{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5310792"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5310792","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Deep Learning Techniques For Downscaling Satellite Images: A Cross-Sensor Super-Resolution Approach For Cloud Mask Products","abstract":"Οι τελευταίες δεκαετίες τεχνολογικής προόδου έχουν οδηγήσει σε μια εποχή όπου κάθε μέρα εκτοξεύονται νέοι δορυφόροι οι οποίοι παράγουν έναν τεράστιο όγκο δορυφορικών δε- δομένων κατάλληλων για ένα ευρύ φάσμα υπηρεσιών και εφαρμογών. Παρά τον όγκο των δορυφορικών δεδομένων που φτάνουν καθημερινά στους διακομιστές της Γης, το θεμελιώδες αντιστάθμισμα μεταξύ χωρικής και χρονικής ανάλυσης παραμένει σε μεγάλο βαθμό άλυτο. ΄Εχουν δοκιμαστεί διάφορες προσεγγίσεις, όπως η ανάπτυξη συστοιχιών δορυφόρων, για την αντιμετώπιση αυτού του ζητήματος, αλλά συχνά είναι απαγορευτικά δαπανηρές. Οι πρόσφατες εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI) έχουν φέρει στην ε- πιφάνεια ένα σημαντικό δυναμικό για την αντιμετώπιση αυτής της πρόκλησης μέσω εξει- δικευμένων αλγορίθμων βαθιάς μάθησης, όπως είναι οι αλγόριθμοι υπερ-ανάλυσης. ΄Ενα σημαντικό προϊόν που θα μπορούσε να επωφεληθεί σε μεγάλο βαθμό από αυτούς τους αλ- γορίθμους είναι η μάσκα συννέφων. Οι βελτιωμένες μάσκες συννέφων θα μπορούσαν να είναι ιδιαίτερα επωφελείς για εφαρμογές όπως η παρακολούθηση της ατμόσφαιρας, η πρόγνωση του καιρού, η μείωση του κινδύνου καταστροφών και η παρακολούθηση και πρόγνωση του δυναμικού ανανεώσιμων πηγών ενέργειας. Οι γεωστατικοί δορυφόροι, όπως ο MSG (SEVIRI), παρέχουν συνεχή (κάθε 15 λεπτά) χρονική κάλυψη, αλλά έχουν χαμηλή χωρική ανάλυση (3 km), περιορίζοντας την ικανότητά τους να ανιχνεύουν μικρής κλίμακας χαρακτηριστικά των νεφών που είναι κρίσιμα για χωρικά ευαίσθητες εφαρμογές. Αντίθετα, αισθητήρες πολικής τροχιάς όπως ο MODIS προσφέρουν υψηλότερη χωρική ανάλυση (1 km), αλλά με περιορισμένη χρονική κάλυψη. Η διπλωματική αυτή προτείνει μια ολοκληρωμένη end-to-end μεθοδολογία για τη δημιουρ- γία μάσκας νεφών υψηλής ανάλυσης από παρατηρήσεις SEVIRI χαμηλής ανάλυσης, επι- τυγχάνοντας 4× χωρική βελτίωση. Παρουσιάζεται επίσης η δημιουργία ενός νέου συνόλου δεδομένων έτοιμου για αλγορίθμους βαθιάς μάθησης και διερευνά την εφαρμογή δύο τέτοιων αλγορίθμων υπερ-ανάλυσης για τη βελτίωση της μάσκας συννέφων μεταξύ αισθητήρων, τους αλγορίθμους SRCNN και SRGAN. Με τη χωρική και χρονική αντιστοίχιση των παρατηρήσε- ων MODIS και SEVIRI, δημιουργήσαμε ένα σύνολο δεδομένων ειδικό για κάθε τομέα που αποτελείται από ζεύγη SEVIRI-MODIS. Τα στοιχεία MODIS περιλαμβάνουν μάσκες συν- νέφων σε 128×128 pixel, ενώ τα στοιχεία SEVIRI περιέχουν και τα 11 φασματικά κανάλια (εκτός από το HRV) συν τη μάσκα συννέφων SEVIRI ως 12ο κανάλι σε 32×32 pixel, γε- ωγραφικά γεοαναφερμένα και χρονικά ευθυγραμμισμένα σε ένα παράθυρο 15 λεπτών. Αυτό το σύνολο δεδομένων αναφέρεται ως σύνολο δεδομένων MODIS_SEVIRI. Το σύνολο δεδομένων περιλαμβάνει αρχικά πάνω από 60.000 ζεύγη μάσκας σύννεφων SEVIRIMODIS που ταιριάζουν χωρικά και χρονικά, χωρισμένα στα ακόλουθα υποσύνολα: 80% εκπαίδευση, 10% επαλήθευση και 10% τεστ. Με βάση αυτόν τον διαχωρισμό εξασφαλίζεται η σωστή αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα. Τα αποτελέσματα στο test set που κρατήθηκε