Τεχνικές βαθιάς μάθησης για την χαρτογράφηση  των αλλαγών χρήσεων γης με χρήση τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης

Παναγοπούλου, Ελισσάβετ; Panagopoulou, Elissavet

dc.contributor.author	Παναγοπούλου, Ελισσάβετ	el
dc.contributor.author	Panagopoulou, Elissavet	en
dc.date.accessioned	2025-01-13T11:35:59Z
dc.date.available	2025-01-13T11:35:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60710
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28406
dc.rights	Default License
dc.subject	Βαθιά μάθηση	el
dc.subject	Deep learning	en
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.subject	Ανίχνευση μεταβολών αστικού ιστού	el
dc.subject	Urban tissue change detection	en
dc.subject	STANet	en
dc.subject	SAM	en
dc.subject	Εvaluation	en
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Artificial intelligence	en
dc.title	Τεχνικές βαθιάς μάθησης για την χαρτογράφηση των αλλαγών χρήσεων γης με χρήση τηλεπισκοπικών απεικονίσεων υψηλής ανάλυσης	el
dc.title	Deep learning techniques for mapping land use changes using high resolution remote sensing imagery	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-17
heal.abstract	Τα τελευταία χρόνια, παρατηρείται μεγάλη ροή δορυφορικών δεδομένων Παρατήρησης Γης, η οποία μπορεί να συμβάλει σημαντικά σε προβλήματα, τα οποία αφορούν σε διάφορους επιστημονικούς κλάδους των Μηχανικών. Ταυτόχρονα, η συνεχής τεχνολογική εξέλιξη στα πεδία της Τηλεπισκόπησης (remote sensing), της Φωτογραμμετρίας (photogrammetry), της Γεωπληροφορικής (geoinformatics), της Βαθιάς Μάθησης (Deep Learning) και της επεξεργασίας εικόνας (image processing) παρέχει νέα εργαλεία και αυτοματοποιημένες λύσεις για αξιοποίηση των δορυφορικών δεδομένων, σε μελέτες πολεοδομίας, χωροταξίας και κτηματολογίου. Ένα αρκετά δύσκολο πρόβλημα προς μελέτη είναι η ανίχνευση μεταβολών. Τα τηλεπισκοπικά δεδομένα αποτελούν μία πηγή δεδομένων για τη παροχή πληροφοριών σχετικά με τα χαρακτηριστικά κάλυψης αστικής γης και τις μεταβολές τους σε διάφορες χωρικές και χρονικές κλίμακες. Επίσης, καινοτόμες τεχνικές προσφέρουν τη δυνατότητα να βελτιωθεί σημαντικά η διαθεσιμότητα των χωρικών δεδομένων, η ικανότητα για ανάλυση, η κατανόηση και η μοντελοποίηση των αστικών περιοχών. Επομένως, στη συγκεκριμένη Διπλωματική Εργασία, πραγματοποιήθηκε έρευνα σχετικά με την ανίχνευση μεταβολών αστικού ιστού αξιοποιώντας τεχνικές βαθιάς μάθησης. Συγκεκριμένα, εφαρμόσθηκαν τα νευρωνικά δίκτυα: SAM και STANet, αφού προηγουμένως έγινε η συλλογή και η κατάλληλη επεξεργασία των δεδομένων. Τέλος, ακολούθησε αξιολόγηση των αποτελεσμάτων.	el
heal.abstract	In recent years, there has been a large influx of Earth Observation satellite data, which can make a significant contribution to problems related to various engineering disciplines. Simultaneously, the continuous technological development in the fields of remote sensing, photogrammetry, geoinformatics, deep learning and image processing provides new tools and automated solutions for the use of satellite data in urban planning, land use planning and cadastral studies. A rather difficult problem to study is the detection of changes. Remote sensing data is a source of data to provide information on urban land cover characteristics and their changes at different spatial and temporal scales. Innovative techniques also offer the potential to significantly improve the availability of spatial data, the ability to analyse, understand and model urban areas. Therefore, in this thesis, research on the detection of urban fabric changes using deep learning techniques was carried out. Specifically, three neural networks were applied: SAM and STANet after having collected and properly processed the data. Finally, an evaluation of the results followed.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	69 σ.	el
heal.fullTextAvailability	false