|
|
| Κωδικός Πόρου |
000440622 |
| Τίτλος |
Flood mapping via satellite remote sensing and artificial intelligence |
| Άλλος τίτλος |
Χαρτογράφηση πλημμύρας μέσω δορυφορικής τηλεπισκόπησης και τεχνητής νοημοσύνης |
|
Συγγραφέας
|
Δρακωνάκης, Γεώργιος Ι.
|
|
Σύμβουλος διατριβής
|
Τσακαλίδης, Παναγιώτης
|
|
Μέλος κριτικής επιτροπής
|
Αργυρός, Αντώνιος
Πρατικάκης, Πολύβιος
Χρυσουλάκης, Νεκτάριος
|
| Περίληψη |
Οι χώρες ανά την Υφήλιο βιώνουν την αλλαγή στις κλιματικές συνθήκες να έχει σοβαρό
αντίκτυπο και κινδύνους στις δραστηριότητες των μοντέρνων κοινωνιών τους. Τα
ακραία καιρικά φαινόμενα, όπως οι πλημμύρες, η άνοδος της στάθμης της θάλασσας
και οι καταιγίδες είναι χαρακτηριστικά παραδείγματα που επηρεάζουν τις λειτουργίες
του παγκόσμιου οικοσυστήματος. Η κλιματική αλλαγή επιδρά πολλαπλασιαστικά σε
τέτοια φαινόμενα, γεγονός που αυξάνει την συχνότητα εμφάνισης και το μέγεθός τους.
Η έγκαιρη αλλά και ακριβής αποτύπωση της έκτασης των πλημμυρισμένων περιοχών
είναι πρώτη προτεραιότητα καθώς παρέχει περιβαλλοντικά, οικονομικά και κοινωνικά
οφέλη και υποστηρίζει τις προσπάθειες αντιμετώπισης και αποκατάστασης των ζημιών.
Ο συνδυασμός δορυφορικών εικόνων με τεχνολογίες τεχνητής νοημοσύνης παρέχουν
δυνατότητα επίγνωσης της κατάστασης μπορούν να χρησιμοποιηθούν για να λυθεί το
συγκεκριμένο πρόβλημα. Σε αυτή την εργασία παρουσιάζουμε το OmbriaNet, μια
πρωτότυπη αρχιτεκτονική βαθιάς μηχανικής μάθησης βασισμένη σε συνελικτικά
νευρωνικά δίκτυα η οποία δύναται να εντοπίσει τη διαφορά μεταξύ νερού πλημμύρας
και νερού μόνιμης ροής το οποίο λειτουργεί εκμεταλλευόμενο τις διαφορές μεταξύ
διαφορετικών χρονικών στιγμών λήψης της εικόνας καθώς και τη διαφορετική φύση
των χρησιμοποιούμενων αισθητήρων. Για να παρουσιάσουμε την υπέρτερη απόδοση
του συστήματος μας κατασκευάζουμε το OMBRIA. ένα σύνολο δεδομένων από
δορυφορικές εικόνες που έχουν ληφθεί σε διαφορετικές χρονικές στιγμές και από
διαφορετικούς αισθητήρες για κατάτμηση εικόνας μέσω επιβλεπόμενης δυαδικής
ταξινόμησης. Αποτελείται συνολικά από 2776 εικόνες RADAR συνθετικού ανοίγματος
(SAR) από τον δορυφόρο Sentinel-1, πολυφασματικές εικόνες από τον Sentinel-2 καθώς
και τις αληθείς εικόνες που έχουν παραχθεί από δεδομένα της Υπηρεσίας Διαχείρισης
Επειγουσών καταστάσεων (EMS) του προγράμματος Copernicus της Ευρωπαϊκής
Διαστημικής Υπηρεσίας (ESA). Το σύνολο δεδομένων καλύπτει 20 πλημμυρικά
φαινόμενα σε διάφορα μέρη της Υφηλίου που έλαβαν χώρα μεταξύ του 2017 και του
2020. Συλλέγουμε τα δεδομένα, τα εφαρμόζουμε γεωχωρικά και τα επεξεργαζόμαστε
μέσα στη πλατφόρμα Google Earth Engine. Για να αξιολογήσουμε τις επιδόσεις του
αλγορίθμου, πραγματοποιούμε πειράματα με state-of-the-art μεθόδους: με αλγόριθμο
προσαρμογής ολιστικής κατωφλίωσης ( μέθοδος Otsu), παραδοσιακούς αλγορίθμους
μηχανικής μάθησης(Μηχανές Υποστηρικτικών Διανυσμάτων) και μιας πιο γνωστές
αρχιτεκτονικές νευρωνικού δικτύου βαθιάς μάθησης, το U-Net για να εξυπηρετήσουν
σαν βάση σύγκρισης. Η πειραματική ανάλυση που πραγματοποιούμε δύναται να
παρέχει πλημμυρικούς χάρτες υψηλής ποιότητας, πραγματοποιώντας υψηλότερες
επιδόσεις από άλλα σύγχρονα συστήματα.
|
| Φυσική περιγραφή |
vi, 63 σ. : σχεδ., πιν., εικ. (μερ, εγχρ,) ; 30 εκ. |
| Γλώσσα |
Αγγλικά |
| Θέμα |
Deep learning |
|
Machine learning |
|
Μηχανική μάθηση |
| Ημερομηνία έκδοσης |
2021-07-30 |
| Συλλογή
|
Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Μεταπτυχιακές εργασίες ειδίκευσης
|
|
|
Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
|
| Εμφανίσεις |
714 |
Flood mapping via satellite remote sensing and artificial intelligence
