Σύγκριση μεθόδων μηχανικής μάθησης για τη χαρτογράφηση καλύψεων γης με δορυφορικά δεδομένα

Μπέγκος, Γεώργιος; Begkos, Giorgos

dc.contributor.author	Μπέγκος, Γεώργιος	el
dc.contributor.author	Begkos, Giorgos	en
dc.date.accessioned	2025-09-15T09:16:31Z
dc.date.available	2025-09-15T09:16:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62441
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30137
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 - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Land Cover	en
dc.subject	Random Forests	en
dc.subject	Deep Learning	en
dc.subject	FCN	en
dc.subject	U-Net	en
dc.subject	Sentinel-2	en
dc.subject	Ταξινόμηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Κάλυψη Γης	el
dc.title	Σύγκριση μεθόδων μηχανικής μάθησης για τη χαρτογράφηση καλύψεων γης με δορυφορικά δεδομένα	el
dc.title	Comparing machine learning methods for land cover mapping using satellite data	en
heal.type	masterThesis
heal.classification	Τηλεπισκόπηση	el
heal.classification	Remote Sensing	en
heal.classification	Geoinformatics	en
heal.classification	Γεωπληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-21
heal.abstract	Η ακριβής και συστηματική χαρτογράφηση της κάλυψης γης και των καλλιεργειών αποτελεί ζωτικής σημασίας διαδικασία για την περιβαλλοντική διαχείριση, την κλιματική προσαρμογή, τη γεωργική πολιτική και τη διαχείριση φυσικών πόρων. Η αυξανόμενη διαθεσιμότητα ανοικτών τηλεπισκοπικών δεδομένων την τελευταία δεκαετία, ιδίως από οπτικούς δορυφόρους, έχει ενισχύσει σημαντικά την ανάπτυξη μεθοδολογιών και εργαλείων για την παραγωγή λεπτομερών χαρτών σε διαφορετικές χωρικές και χρονικές κλίμακες. Πρόσφατες έρευνες έχουν αναδείξει τη σημασία της συνδυαστικής αξιοποίησης οπτικών και ραντάρ δεδομένων (SAR) για τη βελτίωση της χαρτογράφησης των χρήσεων γης και των καλλιεργειών. Παράλληλα, οι εξελίξεις στη βαθιά μάθηση και συγκεκριμένα στα συνελικτικά νευρωνικά δίκτυα (CNNs) προσφέρουν νέες δυνατότητες στη χαρτογράφηση με αυτοματοποιημένες και αποδοτικές προσεγγίσεις. Στην παρούσα εργασία, συγκρίθηκαν διαφορετικές προσεγγίσεις ταξινόμησης κάλυψης γης με τη χρήση μηχανικής μάθησης (Random Forests - RF) και βαθιάς μάθησης (Fully Convolutional Network - FCN, U-Net). Οι ταξινομήσεις πραγματοποιήθηκαν σε δύο περιοχές της Ελλάδας (Sentinel-2 Τiles 34SEJ και 35TLF) για το έτος 2019, με τη χρήση χρονικών συνθέτων οπτικών πολυφασματικών δεδομένων Sentinel-2, SAR δεδομένων Sentinel-1, υψομετρικών δεδομένων (DEM) και θεματικών δεδομένων κάλυψης γης (CLC). Για την εκπαίδευση των CNNs χρησιμοποιήθηκαν εικόνες 5×5 pixels, ώστε να ενσωματωθεί χωρική πληροφορία χωρίς να αυξηθεί υπερβολικά το υπολογιστικό κόστος. Τα αποτελέσματα έδειξαν ότι και οι τρεις προσεγγίσεις (RF, FCN, U-Net) πέτυχαν υψηλές ακρίβειες (>90% συνολική ακρίβεια), με το U-Net να εμφανίζει οριακά καλύτερη απόδοση σε μέσες τιμές F1-score και ειδικά στις καλλιέργειες. Η χρήση συνελικτικών νευρωνικών δικτύων (CNNs) με είσοδο μόνο οπτικά δεδομένα Sentinel-2 οδήγησε σε αύξηση της συνολικής ακρίβειας έως και 3% σε σχέση με τον ταξινομητή Τυχαίων Δασών (RF). Ωστόσο, όταν ως είσοδοι στα CNNs χρησιμοποιήθηκε το πλήρες σετ δεδομένων (Sentinel-2, Sentinel-1, DEM, CLC), η αύξηση της συνολικής ακρίβειας ήταν μικρότερη, περίπου 1,5%. Το γεγονός αυτό υποδηλώνει ότι, ενώ τα επιπλέον δεδομένα συμβάλλουν στη σταθερότητα της ταξινόμησης, η ενσωμάτωσή τους δεν οδηγεί απαραίτητα σε μεγάλη βελτίωση της συνολικής απόδοσης των μοντέλων βαθιάς μάθηση, πιθανώς λόγω της ευαισθησίας τους στον θόρυβο των SAR δεδομένων. Ο αλγόριθμος RF παρουσίασε ανταγωνιστική απόδοση, ιδιαίτερα στις κατηγορίες με έντονα φασματικά χαρακτηριστικά, ενώ το FCN υστερούσε στις περισσότερες κατηγορίες σε σχέση με το U-Net. Η ανάλυση έδειξε ότι η βαθύτερη τεχνική μάθηση μπορεί να βελτιώσει την ταξινόμηση κατηγοριών με έντονα χωρικά μοτίβα, όπως οι αστικές περιοχές και οι τακτικά φυτεμένες καλλιέργειες, ενώ οι παραδοσιακές τεχνικές ρηχής μάθησης αποδίδουν καλύτερα σε κατηγορίες με διακριτές φασματικές ιδιότητες. Η χρήση μικρών patches εικόνων (5×5) επέτρεψε την ταχύτερη εκπαίδευση των CNNs, διατηρώντας υψηλή ακρίβεια, γεγονός που καθιστά τη μέθοδο εφαρμόσιμη ακόμα και σε υπολογιστικά περιορισμένα περιβάλλοντα. Ωστόσο, ο συνολικός απαιτούμενος χρόνος τόσο για την εκπαίδευση όσο και για την πρόβλεψη ήταν σημαντικά μεγαλύτερος σε σύγκριση με τον RF. Συνολικά, η προτεινόμενη μεθοδολογία ανέδειξε την αποτελεσματικότητα και τη δυναμική των μοντέλων βαθιάς μάθησης στην ταξινόμηση κάλυψης γης και καλλιεργειών, ενώ παράλληλα επιβεβαίωσε τη διαχρονική σταθερότητα και την αξιοπιστία των παραδοσιακών αλγορίθμων μηχανικής μάθησης.	el
