LEE- Geomatik Mühendisliği-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Sustainable Development Goal "Goal 9: Industry, Innovation and Infrastructure" ile LEE- Geomatik Mühendisliği-Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeDeep learning based road segmentation from multi-source and multi-scale data(Graduate School, 2023-05-12) Öztürk, Ozan ; Şeker, Dursun Zafer ; 501162611 ; Geomatics EngineeringRoads are geographical objects that have been the subject of many application areas, such as city planning, traffic management, disaster management, and military interventions. The success of these applications depends on the speed and accuracy of obtaining road information. Researchers have mostly used satellite and/or aerial photographs as data sources in these studies and focused on the automatic acquisition of road information. Although successful results have been obtained with Artificial intelligence (AI)-based approaches, that are widely used recently, automatic segmentation of roads from remote sensing data is still considered a difficult and important problem due to its complex and irregular structure. AI has been developed to enable computers to realize human abilities such as reasoning, perception, and problem-solving. The most basic expectation is that AI can overcome the problems in which the traditional approaches are insufficient. As a recent trend of AI, deep learning (DL) methods establish a more complex relationship with the data and distinguish the hidden features of the data more accurately. DL is data-driven, and the quality, number, and variety of training data directly impact the performance of the models. For this purpose, comprehensive data sets such as MNIST, COCO, and ImageNet were published. However, the number of datasets containing geographic details is limited compared to others. In addition, datasets containing geographic details can represent only the characteristics of the regions where they were created. Therefore, the models trained with these data sets can only have the capacity to distinguish details at the level that they can only learn from these limited data. It is extremely difficult for these models to effectively predict roads in regions characterized by complex road networks, such as Istanbul. In this thesis, it is aimed to overcome the data gap in road segmentation studies with DL algorithms, to produce datasets representative of the study region, and finally to use data obtained from different sources together to overcome the problems encountered in existing research using only optical images. This thesis is divided into five main parts. The introduction provides a general overview of the subject matter, including comprehensive information on current studies and the motivation of this thesis. In the second part, a fast, accurate, and comprehensive road dataset production infrastructure was created using a web map service to overcome data-related problems. For this purpose, it was found appropriate to utilize service providers where maps can be edited based on user requests. Using the Static API feature of the Google Maps Platform, a data generation program was developed in Python programming language. In this program, the properties of the mask images corresponding to the satellite images were defined with a JavaScript code. An automatic static map style was created for road segmentation. In addition, using this program, the desired number of images can be generated randomly or as a sequence at fixed image sizes and within the boundaries of specified test regions. Furthermore, the Google Maps Platform does not provide geographic information about the images. In order to overcome this deficiency, the geo-referencing of these satellite images and corresponding masks was added to the program. In the third part of the thesis, it is aimed to create an Istanbul road dataset due to the necessity of producing a dataset that represents the characteristics of the region being tested in the road segmentation studies. Istanbul's road network is in a state of development with an ever-increasing population. As it contains different road types and land use details, it is capable of meeting the data diversity required by DL applications. The changing and evolving structure of Istanbul makes it one of the most important regions to be constantly observed and analyzed. In order to examine the contributions of different resolutions of satellite images and different generalization levels of masks in road segmentation studies, the images at zoom levels 14, 15, 16, and 17 from Google Maps were generated in this thesis. Consequently, 10000 optical images and road mask images were produced for each zoom level in the test regions in Istanbul. In order to test the performance of the generated dataset in DL models, the deep residual U-Net architecture was used. When the training metrics of the models' predictions are examined, it was found that the Istanbul dataset achieved successful results in terms of segmenting road pixels at each zoom level separately. In addition, DeepGlobe and Massachusetts datasets, which are widely preferred in road segmentation studies, were included in the analysis to test the prediction performance of the models trained with these datasets generated outside the study region.
-
ÖgeDeep learning-based building segmentation using high-resolution aerial images(Graduate School, 2022-10-05) Sarıtürk, Batuhan ; Şeker, Dursun Zafer ; 501142612 ; Geomatics EngineeringWith the advancements in satellite and remote sensing technologies, and the developments in urban areas, building segmentation and extraction from high-resolution aerial images and generating building maps have become important and popular research topics. With technological developments, a large number of high-resolution images have become increasingly more accessible and convenient data sources. At the same time, due to their ability of imaging over large areas, these aerial images can be very useful for accurate building segmentation and generating building maps. As one of the most important and key features of the urban database, buildings are the building blocks for human livelihood. Due to this importance, building maps have significant role for various geoscience-related applications such as illegal building detection, change detection, population estimation, land use/land cover analysis, disaster management, and topographic and cadastral map production. Nonetheless, obtaining accurate and reliable building maps from high-resolution aerial images is still a challenging task due to various reasons such as complex backgrounds, differences in building size, shape, and colors, noisy data, roof type diversity, and many other topological difficulties. Therefore, improving the efficiency and accuracy of building segmentation and extraction from high-resolution aerial images is still a focus and a hot topic among researchers in the field. Over the past years, various methods have been used to achieve automatic building segmentation from aerial images. In earlier studies, traditional image processing methods such as object-based, shadow-based, or edge-based methods were used. The low-level features and metrics that are used with these methods such as color, spectrum, length, texture, edge, shadow, and height could vary under different conditions like atmospheric state, light, scale, and sensor quality. These methods generally take manually extracted features and apply classifiers or conventional machine learning techniques to achieve building segmentation. However, manually extracting these features is costly, time-consuming, labor intensive, and requires high experience and prior knowledge. Although over time these methods have made some progress, they have some serious shortcomings such as low accuracy, low generalization ability, and complex processing. With the technological developments and availability of large datasets, deep learning-based approaches, especially Convolutional Neural Networks (CNN), have gained a lot of attention from researchers and surpass conventional methods in terms of accuracy and efficiency. CNNs have the ability to extract relevant features directly from the input data and make predictions using fully connected layers. Many CNN architectures such as LeNet, AlexNet, VGGNet, GoogleNet, and ResNet have been used over the years. However, CNNs perform regional divisions and use computationally expensive fully connected layers. These patch-based CNNs have achieved exceptional success, but due to their reliance on small patches around the targets to perform predictions and ignoring the relations between them, they are unable to provide accurate integrity and spatial continuity of building features. To improve the performance and overcome these problems, Long et al. proposed Fully Convolutional Networks (FCN). Instead of fully connected layers in CNNs, FCNs have convolution layers that improve the prediction accuracy greatly. FCNs output the feature maps at the size of the input images and perform pixel-based segmentation through their encoder-decoder structure. However, much of the information is lost in the decoder path, due to the FCNs having just one upsampling layer. Despite their success, FCNs also have some limitations, such as computational complexity and a large number of parameters. To overcome these shortcomings, various variants have been proposed over the years such as SegNet, U-Net, and Feature Pyramid Networks (FPN). These CNN-based approaches have achieved successful results on image segmentation tasks, but they also have some bottlenecks. For example, the usage of fixed-size convolutions results a local receptive field. Due to their designs, they are successful at extracting local context but have a low ability to extract global context. To overcome these shortcomings, some approaches have been proposed and implemented. Such as attention mechanism, residual connections, and designing architecture in different depths. The Transformer was first used in natural language processing (NLP), and later on, implemented to computer vision tasks. In 2020, the Vision Transformer (ViT) approach was proposed to be used in computer vision studies and obtained successful results on the ImageNet dataset. CNNs are successful in identifying local features, but they are insufficient in identifying global features due to their structure. Transformers can compensate for these shortcomings with the use of attention mechanisms. In ViT-based methods, global information can be extracted but spatially detailed context is ignored. In addition, Transformers use all the pixels in vector operations when working with large images, and therefore require large amounts of memory and are computationally inefficient. The main objective of this thesis is to investigate, evaluate, and realize comparisons of different CNN-based and Transformer-based approaches for building segmentation from high-resolution aerial images, and propose a modernized CNN approach to deal with the mentioned shortcomings. This thesis is composed of