{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3397258"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3397258","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Lithological mapping of Koutala island (Lavrio, Attiki) using machine learning methods on multispectral data","abstract":"Τα τελευταίες δεκαετίες, υπήρξε μια γρήγορη πρόοδος στην επεξεργασία δορυφορικών δεδομένων Παρατήρησης της Γης στη γεωλογία, οδηγούμενη από το αυξανόμενο ενδιαφέρον για την εφαρμογή τους στην αναγνώριση πιθανών θέσεων που σχετίζονται με την υδροθερμική εξαλλοίωση και την παρουσία ορυκτών υδροθερμικής εξαλλοίωσης. Αυτή η μέθοδος έχει κερδίσει αυξανόμενη προσοχή λόγω της δυνατότητας που προσφέρει εξοικονόμησης χρόνου και πόρων. Στην παρούσα μελέτη, το αντικείμενο ενδιαφέροντος είναι το μικρό νησί που ονομάζεται Κουτάλα κοντά στην πόλη του Λαυρίου και ο στόχος είναι (α) η αναγνώριση γρανιτικών διεισδύσεων και σχιστόλιθου στο νησί και (β) η ανίχνευση των σχετικών ορυκτών εξαλλοίωσης. Για τον σκοπό αυτό, χρησιμοποιούνται δύο σύνολα υψηλής χωρικής ανάλυσης δεδομένων από τις δορυφορικές αποστολές Sentinel-2 και WorldView-3 που απεικονίζουν την περιοχή ενδιαφέροντος (τα δεδομένα διαφέρουν στα χωρικά και φασματικά χαρακτηριστικά τους). Δύο διαφορετικές μέθοδοι μηχανικής μάθησης εφαρμόστηκαν για την εξαγωγή γεωλογικών πληροφοριών από το νησί: η ομαδοποίηση (clustering) και ο φασματικός διαχωρισμός (spectral unmixing). Το clustering εφαρμόστηκε και στους δύο τύπους δεδομένων με στόχο να ανιχνευτούν περιοχές με παρόμοιες φασματικές υπογραφές που αντιστοιχούν σε γρανιτικές διεισδύσεις και σχιστόλιθους, όπως έχει αναφερθεί σε προηγούμενες έρευνες [1]. Σε αυτό το πλαίσιο, ένας νέο αλγόριθμος clustering με την ονομασία SHC υλοποιήθηκε. Ο SHC έχει σχεδιαστεί ειδικά για πολυφασματικά δεδομένα. Εκμεταλλεύεται την παράγωγο της φασματικής υπογραφής κάθε εικονοστοιχείου (pixel) και υπερέχει των παραδοσιακών αλγορίθμων clustering, όπως o K-means και οι ιεραρχικές μέθοδοι. Ο αλγόριθμος SHC επέδειξε βελτιωμένη ακρίβεια στην αναγνώριση περιοχών με γρανίτη, λαμβάνοντας υπόψη την σχετικά χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες και γενικά είχε ως αποτέλεσμα πιο ομοιόμορφα cluster (όσον αφορά τα φασματικά χαρακτηριστικά τους). Επιπλέον, εξερευνήθηκαν διάφορες μέθοδοι spectral unmixing στα δεδομένα Sentinel-2, λαμβάνοντας υπόψη τον μεγαλύτερο αριθμό φασματικών καναλιών σε διαφορετικές θέσεις σε σύγκριση με τα δεδομένα WorldView 3 VNIR, για την ανίχνευση των ορυκτών εξαλλοίωσης στο νησί. Παρά τη χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες, τα ορυκτά εξαλλοίωσης με υψηλή πιθανότητα παρουσίας στην επιφάνεια του νησιού αναγνωρίστηκαν με ακρίβεια από τους περισσότερους αλγορίθμους, με βάση προηγούμενες έρευνες.","abstract_html":"Τα τελευταίες δεκαετίες, υπήρξε μια γρήγορη πρόοδος στην επεξεργασία δορυφορικών δεδομένων Παρατήρησης της Γης στη γεωλογία, οδηγούμενη από το αυξανόμενο ενδιαφέρον για την εφαρμογή τους στην αναγνώριση πιθανών θέσεων που σχετίζονται με την υδροθερμική εξαλλοίωση και την παρουσία ορυκτών υδροθερμικής εξαλλοίωσης. Αυτή η μέθοδος έχει κερδίσει αυξανόμενη προσοχή λόγω της δυνατότητας που προσφέρει εξοικονόμησης χρόνου και