εκτός εκπαίδευσης των δικτύων, δείχνουν ότι η προτεινόμενη μέθο- δος επιτυγχάνει βελτιώσεις αντίστοιχες με εκείνες του bicubic-interpolation σε πολλαπλές μετρικές αξιολόγησης, συμπεριλαμβανομένων των PSNR και SSIM. Η εργασία αυτή αποδεικνύει τη σκοπιμότητα της εκμάθησης σύνθετων μετασχηματισμών με- ταξύ αισθητήρων για τη βελτίωση της μάσκας συννέφων, επιτρέποντας την παρακολούθηση συννέφων σε σχεδόν πραγματικό χρόνο και υψηλή ανάλυση, μέσω της συγχώνευσης πα- ρατηρήσεων από γεωστατικούς και πολικούς δορυφόρους. Η μεθοδολογία και τα ευρήματα συμβάλλουν στον αναπτυσσόμενο τομέα της τηλεπισκόπησης με βάση αλγορίθμους βαθιάς μάθησης και παρέχουν ένα πλαίσιο για μελλοντική έρευνα στην υπερ-ανάλυση μεταξύ αισθη- τήρων για την ατμοσφαιρική και άλλες επιστήμες.","abstract_html":"Οι τελευταίες δεκαετίες τεχνολογικής προόδου έχουν οδηγήσει σε μια εποχή όπου κάθε μέρα εκτοξεύονται νέοι δορυφόροι οι οποίοι παράγουν έναν τεράστιο όγκο δορυφορικών δε- δομένων κατάλληλων για ένα ευρύ φάσμα υπηρεσιών και εφαρμογών. Παρά τον όγκο των δορυφορικών δεδομένων που φτάνουν καθημερινά στους διακομιστές της Γης, το θεμελιώδες αντιστάθμισμα μεταξύ χωρικής και χρονικής ανάλυσης παραμένει σε μεγάλο βαθμό άλυτο. ΄Εχουν δοκιμαστεί διάφορες προσεγγίσεις, όπως η ανάπτυξη συστοιχιών δορυφόρων, για την αντιμετώπιση αυτού του ζητήματος, αλλά συχνά είναι απαγορευτικά δαπανηρές. Οι πρόσφατες εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI) έχουν φέρει στην ε- πιφάνεια ένα σημαντικό δυναμικό για την αντιμετώπιση αυτής της πρόκλησης μέσω εξει- δικευμένων αλγορίθμων βαθιάς μάθησης, όπως είναι οι αλγόριθμοι υπερ-ανάλυσης. ΄Ενα σημαντικό προϊόν που θα μπορούσε να επωφεληθεί σε μεγάλο βαθμό από αυτούς τους αλ- γορίθμους είναι η μάσκα συννέφων. Οι βελτιωμένες μάσκες συννέφων θα μπορούσαν να είναι ιδιαίτερα επωφελείς για εφαρμογές όπως η παρακολούθηση της ατμόσφαιρας, η πρόγνωση του καιρού, η μείωση του κινδύνου καταστροφών και η παρακολούθηση και πρόγνωση του δυναμικού ανανεώσιμων πηγών ενέργειας. Οι γεωστατικοί δορυφόροι, όπως ο MSG (SEVIRI), παρέχουν συνεχή (κάθε 15 λεπτά) χρονική κάλυψη, αλλά έχουν χαμηλή χωρική ανάλυση (3 km), περιορίζοντας την ικανότητά τους να ανιχνεύουν μικρής κλίμακας χαρακτηριστικά των νεφών που είναι κρίσιμα για χωρικά ευαίσθητες εφαρμογές. Αντίθετα, αισθητήρες πολικής τροχιάς όπως ο MODIS προσφέρουν υψηλότερη χωρική ανάλυση (1 km), αλλά με περιορισμένη χρονική κάλυψη. Η διπλωματική αυτή προτείνει μια ολοκληρωμένη end-to-end μεθοδολογία για τη δημιουρ- γία μάσκας νεφών υψηλής ανάλυσης από παρατηρήσεις SEVIRI χαμηλής ανάλυσης, επι- τυγχάνοντας 4× χωρική βελτίωση. Παρουσιάζεται επίσης η δημιουργία ενός νέου συνόλου δεδομένων έτοιμου για αλγορίθμους βαθιάς μάθησης και διερευνά την εφαρμογή δύο τέτοιων αλγορίθμων υπερ-ανάλυσης για τη βελτίωση της μάσκας συννέφων μεταξύ αισθητήρων, τους αλγορίθμους SRCNN και SRGAN. Με τη χωρική και χρονική αντιστοίχιση των παρατηρήσε- ων MODIS και SEVIRI, δημιουργήσαμε ένα σύνολο δεδομένων ειδικό για κάθε τομέα που αποτελείται από ζεύγη SEVIRI-MODIS. Τα στοιχεία MODIS περιλαμβάνουν μάσκες συν- νέφων σε 128×128 pixel, ενώ τα στοιχεία SEVIRI περιέχουν και τα 11 φασματικά κανάλια (εκτός από το HRV) συν τη μάσκα συννέφων SEVIRI ως 12ο κανάλι σε 32×32 pixel, γε- ωγραφικά γεοαναφερμένα και χρονικά