four papers dealing with these objectives. In the first paper, four U-Net-based architectures, which are shallower and deeper versions of the U-Net, have been generated to perform building segmentation from high-resolution aerial images and they were compared with each other and the original U-Net. The models were trained and tested on datasets prepared using the Inria Aerial Image Labeling Dataset and the Massachusetts Buildings Dataset. On the INRIA test set, Deeper 1 U-Net architecture provided the highest F1 score with 0.79 and IoU score with 0.65, followed by Deeper 2 and U-Net architectures. On the Massachusetts test set, U-Net architecture provided 0.79 F1 score and 0.66 IoU score, followed by Deeper 2 and Shallower 1. Successful results were obtained with Deeper 1 and Deeper 2 architectures show that deeper architectures can provide better results even if there is not too much data. Additionally, Shallower 1 architecture appears to have a performance not far behind deep architectures, with less computational cost, and this shows usefulness for geographic applications. In the second paper, U-Net and FPN architectures utilizing four different backbones (ResNet, ResNeXt, SE-ResNeXt, and DenseNet) and an Attention Residual U-Net approach were generated and comparisons between them were realized. Publicly available Inria Aerial Image Labeling Dataset and Massachusetts Buildings Dataset were used to train and test the models. Attention Residual U-Net model has the highest F1 score with 0.8154, IoU score with 0.7102, and test accuracy with 94.51% on the Inria test set. On the Massachusetts test set, FPN Dense-Net-121 model has the highest F1 score with 0.7565 and IoU score with 0.6188, and the Attention Residual U-Net model has the highest test accuracy with 92.43%. It has been observed that FPN with DenseNet backbone can be a better choice when working with small-size datasets. On the other hand, the Attention Residual U-Net approach achieved higher success when a sufficiently large dataset is provided. In the third paper, a total of twelve CNN-based models (U-Net, FPN, and LinkNet architectures utilizing EfficientNet-B5 backbone, original U-Net, SegNet, FCN, and six different Residual U-Net approaches) were generated, evaluated and comparisons between them were realized. Inria Aerial Image Labeling Dataset was used to train models, and three datasets (Inria Aerial Image Labeling Dataset, Massachusetts Buildings Dataset, and Syedra Archaeological Site Dataset) were used to evaluate trained models. On the Inria test set, Residual-2 U-Net has the highest F1 and IoU scores with 0.824 and 0.722, respectively. On the Syedra test set, LinkNet-EfficientNet-B5 has F1 and IoU scores of 0.336 and 0.246. On the Massachusetts test set, Residual-4 U-Net has F1 and IoU scores of 0.394 and 0.259. When the results were evaluated, it has been observed that the models using residual connections are more successful than the models using conventional convolution structures. It has also been observed that the LinkNet architecture gave good results on the Syedra test set with different characteristics than the other two datasets, and could be a good option for future studies involving archaeological sites. In the fourth paper, a total of ten CNN and Transformer models (the proposed Residual-Inception U-Net (RIU-Net), U-Net, Residual U-Net, Attention Residual U-Net, U-Net-based models implementing Inception, Inception-ResNet, Xception, and MobileNet as backbones, Trans U-Net, and Swin U-Net) were generated, and building segmentation from high-resolution satellite images was carried out. Massachusetts Buildings Dataset and Inria Aerial Image Labeling Dataset were used for training and evaluation of the models. On the Inria dataset, RIU-Net achieved the highest IoU score, F1 score, and test accuracy, with 0.6736, 0.7868, and 92.23%, respectively. On the Massachusetts Small dataset, Attention Residual U-Net achieved the highest IoU and F1 scores, with 0.6218 and 0.7606, and Trans U-Net reached the highest test accuracy, with 94.26%. On the Massachusetts Large dataset, Residual U-Net accomplished the highest IoU and F1 scores, with 0.6165 and 0.7565, and Attention Residual U-Net attained the highest test accuracy, with 93.81%. The results showed that the RIU-Net approach was significantly successful in the Inria dataset compared to other models. On the Massachusetts datasets, Residual U-Net, Attention Residual U-Net, and Trans U-Net gave more successful results.
-
ÖgeDüşey mülkiyet haklarının 3-boyutlu yönetimi için yapı bilgi modellemesi (Bim)-tabanlı bütünleşik bir modelin geliştirilmesi ve üç-parçalı döngü yaklaşımı(Lisansüstü Eğitim Enstitüsü, 2022-08-01) Güler, Doğuş ; Yomralıoğlu, Tahsin ; 501162614 ; Geomatik MühendisliğiEtkin bir arazi yönetimi yaşadığımız çevrenin sürdürülebilirliğinin sağlanması için hayati öneme sahiptir. Bununla ilişkili olarak etkin bir arazi yönetiminin gerçek uygulamalara yansıtılabilmesi için güçlü Arazi İdare Sistemleri (Land Administration Systems-AİS)'ne ihtiyaç vardır. Sözü edilen sistemler arazilerin yer altı ve yer üstünde oluşabilecek mülkiyet haklarının bileşenleri olarak Sahiplik, Sorumluluk ve Sınırlamalar (Rights, Responsibilities, and Restrictions-SSS)'a ilişkin bilgilerin kadastral bir altyapıda kayıt altında tutulmasıyla ilgilenmektedir. Kentsel alanlardaki arazilerde ise hızlı göç ve bunun sonucu olarak hızlı nüfus artışıyla birlikte çok sayıda yapı inşa edilmektedir. Geçmişten günümüze bu dönüşüm kentsel alanların da genişlemelerinin belli kesimlerine kadar devam ettiği göz önüne alındığında çok katlı yapıların inşa edilmesine neden olmuştur. Gelişen teknolojiler sayesinde bahsedilen çok katlı yapıların karmaşıklığı gün geçtikçe de artmaktadır. AİS kapsamında kayıt altına alınan mülkiyet haklarının bir diğer biçimi de düşey yönde yapılarda oluşabilen kat mülkiyetidir. Yapıların bünyesindeki kendi başına kullanılmaya elverişli bağımsız bölümlerde oluşabilen kat mülkiyeti mevcut durumda tescil edilen önemli mülkiyet haklarından biridir. AİS'ler dünya genelinde yaygın olarak iki boyutlu (2B) konumsal verilerin kullanımına dayalı olarak uygulansalar da mevzuatta tanımlandığı üzere doğası gereği 3. boyuta sahip hakların tesciliyle de ilgilenmektedirler. Ancak geçmişte yaşanan sosyo-ekonomik, çevresel ve hukuki gelişmeler AİS'lerin halihazırda oluşan arazi yönetim sorunlarıyla başa çıkmada yetersiz kalabildiklerini ortaya koymaktadır. Bu bağlamda AİS'lerin mülkiyet haklarına ilişkin tescil süreçlerinde üç boyutlu (3B) verileri işleme ve yönetebilme kapasitesine sahip bir şekilde geliştirilmelerine ihtiyaç olduğu uluslararası literatürde hâkim görüş olarak yer bulmaktadır. Diğer bir ifadeyle günümüzdeki hızlı kentleşme sürecinde çok katlı ve karmaşık yapılarda kat mülkiyetine konu olan temel hakların eksiksiz bir biçimde tapu siciline tescil edilmesinde 2B verilerin yetersiz kaldığı bir gerçektir. Kat mülkiyetiyle ilgili olarak tüm bağımsız bölümlerin, ortak alanların ve her türlü eklentinin detaylarıyla tescilinde 2B gösterimler ve bilgi notlarının kullanımı düşey mülkiyet haklarına ilişkin gerçek durumu tam olarak yansıtamamaktadır. Bu nedenle kat mülkiyetine konu olan düşey yönlü hakların 3B ve bilgi teknolojisi destekli olarak temsiline gereksinim vardır. Günümüzde özellikle mimarlık, mühendislik ve inşaat (Architecture, Engineering, and Construction-AEC) endüstrisinde bilgisayar destekli tasarımın (Computer Aided Design-CAD) yerini alan Yapı Bilgi Modellemesi (Building Information Modeling-BIM) teknolojisine yönelik giderek artan bir eğilim görülmektedir. BIM teknolojisiyle yapılara ait modeller obje tabanlı modelleme yaklaşımı kullanılarak ayrıntılı bir şekilde 3B olarak elde edilebilmektedir. Bunun yanında, BIM modellerinin farklı paydaşlar ve uygulamalar arasında birlikte çalışabilirliği ise aynı zamanda bir Uluslararası Standartlar Teşkilatı (International Organization for Standardization-ISO) standardı olan açık veri standardı Industry Foundation Classes (IFC) ile sağlanmaktadır. Etkin bir arazi idaresi uygulaması için ise yine bir ISO standardı olan Arazi İdaresi Alan Modeli (Land Administration Domain Model-LADM) ortak bir dayanak oluşturmak amacıyla arazi idaresine ilişkin aktiviteleri, paydaşları, mekânsal objeleri ve aralarındaki ilişkileri kapsayacak şekilde kavramsal bir model sağlamaktadır. Yukarıda aktarılan tüm bilgiler bağlamında bu tez çalışmasının temel amacı düşey mülkiyete dair kat mülkiyetine konu olan bütün haklara ilişkin hem fiziksel (physical) yapı elemanları hem de mantıksal mekanları (logical spaces) içerecek şekilde, kadastral tescile ilişkin semantiklerle birlikte, 3B olarak modellenebilmesi amacıyla LADM ve IFC standartları arasındaki bütünleşik yapıyı sağlamaktadır. Bu amaçla öncelikle dünyadaki 3B kat mülkiyeti uygulamaları incelenerek mevcut duruma ilişkin bir analiz gerçekleştirilmiştir. Ardından Türkiye'deki kat mülkiyeti uygulamalarına ilişkin mevzuat altyapısı ayrıntılı incelerek kat mülkiyetinin 3B tescili ve yönetimi için ihtiyaçlar belirlenmiştir. Elde edilen bilgiler ışığında LADM standardındaki özellik sınıflarıyla IFC şemasındaki varlıklar arasında uygun ilişkilerin kurulduğu bir entegre model geliştirilmiştir. Modelin uygulanabilirliğini test etmek amacıyla örnek bir yapının BIM modeli oluşturulmuş ve geliştirilen modelin içeriği zenginleştirilerek nihai IFC modeli elde edilmiştir. Bu anlamda kat mülkiyetine konu olan yasal mekanların (legal spaces) yanında çeşitli yapı elemanlarına ilişkin olarak da kadastral tescil bağlamında SSS'lerin bütüncül yapıda modellenmesi mümkün kılınmıştır. Bilhassa yapı ruhsatlandırma sürecinin bir parçası olarak yapı kullanma izni sürecinde onaylanan inşa edilmiş BIM modellerinin yeniden kullanılmasıyla kat mülkiyetine konu olan hakların belirsizliğe mahal vermeyecek bir şekilde betimlenmesinin ve tapu-siciline tescilinin imkân dahilinde olduğu ortaya konmuştur. Yapılara ilişkin düşey mülkiyet haklarının 3B tescilinin yanı sıra dikkate alınması gereken diğer bir konu da kamu hizmetlerinin dijitalleştirilmesi hususudur. Yeni inşaat başlangıcında, çevresel faktörleri de dikkate alarak yapı projelerinin mevzuatlara uygunluğunun denetlendiği ruhsatlandırma süreçlerinin iyileştirilmesi amacıyla dijitalleştirilmesi ve otomatikleştirilmesine ihtiyaç vardır. İlaveten, inşa edilmiş çevreye dair alınan kararlara bilimsel bir dayanak oluşturan ancak şehirlerde meydana gelen hızlı değişimler nedeniyle güncelliklerinin korunması hayli zorlaşan 3B dijital kent modelleri de gereklidir. Bu nedenle BIM ve Coğrafi Bilgi Sistemleri (CBS) tabanlı modeller arasındaki etkileşim kaçınılmazdır. Bahsedilen konularla ilgili olarak ortak nokta 3B dijital yapı modelleridir. Bu bağlamda tez kapsamında dijital yapı ruhsatlandırma süreçleri, 3B kent modellerinin güncellenmesi ve mülkiyet haklarının 3B tescilini içeren bir "Üç-Parçalı (3P)" döngü vizyonu önerisi sunulmuştur. Konuyla ilişkili olarak 3P döngüsün her bir parçasına ilişkin ayrıntılı incelemeler gerçekleştirilerek döngünün Türkiye'de uygulanma potansiyeli ortaya konularak, değerlendirme sonuçları verilmiştir.
