Γεωλογική χαρτογράφηση με χρήση τηλεπισκοπικών δεδομένων και μεθόδων μηχανικής μάθησης

Λώλος, Νικόλαος; Lolos, Nikolaos

dc.contributor.author	Λώλος, Νικόλαος	el
dc.contributor.author	Lolos, Nikolaos	en
dc.date.accessioned	2026-03-04T06:35:53Z
dc.date.available	2026-03-04T06:35:53Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63752
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.31447
dc.rights	Default License
dc.subject	μηχανική μάθηση	el
dc.subject	γεωλογική χαρτογράφηση	el
dc.subject	τηλεπισκόπηση	el
dc.subject	δεδομένα	el
dc.subject	δορυφόρος	el
dc.subject	mapping	en
dc.subject	lithology	el
dc.subject	satelite data	el
dc.subject	machine learning	el
dc.subject	random forest	el
dc.title	Γεωλογική χαρτογράφηση με χρήση τηλεπισκοπικών δεδομένων και μεθόδων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	χαρτογράφηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-07-23
heal.abstract	Η παρούσα εργασία εστιάζει στη διερεύνηση της αποτελεσματικότητας της τηλεπισκόπησης και των τεχνικών μηχανικής μάθησης για την παραγωγή γεωλογικών χαρτογραφικών προϊόντων υψηλής ακρίβειας, με εφαρμογή στην περιοχή Κύμης–Αλιβερίου. Η μεθοδολογική προσέγγιση βασίστηκε στη συλλογή και επεξεργασία δορυφορικών δεδομένων από Sentinel1, Sentinel-2 και Landsat-8, καθώς και σε ένα σύνολο 39 τηλεπισκοπικών μεταβλητών (φασματικοί δείκτες, GLCM υφές, δείκτες ανακλαστικότητας, PCA/MNF). Εφαρμόστηκαν τέσσερις αλγόριθμοι ταξινόμησης – Random Forest, Gradient Boosting Tree, Classification and Regression Tree και Stacked Model – σε τρεις επιλεγμένες περιοχές ενδιαφέροντος με αντιπροσωπευτική γεωλογική πολυπλοκότητα.Τα αποτελέσματα συγκρίθηκαν με λιθολογικά δεδομένα εδάφους, προερχόμενα από τον τεχνικογεωλογικό χάρτη Ηλία (2013), και αξιολογήθηκαν βάσει μετρικών ακρίβειας. Η έρευνα απέδειξε ότι οι αλγόριθμοι μηχανικής μάθησης, ειδικά τα ensemble μοντέλα, μπορούν να προσφέρουν εξαιρετικά αποτελέσματα στη χαρτογράφηση λιθολογικών ενοτήτων, ιδίως σε περιοχές δύσβατες ή με περιορισμένη επιτόπια πρόσβαση. Η συνδυαστική χρήση τηλεπισκοπικών και αλγοριθμικών εργαλείων αποδείχθηκε χρήσιμη για την ελαχιστοποίηση του κόστους, τη βελτίωση της επαναληψιμότητας και την ενίσχυση της γεωλογικής πληροφορίας προς λήψη τεκμηριωμένων αποφάσεων σε γεωτεχνικές και περιβαλλοντικές εφαρμογές.	el
heal.abstract	This thesis investigates the effectiveness of remote sensing and machine learning techniques in producing high-accuracy geological mapping products, with a case study in the Kymi–Aliveri region (Central Evia, Greece). The methodological approach was based on the integration of satellite data from Sentinel-1, Sentinel-2, and Landsat-8, alongside a comprehensive set of 39 remote sensing variables, including spectral indices, GLCM texture metrics, reflectance indicators, and dimensionality reduction components (PCA/MNF). Four classification algorithms – Random Forest, Gradient Boosting Tree, Classification and Regression Tree, and a Stacked Ensemble Model – were applied to three selected areas of interest with varying lithological and tectonic complexity. Model outputs were compared against field-based lithological information derived from the engineering geological map of Ilia (2013) and were evaluated through quantitative accuracy metrics. Results demonstrate that machine learning algorithms, especially ensemble-based models, can significantly enhance lithological discrimination, particularly in inaccessible or logistically constrained regions. The combined use of remote sensing and algorithmic tools proved to be valuable in reducing fieldwork costs, improving reproducibility, and enriching geological information, thereby supporting informed decision-making in geotechnical, environmental, and spatial planning contexts	en
heal.advisorName	Tσαγγαράτος, Παρασκευάς
heal.committeeMemberName	Ηλία, Ιωάννα
heal.committeeMemberName	Βακαλάς, Ιωάννης
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανικών Μεταλλείων Μεταλλουργών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false