ευθυγραμμισμένα σε ένα παράθυρο 15 λεπτών. Αυτό το σύνολο δεδομένων αναφέρεται ως σύνολο δεδομένων MODIS_SEVIRI. Το σύνολο δεδομένων περιλαμβάνει αρχικά πάνω από 60.000 ζεύγη μάσκας σύννεφων SEVIRIMODIS που ταιριάζουν χωρικά και χρονικά, χωρισμένα στα ακόλουθα υποσύνολα: 80% εκπαίδευση, 10% επαλήθευση και 10% τεστ. Με βάση αυτόν τον διαχωρισμό εξασφαλίζεται η σωστή αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα. Τα αποτελέσματα στο test set που κρατήθηκε εκτός εκπαίδευσης των δικτύων, δείχνουν ότι η προτεινόμενη μέθο- δος επιτυγχάνει βελτιώσεις αντίστοιχες με εκείνες του bicubic-interpolation σε πολλαπλές μετρικές αξιολόγησης, συμπεριλαμβανομένων των PSNR και SSIM. Η εργασία αυτή αποδεικνύει τη σκοπιμότητα της εκμάθησης σύνθετων μετασχηματισμών με- ταξύ αισθητήρων για τη βελτίωση της μάσκας συννέφων, επιτρέποντας την παρακολούθηση συννέφων σε σχεδόν πραγματικό χρόνο και υψηλή ανάλυση, μέσω της συγχώνευσης πα- ρατηρήσεων από γεωστατικούς και πολικούς δορυφόρους. Η μεθοδολογία και τα ευρήματα συμβάλλουν στον αναπτυσσόμενο τομέα της τηλεπισκόπησης με βάση αλγορίθμους βαθιάς μάθησης και παρέχουν ένα πλαίσιο για μελλοντική έρευνα στην υπερ-ανάλυση μεταξύ αισθη- τήρων για την ατμοσφαιρική και άλλες επιστήμες.","abstract_has_math":false,"creators":["Γεωργάκης Άγγελος","Georgakis Angelos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:43Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5310792"],"render_values":[{"text":"uoadl:5310792","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5310792","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5310792","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%3A5310792","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γεωργάκης Άγγελος","Georgakis Angelos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:5310792","https://pergamos.lib.uoa.gr/uoa/dl/object/5310792"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι τελευταίες δεκαετίες τεχνολογικής προόδου έχουν οδηγήσει σε μια εποχή όπου κάθε μέρα εκτοξεύονται νέοι δορυφόροι οι οποίοι παράγουν έναν τεράστιο όγκο δορυφορικών δε- δομένων κατάλληλων για ένα ευρύ φάσμα υπηρεσιών και εφαρμογών. Παρά τον όγκο των δορυφορικών δεδομένων που φτάνουν καθημερινά στους διακομιστές της Γης, το θεμελιώδες αντιστάθμισμα μεταξύ χωρικής και χρονικής ανάλυσης παραμένει σε μεγάλο βαθμό άλυτο. ΄Εχουν δοκιμαστεί διάφορες προσεγγίσεις, όπως η ανάπτυξη συστοιχιών δορυφόρων, για την αντιμετώπιση αυτού του ζητήματος, αλλά συχνά είναι απαγορευτικά δαπανηρές. Οι πρόσφατες εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI) έχουν φέρει στην ε- πιφάνεια ένα σημαντικό δυναμικό για την αντιμετώπιση αυτής της πρόκλησης μέσω εξει- δικευμένων αλγορίθμων βαθιάς μάθησης, όπως είναι οι αλγόριθμοι υπερ-ανάλυσης. ΄Ενα σημαντικό προϊόν που θα μπορούσε να επωφεληθεί σε μεγάλο βαθμό από αυτούς τους αλ- γορίθμους είναι η μάσκα συννέφων. Οι βελτιωμένες μάσκες συννέφων θα μπορούσαν να είναι ιδιαίτερα επωφελείς για εφαρμογές όπως η παρακολούθηση της ατμόσφαιρας, η πρόγνωση του καιρού, η μείωση του κινδύνου καταστροφών και η παρακολούθηση και πρόγνωση του δυναμικού ανανεώσιμων πηγών ενέργειας. Οι γεωστατικοί δορυφόροι, όπως ο MSG (SEVIRI), παρέχουν συνεχή (κάθε 15 λεπτά) χρονική κάλυψη, αλλά έχουν χαμηλή χωρική ανάλυση (3 km), περιορίζοντας