Αναγνώριση ∆ορυφορικών Εικόνων και Αεροφωτογραφιών µε Τεχνικές Μηχανικής Μάθησης

Abstract

Η αναγνώριση και χαρτογράφηση της ξυλώδους βλάστησης σε αεροφωτογραφίες και δορυφορικές εικόνες είναι απαραίτητη για ποικίλλες εφαρμογές, όπως ο σχεδιασμός χρήσεων γης, η διαχείριση πόρων και η παρακολούθηση οικοσυστημάτων. Ωστόσο, η χειροκίνητη αναγνώριση και χαρτογράφηση της βλάστησης απαιτεί πολύ χρόνο, είναι εντάσεως εργασίας και είναι επιρρεπής σε λάθη. Στην παρούσα εργασία, εξεταζεται το θέμα της αναγνώρισης της βλάστησης με τη χρήση μηχανικής μάθησης \tl{(ML)}. Στόχος της παρούσας μελέτης είναι να παρέχει μια αποτελεσματική και ακριβή προσέγγιση για την εφαρμογή αλγορίθμων μηχανικής μάθησης για την αναγνώριση και χαρτογράφηση ξυλώδους και μη ξυλώδους βλάστησης σε αεροφωτογραφίες και δορυφορικές φωτογραφίες. Για να γίνει αυτό, συγκεντρώθηκε, επισημάνθηκε και επεξεργάστηκε ένα σημαντικό σύνολο δεδομένων από δορυφορικές εικονες και αεροφωτογραφίες με τα οποια τροφοδοτηθηκαν οι αλγόριθμοι μηχανικής μάθησης. Δοκιμάστηκαν πολλαπλοί αλγόριθμοι \tl{ML} και συγκρίθηκαν ως προς την ακρίβεια και την απόδοση και ο καλύτερος αλγόριθμος επιλέχθηκε για περαιτέρω ανάλυση. Τα ευρήματα της μελέτης δείχνουν πόσο καλοί είναι οι αλγόριθμοι μηχανικής μάθησης στην ακριβή ανίχνευση και χαρτογράφηση της βλάστησης με φτηνό υπολογιστικό κόστος για τον υπολογιστή. Η τεχνική που δημιουργήθηκε σε αυτή τη μελέτη μπορεί να προσφέρει μια πρακτική και αποτελεσματική απάντηση στο ζήτημα του εντοπισμού της βλάστησης σε αεροφωτογραφίες και δορυφορικές εικόνες. Η μελέτη αυτή προσθέτει στην ηδη υπαρχουσα γνωση, παρουσιάζοντας τη χρήση αλγορίθμων μηχανικής μάθησης στον τομέα της αναγνώρισης και χαρτογράφησης της βλάστησης. Επίσης επισημαίνεται η δυνατότητα που έχουν οι αλγόριθμοι \tl{ML} να αλλάξουν ριζικά τον τρόπο με τον οποίο παρακολουθούμε και διαχειριζόμαστε τους φυσικούς μας πόρους. Τέλος, παρουσιάζεται μια πρότυπη εφαρμογή για την περαιτέρω βελτίωση ή αύξηση των δεδομενων εκπαιδευσης που μπορει να οδηγήσει σε βελτιωμένα μοντέλα.