Ενσωμάτωση Μηχανικής Μάθησης σε Γεωγραφικά Συστήματα Πληροφοριών για την Ανάλυση και Πρόβλεψη Γεωχωρικών Δεδομένων
| dc.contributor.advisor | Βασιλάκης, Κωνσταντίνος | |
| dc.contributor.author | Ανδρέου, Δημήτριος | |
| dc.contributor.department | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| dc.contributor.faculty | Σχολή Οικονομίας και Τεχνολογίας | el |
| dc.contributor.master | Επιστήμη Υπολογιστών | el |
| dc.date.accessioned | 2025-07-01T09:54:47Z | |
| dc.date.available | 2025-07-01T09:54:47Z | |
| dc.date.issued | 2025-05-14 | |
| dc.description | Μ.Δ.Ε. 86 | el |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά τη συνδυαστική εφαρμογή τεχνικών μηχανικής μάθησης και γεωγραφικών συστημάτων πληροφοριών (GIS) για την ανάλυση και πρόβλεψη γεωχωρικών δεδομένων, με στόχο την ενίσχυση της αποτελεσματικότητας και της ακρίβειας στην επεξεργασία τηλεπισκοπικών πληροφοριών. Στην εποχή της πληθωρικής γεωχωρικής πληροφορίας και της αυξανόμενης ανάγκης για άμεση λήψη τεκμηριωμένων αποφάσεων, η ανάπτυξη μεθοδολογιών που συνδυάζουν την επεξεργαστική ισχύ της μηχανικής μάθησης με τις δομημένες γεωγραφικές βάσεις των GIS αποτελεί πρόκληση και συνάμα ευκαιρία. Η εργασία αναπτύσσει ένα θεωρητικό υπόβαθρο σχετικά με τα είδη γεωχωρικών δεδομένων, τη δομή και τις λειτουργίες των GIS, και τις βασικές αρχές της επιβλεπόμενης και μη επιβλεπόμενης μάθησης, εστιάζοντας ιδιαίτερα σε τεχνικές ταξινόμησης χρήσεων γης. Παράλληλα, αναδεικνύονται οι προκλήσεις που ενυπάρχουν στη χρήση τηλεπισκοπικών δεδομένων και εξετάζονται οι δυνατότητες και οι περιορισμοί της μηχανικής μάθησης όταν εφαρμόζεται σε γεωχωρικές αναλύσεις. Για τη μελέτη περίπτωσης, χρησιμοποιήθηκαν δορυφορικά δεδομένα Sentinel-2 για την περιοχή της Κορινθίας. Μέσα από διαδικασίες επαναδειγματοληψίας, επιλογής κατάλληλων καναλιών, δημιουργίας δεδομένων εκπαίδευσης και εφαρμογής αλγορίθμων ταξινόμησης (Μέγιστης Πιθανοφάνειας, Φασματικής Γωνίας και Ελάχιστης Απόστασης), αξιολογήθηκαν τα αποτελέσματα τόσο ποσοτικά μέσω πινάκων σύγχυσης όσο και ποιοτικά μέσω οπτικής ανάλυσης. Τα ευρήματα αποδεικνύουν ότι η χρήση τεχνικών μηχανικής μάθησης σε GIS βελτιώνει σημαντικά την ποιότητα και τη διακριτική ικανότητα της ταξινόμησης χρήσεων γης. Ωστόσο, η επιτυχία της διαδικασίας εξαρτάται σε μεγάλο βαθμό από τη σωστή επιλογή δεδομένων εκπαίδευσης, την ποιότητα της φασματικής πληροφορίας και την κατανόηση των ιδιαιτεροτήτων κάθε αλγορίθμου. Η εργασία καταλήγει στο συμπέρασμα ότι η ενσωμάτωση μηχανικής μάθησης σε γεωγραφικά συστήματα πληροφοριών δεν αποτελεί μόνο τεχνική καινοτομία αλλά καθίσταται αναγκαίο εργαλείο για τη μελλοντική εξέλιξη της γεωχωρικής επιστήμης και εφαρμοσμένης χαρτογράφησης. | el |
| dc.description.abstracttranslated | This thesis explores the combined application of machine learning techniques and Geographic Information Systems (GIS) for the analysis and prediction of geospatial data, aiming to enhance the efficiency and accuracy of remote sensing data processing. In an era characterized by an overwhelming abundance of geospatial information and an increasing need for timely and well-informed decision making, the development of methodologies that combine the computational power of machine learning with the structured geographical databases of GIS emerges both as a challenge and an opportunity. The study develops a solid theoretical foundation regarding the types of geospatial data, the structure and functionalities of GIS, and the fundamental principles of supervised and unsupervised learning, focusing particularly on land use classification techniques. Moreover, it highlights the challenges inherent in using remote sensing data and examines the capabilities and limitations of machine learning when applied to geospatial analysis. For the case study, Sentinel-2 satellite data from the Corinthia region were utilized. Through processes such as resampling, appropriate band selection, creation of training data, and the application of classification algorithms (Maximum Likelihood, Spectral Angle Mapping, and Minimum Distance), the results were evaluated both quantitatively, through confusion matrices, and qualitatively, through visual analysis. The findings demonstrate that the integration of machine learning techniques into GIS significantly improves the quality and discriminative power of land use classifications. Nevertheless, the success of the process heavily depends on the careful selection of training data, the quality of spectral information, and a deep understanding of the particularities of each algorithm. The thesis concludes that integrating machine learning into geographic information systems is not merely a technical innovation but is becoming an indispensable tool for the future advancement of geospatial science and applied cartography. | el |
| dc.format.extent | 57 | el |
| dc.identifier.uri | https://amitos.library.uop.gr/xmlui/handle/123456789/9011 | |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πελοποννήσου | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.subject | Γεωγραφικά συστήματα πληροφοριών | el |
| dc.subject | Γεωχωρικά δεδομένα | el |
| dc.subject | Τηλεπισκόπηση - Επεξεργασία δεδομένων | el |
| dc.subject | Machine learning | el |
| dc.subject | Geographical information systems | el |
| dc.subject | Geospatial data | el |
| dc.subject | Remote sensing - Data processing | el |
| dc.subject.keyword | Μηχανική Μάθηση | el |
| dc.subject.keyword | Γεωγραφικά Συστήματα Πληροφοριών | el |
| dc.subject.keyword | Τηλεπισκόπηση | el |
| dc.subject.keyword | Ταξινόμηση Εικόνας | el |
| dc.subject.keyword | GeoAI | el |
| dc.subject.keyword | Sentinel-2 | el |
| dc.subject.keyword | Machine Learning | el |
| dc.subject.keyword | Geographic Information Systems (GIS) | el |
| dc.subject.keyword | Remote Sensing | el |
| dc.subject.keyword | Image Classification | el |
| dc.subject.keyword | Land Use | el |
| dc.subject.keyword | Χρήσεις Γης | el |
| dc.title | Ενσωμάτωση Μηχανικής Μάθησης σε Γεωγραφικά Συστήματα Πληροφοριών για την Ανάλυση και Πρόβλεψη Γεωχωρικών Δεδομένων | el |
| dc.type | Μεταπτυχιακή διπλωματική εργασία | el |