την ικανότητά τους να ανιχνεύουν μικρής κλίμακας χαρακτηριστικά των νεφών που είναι κρίσιμα για χωρικά ευαίσθητες εφαρμογές. Αντίθετα, αισθητήρες πολικής τροχιάς όπως ο MODIS προσφέρουν υψηλότερη χωρική ανάλυση (1 km), αλλά με περιορισμένη χρονική κάλυψη. Η διπλωματική αυτή προτείνει μια ολοκληρωμένη end-to-end μεθοδολογία για τη δημιουρ- γία μάσκας νεφών υψηλής ανάλυσης από παρατηρήσεις SEVIRI χαμηλής ανάλυσης, επι- τυγχάνοντας 4× χωρική βελτίωση. Παρουσιάζεται επίσης η δημιουργία ενός νέου συνόλου δεδομένων έτοιμου για αλγορίθμους βαθιάς μάθησης και διερευνά την εφαρμογή δύο τέτοιων αλγορίθμων υπερ-ανάλυσης για τη βελτίωση της μάσκας συννέφων μεταξύ αισθητήρων, τους αλγορίθμους SRCNN και SRGAN. Με τη χωρική και χρονική αντιστοίχιση των παρατηρήσε- ων MODIS και SEVIRI, δημιουργήσαμε ένα σύνολο δεδομένων ειδικό για κάθε τομέα που αποτελείται από ζεύγη SEVIRI-MODIS. Τα στοιχεία MODIS περιλαμβάνουν μάσκες συν- νέφων σε 128×128 pixel, ενώ τα στοιχεία SEVIRI περιέχουν και τα 11 φασματικά κανάλια (εκτός από το HRV) συν τη μάσκα συννέφων SEVIRI ως 12ο κανάλι σε 32×32 pixel, γε- ωγραφικά γεοαναφερμένα και χρονικά ευθυγραμμισμένα σε ένα παράθυρο 15 λεπτών. Αυτό το σύνολο δεδομένων αναφέρεται ως σύνολο δεδομένων MODIS_SEVIRI. Το σύνολο δεδομένων περιλαμβάνει αρχικά πάνω από 60.000 ζεύγη μάσκας σύννεφων SEVIRIMODIS που ταιριάζουν χωρικά και χρονικά, χωρισμένα στα ακόλουθα υποσύνολα: 80% εκπαίδευση, 10% επαλήθευση και 10% τεστ. Με βάση αυτόν τον διαχωρισμό εξασφαλίζεται η σωστή αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα. Τα αποτελέσματα στο test set που κρατήθηκε εκτός εκπαίδευσης των δικτύων, δείχνουν ότι η προτεινόμενη μέθο- δος επιτυγχάνει βελτιώσεις αντίστοιχες με εκείνες του bicubic-interpolation σε πολλαπλές μετρικές αξιολόγησης, συμπεριλαμβανομένων των PSNR και SSIM. Η εργασία αυτή αποδεικνύει τη σκοπιμότητα της εκμάθησης σύνθετων μετασχηματισμών με- ταξύ αισθητήρων για τη βελτίωση της μάσκας συννέφων, επιτρέποντας την παρακολούθηση συννέφων σε σχεδόν πραγματικό χρόνο και υψηλή ανάλυση, μέσω της συγχώνευσης πα- ρατηρήσεων από γεωστατικούς και πολικούς δορυφόρους. Η μεθοδολογία και τα ευρήματα συμβάλλουν στον αναπτυσσόμενο τομέα της τηλεπισκόπησης με βάση αλγορίθμους βαθιάς μάθησης και παρέχουν ένα πλαίσιο για μελλοντική έρευνα στην υπερ-ανάλυση μεταξύ αισθη- τήρων για την ατμοσφαιρική και άλλες επιστήμες.","Recent decades of technological advancement have led to an era where satellites are being launched every day and provide vast amounts of satellite data suitable for a wide range of services and applications. Despite these massive volumes of satellite data reaching Earth-based servers every day, a fundamental trade-off between spatial and temporal resolution remains largely unresolved. Various approaches, such as deploying constellations of satellites, have been attempted to address this issue, but they are often prohibitively expensive. Recent developments in Artificial Intelligence (AI) have demonstrated significant potential for addressing this challenge through specialized Deep Learning (DL) algorithms, called Super-Resolution algorithms. A product that could greatly benefit os such an algorithm is the cloud mask that various satellite sensors are producing. Improved cloud masks could be