πόρων. Στην παρούσα μελέτη, το αντικείμενο ενδιαφέροντος είναι το μικρό νησί που ονομάζεται Κουτάλα κοντά στην πόλη του Λαυρίου και ο στόχος είναι (α) η αναγνώριση γρανιτικών διεισδύσεων και σχιστόλιθου στο νησί και (β) η ανίχνευση των σχετικών ορυκτών εξαλλοίωσης. Για τον σκοπό αυτό, χρησιμοποιούνται δύο σύνολα υψηλής χωρικής ανάλυσης δεδομένων από τις δορυφορικές αποστολές Sentinel-2 και WorldView-3 που απεικονίζουν την περιοχή ενδιαφέροντος (τα δεδομένα διαφέρουν στα χωρικά και φασματικά χαρακτηριστικά τους). Δύο διαφορετικές μέθοδοι μηχανικής μάθησης εφαρμόστηκαν για την εξαγωγή γεωλογικών πληροφοριών από το νησί: η ομαδοποίηση (clustering) και ο φασματικός διαχωρισμός (spectral unmixing). Το clustering εφαρμόστηκε και στους δύο τύπους δεδομένων με στόχο να ανιχνευτούν περιοχές με παρόμοιες φασματικές υπογραφές που αντιστοιχούν σε γρανιτικές διεισδύσεις και σχιστόλιθους, όπως έχει αναφερθεί σε προηγούμενες έρευνες [1]. Σε αυτό το πλαίσιο, ένας νέο αλγόριθμος clustering με την ονομασία SHC υλοποιήθηκε. Ο SHC έχει σχεδιαστεί ειδικά για πολυφασματικά δεδομένα. Εκμεταλλεύεται την παράγωγο της φασματικής υπογραφής κάθε εικονοστοιχείου (pixel) και υπερέχει των παραδοσιακών αλγορίθμων clustering, όπως o K-means και οι ιεραρχικές μέθοδοι. Ο αλγόριθμος SHC επέδειξε βελτιωμένη ακρίβεια στην αναγνώριση περιοχών με γρανίτη, λαμβάνοντας υπόψη την σχετικά χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες και γενικά είχε ως αποτέλεσμα πιο ομοιόμορφα cluster (όσον αφορά τα φασματικά χαρακτηριστικά τους). Επιπλέον, εξερευνήθηκαν διάφορες μέθοδοι spectral unmixing στα δεδομένα Sentinel-2, λαμβάνοντας υπόψη τον μεγαλύτερο αριθμό φασματικών καναλιών σε διαφορετικές θέσεις σε σύγκριση με τα δεδομένα WorldView 3 VNIR, για την ανίχνευση των ορυκτών εξαλλοίωσης στο νησί. Παρά τη χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες, τα ορυκτά εξαλλοίωσης με υψηλή πιθανότητα παρουσίας στην επιφάνεια του νησιού αναγνωρίστηκαν με ακρίβεια από τους περισσότερους αλγορίθμους, με βάση προηγούμενες έρευνες.","abstract_has_math":false,"creators":["Τσαμκόσογλου Κωνσταντίνος","Tsamkosoglou Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:19Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3397258"],"render_values":[{"text":"uoadl:3397258","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3397258","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3397258","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3397258","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσαμκόσογλου Κωνσταντίνος","Tsamkosoglou Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3397258","https://pergamos.lib.uoa.gr/uoa/dl/object/3397258"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταίες δεκαετίες, υπήρξε μια γρήγορη πρόοδος στην επεξεργασία δορυφορικών δεδομένων Παρατήρησης της Γης στη γεωλογία, οδηγούμενη από το αυξανόμενο ενδιαφέρον για την εφαρμογή τους στην αναγνώριση πιθανών θέσεων που σχετίζονται με την υδροθερμική εξαλλοίωση και την παρουσία ορυκτών υδροθερμικής εξαλλοίωσης. Αυτή η μέθοδος έχει κερδίσει αυξανόμενη προσοχή λόγω της δυνατότητας που προσφέρει εξοικονόμησης χρόνου και πόρων. Στην παρούσα μελέτη, το αντικείμενο ενδιαφέροντος είναι