Βελτιστοποιημένες τεχνικές μηχανικής μάθησης για την οριοθέτηση πλημμυρών από δορυφορικές εικόνες

Κροκίδας, Αλέξανδρος; Krokidas, Alexandros

dc.contributor.author	Κροκίδας, Αλέξανδρος	el
dc.contributor.author	Krokidas, Alexandros	en
dc.date.accessioned	2025-03-11T08:57:06Z
dc.date.available	2025-03-11T08:57:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61321
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29017
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	Προστασία περιβάλλοντος	el
dc.subject	Οριοθέτηση πλημμυρών	el
dc.subject	Μηxανική μάθηση	el
dc.subject	Διαχείριση καταστροφών	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα (CNNs)	el
dc.subject	Flood Delineation	en
dc.subject	Convolutional Neural Networks (CNNs)	en
dc.subject	Environmental Protection	en
dc.subject	Optimization Techniques	en
dc.subject	U-net	en
dc.title	Βελτιστοποιημένες τεχνικές μηχανικής μάθησης για την οριοθέτηση πλημμυρών από δορυφορικές εικόνες	el
dc.title	Optimized machine learning techniques for flood delineation from satellite imagery	en
heal.type	bachelorThesis
heal.classification	Φωτογραμμετρία	el
heal.classification	Τηλεπισκόπηση	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Βαθιά Μάθηση	el
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	U-net	en
heal.classification	Deep Learning	en
heal.classification	Προστασία περιβάλλοντος	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-16
heal.abstract	Η διπλωματική εργασία με τίτλο "Βελτιστοποιημένες τεχνικές μηχανικής μάθησης για την οριοθέτηση πλημμυρών από δορυφορικές εικόνες" εξετάζει την εφαρμογή προηγμένων τεχνικών μηχανικής μάθησης, συγκεκριμένα Συνελικτικών Νευρωνικών Δικτύων (CNNs), για την αυτόματη οριοθέτηση πλημμυρισμένων περιοχών με χρήση δορυφορικών εικόνων. Η εργασία υπογραμμίζει τη σημασία της ακριβούς οριοθέτησης πλημμυρών για την αποτελεσματική διαχείριση καταστροφών και τον μετριασμό των επιπτώσεών τους. Επισημαίνει τις προκλήσεις που σχετίζονται με την παραδοσιακή, χειροκίνητη οριοθέτηση πλημμυρών και προτείνει τη χρήση της μηχανικής μάθησης ως μια πιο αποτελεσματική και κλιμακούμενη λύση. Στο επίκεντρο βρίσκεται η αρχιτεκτονική U-Net, ένα είδος CNN που έχει αποδειχθεί ιδιαίτερα αποτελεσματικό στην κατάτμηση εικόνων. Η δομή του U-Net, με το συστελλόμενο και το επεκτεινόμενο μονοπάτι, επιτρέπει την καταγραφή τόσο των γενικών όσο και των τοπικών χαρακτηριστικών των εικόνων, καθιστώντας το κατάλληλο για την οριοθέτηση πλημμυρών ακόμη και με περιορισμένα δεδομένα εκπαίδευσης. Επιπλέον, περιγράφει επίσης τη χρήση του συνόλου δεδομένων MMFlood, μιας συλλογής δορυφορικών εικόνων Sentinel-1 και άλλων συναφών δεδομένων, για την εκπαίδευση και αξιολόγηση μοντέλων βαθιάς μάθησης για την οριοθέτηση πλημμυρών. Επιπλέον, εξετάζει τεχνικές βελτιστοποίησης, όπως η δειγματοληψία που βασίζεται στην εντροπία και η χρήση πολλαπλών κωδικοποιητών, για την αντιμετώπιση προκλήσεων όπως η ανισορροπία των κλάσεων και η πολυτροπικότητα των δεδομένων. Συνολικά, η διπλωματική εργασία παρουσιάζει μια ολοκληρωμένη μελέτη της εφαρμογής βελτιστοποιημένων τεχνικών μηχανικής μάθησης για την οριοθέτηση πλημμυρών από δορυφορικές εικόνες. Τα ευρήματα της έρευνας υπογραμμίζουν τις δυνατότητες της βαθιάς μάθησης στη βελτίωση της ακρίβειας και της αποτελεσματικότητας της οριοθέτησης πλημμυρών, συμβάλλοντας έτσι στην αποτελεσματικότερη διαχείριση καταστροφών και στην προστασία του περιβάλλοντος	el
heal.abstract	The thesis is dedicated to "Optimized machine learning techniques for flood delineation from satellite imagery", addressing, one of the major areas of interest, flood delineation from satellite data, while leveraging the power of optimized machine learning techniques, with particular interest for CNNs. It has caused very serious impacts on human lives, infrastructure and ecosystems around the world, therefore, urgent action is needed in terms of correctly identifying flooded areas in time in relation to effective disaster management, humanitarian response and mitigation strategies in the long term. This paper critically discusses the limitations of traditional manual and semi-automatic approaches to flood delineation and presents a case for the application of machine learning as a faster and more highly scalable alternative. The core of this thesis is based on the U-Net architecture, adapted from CNNs, which have gained wide recognition due to their superiority in image segmentation. U-Net follows a unique U-shaped architecture, with a shrinking path for frame capture and an expanding path for accurate localization, hence the ability to model both global and local features of an image with dignity. This feature allows the method to be particularly suitable for flood delineation even in cases with minimal training data. The research further leverages the rich database of Sentinel-1 satellite imagery, the MMFlood dataset, supported with complementary data in training deep learning models for flood delineation and subjecting them to rigorous testing. Optimal modeling was achieved with several improvements, such as entropy-based sampling and multi-coder models to handle some problems with class imbalance and multimodal nature of the data. Also, the theoretical background that provides the basis for the thesis in machine learning and deep learning was provided with respect to the specific problem, which is flood delineation. The background on CNN, architecture and working concepts of image analysis is good. It was developed on the mathematical concepts underlying CNNs that include convolution, activation and layer aggregation functions explaining how it will allow feature extraction and dimensionality reduction. A very important concept was discussed in the paper which was semantic partitioning for delineation in terms of flooding, while the advanced technique included FCNs and U-Net architecture. The research results in this thesis reveal the ability of deep learning in delineation, especially to overcome some inherent challenges arising from U-Net architecture. These models behave fantastically and efficiently in identifying flooded areas in satellite imagery, optimized on the MMFlood dataset, with additional training techniques such as entropy-based sampling and multiple encoders. Finally, the thesis examines how these optimized machine learning techniques can influence a revolution in the way they perform their tasks to promote flood management and environmental protection. While, in fact, highcapacity algorithms can make high-resolution satellite data accessible, these will be the guiding beacons for developing an improved early warning system, enhancing crisis management capacity, and continuing the march towards a resilient and sustainable world in the face of disasters.	en
heal.advisorName	Δουλάμης, Αναστάσιος	el
heal.advisorName	Doulamis, Anastasios	en
heal.committeeMemberName	Ioannidis, Charalambos	en
heal.committeeMemberName	Ιωαννίδης, Χαράλαμπος	el
heal.committeeMemberName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Φωτογραμμετρίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false