Εφαρμογές τεχνητής νοημοσύνης στην προστασία του περιβάλλοντος
Artificial intelligence applications in environmental protection
Λέξεις-κλειδιά
Artificial intelligence ; Machine learning ; Deep learning ; Convolutional neural network ; Remote sensing ; Synthetic-aperture radar ; SAR ; Iceberg ; Ships ; Computer vision ; Natural environment ; Classification ; Τεχνητή νοημοσύνη ; Μηχανική μάθηση ; Βαθιά μάθηση ; Συνελικτικά νευρωνικά δίκτυα ; Τηλεπισκόπηση ; Ραντάρ συνθετικού διαφράγματος ; Παγόβουνο ; Πλοία ; Υπολογιστική όραση ; Φυσικό περιβάλλον ; ΤαξινόμησηΠερίληψη
Η προστασία του φυσικού περιβάλλοντος είναι ένα ζήτημα που απασχολεί την ανθρωπότητα όλο και περισσότερο τα τελευταία χρόνια. Σε αυτή την διπλωματική εργασία παρουσιάζονται τρόποι με τους οποίους μπορεί η μηχανική μάθηση να βοηθήσει στην πρόβλεψη φυσικών καταστροφών και να συμβάλλει στην αποφυγή τους ή στην έγκαιρη αντιμετώπισή τους. Γίνεται εισαγωγή στην τηλεπισκόπηση και στο ραντάρ συνθετικού διαφράγματος, επεξηγούνται τα τεχνητά νευρωνικά δίκτυα και αναλύονται εφαρμογές βαθιάς μάθησης στην προστασία του φυσικού περιβάλλοντος. Παρουσιάζεται πώς μπορεί να γίνει πρόβλεψη του κινδύνου πυρκαγιάς με βαθιά μάθηση, η σημασιολογική κατάτμηση πετρελαιοκηλίδων αλλά και η ανίχνευση παγόβουνων και πλοίων με βαθιά μάθηση από δορυφορικές εικόνες SAR. Τα παγόβουνα τα οποία αποτελούν μεγάλο κίνδυνο για την ναυσιπλοΐα είναι δυνατό να ανιχνευθούν από δορυφορικές εικόνες SAR, αλλά η διάκρισή τους από τα πλοία χρειάζεται να γίνει από κάποιον άνθρωπο με ειδικές γνώσεις, κάτι το οποίο είναι πολύ χρονοβόρο. Για αυτό τον λόγο προτείνεται και παρουσιάζεται ένας αλγόριθμος βαθιάς μάθησης ο οποίος με την χρήση συνελικτικών νευρωνικών δικτύων διακρίνει αυτόματα τα παγόβουνα από τα πλοία σε εικόνες SAR.
Περίληψη
The protection of the natural environment is an issue that concerns humanity more and more in recent years. This thesis presents ways in which machine learning can help predict natural disasters and contribute to their avoidance or early response. Remote sensing and synthetic aperture radar are introduced, artificial neural networks are explained, and deep learning applications in environmental protection are discussed. It shows how fire hazard can be predicted with deep learning, the semantic segmentation of oil spills and the discrimination of icebergs and ships with deep learning in SAR satellite imagery. Icebergs that pose a great danger to navigation can be detected by SAR satellite images, but distinguishing them from ships needs to be done by someone with special knowledge, which is very time-consuming. For this reason, a deep learning algorithm is proposed and presented which, using convolutional neural networks, automatically distinguishes icebergs from ships in SAR images.