-
ÖgeInSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği(Lisansüstü Eğitim Enstitüsü, 2023-05-30) Yağmur, Nur ; Musaoğlu, Nebiye ; Şafak, Erdal ; 501182615 ; Geomatics EngineeringUlaşım trafiğinin önemli bir bölümünü hava taşımacılığı oluşturmaktadır. Özellikle mega kentlerde yer alan ve hem ulusal hem de uluslararası taşımacılığı sağlayan havalimanları önemli bir konuma sahiptir. Yılda milyonlarca insanın yolculuk yapmasına olanak sağlayan bu havalimanlarında yapı sağlığı konusu kritik bir öneme sahip olup, yapı hasarlarının maliyetinin yanı sıra oluşabilecek kazalar sonrası yolcuların can güvenliği de dikkate alınması gereken bir diğer konudur. Bu sebeple, pist ve yapılarda meydana gelebilecek hasarlar sürekli olarak izlenerek, ihtiyaç duyulması halinde yapı iyileştirmeleri gerçekleştirilmelidir. Yapı sağlığı izleme konusunda birçok yersel ölçme yöntemi mevcuttur. GNSS, nivelman, inklonometre vb. sıklıkla kullanılan yersel ölçme yöntemlerine örnek verilebilmektedir. Ancak bu ölçme yöntemleri hassas ölçü sağlasa dahi nokta tabanlı olup, alansal bilgi çıkarımında kullanılması bir hayli güçtür. Ciddi iş yükü gereksiniminin yanı sıra maliyet ve zaman gerektirmektedir. Uzaktan algılama yöntemleri, sürekli periyotlarda uydu görüntüsü sağlama ve geniş kapsama alanı ile bu konuda önemli bir boşluğu doldurmaktadır. Son yıllarda farklı sensörlere sahip birçok uydudan ücretsiz uydu görüntülerinin temin edilebilmesi sayesinde, uydu görüntüsünün mekânsal çözünürlüğüne bağlı olarak farklı detaylarda alansal bilgi çıkarımı sağlanabilmektedir. Yapılarda veya arazi yüzeylerinde meydana gelen yüzey hareketlerinin alansal olarak belirlenmesinde yapay açıklıklı radar (Synthetic Aperture Radar-SAR) uydu görüntüleri sıklıkla kullanılmaktadır. Avrupa Uzay Ajansı'nın Sentinel-1 SAR uydu görüntülerini ücretsiz olarak servis etmesiyle, yapı sağlığı izlemelerinde interferometrik SAR (InSAR) analizleri sıklıkla uygulanmaya başlanmıştır. Yüzey hareketlerinin zaman içerisinde davranışlarını belirlemek ve izlemek için zaman serisi InSAR yöntemleri geliştirilmiştir. Sabit Saçıcı İnterferometri (Persistent Scatterer Interferometry-PSInSAR) ve Küçük Baz Altküme InSAR (Small Baseline Subset InSAR - SBAS) yöntemleri en çok kullanılan yöntemlerdendir. Havalimanlarının uygun arazi eksikliği sebebiyle deniz dolgu alanlarına veya sulak alanların ıslah edilmesiyle elde edilen boş alanlara inşa edilmesi, son yıllarda yüzey hareketlerinin oluşmasına ve bu yüzey hareketlerinin zaman serisi InSAR yöntemleriyle izlenmesi çalışmalarına konu olmuştur. Bu havalimanlarının, Türkiye'de de benzer örnekleri görülmeye başlanmıştır. İstanbul Havalimanı, bulunduğu jeolojik konum ve kullanıma açıldıktan sonra ulaşım trafiğindeki rolü sebebiyle önemli bir yere sahiptir. Terkedilen açık kum ve kömür ocaklarının zaman içerisinde sularla dolmasıyla oluşan sulak alanlar ve rehabilite edilen ağaçlık alanlar üzerine İstanbul Havalimanı inşa edilmiştir. Sulak alanlar ıslah edilmiş ve dolgu malzemeleriyle doldurularak havalimanı inşaatına uygun konuma getirilmiştir. Yüklü miktarda dolgu yapıldığı bilinen havalimanı, zemin oturması ve yoğun dış yükler sebebiyle yüzey hareketlerine karşı hassas durumdadır. Bu sebeple, çalışma alanı olarak İstanbul Havalimanı seçilmiştir. Landsat optik uydu görüntüleri kullanılarak 1984-2020 yılları arasında beşer yıllık periyotlar ile çalışma alanı sınıflandırılmıştır. Sınıflandırma sonrası gerçekleştirilen tematik doğruluk değerlendirmesi sonucunda, sınıflandırmalar yüksek doğruluk değerleri ile gerçekleştirilmiştir. Sınıflandırma sonucunda 1984 yılından 2010 yılına kadar sulak alanların 10 kat arttığı ancak havalimanı inşaatı sonrası %50'sinden fazlasının yok edildiği tespit edilmiştir. Bitki örtüsü yaklaşık olarak %24 azalmış, açık alan sınıfı ise %7 artış göstermiştir. Havalimanında meydana gelen yüzey hareketlerini belirlemek üzere LiCSBAS uygulama paketi ile SBAS yöntemi, SNAP ve StaMPS yazılımları ile PSInSAR yöntemleri uygulanmıştır. Havalimanının kullanıma açıldığı Kasım 2018 ile Eylül 2022 zaman aralığını kapsayan analizlerde, Sentinel-1 ücretsiz SAR görüntüleri kullanılmıştır. Hem yükselen hem de alçalan geometride gerçekleştirilen analiz sonuçlarının birbirine oldukça yakın sonuç verdiği tespit edilmiştir. SBAS ve PSI analiz sonuçlarının birbirini destekleyici sonuç vermesinin yanı sıra mekânsal çözünürlüklerinin farklı olması sebebiyle sonuçlar birbirini tamamlayıcı nitelikte olmuştur. Elde edilen sonuçlar doğrultusunda, B ve C pisti ile terminal binası arasında bulunan ve havalimanı inşaatı sebebiyle ıslah edilen 88,6 ha alana sahip sulak alanın olduğu bölgede çökme eğilimli deformasyon hareketi tespit edilmiştir. Bu bölgeye yakın olan pistlerde (B ve C pisti) ve terminal binasının kuzey kesimlerinde de benzer şekilde çökme eğilimli hareket görülmektedir. A pistinin kuzey kesimlerinde de çökme eğilimli negatif yönde hareket görülürken, terminal binası üzerinde, binanın güney kesimlerinde ve B pistinin güney kesimlerinde kabarma eğilimli pozitif yönde hareket görülmektedir. Kasım 2018-Eylül 2022 süre