Application of remote sensing and deep learning methods in geological mapping

Menegaki, Stavroula; Μενεγάκη, Σταυρούλα

dc.contributor.author	Menegaki, Stavroula	en
dc.contributor.author	Μενεγάκη, Σταυρούλα	el
dc.date.accessioned	2026-06-04T08:57:04Z
dc.date.available	2026-06-04T08:57:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/64837
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.32531
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-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Lithological mapping	en
dc.subject	Deep learning	en
dc.subject	Convolutional neural networks	en
dc.subject	Multisensor data fusion	en
dc.subject	Λιθολογική χαρτογράφηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Πολυαισθητηριακή σύντηξη δεδομένων	el
dc.title	Application of remote sensing and deep learning methods in geological mapping	en
dc.title	Εφαρμογή μεθόδων τηλεπισκόπησης και βαθιάς μηχανικής μάθησης στη γεωλογική χαρογράφηση	el
heal.type	masterThesis
heal.classification	Remote sensing	en
heal.classification	Deep learning	en
heal.classification	Geology	en
heal.classification	Geoinformatics	en
heal.classification	Τηλεπισκόπηση	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Γεωλογία	el
heal.classification	Γεωπληροφορική	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-02-18
heal.abstract	Η παρούσα μελέτη διερευνά τη χρήση βαθιών συνελικτικών νευρωνικών δικτύων (CNNs) για τη λιθολογική χαρτογράφηση στην δομικά σύνθετη περιοχή των Αθαμανικών Ορέων (Τζουμέρκα), στην Ήπειρο, Ελλάδα. Δημιουργήθηκε ένας ενοποιημένος «κύβος» χαρακτηριστικών 34 φασματικών ζωνών με χωρική ανάλυση 30 m, μέσω της ενσωμάτωσης πολυαισθητηριακών δεδομένων, που περιλαμβάνουν ανακλαστικότητα Sentinel-2 και Landsat-8, φασματικούς δείκτες και ορυκτολογικούς λόγους, οπισθοσκέδαση Sentinel-1 και ALOS PALSAR, καθώς και παραμέτρους υφής GLCM. Επιπλέον, εξήχθη μια μειωμένη αναπαράσταση 10 Κύριων Συνιστωσών (PC10) για συγκριτική αξιολόγηση. Εκδόσεις των αρχιτεκτονικών VGG19 και ResNet50, προεκπαιδευμένες στο ImageNet, προσαρμόστηκαν σε πολυφασματική είσοδο τύπου patch και επαναεκπαιδεύτηκαν (fine-tuned) χρησιμοποιώντας μία καλά χαρτογραφημένη περιοχή αναφοράς, ενώ οι αλγόριθμοι Random Forest (RF) και Support Vector Machine (SVM) χρησιμοποιήθηκαν ως συγκριτικά μοντέλα. Στην περιοχή εκπαίδευσης, τα καλύτερα CNN μοντέλα, VGG19-34Band και ResNet5034Band, επιτυγχάνουν συνολική ακρίβεια (OA) περίπου 96–97 %, κ > 0.95 και μέση τιμή IoU περίπου 0.88–0.90, υπερτερώντας σημαντικά των RF και SVM (OA ≤ 0.64, mIoU ≤ 0.33). Οι εκδόσεις με χρήση PC10 παρουσιάζουν μόνο μικρή μείωση της ακρίβειας. Το επιλεγμένο CNN μοντέλο εφαρμόστηκε στη συνέχεια σε γειτονική περιοχή δοκιμής με πιο γενικευμένη γεωλογική χαρτογράφηση. Στο πλαίσιο αυτό, το μοντέλο καταφέρνει να υποδιαιρέσει τον αδιαίρετο φλύσχη σε επιμέρους λιθοστρωματογραφικές ενότητες, σε συμφωνία με επιτόπιες γεωλογικές παρατηρήσεις, ενώ οι χάρτες εμπιστοσύνης (softmax confidence) και κανονικοποιημένης εντροπίας αναδεικνύουν ζώνες αυξημένης αβεβαιότητας κατά μήκος σύνθετων γεωλογικών επαφών και φασματικά συγγενών λιθολογιών. Συνολικά, τα αποτελέσματα δείχνουν ότι ο συνδυασμός πολυαισθητηριακών οπτικών–SAR– δεδομένων υφής με βαθιά CNN μοντέλα αποτελεί ένα αποτελεσματικό πλαίσιο εργασίας για τη βελτίωση και την αναβάθμιση της γεωλογικής χαρτογράφησης σε ορεινό ανάγλυφο. Πέρα από την υψηλή ταξινομική ακρίβεια, η ρητή αποτύπωση της χωρικής αβεβαιότητας υποστηρίζει την τεκμηριωμένη γεωλογική ερμηνεία, την προτεραιότητα της επιτόπιας έρευνας και τη χρήση των αποτελεσμάτων των CNN ως εργαλείων υποστήριξης αποφάσεων σε μελλοντικές γεωλογικές έρευνες.	el
heal.abstract	This study investigates the use of deep convolutional neural networks (CNNs) for lithological mapping in the structurally complex Athamanika (Tzoumerka) Mountains of Epirus, Greece. A fused 34-band feature cube is constructed at 30 m spatial resolution by integrating multi-sensor data, including Sentinel- 2/Landsat-8 reflectance, spectral indices and mineralogical ratios, Sentinel-1 and ALOS PALSAR backscatter and GLCM textures. In addition, a reduced 10-Principal Component (PC) representation is derived for comparative evaluation. Patch-based versions of ImageNet-pretrained VGG19 and ResNet50 architectures are adapted to multi-band input and fine-tuned using a well mapped reference area, with Random Forest (RF) and Support Vector Machine (SVM) classifiers employed as benchmarks. Within the training area, the best performing CNN models, VGG19-34band and ResNet50-34band, achieve OA ≈ 96– 97 %, κ > 0.95 and mIoU ≈ 0.88–0.90, substantially outperforming RF and SVM (OA ≤ 0.64, mIoU ≤ 0.33). The PC10 variants exhibit only a minor accuracy loss. The selected CNN model is subsequently transferred to a neighboring target area with coarser geological mapping. In this setting the model successfully subdivides undivided flysch into several lithostratigraphic units consistent with field observations, while softmaxbased confidence and normalized entropy maps delineate uncertain zones along complex contacts and spectrally similar units. Overall, the results indicate that multisensor optical–SAR–texture data fusion combined with deep CNNs provides an efficient framework for refining and upscaling geological maps in mountainous terrain. Beyond high classification accuracy, the explicit representation of spatial uncertainty supports informed geological interpretation, prioritization of fieldwork, and the use of CNN-based products as decision-support tools in future geological surveys.	en
heal.advisorName	Τσαγγαράτος, Παρασκευάς	el
heal.advisorName	Tsangaratos, Paraskevas	en
heal.committeeMemberName	Τσαγγαράτος, Παρασκευάς	el
heal.committeeMemberName	Μενεγάκη, Μαρία	el
heal.committeeMemberName	Βακαλάς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	157 σ.	el
heal.fullTextAvailability	false