LEE- Uydu Haberleşme ve Uzaktan Algılama-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 5 / 9
-
ÖgeVessel detection from very high-resolution satellite images with deep learning methods(Graduate School, 2022-06-22)Vessel detection from remote sensing images is becoming increasingly important component in marine surveillance applications such as maritime traffic control, anti-illegal fishing applications, oil discharge control, marine pollution and marine safety. Increasingly, very high and medium resolution (VHR and MR) earth observation satellites both significantly increase the detectability of many terrestrial objects and shorten recurring visit times in orbit like never before, making the use of this technology attractive for a variety of maritime monitoring missions. However, the difficulty and complexity of object detection in huge satellite images that cover hundreds of square kilometers and derive results under near real-time constraints cause traditional methods to face many difficulties when processing satellite images of this size. Processing these images and applying them to deep learning methods makes it possible to minimize unforeseen errors that can be made by analysts, and to save labor, time and cost. In order to create the artificial neural network and make it successful by determining the deep learning method, it is necessary to train using as much as possible examples of the objects targeted to be detected. By using the designed convolutional neural networks, it is possible to detect more than one object in a given test input image and perform change analysis as well. The weights are updated in each layer for the input image processed in the multilayer convolutional neural network, and the error rate is found by looking at the difference between the detected value and the actual ground truth value. Many vessels for commercial, military and civil purposes are observed in international maritime areas, usually in areas close to ports and coasts. High resolution satellite images, which provide wide field of view and altitude monitoring, are very useful for vessel detection. Vessel detection from satellite images plays a significant role for inspecting maritime areas, controlling maritime transport traffic and applications for defense purposes. Open source datasets are widely used in object detection applications, since it takes a substantial amount of time and cost to build a dataset for object recognition and detection from satellite images. Within the scope of this thesis, models developed using convolutional neural networks including single-stage and two-stage deep learning methods were used by applying our own dataset images that we build with the open source DOTA dataset selected for vessel detection. For the purposes of the experiments in this research, three separate datasets were built. All the images were labelled with YOLO annotation format, then in accordance of use for various models, they have been converted to COCO and Pascal VOC annotation format. Both inshore and offshore vessel images have been collected with having wide variety of scales, shapes, orientations and weather conditions (fuzzy, cloudy, sunny, etc.). Experiments were performed by using Faster R-CNN, YOLOv3, YOLOv5 and YOLOX deep learning models on all three different datasets. Any dataset containing various examples of the target object considerably improves the accuracy of outcomes in deep learning applications by implementing various data augmentation techniques, such as mosaic, mixup, and rotating images, are utilized for remote sensing. In some experiments, more than one augmentation approach is being used simultaneously to improve the accuracy of the results. Not all data augmentation approaches had the same effect on the experiment outcomes. As a result, there is no logical answer to the question of which data augmentation strategy is the most effective. The outcomes of the studies were compared using the mean average precision metric (mAP), and the YOLOv5 model achieved on top results. All of the experiments have yielded the same result: raising the depth of the network by increasing the size of the input images. mAP value results improved as the input sizes were increased, however this caused the selected models longer to train. Experiments in deep learning studies are made easier by machines that have powerful graphics cards. Faster R-CNN, YOLOv3, YOLOv5 and YOLOX model trainings were conducted on a local machine workstation equipped with NVIDIA GeForce RTX 2080Ti graphics card and Intel® Core™ i9-9900K 3.60 GHz CPU processor. Deep learning applications were carried out using Python programming language and PyTorch framework deep learning library.
