Tables, figures, diagrams, pictures, photographs and maps are included.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η παρουσίαση μιας μεθόδου
κατηγοριοποίησης των δασικών εκτάσεων της Ελλάδας με σύγχρονα ψηφιακά μέσα.
Χρησιμοποιήσαμε ελεύθερα προσβάσιμες εφαρμογές δορυφορικών εικόνων για τη
δημιουργία ενός δικού μας δείγματος δεδομένων εικόνων. Μέσα από μια διαδικασία
Επιβλεπόμενης Μάθησης και με τη βοήθεια μοντέλων Συνελικτικών Νευρωνικών Δικτύων
δημιουργήσαμε σε ένα περιβάλλον Python, έναν κατηγοριοποιητή των βασικότερων ειδών
δασικών εκτάσεων που συναντάμε στον Ελλαδικό χώρο. Αυτό επετεύχθη μέσω της
εκπαίδευσης συγκεκριμένων μοντέλων πάνω στο δείγμα μας και η διαδικασία αυτή
αξιολογήθηκε μέσω ενός ανεξάρτητου δείγματος πάνω στο οποίο δεν είχε εκπαιδευτεί
κανένα από τα μοντέλα που χρησιμοποιήσαμε. Για την κατανόηση όλης της διαδικασίας,
από τη δημιουργία μέχρι την υλοποίηση του όλου εγχειρήματος, κάνουμε μια σύντομη και
κατανοητή περιήγηση στην Μηχανική Μάθηση και στον τρόπο λειτουργίας της. Επίσης
ασχολούμαστε λίγο πιο διεξοδικά με τα μοντέλα Συνελικτικών Νευρωνικών Δικτύων
καθώς αποτέλεσαν το βασικό μας εργαλείο. Στη συνέχεια γίνεται μια πιο αναλυτική
παρουσίαση της μεθοδολογίας που ακολουθήσαμε, από τον τρόπο δειγματοληψίας μέχρι
και τους τρόπους εκπαίδευσης των επιλεχθέντων μοντέλων πάνω στο δείγμα μας. Τέλος
μέσα από τα αποτελέσματα που παρουσιάζουμε, βγάζουμε ασφαλή συμπεράσματα για το
όλο εγχείρημα.
The purpose of this thesis is to present a modern, computerized method for the
classification of forest areas in Greece. We used freely accessible satellite imagery
applications to create our own image dataset. Through a process of Supervised Learning
and with the help of Convolutional Neural Network models we created in a Python
environment, a classifier for the most common types of forests that we find in Greece.
This was achieved through the training of specific models on our dataset and this process
was evaluated through an independent sample on which none of the models we used had
been trained. To understand the whole process, from the creation to the implementation of
the whole project, we make a brief and understandable tour in Machine Learning and how
it works. We also dive a bit more thoroughly into the Convolutional Neural Network
models as they were our main tools. Following this, there is a more detailed presentation
of the methodology we followed, from the methods of sampling to the methods of training
the selected models on our sample. Finally, through the presentation of our results, we
draw safe conclusions for the whole project.
Αναγνώριση δασικών εκτάσεων και κατηγοριοποίησή τους σε επιμέρους ετικέτες, χρησιμοποιώντας δεδομένα δορυφορικών εικόνων