Πρωτότυπος Τίτλος:
Διερεύνηση της συνέργειας των υπερφασματικών δορυφορικών δεδομένων EnMAP με τη μηχανική μάθηση για χαρτογράφηση της χρήσης και κάλυψης γης σε μεσογειακό περιβάλλον
Συγγραφέας:
Λέκκα, Χριστίνα, Χρήστος
Επιβλέπων καθηγητής:
Πετρόπουλος, Γιώργος
Περίληψη:
Η υπερφασματική τηλεπισκόπηση ή φασματοσκοπία παρέχει υψηλής ποιότητας φασματικές πληροφορίες για τις ιδιότητες της επιφάνειας της γήινης επιφάνειας και τα οικολογικά συστήματα παγκοσμίως. Η φασματοσκοπία απεικόνισης βελτιώνει την αναγνώριση των χαρακτηριστικών της γης ευνοώντας πλήθος εφαρμογών, συμπεριλαμβανομένης καταγραφής και χαρτογράφησης της χρήσης και κάλυψης γης. Ακριβείς πληροφορίες σε τακτικά χρονικά διαστήματα για τις χρήσεις και τις αλλαγές της επιφάνειας της γης είναι κρίσιμες για την παγκόσμια παρακολούθηση και διαχείριση των οικοσυστημάτων. Τα επιχειρησιακά προϊόντα θεματικών χαρτών κάλυψης γης, επί του παρόντος είναι διαθέσιμα σε παγκόσμια ή εθνική κλίμακα και προέρχονται από τη χρήση πολλαπλών παθητικών οπτικών αισθητήρων. Ωστόσο, η χαμηλή χωρική ανάλυση που εξακολουθούν να παρέχουν αυτά τα προϊόντα τα καθιστά ακατάλληλα για πολυάριθμες εφαρμογές σε κλίμακα περιφερειακής και τοπικής ενότητας.
Η διαθεσιμότητα δεδομένων EO από σύγχρονες δορυφορικές αποστολές προσφέρει μοναδικές ευκαιρίες για την αντιμετώπιση αυτού του περιορισμού. Το Πρόγραμμα Περιβαλλοντικής Χαρτογράφησης και Ανάλυσης (EnMAP) είναι μια δορυφορική υπερφασματική αποστολή της Γερμανίας με στόχο την παρακολούθηση και τον χαρακτηρισμό του γήινου περιβάλλοντος σε παγκόσμια κλίμακα. Το πρόγραμμα EnMAP προορίζεται να γεφυρώσει το χάσμα παρέχοντας πλούσιες λεπτομερείς φασματικές πληροφορίες στο VNIR και SWIR εύρος στην περιοχή μεγάλης κλίμακας με ευρεία χρονική κάλυψη και υψηλή χωρική ανάλυση. Αξιοποιώντας τα υψηλής ποιότητας δεδομένα και ανοικτής πρόσβασης στην επιστημονική κοινότητα, αποκαλύπτεται ένα μεγάλο δυναμικό σε ένα ευρύ φάσμα οικολογικών και περιβαλλοντικών εφαρμογών, όπως οι ακριβείς και ενημερωμένοι θεματικοί χάρτες κάλυψης-χρήσης γης.
Στο πλαίσιο των παραπάνω, η παρούσα μελέτη αποτελεί μία από τις πρώτες που διερευνούν τις δυνατότητες του δορυφόρου ENMAP στο πλαίσιο της χαρτογράφησης των χρήσεων και της κάλυψης γης, με σκοπό να διερευνήσει τα πλεονεκτήματα του. Στόχος αποτελεί η διερεύνηση της αποτελεσματικότητας των πιο δημοφιλών αλγορίθμων μηχανικής μάθησης επιβλεπόμενης ταξινόμησης, όπως ο αλγόριθμος Support Vector Machines και Random Forest, χρησιμοποιώντας ένα σύνολο υπερφασματικών δεδομένων του δορυφορικού προγράμματος EnMAP. Ως περίπτωση μελέτης χρησιμοποιείται ένας τυπικό Μεσογειακό τοπίο.
Οι θεματικοί χάρτες που προέκυψαν χρησιμοποιώντας τους αλγόριθμους μηχανικής μάθησης SVM και RF αξιολογήθηκαν ως προς την απόδοσή τους χρησιμοποιώντας βασικές στατιστικές αξιολόγησης. Επιπλέον, διεξήχθη συγκριτική ανάλυση των αποτελεσμάτων χρησιμοποιώντας τον στατιστικό έλεγχο σημαντικότητας McNemar's chi-square. Τα αποτελέσματα ανέδειξαν την υπεροχή της μεθόδου SVM έναντι RF, όπου προέκυψαν υψηλότερη τιμή της συνολικής ακρίβειας, με 90,5% έναντι 87,5%, αντίστοιχα. Η υπεροχή της ακρίβειας για την SVM επιβεβαιώθηκε περαιτέρω από το στατιστικό έλεγχο McNemar's.