-
ÖgeUzaktan algılama verileri temel alınarak verimlilik tahmininin oluşturulmasI(Lisansüstü Eğitim Enstitüsü, 2023)Artan insan nüfusunun yeterli gıda ile temin edilmesine ilişkin kaygılar, dikkatleri Gıda Güvenliği alanına çekmektedir. Tarımsal verilerin geleceğe odaklı analiz edilmesi ve işlenmesi, bu alandaki planlama potansiyelini geliştirmekle birlikte gerekli önlemlerin önceden alınmasını da sağlamaktadır. Ancak, bu bölgelerin genişliği ve sayısı göz önüne alındığında, saha araştırması pahalı ve zaman alıcı bir prosedür olmaktadır. Uzaktan Algılama ve optik sensörlerin ortaya çıkmasıyla, çeşitli verileri uzaktan, hızlı ve düşük maliyetli bir şekilde elde etmek mümkün hale gelmiştir. Bu tez çalışması, Gıda Güvenliği alanında Uzaktan Algılama veri uygulamasının sınırlamalarını ve kapasitesini araştırmıştır. Sonuç olarak, Mamatkulov yaklaşımı ve MEDALUS modeli kullanılarak, Sentinel 1 ve Sentinel 2 verilerinden kışlık buğdayda oldukça doğru Verim Tahmini sonuçları (%98,03) hiçbir maliyet olmadan ve yüksek kullanılabilirlikle elde edilmiştir. Bu yöntem, regresyon modellerinin oluşturulmasını veya herhangi bir saha çalışmasını beklemeye gerek kalmadan, yeni oluşturulmuş veya önceki yılların verimliliği hakkında bilgi sahibi olmadığımız ekin alanlarının verimliliği hakkında tahminlerde bulunmayı mümkün kılabilir. Çıkan sonuca bakıldığında bu konuda daha kapsamlı analizler yapılabilir.
-
ÖgeMakine öğrenme yöntemleriyle uydu görüntülerinin sınıflandırılması ve zamansal değişiminin izlenmesi(Lisansüstü Eğitim Enstitüsü, 2022-09-22)Gümüzde, hızlı nüfus artışı ve kentleşmenin ivme kazandığı dünya kapsamında görünmektedir. Bu sürecin bir doğal sonucu olarak ise sürecin gereksinimlerini karşılamak için Arazi Örtüsü ve Arazi Kullanımı (AÖ/AK) sınflarında değişiklikler meydana gelmektedir. Öte yandan, karşılaştığımız küresel ısınma ve iklim değişiklikleri nedeni ile AÖ/AK sınıflarının değişimi daha sıklıkla rastalanabilmektedir. Dolayısıyla, bu değişikliklerin kontrol altında tutulmasında ve özellikle yeşil alanların korunmasını sağlamak, ileri yıllarda yaşanabilecek doğal afetleri öngörebilmek ve tedbir amaçlı uygulamaların ele alınması bakımından önemli olacaktır. Bu çalışmada, Türkiye'de Bursa ili bölgesi ele alınmış ve AÖ/AK sınıflarındaki bölgesel değişiklikler 2001 yılı itibari ve yaklaşık 10'er yıllık aralıklar ile değerlendirilmiştir. Bu değerlendirmelerde, Makine Öğrenme yöntemleri yardımıyla bölgeye ait Lansat uydu görüntülerinin AÖ/AK sınıflandırılması ve zamansal değişiminin incelenmesi yapılmıştır. Doğal ve tarihi güzelliklerinin yanı sıra termal turizm açısından da ülkemizden önde gelen bölgelerinden biri olan Bursa ilinde kentleşme süreci hızla yaşanmaktadır. Dolayısıyla bölgede, yıllar itibariyle uygulanan politikaların AÖ/AK sınıflarının değişiminde olan etkisini incelemek ve yapılan değerlendirmelere dayalı olarak, bölgede yeşil alanların korunmasına odaklı bir politika yürütmek ve sürdürebilir bir kentsel gelişim sağlamak oldukça büyük önem taşımaktadır. Bu çalışmada, uydu verilerinin analiz edilmesinde ve bölgesel kullanım arazi değişimlerinin tespit edilmesi için ücretsiz olarak uydu görüntülerine ulaşmayı ve çevrimiçi incelenmesine imkan sağlayan Google Eath Engine platformuu kullanılmıştır. Çalışmada