zarfında C pistinin inşaatına başlanıp tamamlanarak kullanıma açılmasından dolayı, PSI yöntemiyle sabit saçıcı noktaları tespit edilememiştir. Bu sebeple, C pistinin kullanıma açıldığı Temmuz 2020-Eylül 2022 zaman aralığında PSI analizleri tekrarlanmış ve C pistinin inşa edildiği bölgede yer alan ıslah edilmiş ufak sulak alanın üzerinde çökme eğilimli negatif yönde hareket olduğu tespit edilmiştir. Hem alçalan hem yükselen yörüngede elde edilen analiz sonuçları kullanılarak uydu bakış yönünde elde edilen yüzey hareketleri düşey ve yatay bileşenlerine ayrılmıştır. Her iki yörüngede elde edilen sonuçların birbirine benzerlik göstermesi, hareketin düşey yönde olduğunun göstergesidir. Elde edilen düşey bileşen de bu durumu doğrulamaktadır. Yatay bileşenden ise anlamlı sonuçlar elde edilememiştir. Terminal binası üzerinden alınan zaman serisi bileşenlerine ayrılarak trend bileşeni, Meteoroloji Genel Müdürlüğü (MGM)'den alınan sıcaklık verisi ile ilişkilendirilmiş ve yüksek korelasyon elde edilmiştir. Bu durum, terminal binasının çatı malzemesinin genleşmeye meyilli olduğunu göstermiştir. Sayısal yükseklik modelleri (SYM) kullanılarak havalimanı inşaatında kazı ve dolgu yapılan alanlar tespit edilmiştir. Havalimanı inşaatı öncesi topoğrafyayı ifade eden SYM, SRTM verisi ile sağlanmıştır. İnşaat sonrası topoğrafya ise stereo Pleiades görüntüleri ile 2 m mekânsal çözünürlükte oluşturulmuş ve SRTM verisinin mekânsal çözünürlüğü olan 30 m'ye yeniden örneklenmiştir. İki verinin farkının alınmasıyla elde edilen sonuçlar doğrultusunda 88,6 ha alana sahip büyük sulak alana ortalama 60 m dolgu yapıldığı tespit edilmiştir. Ayrıca elde edilen kazı ve dolgu alanlarının deformasyon sonuçlarıyla örtüştüğü tespit edilmiştir. Yüzey hareketlerinin belirlenmesi sonrası, zaman serileriyle tahmin analizleri gerçekleştirilmiştir. Tahmin analizlerinde altı farklı pilot bölge, yapı türü ve zaman serisinin karakteristiğine bağlı olarak belirlenmiştir. Tahmin analizleri geleneksel yöntemler, regresyon tabanlı yöntemler ve derin öğrenme yöntemleriyle gerçekleştirilmiştir. Analiz sonuçlarında, geleneksel yöntemler lineer bir yaklaşım sunarak başarılı bir sonuç vermiştir. Regresyon tabanlı yöntemlerden ise XGBoost Regresyon (XGBR) algoritmasının bütün bölgelerde başarılı sonuç verdiği tespit edilmiştir. Derin öğrenme yöntemlerinde ise Bütünleşik LSTM (Long Short Term Memory-LSTM) yönteminin başarılı sonuç verdiği tespit edilmiştir. Zaman serileri bileşenlerine (trend, mevsimsel etki, artık) ayrılarak, ERA5-Land meteorolojik parametreleri (hava sıcaklığı, toprak sıcaklığı, yağış ve buharlaşma) ile beraber tahmin analizlerine dahil edilmiş ve XGBR ile Bütünleşik LSTM algoritmaları kullanılarak bu özniteliklerin tahmin analizlerine katkısı incelenmiştir. Analiz sonucunda, özniteliklerin eklenmesinin tahmin doğruluğunu arttırdığı tespit edilmiştir. Her bölge için özniteliklerin önem dereceleri her iki yöntem üzerinden de belirlenmiştir. XGBR yöntemi üzerinden SHAP (SHapley Additive exPlanations), permütasyon öznitelik önemi yöntemleri ve algoritmanın kendi ağaç yapısını oluştururken kullandığı önem dereceleri ile, Bütünleşik LSTM yöntemi üzerinden ise permütasyon öznitelik önemi yöntemi ile eklenen yedi özniteliğin önem dereceleri belirlenmiştir. XGBR yöntemi ile elde edilen önem dereceleri bütün yöntemlerde benzerlik göstermiş ve trend ile artık parametrelerinin en önemli öznitelikler arasında yer aldığı belirlenmiştir. Ancak kontrollü ilerlenmediği takdirde bu parametrelerin aşırı öğrenmeye sebebiyet verdiği tespit edilmiştir. Pist üzerinden alınan iki farklı zaman serisinde buharlaşma parametresi öne çıkarken, bina üzerinden alınan zaman serilerinde de hava sıcaklığı parametresinin öne çıktığı belirlenmiştir. Bütünleşik LSTM yöntemi üzerinden permütasyon öznitelik önemi yöntemiyle belirlenen önem derecelerinde, trend bileşeni zaman serilerinin genelinde önemli öznitelikler arasında yer almaktadır. Pist üzerinden alınan zaman serilerinde yağış parametresi öne çıkarken, bina üzerinden alınan çökme ve kabarma zaman serilerinde buharlaşma parametresi öne çıkmaktadır. Terminal binası özelinde incelendiğinde ise toprak sıcaklığının öne çıktığı belirlenmiştir. Elde edilen sonuçlar doğrultusunda tahmin analizlerinde yapı türü, yapı malzemesi ve kullanılan yönteme göre sonuçların değişkenlik gösterdiği söylenebilmektedir. LSTM katmanlarında bulunan seyreltme katmanı ile aşırı öğrenme engellenebilirken, regresyon tabanlı algoritmalarda bu durumun engellenememesi yanıltıcı sonuçlar elde edilmesine sebep olabilmektedir. Geleneksel yöntemlerden ARIMA ve FFT ile XGBR ve Bütünleşik LSTM yöntemleri kullanılarak zaman serilerinin gelecek tahmini analizi gerçekleştirilmiş, elde edilen sonuçlar doğrultusunda FFT ve Bütünleşik LSTM yöntemlerinin benzer bir yaklaşım sunduğu tespit edilmiştir. Tez çalışması, İstanbul Havalimanı üzerinde gerçekleştirilen kapsamlı analizleri içermekte olup, İstanbul Havalimanı gibi büyük ve kritik öneme sahip ulaşım altyapılarında gerçekleştirilecek yapı sağlığı izleme çalışmalarına katkı sağlayacağı düşünülmektedir.
