LEE- Geomatik Mühendisliği-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Yazar "İpbüker, Cengizhan" ile LEE- Geomatik Mühendisliği-Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeUzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme(Lisansüstü Eğitim Enstitüsü, 2021-12-02) Atik, Şaziye Özge ; İpbüker, Cengizhan ; 501152607 ; Geomatik MühendisliğiDoğal kaynakların gün geçtikçe tükenmesi, nüfus artışı, kentsel göç ve artan kuraklık koşulları çevresel izleme programlarının gerekli olmasının ve düzenli olarak üretilip güncellenmesinin nedenlerinden bazılarıdır. Tüm dünyada olduğu gibi, ülkemizde de pek çok alanda kullanılan arazi kullanımı ve arazi örtüsü (AKAÖ) haritaları düzenli olarak üretilip güncellenmektedir. CORINE sınıflandırmasına dâhil olan ülkemiz hem bu alanda hem de birçok farklı endüstriyel, akademik ve kamu alanları için uzaktan algılama görüntüleri kullanarak tematik harita üretimini gerçekleştirmektedir. Ancak geniş alanlarda uygulandığında bu üretimin oldukça zaman alması hem üretimde hem de güncellemede karşılaşılan zorlukların başındadır. Hala birçok tematik harita, görsel yorumlama teknikleri ve yarı-otomatik görüntü işleme analizleriyle üretilmektedir. Operatör gereksinimi, uzun süren işlemler (ekran üzerinde sayısallaştırma) gibi pek çok nedenden dolayı özellikle çevresel izleme alanındaki kartografik üretimin otomatikleştirilmesi önem arz etmektedir. Otomatikleştirme işlemi birçok diğer endüstride olduğu gibi bu alanda da yapay zekânın kullanımı ile mümkün hale gelmektedir. Ek olarak, yapay zekânın geo-konumsal yer gözlemi ve bölgesel arazi izleme misyonlarında kullanımı zorlu bir konudur. Ancak bilgisayar sistemlerinin gelişmesi ile işlem kolaylığı gün geçtikçe artmaktadır. Aynı zamanda yapay zekânın kullanımının birçok avantajı mevcuttur. Operatör gereksinimini azaltan, farklı bölgelerde uygulanabilen, adapte edilebilen modellere ve belli aralıklarla otomatik şekilde güncellemeye olan ihtiyaç ve eğilim her geçen gün artmaktadır. Birçok alanda olduğu gibi AKAÖ haritalamada, bilgisayarlı görünün kullanımının hızla arttığı ve son yıllarda yeni birçok tekniğin geliştirildiği bilinmektedir. Bilgisayarlı görü teknikleriyle, son dönem uzaktan algılama yöntemleri birleştirilerek oluşturulan yapay zekâ uygulamaları birçok yönden verim sağlamaktadır. Geniş alanların sınıflandırılmasında uydu görüntülerinin kullanımı, özellikle açık veri paylaşan uyduların da gelişen özellikleri sayesinde çok daha ekonomik ve pratik olabilmektedir. Bu çalışma kapsamında, derin öğrenme teknikleri kullanılarak farklı detay seviyelerindeki sınıflar için AKAÖ haritaları üretilmiştir. Çalışmalarda veri olarak farklı mekânsal çözünürlüklerde uydu görüntülerinden oluşan üç farklı veri seti kullanılmıştır. Çalışma alanı olarak seçilen bölgelerde görüntülerin semantik segmentasyon (anlamsal segmentasyon) yöntemi ile sınıflandırılmasında evrişimsel sinir ağları (ESA) mimarileri kullanılmıştır. Sınıflandırma doğruluğunu yükseltmek ve performans ölçütlerini iyileştirmek için, kullanılan görüntülerin bantlarının yanı sıra ESA mimarilerinde farklı spektral indisler de kullanılarak farklı boyutlarda veri setleri ile sınıflandırma için kullanılan modeller ile eğitilmiştir. Elde edilen sınıflandırma sonuçları üzerinde iyileştirme yapılması amacıyla nesne-tabanlı görüntü analizi (NTGA) aşamalarından çoklu-çözünürlüklü bölütleme (ÇÇB) algoritmasından yararlanılmış ve konumsal filtreleme yapılmıştır. İlk uygulamadaki Sentinel-2 veri seti, Türkiye'ye ait mekânsal olarak orta çözünürlüklü görüntülerden oluşmaktadır. Bu uygulamada Sentinel-2A görüntüleri kullanılarak oluşturulan farklı bant kombinasyonu (beş ve yedi bant) ve farklı görüntü parçacığı boyutları (32 × 32, 64 × 64 ve 128 × 128 piksel) kullanılmıştır. Üç farklı şehre ait görüntülerle oluşturulan veri setiyle AKAÖ haritalama için güncel ESA tabanlı modellerin ve önerilen yaklaşım olan ESA-ÇÇB modelinin aynı bölgedeki sonuçları değerlendirilmiştir. Sentinel veri setinde, en yüksek genel doğruluk, önerilen yaklaşımla İstanbul test alanında % 97.31 ve Kocaeli test alanında % 98.44 olarak elde edilmiştir. Doğruluklar, geniş alanlarda arazi örtüsü haritası üretimi için ESA-ÇÇB modelinin verimliliğini ortaya çıkarmıştır. McNemar testi kullanılarak uygulamada kullanılan modellerin bilimsel olarak anlamlılığı ölçülmüştür. Benzer yöntemler ikinci uygulamada çok yüksek çözünürlüklü görüntülere sahip Zurich Summer veri setinde uygulanmıştır. Sonuçlar, temel ESA modellerinin sonuçları ile nicel olarak karşılaştırılmıştır. Bu uygulamada, Zurich Summer veri seti ile önerilen yaklaşımın genel doğruluğu % 92.03 ve %90.67 olarak elde edilmiştir. Elde edilen sonuçlar ek olarak literatürdeki diğer modellerin sonuçlarıyla karşılaştırılmıştır. Üçüncü uygulamada, farklı mekânsal çözünürlükte Wuhan Üniversitesi bina çıkarımı veri setinde (WHUBED) diğer iki uygulamadan farklı derin öğrenme ağları kullanılmıştır. Önerilen yaklaşımın kullanımı, tek başına ESA kullanıldığındaki sonuçlarla karşılaştırıldığında performans değerlerinde iyileştirme yapmıştır. WHUBED veri setinde test görüntülerinde % 97.57 ile % 81.06 genel doğruluk değerleri ve % 86.46 ile % 86.49 F1 skoru elde edilmiştir. Bu uygulamada da temel ESA modellerinin sonuçlarıyla, tezde önerilen yaklaşımın sonuçları karşılaştırılmış ve sonuçlar çizelgeler ve görseller şeklinde sunulmuştur. Bu uygulamada, genel doğruluk ve F1 skor ölçütlerinde önerilen yaklaşım daha yüksek performans göstermiştir.