Lithological mapping of Koutala island (Lavrio, Attiki) using machine learning methods on multispectral data

Διπλωματική Εργασία uoadl:3397258 19 Αναγνώσεις

Μονάδα:
Κατεύθυνση Βιοπληροφορική-Επιστήμη Βιοϊατρικών Δεδομένων
Πληροφορική
Ημερομηνία κατάθεσης:
2024-04-24
Έτος εκπόνησης:
2024
Συγγραφέας:
Τσαμκόσογλου Κωνσταντίνος
Στοιχεία επιβλεπόντων καθηγητών:
Κουτρούμπας Κωνσταντίνος, Διευθυντής Ερευνών, ΙΑΑΔΕΤ, ΕΑΑ
Πικράκης Άγγελος, Επίκουρος Καθηγητής, Τμ. Πληρ/κής, ΠΑΠΕΙ
Συκιώτη Όλγα, Κύρια Ερευνήτρια, ΙΑΑΔΕΤ, ΕΑΑ
Πρωτότυπος Τίτλος:
Lithological mapping of Koutala island (Lavrio, Attiki) using machine learning methods on multispectral data
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Λιθολογική χαρτογράφηση του νησιού Κουτάλα (Λαύριο, Αττική) με μεθόδους μηχανικής μάθησης σε πολυφασματικά δεδομένα
Περίληψη:
Τα τελευταίες δεκαετίες, υπήρξε μια γρήγορη πρόοδος στην επεξεργασία δορυφορικών δεδομένων Παρατήρησης της Γης στη γεωλογία, οδηγούμενη από το αυξανόμενο ενδιαφέρον για την εφαρμογή τους στην αναγνώριση πιθανών θέσεων που σχετίζονται με την υδροθερμική εξαλλοίωση και την παρουσία ορυκτών υδροθερμικής εξαλλοίωσης. Αυτή η μέθοδος έχει κερδίσει αυξανόμενη προσοχή λόγω της δυνατότητας που προσφέρει εξοικονόμησης χρόνου και πόρων. Στην παρούσα μελέτη, το αντικείμενο ενδιαφέροντος είναι το μικρό νησί που ονομάζεται Κουτάλα κοντά στην πόλη του Λαυρίου και ο στόχος είναι (α) η αναγνώριση γρανιτικών διεισδύσεων και σχιστόλιθου στο νησί και (β) η ανίχνευση των σχετικών ορυκτών εξαλλοίωσης. Για τον σκοπό αυτό, χρησιμοποιούνται δύο σύνολα υψηλής χωρικής ανάλυσης δεδομένων από τις δορυφορικές αποστολές Sentinel-2 και WorldView-3 που απεικονίζουν την περιοχή ενδιαφέροντος (τα δεδομένα διαφέρουν στα χωρικά και φασματικά χαρακτηριστικά τους). Δύο διαφορετικές μέθοδοι μηχανικής μάθησης εφαρμόστηκαν για την εξαγωγή γεωλογικών πληροφοριών από το νησί: η ομαδοποίηση (clustering) και ο φασματικός διαχωρισμός (spectral unmixing).
Το clustering εφαρμόστηκε και στους δύο τύπους δεδομένων με στόχο να ανιχνευτούν περιοχές με παρόμοιες φασματικές υπογραφές που αντιστοιχούν σε γρανιτικές διεισδύσεις και σχιστόλιθους, όπως έχει αναφερθεί σε προηγούμενες έρευνες [1]. Σε αυτό το πλαίσιο, ένας νέο αλγόριθμος clustering με την ονομασία SHC υλοποιήθηκε. Ο SHC έχει σχεδιαστεί ειδικά για πολυφασματικά δεδομένα. Εκμεταλλεύεται την παράγωγο της φασματικής υπογραφής κάθε εικονοστοιχείου (pixel) και υπερέχει των παραδοσιακών αλγορίθμων clustering, όπως o K-means και οι ιεραρχικές μέθοδοι. Ο αλγόριθμος SHC επέδειξε βελτιωμένη ακρίβεια στην αναγνώριση περιοχών με γρανίτη, λαμβάνοντας υπόψη την σχετικά χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες και γενικά είχε ως αποτέλεσμα πιο ομοιόμορφα cluster (όσον αφορά τα φασματικά χαρακτηριστικά τους).
Επιπλέον, εξερευνήθηκαν διάφορες μέθοδοι spectral unmixing στα δεδομένα Sentinel-2, λαμβάνοντας υπόψη τον μεγαλύτερο αριθμό φασματικών καναλιών σε διαφορετικές θέσεις σε σύγκριση με τα δεδομένα WorldView 3 VNIR, για την ανίχνευση των ορυκτών εξαλλοίωσης στο νησί. Παρά τη χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες, τα ορυκτά εξαλλοίωσης με υψηλή πιθανότητα παρουσίας στην επιφάνεια του νησιού αναγνωρίστηκαν με ακρίβεια από τους περισσότερους αλγορίθμους, με βάση προηγούμενες έρευνες.
Κύρια θεματική κατηγορία:
Τεχνολογία – Πληροφορική
Λέξεις-κλειδιά:
Ομαδοποίηση, Φασματικός διαχωρισμός, Sentinel-2, WorldView-3 VNIR
Ευρετήριο:
Ναι
Αρ. σελίδων ευρετηρίου:
4
Εικονογραφημένη:
Ναι
Αρ. βιβλιογραφικών αναφορών:
18
Αριθμός σελίδων:
76
master_thesis_Konstantinos_Tsamkosoglou.pdf (4 MB) Άνοιγμα σε νέο παράθυρο