το μικρό νησί που ονομάζεται Κουτάλα κοντά στην πόλη του Λαυρίου και ο στόχος είναι (α) η αναγνώριση γρανιτικών διεισδύσεων και σχιστόλιθου στο νησί και (β) η ανίχνευση των σχετικών ορυκτών εξαλλοίωσης. Για τον σκοπό αυτό, χρησιμοποιούνται δύο σύνολα υψηλής χωρικής ανάλυσης δεδομένων από τις δορυφορικές αποστολές Sentinel-2 και WorldView-3 που απεικονίζουν την περιοχή ενδιαφέροντος (τα δεδομένα διαφέρουν στα χωρικά και φασματικά χαρακτηριστικά τους). Δύο διαφορετικές μέθοδοι μηχανικής μάθησης εφαρμόστηκαν για την εξαγωγή γεωλογικών πληροφοριών από το νησί: η ομαδοποίηση (clustering) και ο φασματικός διαχωρισμός (spectral unmixing). Το clustering εφαρμόστηκε και στους δύο τύπους δεδομένων με στόχο να ανιχνευτούν περιοχές με παρόμοιες φασματικές υπογραφές που αντιστοιχούν σε γρανιτικές διεισδύσεις και σχιστόλιθους, όπως έχει αναφερθεί σε προηγούμενες έρευνες [1]. Σε αυτό το πλαίσιο, ένας νέο αλγόριθμος clustering με την ονομασία SHC υλοποιήθηκε. Ο SHC έχει σχεδιαστεί ειδικά για πολυφασματικά δεδομένα. Εκμεταλλεύεται την παράγωγο της φασματικής υπογραφής κάθε εικονοστοιχείου (pixel) και υπερέχει των παραδοσιακών αλγορίθμων clustering, όπως o K-means και οι ιεραρχικές μέθοδοι. Ο αλγόριθμος SHC επέδειξε βελτιωμένη ακρίβεια στην αναγνώριση περιοχών με γρανίτη, λαμβάνοντας υπόψη την σχετικά χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες και γενικά είχε ως αποτέλεσμα πιο ομοιόμορφα cluster (όσον αφορά τα φασματικά χαρακτηριστικά τους). Επιπλέον, εξερευνήθηκαν διάφορες μέθοδοι spectral unmixing στα δεδομένα Sentinel-2, λαμβάνοντας υπόψη τον μεγαλύτερο αριθμό φασματικών καναλιών σε διαφορετικές θέσεις σε σύγκριση με τα δεδομένα WorldView 3 VNIR, για την ανίχνευση των ορυκτών εξαλλοίωσης στο νησί. Παρά τη χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες, τα ορυκτά εξαλλοίωσης με υψηλή πιθανότητα παρουσίας στην επιφάνεια του νησιού αναγνωρίστηκαν με ακρίβεια από τους περισσότερους αλγορίθμους, με βάση προηγούμενες έρευνες.","In recent decades, there has been a rapid advancement in the utilization of Earth Observation (EO) data in geology, driven by a growing interest in its application to identify potential sites associated with hydrothermal alteration and ore deposits. This development has garnered increasing attention due to its potential for substantial time and cost savings. In the present study, the target of interest is a small island called Koutala near the city of Lavrion (Attiki, Greece) and the aim is (a) to identify granitoid intrusions and schist formations on its surface and (b) to detect the associated alteration minerals. To this end, two high-resolution satellite datasets depicting the area of interest, taken from the Sentinel-2 and WorldView-3 missions, are utilized (the data sets differ in their spatial and spectral characteristics). Two different machine learning methods, namely clustering and spectral unmixing, were applied to extract geological information from the island. Clustering was applied to both datasets to delineate regions with similar spectral signatures, aiming to identify granitoid and schist formations, as is referred on previous research insights [1]. In this framework, a novel clustering