deep learning architectures in super-resolving satellite imagery. The methodological framework presented underlined the added value of SR methods on EO data for HR data provision though the exploitation of open-source products for a wide range of environmental and scientific applications.	en
heal.abstract	Με την εξέλιξη της τεχνολογίας και την αυξανόμενη τάση των δορυφορικών αποστολών, η Παρατήρηση της Γης έχει αποτελέσει μια πολύ κρίσιμη επιστήμη για την καταγραφή και παρακολούθηση της Γης τα τελευταία χρόνια. Παράλληλα, η μηχανική μάθηση αποτελεί επίσης ένα πολύ χρήσιμο εργαλείο της υπολογιστικής όρασης, το οποίο για να καλύψει την ανάγκη για όσο το δυνατόν πιο αποδοτική παρατήρηση, έχει αναπτύξει νευρωνικά δίκτυα, παρέχοντας πληροφορίες σε επίπεδο εικονοστοιχείου. Με τη πάροδο του χρόνου οι τεχνολογίες εξελίσσονται και η ανάγκη για όσο το δυνατόν καλύτερης ποιότητας δεδομένα, είναι ζωτικής σημασίας, ιδιαίτερα σε εφαρμογές σχετικά με δορυφορικά οπτικά δεδομένα. Για το λόγο αυτό είναι αναγκαία η βελτίωση της ποιότητας των δορυφορικών εικόνων για καλύτερες οπτικοποιήσεις και ανάλυση. Η παρούσα έρευνα αφορά στην βελτίωση των διαθέσιμων δεδομένων Παρατήρησης Γης με τη χρήση αλγορίθμων Υπερανάλυσης για την ταχύτερη και οικονομικά αποδοτική παραγωγή αποτελεσμάτων αναβαθμισμένης ανάλυσης. Οι τεχνικές βαθιάς μάθησης υλοποιήθηκαν στο σύνολο δεδομένων FLOGA, το οποίο αποτελείται από δορυφορικές εικόνες Sentinel-2 και MODIS. Τα δορυφορικά δεδομένα MODIS χαμηλής ανάλυσης αποτελούν τα δεδομένα εισόδου των μοντέλων υπερανάλυσης, όπου στη συνέχεια βάσει των δορυφορικών εικόνων υψηλής ανάλυσης του Sentinel-2, υλοποιούν τεχνικές βελτίωσης της εικόνας, με την χρήση της τεχνικής Υπερανάλυση Μονής Εικόνας. Πιο συγκεκριμένα, οι αλγόριθμοι βαθιάς μάθησης που ενσωματώνονται στην εν λόγω εργασία είναι οι SRCNN, FSRCNN, EDSR, ESPCN, MRUNeT, και VDSR. Τα μοντέλα αυτά εφαρμόστηκαν σε τρεις διαφορετικούς συντελεστές κλίμακας: x2, x4, και x8, οι οποίοι αντιστοιχούν στις αναλύσεις των 240 μ, 120 μ, και 60 μ, βάσει των οποίων εκπαιδεύτηκαν τα δεδομένα. Η τεχνική διγραμμικής παρεμβολής ενσωματώθηκε στη παρούσα έρευνα ως βάση για τις συγκριτικές αναλύσεις μεταξύ των εφαρμοζόμενων μοντέλων υπερανάλυσης. Τα ποσοτικά αποτελέσματα των τεχνικών υπερανάλυσης υλοποιήθηκαν με τη χρήση μετρικών όπως το μέσο τετραγωνικό σφάλμα (MSE), το λόγο σήματος προς θόρυβο (PSNR), και τον δείκτη δομηκής ομοιότητας (SSIM). Οι μετρικές αυτές επιβεβαίωσαν τις παρατηρήσεις των ποιοτικών αποτελεσμάτων για κάθε μοντέλο, ενώ παράλληλα δημιουργήθηκαν διαγράμματα για την οπτικοποίηση της εκπαίδευσης και ελέγχου των μοντέλων. Βάσει των αποτελεσμάτων, το μοντέλο MRUNeT υπερείχε σταθερά έναντι των άλλων μοντέλων σε όλους τους παράγοντες κλίμακας, επιδεικνύοντας καλύτερη σαφήνεια, ευδιάκριτες ακμές και δομική πιστότητα. Το παρόν μεθοδολογικό πλαίσιο υπογραμμίζει την προστιθέμενη αξία των μεθόδων υπερανάλυσης σε προϊόντα Παρατήρησης της Γης για την παραγωγή υψηλής ανάλυσης εικόνων βάσει ανοιχτών δεδομένων με στόχο τη χρήση τους σε ένα ευρύ φάσμα περιβαλλοντικών και επιστημονικών εφαρμογών.	el
heal.advisorName	Karantzalos, Konstantinos
heal.advisorName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Karantzalos, Konstantinos
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος
heal.committeeMemberName	Papoutsis, Ioannis
heal.committeeMemberName	Παπουτσής, Ιωάννης
heal.committeeMemberName	Karathanassi, Vasilia
heal.committeeMemberName	Καραθανάση, Βασιλεία
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	90
heal.fullTextAvailability	false
heal.fullTextAvailability	false
heal.fullTextAvailability	false