Χαρτογράφηση καμένων εκτάσεων από δεδομένα ραντάρ συνθετικού ανοίγματος με τη χρήση μηχανικής μάθησης

Αθανασίου, Αικατερίνη; Athanasiou, Aikaterini

dc.contributor.author	Αθανασίου, Αικατερίνη	el
dc.contributor.author	Athanasiou, Aikaterini	en
dc.date.accessioned	2026-06-03T10:46:13Z
dc.date.available	2026-06-03T10:46:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/64821
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.32515
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Διαφορική Συμβολομετρία	el
dc.subject	Καμένες εκτάσεις	el
dc.subject	Sentinel-1	en
dc.subject	Machine learning	en
dc.subject	Random Forest	en
dc.subject	Burned areas	en
dc.subject	Ταξινόμηση	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Μικροκυματική Τηλεπισκόπηση	el
dc.title	Χαρτογράφηση καμένων εκτάσεων από δεδομένα ραντάρ συνθετικού ανοίγματος με τη χρήση μηχανικής μάθησης	el
dc.title	Mapping burned areas using synthetic aperture radar data and machine learning	en
heal.type	bachelorThesis
heal.classification	Remote sensing	en
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-02-24
heal.abstract	Τα τελευταία χρόνια, η χαρτογράφηση των καμένων εκτάσεων με τεχνικές μηχανικής μάθησης απασχολεί όλο και περισσότερο την ερευνητική κοινότητα, λόγω της πληθώρας υψηλής σημασίας εφαρμογών που υποστηρίζει. Αντικείμενο της παρούσας εργασίας αποτελεί η χαρτογράφηση των καμένων εκτάσεων σε τέσσερις περιοχές της Ελλάδας που έχουν πληγεί από πυρκαγιές τα τελευταία χρόνια. Στο πλαίσιο της μελέτης εφαρμόστηκε η τεχνική της Διαφορικής Συμβολομετρίας, η οποία έχει αναπτυχθεί κυρίως για την παρατήρηση παραμορφώσεων του εδάφους, καθώς και δείκτες μεταβολής οπισθοσκέδασης βασισμένοι σε GRD δεδομένα. Ενώ τα SAR δεδομένα χρησιμοποιούνται ιδιαίτερα, δεν αξιοποιούνται τόσο για την παρακολούθηση καμένων εκτάσεων. Αρχικά, τα δεδομένα υπέστησαν προεπεξεργασία στο λογισμικό SNAP της ESA, το οποίο είναι κατάλληλο για την επεξεργασία διαστημικών δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Στην μελέτη χρησιμοποιήθηκαν δεδομένα SAR Sentinel- 1, σε μορφή SLC και GRD τα οποία αντιστοιχούν σε χρονικές περιόδους πριν και μετά την πυρκαγιά κάθε περιοχής μελέτης. Στη συνέχεια, πραγματοποιήθηκαν πειράματα για την παραγωγή των κατάλληλων δεικτών, ενώ μέσω φωτοερμηνείας, επιλέχθηκαν οι τελικές εικόνες από δείκτες, που είχαν τα καλύτερα αποτελέσματα. Πιο συγκεκριμένα, επιλέχθηκε η παραγωγή εικόνων συνάφειας (Coherence Maps) με την χρήση Sentinel-1 SLC εικόνων, με τελικό δείκτη το Interferometric Coherence Difference (ICD) για την πόλωση VV, ενώ ακολούθησε η παραγωγή του δείκτη dVH με την χρήση Sentinel-1 GRD εικόνων. Ακόμα, χρησιμοποιήθηκε ο αλγόριθμος μηχανικής μάθησης Random Forest αξιοποιώντας πολύγωνα καμένων εκτάσεων ως δεδομένα εκπαίδευσης. Αρχικά, χρησιμοποιήθηκε όλο το σύνολο των παραπάνω δεδομένων με δοκιμές διάφορων υπερπαραμέτρων, ενώ ύστερα έγινε ξεχωριστή ταξινόμηση για τον κάθε δείκτη με σταθερές τις υπερπεραμέτρους που παρουσίασαν την βέλτιστη απόδοση. Τέλος, πραγματοποιήθηκε η αξιολόγηση των αποτελεσμάτων του αλγορίθμου Random Forest, η οποία περιλάμβανε τόσο την απόδοση του αλγορίθμου όσο και την σημαντικότητα των χαρακτηριστικών που χρησιμοποιήθηκαν.	el
heal.abstract	In recent years, burned area mapping using machine learning techniques has attracted the attention of the research community, due to the wide range of important applications it supports. The objective of the present study is the mapping of burned areas in four regions of Greece that have been affected by wildfires in recent years. Within the framework of this study, the Differential Interferometry technique that has been developed mostly for ground deformation monitoring, was applied along with backscatter change detection indices based on GRD data. Although SAR data are widely used, they are less commonly exploited for burned area monitoring. Initially, the data underwent preprocessing using the ESA SNAP software, which is suitable for Synthetic Aperture Radar (SAR). Sentinel-1 SAR data in both SLC and GRD formats were used, corresponding to time periods before and after the fire events in each study year. Subsequently, experiments were conducted to produce appropriate indices, and through visual interpretation the final indicator images with the best performance were selected. Specifically, coherence maps were generated using Sentinel-1 SLC images in the Interferometric Coherence Difference (ICD) index for VV polarization, followed by the generation of the dVH index using Sentinel-1 GRD images. In addition, the Random Forest machine learning was applied using burned area polygons as training data. Initially, the full dataset was used with testing of various hyperparameters, and afterwards separate classifications were performed for each index while keeping the hyperparameters fixed at the values that provided the best performance. Finally, the evaluation of the Random Forest results was carried out, including both the algorithm performance and the importance of the features used.	en
heal.advisorName	Παπουτσής, Ιωάννης	el
heal.advisorName	Papoutsis, Ioannis	en
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.	el
heal.fullTextAvailability	false