beneficial for applications such as atmospheric monitoring, weather forecasting, disaster risk reduction, renewable energy resource monitoring and forecasting and climate research between others. Geostationary satellites, such as MSG SEVIRI, provide continuous (every 15 minutes) temporal coverage but suffer from coarse spatial resolution (3 km), limiting their ability to detect small-scale cloud features critical for spatially sensitive applications. In contrast, polar-orbiting sensors like MODIS offer higher spatial resolution (1 km) but with limited temporal coverage. This dissertation proposes an end-to-end methodology for generating high-resolution cloud masks from low-resolution SEVIRI observations, achieving a 4× spatial enhancement across sensor domains. It presents the creation of a novel deep-learning-ready dataset and explores the application of two super-resolution Deep Learning algorithms for cross-sensor cloud mask enhancement, the SRCNN and SRGAN algorithms. By spatially and temporally matching MODIS and SEVIRI observations, we generated a domainspecific dataset consisting of SEVIRI-MODIS pairs. The MODIS component includes cloud masks at 128×128 pixels, while the SEVIRI component contains all 11 spectral channels (excluding HRV) plus the SEVIRI cloud mask as a 12th channel at 32×32 pixels, geolocated and temporally aligned within a 15-minute window. This dataset is referred to as the MODIS_SEVIRI dataset. The dataset initially comprises over 60,000 spatially and temporally matched SEVIRIMODIS cloud mask pairs, split into 80% training, 10% validation, and 10% test sets to ensure proper evaluation of generalization performance. Results on the held-out test set demonstrate that the proposed method achieves comparable improvements as the bicubic interpolation baselines across multiple metrics, including PSNR and SSIM. This research demonstrates the feasibility of training sophisticated cross-sensor transformations for cloud mask enhancement, allowing for near-real-time high-resolution observation of clouds from the fusion of geostationary and polar-orbiting satellites. Methodology and conclusions contribute to the discipline of DL-based remote sensing and provide a basis for future studies on cross-sensor super-resolution in atmospheric science."]},{"key":"dc:title","label":"Title","values":["Deep Learning Techniques For Downscaling Satellite Images: A Cross-Sensor Super-Resolution Approach For Cloud Mask Products"]}]}],"canonical_facts":{"dc:creator":["Γεωργάκης Άγγελος","Georgakis Angelos"],"dc:date":["2025"],"dc:description":["Οι τελευταίες δεκαετίες τεχνολογικής προόδου έχουν οδηγήσει σε μια εποχή όπου κάθε μέρα εκτοξεύονται νέοι δορυφόροι οι οποίοι παράγουν έναν τεράστιο όγκο δορυφορικών δε- δομένων κατάλληλων για ένα ευρύ φάσμα υπηρεσιών και εφαρμογών. Παρά τον όγκο των δορυφορικών δεδομένων που φτάνουν καθημερινά στους διακομιστές της Γης, το θεμελιώδες αντιστάθμισμα μεταξύ χωρικής και χρονικής ανάλυσης παραμένει σε μεγάλο βαθμό άλυτο. ΄Εχουν δοκιμαστεί διάφορες προσεγγίσεις, όπως η ανάπτυξη συστοιχιών δορυφόρων, για την αντιμετώπιση αυτού του ζητήματος, αλλά συχνά είναι απαγορευτικά δαπανηρές. Οι πρόσφατες εξελίξεις στον τομέα της τεχνητής νοημοσύνης (AI) έχουν φέρει στην ε- πιφάνεια ένα σημαντικό