-
ÖgeInvestigation of artificial intelligence-based point cloud semantic segmentation(Graduate School, 2022-12-08) Atik, Muhammed Enes ; Duran, Zaide ; 501182611 ; Geomatics EngineeringWith the increasing usage areas of 3D point clouds, information extraction from 3D data has become an important field of study in photogrammetry, remote sensing, computer vision and robotics. The geometric information contained in point clouds is valuable for the successful implementation of many applications. Point clouds can be obtained with 3D scanners, Light Detection and Ranging (LiDAR), Motion Object Rendering (SFM), photogrammetry, and RGB-D cameras. Among these technologies, the usage area of LiDAR technology, which can be detected from the aerial, terrestrial and mobile, is expanding day by day. Especially for mapping and autonomous vehicles, mobile LiDAR point clouds offer very useful data. Mobile LiDAR point clouds are a type of data obtained using laser scanners mounted on a moving vehicle. Accurate sense of space, mapping and precise positioning are essential requirements for autonomous driving. For the successful performance of these tasks, mobile LiDAR point clouds are an information-rich data source. Point cloud semantic segmentation has become an important research topic in the last decade. With the development of artificial intelligence techniques, semantic segmentation of point clouds has been applied in many areas. Many methods and data sets are shared in the literature, and although the research continues rapidly, more research is needed. Deep learning techniques also enable successful semantic segmentation of large and complex point clouds. Semantic segmentation has an important potential for autonomous driving systems to perceive and map the environment. This thesis presents three articles examining the use of artificial intelligence techniques in the semantic segmentation of point clouds. A new deep learning-based semantic segmentation approach is proposed in the thesis. In addition, approaches to improving the performance of existing machine learning and deep learning techniques are presented. In the first article, semantic segmentation performances of eight machine learning approaches were investigated using point clouds created with aerial and mobile LiDAR sensors. The feature vectors of each point in the point cloud are created using geometric features that describe the geometric relationships in the specific local neighborhood of the point. Only the 3D coordinates of the point cloud are not sufficient for semantic segmentation. Additional information needs to be created. The neighborhood of a point is determined by a sphere centered on the point. In the study, the change of semantic segmentation accuracy of machine learning algorithms depending on the change of the radius of this sphere has been examined. Determining the most suitable radius increases the distinctiveness of the geometric features, and thus the accuracy of the algorithms increases. The results obtained were compared with the results of current methods using the same data sets. In the second article, a new projection-based deep learning approach for point cloud semantic segmentation is presented. First, point clouds are converted into 2D images. These images are created by projecting the irregular structure of the point cloud onto the 2D plane. Spherical projection is used for projection. Mobile LiDAR point clouds consist of frames similar to an image array. This data needs to be evaluated quickly and accurately to ensure safe autonomous driving. Once converted, point clouds can now be treated as 2D images. U-Net and SegNet have commonly used image segmentation methods. The proposed method (SegUnet3D) was created by combining these two methods. Input data proceeds through two channels, U-Net and SegNet, and result estimates are created by summing the calculated weights in the final stage. Geometric features were calculated to describe the points. Each geometric feature is attached to the 2D images like a band of images. Thus, multi-spectral images representing the point cloud were created. The use of geometric features improved the semantic segmentation performance of the method. SemanticPOSS and RELLIS-3D data sets were used to implement the proposed method. SemanticPOSS includes dense urban area, and RELLIS-3D includes the rural area. Thus, the performance of the proposed method in different topographic structures was also examined. In addition, the experiments were repeated to determine the optimum parameters by changing the input image size and the minimum number of points required to calculate the geometric features. The proposed method was compared with the current methods in the literature. The mIoU metric was improved with the proposed method by up to 15.9\% in the SemanticPOSS data set and up to 5.4\% in the RELLIS-3D data set. The third article examines the effect of feature selection algorithms on the point cloud semantic segmentation performance of deep learning networks. Filter-based information gain (IG), Chi-square (Chi2) and ReliefF algorithms were used to select the relevant features. Because filter-based methods do not depend on a classifier, they produce more consistent results in determining the optimum properties. RandLA-Net and Superpoint Graph (SPG), which directly use points as deep learning networks, are preferred. Both methods can process geometric features as input data. Experiments were performed on three popular mobile LiDAR point cloud data sets. Selected data sets are Toronto3D, SZTAKI-CityMLS, and Paris-CARLA-3D. The use of three data sets is important in terms of generalizing the hypothesis of the proposed article. Toronto3D and Paris-CARLA-3D contain color information for a point. Considering the 3D coordinates (x, y, z), color information (red - green - blue), and selected geometric features, ten feature combinations were created for these two data sets. As a result, cases where sub-attributes determined by feature selection are used have higher semantic segmentation accuracy than cases where all features are used. Similar results were obtained from all data sets. It is also seen that color information significantly increases the accuracy of semantic segmentation. Especially without color information, it is not possible to distinguish geometrically similar classes such as road and road marking. It is seen that the feature with the highest importance according to the feature importance degrees is the height difference in a point neighborhood area. The feature importance ranking results in the first article are consistent. This study concluded that the success of point cloud semantic segmentation is a process dependent on the determined features. In summary, the effect of the usage of geometric features in PCSS applications with artificial intelligence approaches has been examined in this thesis. Each point of the point cloud is defined using geometric features to improve the PCSS performances of machine learning and deep learning algorithms. Analyzes were carried out for the most accurate identification of a point in the surface area. Mobile LiDAR point clouds, an important data source for autonomous driving, are the focus of the research. A fast and efficient projection-based deep learning network has been developed for point cloud semantic segmentation for autonomous driving. Performance analyzes and suggested methods are presented in a reproducible and applicable way in studies of point cloud semantic segmentation.
-
ÖgeKuzeydoğu Akdeniz bölgesindeki diri fayların kinematiğinin GPS gözlemleri ve elastik yarı uzaysal yer değiştirme modeli ile belirlenmesi(Lisansüstü Eğitim Enstitüsü, 2021-06-01) Özkan, Ali ; Yavaşoğlu, Hasan Hakan ; 501092603 ; Geomatik MühendisliğiTürkiye'nin en önemli neotektonik ve sismojenik yapılarından birisi olan sol yanal doğrultu atımlı Doğu Anadolu Fay Zonu (DAFZ) Erzincan'ın doğusunda Karlıova'dan başlayarak Hatay'a kadar uzanan ve daha güneyde Ölü Deniz Fayı ile birleşen aktif bir fay zonudur. Arabistan ve Afrika plakalarının kuzeye doğru farklı hızlardaki bağıl hareketleri, Bitlis-Zagros Bindirme Kuşağı boyunca gelişen kıta-kıta birleşmesi ve Anadolu plakasının batıya kaçışına bağlı olarak DAFZ üzerinde ve çevresinde önemli sismik aktiviteler meydana gelmektedir. DAFZ'nin güneyinde Kahramanmaraş üçlü kavşak noktası ile Hatay üçlü kavşak noktası arasındaki Karasu Fayı (KF) ile Kıbrıs Yayı'nın etkisi altındaki Toprakkale, Yumurtalık, Karataş-Osmaniye (KOF) Fayları Kuzeydoğu Akdeniz bölgesinin karmaşık tektonik yapısı içerisinde yer alan depremsellik açısından önemli fay segmentleridir. Bu faylar 2012 ve 2018 yıllarında güncellenen Türkiye Diri Fay Haritasında diri fay sınıfında değerlendirilmiştir. Buna karşın bölgedeki diri fayların kinematiğini araştırmak için yapılan jeodezik çalışmaların sınırlı kalması bu fayların davranışlarının anlaşılmasını ve deprem potansiyellerinin ortaya konulmasını güçleştirmektedir. Bu nedenle, söz konusu diri faylara ait güncel kayma hızları ve kilitlenme derinlikleri gibi fay kinematiğini yansıtan parametrelerin jeodezik yöntemler kullanılarak yüksek doğrulukla belirlenmesi gerekmektedir. Bu amaçla kullanılan en etkin yöntem fayların geometrisine ve karakteristiğine uygun olarak tesis edilmiş jeodezik ağlar üzerindeki sürekli istasyon ve kampanya noktalarında GPS gözlemleri gerçekleştirmektir. Bu doktora tez çalışmasında, Kuzeydoğu Akdeniz bölgesinde büyük deprem üretme potansiyeli yüksek diri faylar geniş bir jeodezik ağ kullanılarak izlenmiş ve toplanan GPS verilerinin modellenmesi sonucunda blokların dönme hızları, fay kayma hızları, fay kilitlenme derinlikleri ile blok içi yamulma hızları yüksek doğruluk ve uzaysal çözünürlükle belirlenmiştir. Bu amaçla, uygun geometri ve dağılım dikkate alınarak kampanya GPS gözlem noktaları ile sürekli GPS istasyonlarından (TUSAGA-Aktif ve kamu kurumlarına ait CORS ağlarının istasyonları) oluşan geniş bir jeodezik ağ tasarlanmıştır. Bu spesifik gözlem ağı, aynı zamanda bünyesinde Kuzeydoğu Akdeniz bölgesinde gerinim biriktiren önemli diri fayları dik kesen profiller barındırmaktadır. Bu profiller yardımıyla söz konusu diri fayların kinematik özellikleri hakkında önemli bulgulara ulaşılmıştır. GPS verilerinin GAMIT/GLOBK yazılımı ile işlenmesi neticesinde çalışma bölgesi ve civarı için kampanya gözlem noktaları ve sürekli GPS istasyonlarının ITRF2008 datumunda tanımlandığı güncel GPS hız alanı elde edilmiştir. Bu GPS hız alanının literatürdeki diğer hız alanı çözümleri ile entegrasyonu sağlanarak ITRF2000 referans sisteminde Avrasya levhası sabit bütünleşik bir yatay GPS hız alanı tanımlanmıştır. Hız alanı çözümlerinin ortak bir referans sisteminde birleştirilebilmesi için 6 parametereli (3 öteleme ve 3 dönüklük) bir dönüşüm modeli kurulmuştur. Ayrıca, literatürdeki çalışmalarından derlenen Euler kutup parametrelerine bağlı olarak Arabistan levhası sabit GPS hız alanı üretilmiş ve böylece blok modelleme için uygun bir veri seti oluşturulmuştur. Bu çalışmada diri fayların kinematik özelliklerinin blok modeller ile tanımlanabilmesi için TDEFNODE yazılımından yararlanılmıştır. Blok modellemede, en basit geometriden daha karmaşık olana doğru, veri ile uyumlu blok modelin test edilmesine dayalı bir strateji benimsenmiştir. Buna göre, Kuzeydoğu Akdeniz bölgesindeki diri fayların kinematik özelliklerini araştırmak için belirli bir model alanında 5 bloktan oluşan bir blok model tanımlanmıştır. Blok modellemeye ilişkin izlenen adımlar ve elde edilen sonuçlar detaylı olarak açıklanmıştır. Blok modelleme sonuçları ve fay uzunluklarına bağlı olarak faylar üzerindeki gerinim birikimleri ve olası deprem büyüklükleri hesaplanmıştır. Doğu Anadolu Fayı'nın Gölbaşı-Türkoğlu segmenti üzerinde 1114 depreminin (M ≥7.8) ardından başlayan gerinim birikimi ~6.8 metre olarak belirlenmiştir ve 7.2 ile 7.6 büyüklüklerinde olası depremlere yol açabileceği tahmin edilmektedir. 1513 depremi (M ~7.4) sonrasında Karataş-Osmaniye Fayı'nda başlayan deformasyonun büyüklüğü günümüzde fayın farklı bölgelerinde ~1.3-2.1 metre değerlerine ulaşmıştır ve bu bölgelerde 6.8 ile 7.2 büyüklükleri arasında olası depremlere neden olabileceği değerlendirilmektedir. Karasu Fayı üzerinde ise 1822 (M 7.4) ve 1872 (M 7.2) depremleri göz önünde bulundurulduğunda ~0.4-0.6 metre gerinim birikiminin büyüklüğü 6.6-7.2 aralığında olası depremlere neden olabileceği öngörülmektedir. Bu doktora tez çalışması sonucunda Kuzeydoğu Akdeniz bölgesindeki önemli diri fayların sahip olduğu büyük ölçekli deprem oluşturma potansiyeli ortaya konulmuştur ve tez çıktılarının ulusal deprem eylem planları, sismik risk analizleri, deprem hasar tahmin çalışmaları ile kentsel dönüşüm planlarına katkılar sunması beklenmektedir.
