Ανάπτυξη, εφαρμογή και αξιολόγηση μη επιβλεπόμενων, βαθιάς μάθησης, μεθοδολογιών αιχμής για τη βελτίωση της χωρικής ανάλυσης δορυφορικών εικόνων Sentinel-2.

Abstract

Η τηλεπισκόπηση, τα τελευταία χρόνια, χαίρει ραγδαίας ανάπτυξης και ενδιαφέροντος, ενώ το φάσμα των εφαρμογών που αξιοποιούν δορυφορικές εικόνες διευρύνεται συνεχώς, καλύπτοντας πλέον τομείς που εκτείνονται από την γεωργία, την οικολογία και την αρχαιολογία έως την πρόληψη φυσικών καταστροφών, την μεσιτική και τον πολεοδομικό σχεδιασμό. Η μεγάλη αυτή ζήτηση για δορυφορικές εικόνες, δημιουργεί συνεχώς αυξανόμενες απαιτήσεις ως προς τα χαρακτηριστικά, την ποιότητα του περιεχομένου και την ανάλυση των εικόνων αυτών. Ωστόσο, εξαιτίας περιορισμών που επιβάλλονται από την σημερινή τεχνολογία αισθητήρων, οι περισσότεροι από τους δορυφόρους που βρίσκονται υπό τροχιά περί τη Γη και χρησιμοποιούνται για εφαρμογές τηλεπισκόπησης αδυνατούν να παράξουν εικόνες με, ταυτόχρονα, υψηλή χωρική ανάλυση και πλούσιο φασματικό περιεχόμενο. Ένας τρόπος για να ξεπεραστούν οι προαναφερθέντες περιορισμοί, είναι η επεξεργασία των δορυφορικών εικόνων, μετά την λήψη τους, με σκοπό την βελτίωση της χωρικής τους ανάλυσης. Οι αλγόριθμοι βελτίωσης της χωρικής ανάλυσης των δορυφορικών εικόνων, υπάγονται στην ευρύτερη κατηγορία του Super Resolution και σκοπός τους είναι η αύξηση της χωρικής ανάλυσης των πολυφασματικών αυτών εικόνων, διατηρώντας αμετάβλητο το φασματικό τους περιεχόμενο. Η ανάπτυξη της βαθιάς μάθησης και ειδικότερα των βαθιών συνελικτικών δικτύων, έχει καταστήσει τα παραπάνω ένα ιδιαίτερα χρήσιμο εργαλείο για την επίλυση προβλημάτων σύνθεσης και ανακατασκευής εικόνων, επιτρέποντας την σημαντική βελτίωση της ποιότητας των εικόνων που προκύπτουν ως λύσεις του προβλήματος του Super Resolution. Στην πλειοψηφία τους, οι περισσότεροι αλγόριθμοι βαθιάς μάθησης για την επίλυση του Super Resolution προβλήματος ανήκουν στην οικογένεια της επιβλεπόμενης μάθησης, γεγονός το οποίο δημιουργεί προβλήματα στην περίπτωση που ένα μεγάλο σύνολο εικόνων εκπαίδευσης δεν είναι διαθέσιμο. Στα πλαίσια της παρούσας διπλωματικής εργασίας εξετάζονται μεθοδολογίες μη επιβλεπόμενης βαθιάς μάθησης για την βελτίωση της χωρικής ανάλυσης εικόνων που έχουν ληφθεί από τον αστερισμό δορυφόρων Sentinel-2 του ευρωπαϊκού προγράμματος Copernicus. Αναλυτικότερα, αξιοποιούνται δύο διαφορετικά βαθιά συνελικτικά δίκτυα, τα οποία, μέσω αμιγώς μη επιβλεπόμενης μάθησης, δεχόμενα ως είσοδο μία δορυφορική εικόνα παράγουν ως έξοδο την βελτιωμένης χωρικής ανάλυσης εκδοχή της. Επιπλέον, χρησιμοποιείται ένα μοντέλο το οποίο παράγει, χωρίς καμία επίβλεψη, αναπαραστάσεις παραμορφώσεων που δίνονται, στην συνέχεια, ως είσοδοι μαζί με τις εικόνες χαμηλής ανάλυσης για την εκπαίδευση ενός νευρωνικού δικτύου ικανού να συνθέτει εικόνες βελτιωμένης χωρικής ανάλυσης. Η αξιολόγηση των τριών μοντέλων έγινε μέσω ποιοτικής και ποσοτικής ανάλυσης. Για την ποσοτική αξιολόγηση των μοντέλων, χρησιμοποιούνται οι υποδειγματοληπτημένες εκδοχές των αποτελεσμάτων του εκάστοτε μοντέλου, δεδομένου ότι πραγματικές εικόνες υψηλής ανάλυσης δεν είναι διαθέσιμες. Επιπλέον, σημειώνεται πως για την αξιολόγηση αυτή χρησιμοποιήθηκαν εικόνες από πέντε διαφορετικές περιοχές μελέτης, οι οποίες είναι ευθυγραμμισμένες με τις ανάγκες του ερευνητικού έργου EIFFEL (European Union’s Horizon 2020 research and innovation programme under Grant Agreement Νο 101003518), https://www.eiffel4climate.eu .