δυναμικό για την αντιμετώπιση αυτής της πρόκλησης μέσω εξει- δικευμένων αλγορίθμων βαθιάς μάθησης, όπως είναι οι αλγόριθμοι υπερ-ανάλυσης. ΄Ενα σημαντικό προϊόν που θα μπορούσε να επωφεληθεί σε μεγάλο βαθμό από αυτούς τους αλ- γορίθμους είναι η μάσκα συννέφων. Οι βελτιωμένες μάσκες συννέφων θα μπορούσαν να είναι ιδιαίτερα επωφελείς για εφαρμογές όπως η παρακολούθηση της ατμόσφαιρας, η πρόγνωση του καιρού, η μείωση του κινδύνου καταστροφών και η παρακολούθηση και πρόγνωση του δυναμικού ανανεώσιμων πηγών ενέργειας. Οι γεωστατικοί δορυφόροι, όπως ο MSG (SEVIRI), παρέχουν συνεχή (κάθε 15 λεπτά) χρονική κάλυψη, αλλά έχουν χαμηλή χωρική ανάλυση (3 km), περιορίζοντας την ικανότητά τους να ανιχνεύουν μικρής κλίμακας χαρακτηριστικά των νεφών που είναι κρίσιμα για χωρικά ευαίσθητες εφαρμογές. Αντίθετα, αισθητήρες πολικής τροχιάς όπως ο MODIS προσφέρουν υψηλότερη χωρική ανάλυση (1 km), αλλά με περιορισμένη χρονική κάλυψη. Η διπλωματική αυτή προτείνει μια ολοκληρωμένη end-to-end μεθοδολογία για τη δημιουρ- γία μάσκας νεφών υψηλής ανάλυσης από παρατηρήσεις SEVIRI χαμηλής ανάλυσης, επι- τυγχάνοντας 4× χωρική βελτίωση. Παρουσιάζεται επίσης η δημιουργία ενός νέου συνόλου δεδομένων έτοιμου για αλγορίθμους βαθιάς μάθησης και διερευνά την εφαρμογή δύο τέτοιων αλγορίθμων υπερ-ανάλυσης για τη βελτίωση της μάσκας συννέφων μεταξύ αισθητήρων, τους αλγορίθμους SRCNN και SRGAN. Με τη χωρική και χρονική αντιστοίχιση των παρατηρήσε- ων MODIS και SEVIRI, δημιουργήσαμε ένα σύνολο δεδομένων ειδικό για κάθε τομέα που αποτελείται από ζεύγη SEVIRI-MODIS. Τα στοιχεία MODIS περιλαμβάνουν μάσκες συν- νέφων σε 128×128 pixel, ενώ τα στοιχεία SEVIRI περιέχουν και τα 11 φασματικά κανάλια (εκτός από το HRV) συν τη μάσκα συννέφων SEVIRI ως 12ο κανάλι σε 32×32 pixel, γε- ωγραφικά γεοαναφερμένα και χρονικά ευθυγραμμισμένα σε ένα παράθυρο 15 λεπτών. Αυτό το σύνολο δεδομένων αναφέρεται ως σύνολο δεδομένων MODIS_SEVIRI. Το σύνολο δεδομένων περιλαμβάνει αρχικά πάνω από 60.000 ζεύγη μάσκας σύννεφων SEVIRIMODIS που ταιριάζουν χωρικά και χρονικά, χωρισμένα στα ακόλουθα υποσύνολα: 80% εκπαίδευση, 10% επαλήθευση και 10% τεστ. Με βάση αυτόν τον διαχωρισμό εξασφαλίζεται η σωστή αξιολόγηση της απόδοσης του μοντέλου σε νέα δεδομένα. Τα αποτελέσματα στο test set που κρατήθηκε εκτός εκπαίδευσης των δικτύων, δείχνουν ότι η προτεινόμενη μέθο- δος επιτυγχάνει βελτιώσεις αντίστοιχες με εκείνες του bicubic-interpolation σε πολλαπλές μετρικές αξιολόγησης, συμπεριλαμβανομένων των PSNR και SSIM. Η εργασία αυτή αποδεικνύει τη σκοπιμότητα της εκμάθησης σύνθετων μετασχηματισμών με- ταξύ αισθητήρων για τη βελτίωση της μάσκας συννέφων, επιτρέποντας την παρακολούθηση συννέφων σε σχεδόν πραγματικό χρόνο και υψηλή ανάλυση, μέσω της συγχώνευσης πα- ρατηρήσεων από γεωστατικούς και πολικούς δορυφόρους. Η μεθοδολογία και τα ευρήματα συμβάλλουν στον αναπτυσσόμενο τομέα της τηλεπισκόπησης με βάση αλγορίθμους βαθιάς μάθησης και παρέχουν ένα πλαίσιο για μελλοντική έρευνα στην υπερ-ανάλυση μεταξύ αισθη- τήρων για την ατμοσφαιρική και άλλες επιστήμες.","Recent decades of technological advancement have led to an era where satellites are being launched every day and provide vast amounts of satellite data suitable for a wide range of services and applications. Despite these massive volumes of satellite