Αναγνώριση χιονιού από δορυφορικές εικόνες
Ο πλανήτης μας αντιμετωπίζει μια σημαντική και ταχεία κλιματική αλλαγή. Ξεκάθαρη εικόνα από τις επιπτώσεις της κλιματικής αλλαγής δίνει η παγκόσμια χαρτογράφηση, μέσω δορυφορικών εικόνων που επεξεργάζονται επιστήμονες αξιοποιώντας δεδομένα της τελευταίας 25ετίας. Η ανίχνευση και η ποσοτικοποίηση της...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | el_GR |
| Published: |
2020
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/21150 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Ο πλανήτης μας αντιμετωπίζει μια σημαντική και ταχεία κλιματική αλλαγή. Ξεκάθαρη εικόνα από τις επιπτώσεις της κλιματικής αλλαγής δίνει η παγκόσμια χαρτογράφηση, μέσω δορυφορικών εικόνων που επεξεργάζονται επιστήμονες αξιοποιώντας δεδομένα της τελευταίας 25ετίας. Η ανίχνευση και η ποσοτικοποίηση της υποχώρησης του χιονιού, καταγράφοντας τις μεταβολές του εμβαδού των επιφανειών που καλύπτονται από αυτό, είναι καθοριστικές για την καλύτερη κατανόηση της κλιματικής αλλαγής. Έτσι, σκοπός της παρούσας εργασίας είναι η δημιουργία ενός αυτοποιημένου συστήματος για την ανίχνευση χιονιού και υπολογισμού εμβαδού που καλύπτεται απ΄αυτό μέσω δορυφορικών εικόνων.
Για τη δημιουργία του συνόλου δεδομένων από τις δορυφορικές εικόνες, χρησιμοποιήθηκε η διαδικασία Statistical region merging. Για το μοντέλο εκπαίδευσης χρησιμοποιήθηκε ο αλγόριθμος deep learning που είχε την μεγαλύτερη αποδοτικότητα σε σχέση με τους υπόλοιπους αλγορίθμους. Δημιουργήθηκε διαδικασία για την αναγνώριση χιονιού και για τον υπολογισμό εμβαδού για κάθε τμήμα που περιλαμβάνει χιόνι, καθώς και του συνόλου των τμημάτων της κάθε εικόνας. Η όλη διαδικασία έγινε μέσω του προγράμματος RapidMiner με την επέκταση της επεξεργασίας εικόνας, το οποίο είναι ένα προγραμματιστικό περιβάλλον ανοιχτού κώδικα για μηχανική μάθηση και εξόρυξη γνώσης. Επίσης, παρουσιάζεται η εκτέλεση της διαδικασίας στον απομακρυσμένο εξυπηρετητή (RapidΜiner server) μέσω web service και web app. Επιπροσθέτως, έγινε δημιουργία του συνόλου δεδομένων μέσω Trainable segmentation και επιλογή του deep learning ως καταλληλότερου μοντέλου κατόπιν αξιολόγησης των δεδομένων. Έγινε χρήση του λογισμικού ImageJ ώστε να γίνει η επιλογή περιοχών με χιόνι για την τμηματοποίηση με βάση τα pixels καθώς και του προγράμματος RapidMiner για την επιλογή του καταλληλότερου μοντέλου και την αξιολόγηση των δεδομένων. |
|---|