-
ÖgeNokta bulutlarının otomatik birleştirilmesinde yeni bir yöntem önerisi(Lisansüstü Eğitim Enstitüsü, 2021-10-01) Kuçak, Ramazan Alper ; Erol, Serdar ; 501152611 ; Geomatik MühendisliğiNokta bulutlarının birleştirilmesi geomatik, makine, inşaat mühendisliği ve mimarlık disiplinlerinin uygulama alanları için çok büyük bir öneme sahiptir. Nesnelerin bir bütün olarak veya nesneler üzerindeki detayların daha gerçekçi olarak modellenebilmesi için farklı konumlardan veya farklı çözünürlüklü tarayıcılardan elde edilen nokta bulutlarının birleştirilmesi gerekmektedir. Günümüzde kültürel mirasların dokümantasyonu, Coğrafi Bilgi Sistemi (CBS) veya 3B şehir modelleme gibi birçok alanda nokta bulutları yaygın olarak kullanılmaktadır. Bu alanlarda, nokta bulutları kullanılarak gerçekleştirilecek çalışmalarda, doğruluğu yüksek nokta bulutları ile çalışmak, 3B modelleme çalışmaları için oldukça önemlidir. Nokta bulutlarının modellenmesinde fazla sayıda nokta bulutu verilerinden ziyade; verinin modellenebilmesi için yeterli olacak nokta bulutunun ve yüksek doğrulukta noktaların kullanılması çok daha önemlidir. Bu sebeple, modelleme için kullanılacak nokta bulutu verisi için öncelikle bilinmesi gereken, verinin bütünlüğünün ve doğruluğunun araştırılması olmalıdır. Veri bütünlüğünü ve doğruluğunu artırmak için de, ya verinin çözünürlüğü artırılmalıdır, ya da gerektiği durumlarda doğruluk analizleri yapılmalıdır. Elde edilen sonuçlara göre de nokta bulutlarını birleştirme ve enterpolasyon işlemlerinin yapılması daha doğru çalışmaların yapılmasının önünü açacaktır. Doğruluğun ya da çözünürlüğün önemli olduğu nokta bulutu modelleme çalışmalarında, verinin analizleri yapıldıktan sonra; mevcut nokta bulutunun doğruluk ve çözünürlük açısından yeterli olduğu düşünülüyor ise birleştirme ya da modelleme aşamalarına geçilebilir. Fakat, mevcut nokta bulutunda istenilen yüzey verisi eksikse veya nokta bulutu yeterli doğruluk ve çözünürlüğe sahip değil ise; mevcut nokta bulutundan daha yüksek doğruluklu bir nokta bulutu üretip mevcut sisteme entegre etmek; üç boyutlu (3B) yüzeyler için yapılacak enterpolasyon ya da modelleme işlemleri için daha doğru bir yaklaşım olacaktır. Bu tez çalışmasında; farklı veya aynı sistemlerden üretilen 3B nokta bulutlarının otomatik olarak birleştirilmesi ve böylece objelerin 3B modellerinin hassas olarak oluşturulması amaçlanmaktadır. Böylece 3B modelleme çalışmalarında daha doğru modellerin üretilmesi ve enterpolasyon ile yüzey geçirme işlemlerinin daha hassas olarak elde edilebilmesine bir katkı sağlanması hedeflenmektedir. Nokta bulutlarının birleştirme işlemi üç aşamadan oluşmaktadır: Öncelikle, nokta bulutları içerisindeki anahtar noktaların bulunması, tanımlanması ve nokta bulutları arasında eşlenmesi gerekmektedir. Daha sonra, elde edilen eşlenik noktalar yardımıyla nokta bulutlarının ilk hizalaması yapılır ve son olarak hassas birleştirme işlemine geçilir. İlk birleştirme işlemi, nokta bulutlarının kabaca hizalanması için tercih edilir ve ayrıca hassas birleştirme işlemi de etkili bir ilk hizalama ile başlamaktadır. Anahtar nokta belirleme ve tanımlama algoritmaları genellikle resim-görüntü tabanlı (RGB) veriler ile çalışmaktadır, sadece XYZ kartezyen koordinatları kullanan çok az sayıda anahtar nokta belirleme ve tanımlama algoritması bulunmaktadır. Bu tez çalışmasında, nokta bulutlarının ilk hizalanması ve tam birleştirilmesi için, yeni bir otomatik anahtar nokta tanımlama ve eşleştirme yaklaşımı önerilmiştir. Burada sunulan yeni yaklaşım, intensity (Lazerin yüzeyden yansıma enerjisi) ya da RGB gibi yansıtım değerleri ile değil, sadece XYZ koordinatlarına sahip herhangi bir nokta bulutu için uygulanabilmektedir. Çalışmada, öncül birleştirme için burada önerilen otomatik anahtar nokta tanımlama ve eşleme yaklaşımı uygulanmıştır ve sonrasında ise, dönüşüm parametrelerinin tahmini için 3B Helmert Benzerlik Dönüşümü kullanılmıştır. Ayrıca nokta bulutlarının tam birleştirilmesi için İteratif En Yakın Nokta (İEYN) Algoritması kullanılmıştır. Dönüşüm parametrelerinin tahmini, ilk birleştirmeye başlamak için en kritik aşamadır. Bu çalışmada önerilen otomatik tanımlama ve eşleme algoritmasında, birleştirilecek her nokta bulutu öncelikle uygun eğriliklere göre filtrelenmiştir. Ardından, her nokta bulutu için elde edilen anahtar noktalar kendi aralarındaki açı kosinüs ve mesafe değerlerine göre tanımlanmıştır. Sonrasında, her nokta bulutunda tanımlanan anahtar noktalar karşılıklı olarak birbirleriyle eşlenmiştir. Elde edilen eşlenik noktalar yardımıyla nokta bulutlarının İEYN öncesi ilk hizalaması için 3B Benzerlik Dönüşümü parametrelerinin hesaplanmasında büyük açılı ve küçük açılı Gauss-Markov ve Gauss-Helmert dengeleme modelleri kullanılmıştır. Ayrıca, ilk hizalama için dönüşüm parametrelerinin hesaplanması aşamasında, eşlenik noktalar eğrilik değerlerine göre gruplara ayrılmış ve ölçü gruplarının öncül varyans değerleri, Varyans Bileşen Tahmini (VBT) uygulanarak belirlenmiş ve daha sonra İEYN ile hassas birleştirme gerçekleştirilmiştir. Tez çalışmasında önerilen algoritmayı literatürdeki diğer yöntemlerle karşılaştırmak için, 3 farklı veri seti kullanılmıştır. İstanbul Teknik Üniversitesi (İTÜ) Ayazağa Kampüsü'nde yer alan Yılmaz Akdoruk Öğrenci Yurdunun tüm cepheleri Riegl VMX 450 LiDAR Sistemi ve Leica C10 yersel lazer tarayıcı ile taranmıştır. İki farklı tarama sisteminden elde edilen bina ön cephesine ait yersel statik ve mobil LiDAR verileri üzerinde, önerilen yöntem uygulanarak iki farklı lazer tarama verisi birleştirilmiştir. Diğer veri setleri ise, küçük nesnelerin modellenmesi ve endüstriyel amaçlı ölçmelerde de çok sık kullanılan lazer tarayıcılardan elde edilen "Aristo heykeli" ve "Stanford Tavşan" verileridir. Tavşan verisi, Stanford Üniversitesi Bilgisayar Grafik Laboratuvarına ait bir "Cyberware 3030 MS" tarayıcı ile taranan Stanford Modeli olarak bilinir. Stanford Tavşan verileri genellikle literatürdeki anahtar nokta eşleştirme algoritmaları için örnek bir model olarak kullanılır. Aristo heykeli ise İTÜ Geomatik Mühendisliği Ölçme laboratuvarında, "Next Engine 3D Ultra HD" tarayıcı ile taranmış nokta bulutu verisidir. Bu nesnelere ait lazer tarama verileri de önerilen algoritma uygulanarak birleştirilmiş ve 3B modeller elde edilmiştir. Sonuç olarak, önerilen yöntem algoritmik olarak gerçeklenmiş, bahsedilen veri setlerinde uygulanmış ve bu yöntemin eksik ve üstün yönlerini ortaya çıkarmak için literatürde mevcut olarak kullanılan anahtar nokta tanımlama ve eşleme yöntemleri ile karşılaştırılmıştır. Bu çalışmada kullanılan yöntemler; 3B dönüşümün doğruluğu, dönüşüm parametrelerinin Ortalama Hata (OH) değerleri ve İEYN algoritmasının ilk ve son OH değerlerine göre değerlendirilmiştir. Gerçekleştirilen karşılaştırmalı analizler sonucunda, önerilen algoritma ile daha iyi OH değerlerine ulaşılırken, diğer algoritmalarda da (ISS+PFH ve LSP+PFH) anlamlı OH değerlerine ulaşılmıştır. Fakat bazı verilerde diğer algoritmalar ile eşlenik nokta bulunamadığından, İEYN algoritması için anlamlı bir sonuç gözlemlenememiştir. Kullanılan veriler ve karşılaştırılan yöntemlere göre, önerilen algoritma daha iyi bir ilk hizalama sonucu verdiği için, İEYN uygulandıktan sonra daha başarılı modeller oluşturulmuştur. Bu çalışmada, önerilen yöntemin, otomatik nokta eşleme literatürüne katkısı, uygulamalar ve farklı veri tipleri kullanılarak irdelenmiştir, daha doğru ve hassas 3B modellerin üretilebilmesine sağladığı katkı görülmüştür.