algorithm named SHC was introduced. SHC has been tailored especially for multispectral data. It takes advantage of the derivative of each pixel’s spectral signature, and outperforms traditional off-the-shelf clustering algorithms, like K-means and hierarchical methods. The SHC algorithm demonstrated improved accuracy in identifying granitoid intrusion areas, especially in the challenging lower spatial resolution context of the Sentinel-2 dataset and in general yield to more homogeneous clusters (in terms of spectral characteristics). Additionally, various linear spectral unmixing methods were explored in the Sentinel-2 dataset, taking into account its larger number of spectral bands and spectral positions compared to WorldView-3 data, to detect the associated alteration minerals on the surface of the island. Despite the dataset's relatively low spatial resolution for this type of study, alteration minerals with high probability of presence (having as reference previous search insights) were accurately identified by most algorithms."]},{"key":"dc:title","label":"Title","values":["Lithological mapping of Koutala island (Lavrio, Attiki) using machine learning methods on multispectral data"]}]}],"canonical_facts":{"dc:creator":["Τσαμκόσογλου Κωνσταντίνος","Tsamkosoglou Konstantinos"],"dc:date":["2024"],"dc:description":["Τα τελευταίες δεκαετίες, υπήρξε μια γρήγορη πρόοδος στην επεξεργασία δορυφορικών δεδομένων Παρατήρησης της Γης στη γεωλογία, οδηγούμενη από το αυξανόμενο ενδιαφέρον για την εφαρμογή τους στην αναγνώριση πιθανών θέσεων που σχετίζονται με την υδροθερμική εξαλλοίωση και την παρουσία ορυκτών υδροθερμικής εξαλλοίωσης. Αυτή η μέθοδος έχει κερδίσει αυξανόμενη προσοχή λόγω της δυνατότητας που προσφέρει εξοικονόμησης χρόνου και πόρων. Στην παρούσα μελέτη, το αντικείμενο ενδιαφέροντος είναι το μικρό νησί που ονομάζεται Κουτάλα κοντά στην πόλη του Λαυρίου και ο στόχος είναι (α) η αναγνώριση γρανιτικών διεισδύσεων και σχιστόλιθου στο νησί και (β) η ανίχνευση των σχετικών ορυκτών εξαλλοίωσης. Για τον σκοπό αυτό, χρησιμοποιούνται δύο σύνολα υψηλής χωρικής ανάλυσης δεδομένων από τις δορυφορικές αποστολές Sentinel-2 και WorldView-3 που απεικονίζουν την περιοχή ενδιαφέροντος (τα δεδομένα διαφέρουν στα χωρικά και φασματικά χαρακτηριστικά τους). Δύο διαφορετικές μέθοδοι μηχανικής μάθησης εφαρμόστηκαν για την εξαγωγή γεωλογικών πληροφοριών από το νησί: η ομαδοποίηση (clustering) και ο φασματικός διαχωρισμός (spectral unmixing). Το clustering εφαρμόστηκε και στους δύο τύπους δεδομένων με στόχο να ανιχνευτούν περιοχές με παρόμοιες φασματικές υπογραφές που αντιστοιχούν σε γρανιτικές διεισδύσεις και σχιστόλιθους, όπως έχει αναφερθεί σε προηγούμενες έρευνες [1]. Σε αυτό το πλαίσιο, ένας νέο αλγόριθμος clustering με την ονομασία SHC υλοποιήθηκε. Ο SHC έχει σχεδιαστεί ειδικά για πολυφασματικά δεδομένα. Εκμεταλλεύεται την παράγωγο της φασματικής υπογραφής κάθε εικονοστοιχείου (pixel) και υπερέχει των παραδοσιακών αλγορίθμων clustering, όπως o K-means και οι ιεραρχικές μέθοδοι. Ο αλγόριθμος SHC επέδειξε βελτιωμένη ακρίβεια στην αναγνώριση περιοχών με γρανίτη, λαμβάνοντας υπόψη την σχετικά χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες και