Ταξινόμηση καλλιεργούμενων καρπών με αλγόριθμους μηχανικής μάθησης χρησιμοποιώντας δορυφορικά δεδομένα

Abstract

Ο συνδυασμός της συνεχόμενης αύξησης του πληθυσμού και της σταδιακής ερημοποίησης περιοχών της Γης λόγω της κλιματικής αλλαγής θα οδηγήσει στο μέλλον στην αδυναμία εξασφάλισης τροφής για όλους τους ανθρώπους. Η εύρεση αρόσιμης γης αλλά και η συνεχής και λεπτομερής παρακολούθηση των υπαρχουσών καλλιεργειών αποτελούν μείζονα θέματα που απαιτούν την γρήγορη απόκτηση και επεξεργασία δεδομένων από περιοχές μεγάλης έκτασης. Αυτή η ανάγκη καθιστά απαραίτητη τη χρήση δορυφορικής τηλεπισκόπησης, καθώς τα δεδομένα αποκτούνται γρήγορα, από κάθε σημείο της γης, χωρίς φυσική παρουσία και επεμβάσεις στην εξεταζόμενη περιοχή. Επιπλέον, η δυνατότητα λήψης δεδομένων από πληθώρα αισθητήρων πολυφασματικοί, θερμικοί, ραντάρ κ.α.) παρέχει μεγάλη ποικιλία πληροφοριών που μπορούν να χρησιμοποιηθούν για εύρεση αποτελεσματικότερων λύσεων. Ο μεγάλος όγκος αυτών των δεδομένων δυσχεραίνει την επεξεργασία τους και κρίνεται απαραίτητη η επιλογή μέρους αυτών, χωρίς όμως να έχει επίπτωση στην ακρίβεια του αποτελέσματος. Σκοπός της διπλωματικής εργασίας είναι η ταξινόμηση καλλιεργούμενων καρπών με αλγορίθμους μηχανικής μάθησης χρησιμοποιώντας δεδομένα από δορυφόρους. Τα δεδομένα αυτά απαρτίζονται από πολυφασματικές λήψεις των δορυφόρων Sentinel 2 και Landsat 8 κατά την διάρκεια του έτους 2019. Η επεξεργασία τους περιλαμβάνει την συμπλήρωση ελλιπών τιμών, τον υπολογισμό του Δείκτη Βλάστησης Κανονικοποιημένης Διαφοράς και τη δημιουργία τελικής χρονοσειράς εικόνων. Στη συνέχεια πραγματοποιείται ταξινόμηση των καλλιεργειών με τη χρήση δύο μεθόδων, που διαφέρουν στον ορισμό των προτύπων προς ταξινόμηση. Η πρώτη θεωρεί ως πρότυπα τα εικονοστοιχεία της εικόνας, ενώ η δεύτερη ομαδοποιεί τα γειτονικά εικονοστοιχεία, ανιχνεύοντας με αυτόν τον τρόπο τα υπάρχοντα αγροτεμάχια, τα οποία εν τέλει χρησιμοποιεί ως πρότυπα. Για τις μετρήσεις χρησιμοποιούνται ένα Τεχνητό Νευρωνικό Δίκτυο και οι αλγόριθμοι μηχανικής μάθησης Τυχαίων Δέντρων και Μηχανών Διανυσμάτων Υποστήριξης. Τέλος, εξετάζονται και συγκρίνονται τα αποτελέσματα όλων των συνδυασμών της επεξεργασίας των δεδομένων και των ταξινομητών.