-
ÖgeTarihi yarımada'da turizm amaçlı, mekansal tabanlı sanal gerçeklik olanaklarının araştırılması(Lisansüstü Eğitim Enstitüsü, 2023-03-17) Buhur, Sançar ; Musaoğlu, Nebiye ; 501072611 ; Geomatik MühendisliğiÜç boyutlu (3B) kent modellerinin yaygınlaşması, kentlere ilişkin mekansal bilgilerin 3B olarak sunulmasını ve dolayısıyla kullanıcıların mekansal algılarının artırılmasını mümkün hale getirmiştir. Coğrafi verilerin 3B olarak dijital ortamlarda sunulmaya başlamasıyla birlikte büyük hacimli veri setlerinin saklanması, paylaşılması, sunulması ve farklı uygulamalar için farklı ayrıntı düzeylerine ihtiyaç duyulması gibi sorunlar, verilerin standartlaştırılması ve gereksiz verilerin elimine edilmesi gibi ihtiyaçları beraberinde getirmiştir. Her ne kadar farklı genelleştirme yöntemleri çalışılmış olsa da genelleştirmenin nasıl, ne zaman ve ne kadar etkili olduğuna dair soruların cevapları hala araştırılmaktadır. Sanal gerçeklik (SG) bilgisayar ve yazılımlar aracılığıyla kullanıcılara gerçeklik hissi veren ortamların hazırlanmasıdır. Günümüzde farklı uygulama alanları bulunan SG'den turizm alanında da yararlanılmaktadır. Turistlere bilgi amaçlı hazırlanan bu uygulamalar çoğunlukla 360 derece panorama fotoğraflarının kullanıldığı ve kullanıcı etkileşiminin oldukça kısıtlı olduğu uygulamalar şeklindedir. Bu çalışmada, hava LiDAR (Light Detection and Ranging) verileri kullanılarak Tarihi Yarımada sınırları içerisinde yer alan Eminönü Meydanı ve çevresi için turizm amaçlı LoD3 (Level of Detail) ayrıntı düzeyinde 3B kent modeli oluşturulmuştur. Çalışma üç aşamada gerçekleştirilmiştir. Birinci aşamada, LiDAR verisi sınıflandırılarak zemin, bina ve bitki örtüsü sınıfları oluşturulmuştur. İkinci aşamada, zemin ve bina sınıfları kullanılarak modelleme çalışmalarına başlanmıştır. Ayrıntılı modelin olduğu bölgede gerek zemin ve kent aksesuarları gerekse referans yapılar için ayrıntı düzeyi yüksek tutulmuştur. Çalışmanın üçüncü aşamasında ise turistik açıdan önemi olmayan binaların ayrıntı düzeyi 3B bina genelleştirme uygulanarak indirgenmiştir. Böylelikle, turistik açıdan önemli yerlerin vurgulu gösterimi mümkün olmuştur. Uygulama sırasında karşılaşılan sorunlar ve çözümleri ilgili başlıklar altında açıklanmıştır. 3B kent modelinin oluşturulması için yüksek ayrıntı düzeyindeki modeller, gerçek orto fotolar, genelleştirilmiş binalar, OpenStreetMap (OSM) ve öznitelik bilgileri gibi farklı yöntemler kullanılarak üretilmiş farklı formatlardaki verilerin oyun motoru içinde entegrasyonu sağlanmıştır. Oyun motoru tabanlı yapılan sunumda, modelin OSM ile uyumu sağlanarak kullanıcıların model içerisinde etkileşimli olarak gezerken gerçek konum ve adres bilgilerine ulaşmaları sağlanmış ve referans yapılara eklenen öznitelikler ile modelin bilgi içeriği zenginleştirilmiştir. Hazırlanan modelin geliştirilebilmesi için ilerki aşamalarda araştırılması gereken konular belirtilerek çalışma sonlandırılmıştır.
-
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.
-
ÖgeYüksek çözünürlüklü uydu verileri kullanılarak şehir alanlarının incelenmesi(Lisansüstü Eğitim Enstitüsü, 2022-02-08) Topaloğlu, Raziye Hale ; Sertel, Elif ; 501142618 ; Geomatik MühendisliğiHızlı bir şekilde değişen ve gelişen dünyada, artan bir nüfus ile birlikte şehirleşmenin süregelen artışı kaçınılmazdır. Bunun sebepleri arasında insanların sosyal yapısının ve bir arada yaşama isteklerinin oluşuyla beraber ekonomik etmenler de oldukça etkilidir. Sürekli yenilenme isteği içinde olan insanın, tıpkı dünyada olduğu gibi, Türkiye'de de özellikle kırsal alanlardan kent alanlarına göçü ile birlikte küçük şehirlerde bile büyüme meydana gelmekte ve bu durum günden güne devam etmektedir. Şehirleşmenin devam eden bu artışı ekonomik, sosyal ve hatta çevresel anlamda önemli etkiler yaratmaktadır. Bu etkiler arasında fakirlik, eksik kalan barınma ihtiyacı ile birlikte ortaya çıkan gecekondulaşma, peyzaj değişimi, sıcaklık artışı, gıda güvenliğinin azalması vb. yer almaktadır. Tüm bu etkilerin tespiti için, kentsel alanların belirlenmesi ve kentsel büyüme eğilimleri hakkında bilgi sahibi olmak, kent ve bölge planlayıcıları için faydalı bilgiler sağlar. Uzaktan Algılama teknolojileri kent alanlarının incelenmesi, haritalanması ve planlanması konularında hızlı ve güvenilir veri ve yöntemler sunmaktadır. Gelişen teknoloji ile birlikte fırlatılan yüksek ve çok yüksek mekânsal çözünürlüğe sahip uydulardan elde edilen görüntülerden, şehir alanlarının zamansal ve mekânsal değişimlerinin tespit edilebilmesi için hızlı, ekonomik ve doğruluğu yüksek Arazi örtüsü/kullanım (AÖ/AK) haritaları üretilebilir. Bu araştırma kapsamında, Türkiye için ekonomik ve sosyal açıdan önemli ve yüksek nüfusa sahip iki şehir olan İzmir ve İstanbul illerinin iki farklı ilçesi çalışılmıştır. İzmir ili için Gaziemir, Buca, İstanbul ili için ise Çekmeköy ve Arnavutköy ilçeleri, gelişim potansiyeli yüksek, AÖ/AK sınıf çeşitliliğinin fazla olduğu için tercih edilmiş, yaklaşık 10 yıllık değişimi için detaylı bir inceleme yapılmış, değişim sonuçları analiz edilen bu ilçeler için 2024 ve 2030 yıllarındaki olası durumları ortaya konulmuş ve yorumlanmıştır. Çalışma genel olarak 6 aşamadan oluşmaktadır. Bu aşamalar (1) Çalışma alanı olarak belirlenen ilçeler için SPOT görüntüleri içerisinden uygun veri setlerinin temin edilerek, 4 farklı ilçe sınırı için görüntülerin hazırlanması ve AÖ/AK sınıflarının irdelenmesi (2) İzmir için 2006-2012-2018, İstanbul ili için ise 2009-2013-2019 yılları olmak üzere belirlenen 3 farklı periyot için de uygun segmentasyon (bölütleme) parametrelerinin belirlenmesi ve çalışma alanları için üç farklı yıldaki görüntülerin nesne tabanlı sınıflandırma yöntemi uygulanarak sınıflandırılması suretiyle toplamda 12 farklı AÖ/AK haritalarının üretilmesi (3) AÖ/AK haritaları için doğruluk değerlendirmesinin yapılması (4) Her ilçe için farklı tarihlerdeki AÖ/AK haritalarının değişim analizinin yapılması ve bu değişim analizi sonuçları üzerinden AÖ/AK sınıflarının birbirine dönüşümünü özetlemeye yardımcı olan dönüşüm matrislerinin oluşturulması (5) İlçelerin