data reaching Earth-based servers every day, a fundamental trade-off between spatial and temporal resolution remains largely unresolved. Various approaches, such as deploying constellations of satellites, have been attempted to address this issue, but they are often prohibitively expensive. Recent developments in Artificial Intelligence (AI) have demonstrated significant potential for addressing this challenge through specialized Deep Learning (DL) algorithms, called Super-Resolution algorithms. A product that could greatly benefit os such an algorithm is the cloud mask that various satellite sensors are producing. Improved cloud masks could be beneficial for applications such as atmospheric monitoring, weather forecasting, disaster risk reduction, renewable energy resource monitoring and forecasting and climate research between others. Geostationary satellites, such as MSG SEVIRI, provide continuous (every 15 minutes) temporal coverage but suffer from coarse spatial resolution (3 km), limiting their ability to detect small-scale cloud features critical for spatially sensitive applications. In contrast, polar-orbiting sensors like MODIS offer higher spatial resolution (1 km) but with limited temporal coverage. This dissertation proposes an end-to-end methodology for generating high-resolution cloud masks from low-resolution SEVIRI observations, achieving a 4× spatial enhancement across sensor domains. It presents the creation of a novel deep-learning-ready dataset and explores the application of two super-resolution Deep Learning algorithms for cross-sensor cloud mask enhancement, the SRCNN and SRGAN algorithms. By spatially and temporally matching MODIS and SEVIRI observations, we generated a domainspecific dataset consisting of SEVIRI-MODIS pairs. The MODIS component includes cloud masks at 128×128 pixels, while the SEVIRI component contains all 11 spectral channels (excluding HRV) plus the SEVIRI cloud mask as a 12th channel at 32×32 pixels, geolocated and temporally aligned within a 15-minute window. This dataset is referred to as the MODIS_SEVIRI dataset. The dataset initially comprises over 60,000 spatially and temporally matched SEVIRIMODIS cloud mask pairs, split into 80% training, 10% validation, and 10% test sets to ensure proper evaluation of generalization performance. Results on the held-out test set demonstrate that the proposed method achieves comparable improvements as the bicubic interpolation baselines across multiple metrics, including PSNR and SSIM. This research demonstrates the feasibility of training sophisticated cross-sensor transformations for cloud mask enhancement, allowing for near-real-time high-resolution observation of clouds from the fusion of geostationary and polar-orbiting satellites. Methodology and conclusions contribute to the discipline of DL-based remote sensing and provide a basis for future studies on cross-sensor super-resolution in atmospheric science."],"dc:identifier":["uoadl:5310792","https://pergamos.lib.uoa.gr/uoa/dl/object/5310792"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Deep Learning Techniques For Downscaling Satellite Images: A Cross-Sensor Super-Resolution Approach For Cloud Mask Products"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:43Z"}