γενικά είχε ως αποτέλεσμα πιο ομοιόμορφα cluster (όσον αφορά τα φασματικά χαρακτηριστικά τους). Επιπλέον, εξερευνήθηκαν διάφορες μέθοδοι spectral unmixing στα δεδομένα Sentinel-2, λαμβάνοντας υπόψη τον μεγαλύτερο αριθμό φασματικών καναλιών σε διαφορετικές θέσεις σε σύγκριση με τα δεδομένα WorldView 3 VNIR, για την ανίχνευση των ορυκτών εξαλλοίωσης στο νησί. Παρά τη χαμηλή χωρική ανάλυση των δεδομένων Sentinel-2 για τέτοιου τύπου μελέτες, τα ορυκτά εξαλλοίωσης με υψηλή πιθανότητα παρουσίας στην επιφάνεια του νησιού αναγνωρίστηκαν με ακρίβεια από τους περισσότερους αλγορίθμους, με βάση προηγούμενες έρευνες.","In recent decades, there has been a rapid advancement in the utilization of Earth Observation (EO) data in geology, driven by a growing interest in its application to identify potential sites associated with hydrothermal alteration and ore deposits. This development has garnered increasing attention due to its potential for substantial time and cost savings. In the present study, the target of interest is a small island called Koutala near the city of Lavrion (Attiki, Greece) and the aim is (a) to identify granitoid intrusions and schist formations on its surface and (b) to detect the associated alteration minerals. To this end, two high-resolution satellite datasets depicting the area of interest, taken from the Sentinel-2 and WorldView-3 missions, are utilized (the data sets differ in their spatial and spectral characteristics). Two different machine learning methods, namely clustering and spectral unmixing, were applied to extract geological information from the island. Clustering was applied to both datasets to delineate regions with similar spectral signatures, aiming to identify granitoid and schist formations, as is referred on previous research insights [1]. In this framework, a novel clustering algorithm named SHC was introduced. SHC has been tailored especially for multispectral data. It takes advantage of the derivative of each pixel’s spectral signature, and outperforms traditional off-the-shelf clustering algorithms, like K-means and hierarchical methods. The SHC algorithm demonstrated improved accuracy in identifying granitoid intrusion areas, especially in the challenging lower spatial resolution context of the Sentinel-2 dataset and in general yield to more homogeneous clusters (in terms of spectral characteristics). Additionally, various linear spectral unmixing methods were explored in the Sentinel-2 dataset, taking into account its larger number of spectral bands and spectral positions compared to WorldView-3 data, to detect the associated alteration minerals on the surface of the island. Despite the dataset's relatively low spatial resolution for this type of study, alteration minerals with high probability of presence (having as reference previous search insights) were accurately identified by most algorithms."],"dc:identifier":["uoadl:3397258","https://pergamos.lib.uoa.gr/uoa/dl/object/3397258"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Lithological mapping of Koutala island (Lavrio, Attiki) using machine learning methods on multispectral data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:19Z"}