| _version_ |
1828461751776051200
|
| author |
Σιορόκου, Σταυρούλα
|
| author2 |
Μαραγκουδάκης, Εμμανουήλ
|
| author_facet |
Μαραγκουδάκης, Εμμανουήλ
Σιορόκου, Σταυρούλα
|
| author_sort |
Σιορόκου, Σταυρούλα
|
| collection |
DSpace
|
| description |
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.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-21150
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2020
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-211502025-03-12T12:37:47Z Αναγνώριση χιονιού από δορυφορικές εικόνες Snow recognition from satellite images Σιορόκου, Σταυρούλα Μαραγκουδάκης, Εμμανουήλ Πληροφοριακά και Επικοινωνιακά Συστήματα βαθιά μάθηση μηχανική μάθηση εξόρυξη δεδομένων statistical region merging rapidminer studio rapidminer server web service web app deep learning trainable segmentation machine learning data mining Machine learning Data mining Web services 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. Our planet is facing a major and rapid climate change. A clear view of the effects of climate change is given by global mapping, through satellite images processed by scientists using data from the last 25 years. Detection and quantification of snow recession, recording the surface changes of the areas covered by it, are crucial for a better understanding of climate change. Thus, the purpose of the present dissertation is to create an automated system for detecting snow by satellite images automatically and calculating the surface area of the segments which are covered with snow. Statistical region merging algorithm was used to create the dataset from the satellite images. In addition, for the training model, the deep learning algorithm was used, which was more efficient than the other algorithms. A procedure was developed to identify the snow and to calculate the surface area for each segment containing snow, as well as the total segments containing snow of each image. The whole procedure was implemented through the RapidMiner which is an open source programming environment for machine learning and knowledge mining. It is also presented the automated system on the remote server (RapidMiner server) through web service and web app. In addition, a data set was created through Trainable segmentation and deep learning was selected as the most appropriate model after data evaluation. ImageJ software was used to select the areas covered with snow for pixel-based segmentation as well as RapidMiner software to select the most appropriate model and evaluate the data. 2020-07-13T11:15:40Z 2020-07-13T11:15:40Z 2020-03-06 http://hdl.handle.net/11610/21150 el_GR Default License 97 σ. application/pdf Σάμος
|
| spellingShingle |
βαθιά μάθηση
μηχανική μάθηση
εξόρυξη δεδομένων
statistical region merging
rapidminer studio
rapidminer server
web service
web app
deep learning
trainable segmentation
machine learning
data mining
Machine learning
Data mining
Web services
Σιορόκου, Σταυρούλα
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title |
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title_full |
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title_fullStr |
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title_full_unstemmed |
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title_short |
Αναγνώριση χιονιού από δορυφορικές εικόνες
|
| title_sort |
αναγνώριση χιονιού από δορυφορικές εικόνες
|
| topic |
βαθιά μάθηση
μηχανική μάθηση
εξόρυξη δεδομένων
statistical region merging
rapidminer studio
rapidminer server
web service
web app
deep learning
trainable segmentation
machine learning
data mining
Machine learning
Data mining
Web services
|
| url |
http://hdl.handle.net/11610/21150
|
| work_keys_str_mv |
AT siorokoustauroula anagnōrisēchioniouapodoryphorikeseikones
AT siorokoustauroula snowrecognitionfromsatelliteimages
|