heal.abstract	Accurate and systematic land cover and crop mapping is a crucial process for environmental management, climate adaptation, agricultural policy, and natural resource management. The increasing availability of open remote sensing data over the past decade, particularly from optical satellites, has significantly enhanced the development of methodologies and tools for generating detailed maps across various spatial and temporal scales. Recent studies have highlighted the importance of combining optical and radar (SAR) data to improve land use and crop mapping. At the same time, advancements in deep learning, particularly in convolutional neural networks (CNNs), offer new possibilities for mapping through automated and efficient approaches. In this study, different land cover classification approaches were compared using machine learning (Random Forests - RF) and deep learning (Fully Convolutional Network - FCN, U-Net). The classifications were conducted for two regions in Greece (Sentinel-2 Τiles 34SEJ and 35TLF) for the year 2019, utilizing seasonal composite optical multispectral Sentinel-2 data, Sentinel-1 SAR data, Digital Elevation Model (DEM) data, and thematic land cover data (CLC). For training the CNNs, 5×5 pixel image patches were used to integrate spatial information without significantly increasing computational costs. The results showed that all three approaches (RF, FCN, U-Net) achieved high classification accuracies (>90% overall accuracy), with U-Net demonstrating slightly better performance in terms of average F1-score, particularly for agricultural crops. The use of CNNs with only optical Sentinel-2 data led to an increase in overall accuracy of up to 3% compared to the Random Forest classifier (RF). However, when the full dataset (Sentinel-2, Sentinel-1, DEM, CLC) was used as input for CNNs, the overall accuracy improvement was lower, around 1.5%. This finding suggests that while additional data contribute to classification stability, their integration does not necessarily lead to a significant improvement in the overall performance of deep learning models, likely due to their sensitivity to noise in SAR data. The RF algorithm demonstrated competitive performance, particularly in classes with strong spectral characteristics, whereas the FCN underperformed in most categories compared to U-Net. The analysis indicated that deeper learning techniques can enhance the classification of categories with strong spatial patterns, such as urban areas and regularly planted crops, while traditional shallow learning techniques perform better in classes with distinct spectral features. The use of small image patches (5×5) enabled faster training of CNNs while maintaining high accuracy, making the method applicable even in computationally constrained environments. However, the total time required for both training and inference was significantly higher compared to RF. Overall, the proposed methodology highlighted the effectiveness and potential of deep learning models for land cover and crop classification, while also confirming the long-term stability and reliability of traditional machine learning algorithms.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Παπουτσής, Ιωάννης	el
heal.committeeMemberName	Ανδρώνης, Βασίλης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών.	el
heal.academicPublisherID	ntua
heal.numberOfPages	158 σ.	el
heal.fullTextAvailability	false