Τα ευρήματα της παρούσας μελέτης ανέδειξαν ότι τα υπερφασματικά δεδομένα του EnMAP διαθέτουν μεγάλο δυναμικό στον τομέα της χαρτογράφησης χρήσης/κάλυψης γης και αναμένεται να παρέχουν πολύτιμες πληροφορίες για την περαιτέρω αξιολόγηση των συνόλων δεδομένων του EnMAP σε σχετικές εφαρμογές.
Η διαθεσιμότητα δεδομένων EO από σύγχρονες δορυφορικές αποστολές προσφέρει μοναδικές ευκαιρίες για την αντιμετώπιση αυτού του περιορισμού. Το Πρόγραμμα Περιβαλλοντικής Χαρτογράφησης και Ανάλυσης (EnMAP) είναι μια δορυφορική υπερφασματική αποστολή της Γερμανίας με στόχο την παρακολούθηση και τον χαρακτηρισμό του γήινου περιβάλλοντος σε παγκόσμια κλίμακα. Το πρόγραμμα EnMAP προορίζεται να γεφυρώσει το χάσμα παρέχοντας πλούσιες λεπτομερείς φασματικές πληροφορίες στο VNIR και SWIR εύρος στην περιοχή μεγάλης κλίμακας με ευρεία χρονική κάλυψη και υψηλή χωρική ανάλυση. Αξιοποιώντας τα υψηλής ποιότητας δεδομένα και ανοικτής πρόσβασης στην επιστημονική κοινότητα, αποκαλύπτεται ένα μεγάλο δυναμικό σε ένα ευρύ φάσμα οικολογικών και περιβαλλοντικών εφαρμογών, όπως οι ακριβείς και ενημερωμένοι θεματικοί χάρτες κάλυψης-χρήσης γης.
Στο πλαίσιο των παραπάνω, η παρούσα μελέτη αποτελεί μία από τις πρώτες που διερευνούν τις δυνατότητες του δορυφόρου ENMAP στο πλαίσιο της χαρτογράφησης των χρήσεων και της κάλυψης γης, με σκοπό να διερευνήσει τα πλεονεκτήματα του. Στόχος αποτελεί η διερεύνηση της αποτελεσματικότητας των πιο δημοφιλών αλγορίθμων μηχανικής μάθησης επιβλεπόμενης ταξινόμησης, όπως ο αλγόριθμος Support Vector Machines και Random Forest, χρησιμοποιώντας ένα σύνολο υπερφασματικών δεδομένων του δορυφορικού προγράμματος EnMAP. Ως περίπτωση μελέτης χρησιμοποιείται ένας τυπικό Μεσογειακό τοπίο.
Οι θεματικοί χάρτες που προέκυψαν χρησιμοποιώντας τους αλγόριθμους μηχανικής μάθησης SVM και RF αξιολογήθηκαν ως προς την απόδοσή τους χρησιμοποιώντας βασικές στατιστικές αξιολόγησης. Επιπλέον, διεξήχθη συγκριτική ανάλυση των αποτελεσμάτων χρησιμοποιώντας τον στατιστικό έλεγχο σημαντικότητας McNemar's chi-square. Τα αποτελέσματα ανέδειξαν την υπεροχή της μεθόδου SVM έναντι RF, όπου προέκυψαν υψηλότερη τιμή της συνολικής ακρίβειας, με 90,5% έναντι 87,5%, αντίστοιχα. Η υπεροχή της ακρίβειας για την SVM επιβεβαιώθηκε περαιτέρω από το στατιστικό έλεγχο McNemar's.
Τα ευρήματα της παρούσας μελέτης ανέδειξαν ότι τα υπερφασματικά δεδομένα του EnMAP διαθέτουν μεγάλο δυναμικό στον τομέα της χαρτογράφησης χρήσης/κάλυψης γης και αναμένεται να παρέχουν πολύτιμες πληροφορίες για την περαιτέρω αξιολόγηση των συνόλων δεδομένων του EnMAP σε σχετικές εφαρμογές.
Ημερομηνία κατάθεσης:
2023-07-25
Γλώσσες Τεκμηρίου:
Αγγλικά
Θεματικές Κατηγορίες:
Γεωγραφία (Γενικά)
Λοιπά Θέματα:
Δορυφορικά δεδομένα
Τηλεπισκόπηση
Χρήση γης
Τηλεπισκόπηση
Χρήση γης
Λέξεις-κλειδιά:
Πρόγραμμα Περιβαλλοντικής Χαρτογράφησης και Ανάλυσης, χρήσεις γης και κάλυψη γης, φασματοσκοπία, μηχανική μαθηση, υπερφασματική τηλεπισκόπηση
Περιγραφή:
74 σ.,εικ.,πίν.,χάρτες
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
