Βελτίωση της χωρικής ανάλυσης θερμικών εικόνων με τεχνικές βαθιάς μάθησης για ανίχνευση πυρκαγιάς

Κανάκη, Βαλεντίνα-Νεκταρία; Kanaki, Valentina-Nektaria

dc.contributor.author	Κανάκη, Βαλεντίνα-Νεκταρία	el
dc.contributor.author	Kanaki, Valentina-Nektaria	en
dc.date.accessioned	2025-03-26T10:13:18Z
dc.date.available	2025-03-26T10:13:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61461
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29157
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	Τηλεπισκόπηση	el
dc.subject	Παρατήρηση γης	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Υπέρ ανάλυση	el
dc.subject	Δορυφορικά δεδομένα	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Επεξεργασία εικόνας	el
dc.subject	Αύξηση κλίμακας	el
dc.subject	Aqua	en
dc.subject	Msg	en
dc.subject	Aqua	en
dc.subject	Terra	en
dc.subject	Seviri	en
dc.subject	Modis	en
dc.subject	Remote sensing	en
dc.subject	Earth observation	en
dc.subject	Deep learning	en
dc.subject	Super resolution	en
dc.subject	Satellite data	en
dc.subject	Neural networks	en
dc.subject	Image processing	en
dc.subject	Downscale	en
dc.title	Βελτίωση της χωρικής ανάλυσης θερμικών εικόνων με τεχνικές βαθιάς μάθησης για ανίχνευση πυρκαγιάς	el
heal.type	bachelorThesis
heal.secondaryTitle	Improving the spatial resolution of thermal images with deep learning techniques for fire detection	el
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-16
heal.abstract	Τα τελευταία χρόνια η βελτίωση της χωρικής ανάλυσης δορυφορικών εικόνων με τεχνικές βαθιάς μάθησης είναι μια πολλά υποσχόμενη προσέγγιση στον επιστημονικό τομέα της Τηλεπισκόπησης. Προς την κατεύθυνσης αυτή, στην παρούσα διπλωματική εργασία στόχος είναι η ανάγκη για τη δημιουργία αξιόπιστων δεδομένων τα οποία είναι κατάλληλα για την εκπαίδευση αλγορίθμων βαθιάς μάθησης για την ανίχνευση πυρκαγιάς σε πραγματικό χρόνο. Οι δασικές πυρκαγιές αποτελούν σοβαρή απειλή για πολλές περιοχές που είναι επιρρεπείς σε ισχυρούς ανέμους, ξηρασία και καύσωνες, με την κλιματική αλλαγή να επιδεινώνει το πρόβλημα, αυξάνοντας τη συχνότητα, την ένταση και τις καταστροφικές συνέπειες αυτών των φαινομένων. Η Ελλάδα είναι μια χώρα που πλήττεται ιδιαίτερα κάθε χρόνο από τις πυρκαγιές, καθιστώντας την ανάγκη για σωστή πρόληψη και διαχείριση πιο επιτακτική από ποτέ. Ωστόσο, οι υφιστάμενες λύσεις συχνά παρουσιάζουν σημαντικούς περιορισμούς, δυσκολεύοντας την αποτελεσματική αντιμετώπιση του προβλήματος. Μείζον ζήτημα για τις εφαρμογές Τηλεπισκόπησης και Παρατήρηση της Γης αποτελεί το πρόβλημα χαμηλής χρονικής - υψηλής χωρικής ή υψηλής χρονικής - χαμηλής χωρικής ανάλυσης δορυφορικών εικόνων ειδικά σε περιπτώσεις επιχειρησιακής και επείγουσας αντιμετώπισης, όπου η ακριβής επίγνωση της κατάστασης και οι συχνές ενημερώσεις είναι υψίστης σημασίας. Η Τεχνητή Νοημοσύνη έχει φέρει επανάσταση στον τομέα των δορυφορικών εικόνων μέσω των εξελίξεων στις τεχνικές υπέρ-ανάλυσης. Με την εφαρμογή αυτών των μεθόδων το χάσμα μεταξύ εικόνων υψηλότερης και χαμηλότερης ανάλυσης μπορεί να γεφυρωθεί. Η παρούσα διπλωματική εργασία δημιουργεί ένα ολοκληρωμένο σύνολο δεδομένων και συγκρίνει κάποια μοντέλα με διαφορετικές αρχιτεκτονικές στο έργο της εκτέλεσης υπέρ-ανάλυσης για την περιοχή της Ελλάδας, χρησιμοποιώντας δεδομένα από τον αισθητήρα MODIS των δορυφόρων AQUA/TERRA ως βασική αλήθεια υψηλής ανάλυσης για υπέρ-ανάλυση των εικόνων από τον αισθητήρα SEVIRI στο γεωστατικό δορυφόρο MSG. Συγκεκριμένα δοκιμάστηκε το τυπικό νευρωνικό δίκτυο συνελικτικής υπέρ-ανάλυσης SRCNN και το ανταγωνιστικό δίκτυο υπέρ-ανάλυσης SRGAN. Τα πειραματικά αποτελέσματα είναι ελπιδοφόρα. Αξίζει να αναφερθεί ότι καμία δημοσιευμένη μελέτη, μετά από έρευνα, δεν έχει επιχειρήσει να βελτιώσει τη χωρική ανάλυση του SEVIRI για την επιχειρησιακή ανίχνευση πυρκαγιών και την παρακολούθηση της έντασης της πυρκαγιάς, καθιστώντας την εργασία αυτή πρωτοποριακή στον τομέα.	el
heal.sponsor	In recent years, the improvement of spatial resolution in satellite imagery using deep learning techniques is a promising approach in the scientific field of Remote Sensing. Towards this direction, the goal of this thesis is to address the need to generate reliable data for creating reliable data suitable for training deep learning algorithms for real-time fire detection. Forest fires pose a serious threat to many areas prone to high winds, drought and heat waves, with climate change exacerbating the problem by increasing the frequency, intensity and devastating consequences of these events. Greece is a country particularly affected by fires every year, making the need for effective prevention and management more urgent than ever. However, existing solutions often have significant limitations, making it difficult to tackle the problem effectively. A major issue for Remote Sensing and Earth Observation applications is the problem of low temporal - high spatial or high temporal - low spatial resolution of satellite imagery especially in operational and emergency response situations, where accurate situational awareness and frequent updates are paramount. Artificial Intelligence has revolutionized the field of satellite imagery through advances in super-resolution techniques. By applying these methods, the gap between higher and lower resolution images can be bridged. This thesis creates a comprehensive dataset and compares some models with different architectures in the task of performing super-resolution for the region of Greece, using data from the MODIS sensor on the AQUA/TERRA satellites as a ground truth for high-resolution super-resolution of images from the SEVIRI sensor on the MSG geostationary satellite. In particular, the standard convolutional super-resolution neural network SRCNN and the generative adversarial super-resolution network SRGAN were tested. The experimental results are promising. It is worth mentioning that no published study, after research, has attempted to improve the spatial resolution of SEVIRI for operational fire detection and fire intensity monitoring, making this work pioneering in the field.	el
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.advisorName	Karathanassi, Vassilia	en
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Papoutsis, Ioannis	en
heal.committeeMemberName	Doulamis, Anastasios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	133 σ.	el
heal.fullTextAvailability	false