yapısal değişiminin ayrıntılı analizi için öncelikle uyumlu sınıf ve peyzaj düzeyi peyzaj metrik gruplarının oluşturulması ve daha sonra bu xviii metriklerin hesaplanması ve bu sonuçların değişim analizi ile birlikte değerlendirilerek ilçelerin belirlenen periyotlardaki durumlarının analizi (6) İlçelerin 2024 ve 2030 yıllarındaki durumlarının model yardımı ile ortaya konularak, AÖ/AK sınıflarının nasıl değiştiğinin irdelenmesi. Bu amaç doğrultusunda, İzmir ili için 2006 ve 2012 yılları, İstanbul ilçesi için ise 2009 yılı SPOT-5 görüntüsü 10 m multispektral (MS) + 2.5 pankromatik (PAN) veri seti şeklinde, İzmir ilçesi 2018 yılı, İstanbul ilçesi için ise 2013 ve 2019 yılları SPOT 6&7 görüntüsü ortho ve pan-sharpened halde 1,5 m mekânsal çözünürlükte temin edilmiştir. Bu görüntülerin önişleme aşamasında ise 2018 ve 2019 yıllarına ait Pleaides görüntüsü kullanılmıştır. Ön işleme aşamaları tamamlanan uydu görüntülerine nesne tabanlı sınıflandırma yöntemi uygulanmıştır. İlk olarak en önemli işlem adımı olan segmentasyon aşaması için çok çözünürlüklü segmentasyon yöntemi kullanılarak her ilçenin her yılı için uygun parametreler belirlenmiştir. Sonrasında karar setleri (karar ağacı) oluşturulmuş, bu setler genel olarak sırasıyla Sulak alanlar alt sınıfları, Arazi kullanım sınıfları, kentsel doku alt sınıfları, Ormanlık alanlar alt sınıfları ve son olarak Tarım alanları alt sınıflarının tespitine odaklanarak oluşturulmuştur. Bu sıralamayla birlikte uygun segmentasyon parametrelerinin de belirlenebilmesiyle; Gaziemir ilçesi için 23, Buca ve Çekmeköy ilçeleri için 22 ve Arnavutköy ilçesi için ise 27 AÖ/AK sınıfı tespit edilmiştir. Her ilçenin 3 farklı yılda sınıflandırması tamamlanan toplamda 12 farklı AÖ/AK haritasının doğruluğunun tespiti için alan bazlı doğruluk değerlendirmesi yapılmıştır. Her sınıf için en az 5 en fazla 20 rastgele alan seçimi yapıldıktan sonra, her ilçenin güncel yılındaki alanlar ilgili ilçenin diğer yıllarının değerlendirilmesinde de kullanılmış ve hata matrisleri oluşturulmuştur. Gaziemir ilçesi için toplamda 204, Buca ilçesi için 216, Çekmeköy ilçesi için 227 ve Arnavutköy ilçesi için 270 rastgele alan üzerinden değerlendirme yapılmıştır ve bu alanlar yaklaşık olarak sırasıyla, 500, 560, 590 ve 700 bin pikseli kapsamaktadır. Doğruluk analizinin sonucunda elde edilen en yüksek toplam doğruluklar her ilçenin en güncel (2018 ve 2019) yılları AÖ/AK haritalarında olmuştur. Gaziemir ilçesi için %88,73, Buca ilçesi için %90,28, Arnavutköy ilçesi için %90,74 ve son olarak Çekmeköy ilçesi için %91,19 olarak bulunmuştur. Doğruluk değerlendirmesinden sonraki aşamada hangi sınıfın hangi sınıfa hangi sebeple, nasıl değiştiğinin belirlenebilmesi için değişim analizi işlem adımına geçilmiştir. Ortaya çıkan sonuçlar doğrultusunda da sınıfların değişiminin hangi sınıf yönünde olduğunu kolay yorumlayabilmek adına dönüşüm matrisleri oluşturulmuştur. Bu adımda görülmüştür ki, genel anlamda her ilçenin yaklaşık 10 yıl içerisinde kentsel alanlarında büyüme ve yeşil alan kayıpları ile büyümesi söz konusudur. Fakat Buca ilçesinde tarım alanları ve doğal alanlarda korunma mevcuttur. Değişim analizi işlem adımından sonraki aşamada ilçelerdeki değişimi daha ayrıntılı anlamak ve peyzajın formunun ne durumda olduğunu analiz edebilmek amacıyla, peyzaj ve sınıf düzeyinde metrik grupları oluşturulmuştur. Kullanılan metrikler; Ünite yoğunluğu (ÜY), Ünite Sayısı (ÜS), En Büyük Ünite İndeksi (EBÜİ), Kenar Yoğunluğu (KY), Toplam Merkez Alan (TMA), Alan Ağırlıklı Ortalama Şekil İndeksi (AAOŞİ), Peyzaj Şekil İndeksi (PŞİ), Ortalama En Yakın Komşunun Alan Ağırlıklı Mesafesi (OYKAAM), Alan Ağırlıklı Ortalama Ünite Büyüklüğü (AAOÜB) Shannon'nın Çeşitlilik İndeksi (SÇİ), Kümelenme İndeksi (Kİ), Parçalanma İndeksi (Pİ), olmak üzere toplamda 12 tanedir. Kullanılan bu metrikler 4 ilçenin AÖ/AK sınıflarının mekânsal değişimi hakkında oldukça yararlı bilgiler sağlamıştır. Sonuçları, değişim analiz sonuçları ile de karşılaştırılmıştır. Özellikle Arnavutköy ilçesinde son 10 yılda ormanlık alanlar, ekilebilir tarım alanları, meralar ve karasal su yüzeyleri sınıflarına ait ünitelerde önemli azalmaların görüldüğü, diğer ilçelerde de sulak alanlar dışındaki doğal alanlar sınıflarına ait ünitelerde parçalanma ve küçülmelerin etkili olduğu görülmektedir. Ünitelerdeki bu parçalanma ve küçülmelerin sebebinin şehirleşme odaklı kent alanlarındaki ve yapılaşmanın artması olarak yorumlanabilmektedir. Arnavutköy ilçesinde havalimanı inşası ve yine hem Çekmeköy ve Arnavutköy ilçelerindeki yeni yol güzergahlarının açılmış olması bunun en güzel ispatıdır. Son aşamada, ilçelerin 2024 ve 2030 yıllarındaki AÖ/AK haritaları modellenmiş, ilçelerin mevcut ve gelecekteki olası durumları hakkında yorumlamalar yapılmıştır. İleriye yönelik tahminleri gerçekleştirmek amacı ile ilçelerin AÖ/AK haritalarının üretilmesi aşamasında literatürde de sıkça kullanılan Hücresel Otomat-Markov Zincirleri Entegrasyonu yöntemi kullanılmıştır ve sonuçları analiz edilmiştir. Bu sonuçlara göre; hem 2024 hem de 2030 yılında her ilçe için genel anlamda kent alanları sınıflarının ve özellikle Endüstriyel, Ticari ve İlgili alanlar, Yollar ve İlgili alanlar arazi kullanım sınıflarının yıllarla doğru orantılı olarak artış göstermiş olduğu, Ormanlar alt sınıflarında ise azalmaların meydana çıktığı görülmüştür. Bu çalışma, Uzaktan Algılama, Peyzaj Mimarlığı ve kentsel ve bölgesel planlamanın disiplinler arası bir yaklaşımını uygulamıştır. AÖ/AK iklimi, hidrolojik kaynakları, hava kalitesini ve çevremizi doğrudan etkilediği için AÖ/AK değişimlerini ve eğilimlerini doğru bir şekilde analiz etmek oldukça önemlidir. Bu araştırmanın metodolojisi ve sonuçları küresel değişim, kentleşme ve sanayileşme gibi çeşitli kullanılabilir. Ayrıca, zengin tematik sınıflara sahip çok yüksek çözünürlüklü uydu görüntülerinin kullanılması, daha büyük ölçeklerde (1/10000 veya daha büyük) karar vermeye, şehir planlamasına ve yönetimine kapsamlı bir şekilde katkıda bulunabilecek peyzajın daha iyi analiz edilmesine ve gelecekteki koşulların modellenmesine olanak tanır.