Makine Öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) algoritmaları kullaılmıştır. Bu doğrultuda iki uygulama gerçekleşmiştir. İlk uygulamada, yıllara ait Landsat görüntülerinin görünür ve yakın kızıl ötesi bantları üzerinde Makine Öğrenme sınıflandırıcıları uygulanmıtşr. İkinci uygulamada ise, sınıflandırmalarda daha güçlü performans elde edebilmek ve farklı bileşenlerin etkisini değerlendirmek hedefiyle, indikatör faktör haritaları sınıflandırma için kullanılmıştır. Bu amaçla görüntü iyileştirme yöntemlerinden Bant Oranlaması ve Temel Bileşenler Analizi (TBA) farklı AK/AÖ sınıflarının ayrışmasını kolaylaştırmak için kullanılmıştır. Çalışmada, Bant Oranlaması yöntemleri bölgede litolojik, bitki örtüsü ve kentsel alan bileşenlerin haritalanması amacıyla uygulanmıştır. Böylelikle, en büyük pay sahibi olan ilk temel bileşen görüntüsü, Normalleştirilmiş Fark Bitki İndeksi, Kentsel Alan İndeksi kullanılmıştır. Aynı zamanda, çorak alanların ve kayaçların ayrışmasını güçlendirmek amacıyla, farklı bant oranlaması yöntemleri kullanılmıştır. Bu doğrultuda, 5/7 Landsat görüntü bant oranlaması kil minerallerini görüntülemek, 5/4 Landsat görüntü bant oranlaması demirli mineralleri (Fe2+) haritalamak ve 3/1 Landsat görüntü bant oranlaması demir oksitlerin haritalanması için hesalanmıştır. Çalışmada, CORINE sınıflandırma sisteminden ilham alınarak ve bölgesel değerlendirmeler dikkate alınarak, altı AÖ/AK sınıfı incelenmeye alınmıştır. Bu sınıflar bölgedeki Su kütlesi, Orman alanı, Tarım alanı, Çorak alan, Kentsel alan ve Maden ocaklarından oluşturulmuştur. Çalışma bölgesi olan Bursa ilinin zamasal süreçte AÖ/AK sınıflarında meydaa gelen değişiklikleri incelenmek için, yaklaşık on yıllık periyotlarda alınan Landsat 5 TM ve Landsat 8 OLI/TIRS uydu görüntüleri kullanılmıştır. Arazi sınıflandırmasının zamansal değişimiyle ilgili kullanılan uygulama ve yöntemler ele alındığında, sonuçların bir biri ile örtüştüğü görünmektedir. Aynı zamanda, doğruluk oranları değerlendirildiğinde, ikinci uygulama olan indikatör faktör haritalarına dayalı sınıflandırma yönteminin daha iyi performans sergilediği ortaya konulmuştur. Sınıflandırma sonuçlarında ortak sonuç olarak ise, Bursa ili bölgesinde 2001 – 2022 yılları arasında çorak alanlarda azlma tespit edilirken, maden ocaklarında, tarımsal ve kentsel alanlarda genişleme olduğu dikkat çekmektedir. Doğru ve gerçek zamanlı AÖ/AK haritaları, Dünya'nın dinamiklerinin izlenmesi, planlanması ve yönetimi için kesin bilgiler sağlayabilecek niteliktedir. Bulut bilişim platformları, zaman serisi öznitelik çıkarma teknikleri ve makine öğrenme sınıflandırıcılarının ortaya çıkmasıyla, daha doğru ve büyük ölçekli AÖ/AK haritaları üretilebilmek doğrultusunda önemli gelişmelere yol açmıştır.
-
ÖgeAkıllı yansıtıcı yüzey destekli telsiz haberleşme sistemi ve insansız hava aracı konumlandırma(Lisansüstü Eğitim Enstitüsü, 2023-05-05)Akıllı yansıtıcı yüzeyler (Reconfigurable Intelligent Surface, RIS) telsiz haberleşme sistemlerindeki kullanım olasılığı ve bunu destekleyen bir çok çalışma bu teknolojinin hem endüstriyel hem de akademik anlamda dikkat çekmesini sağlamıştır. Olağan haberleşme sistemlerinin propagasyon ortamı üzerindeki kabiliyeti oldukça sınırlıydı. Meta malzemelerin geliştirilmesi ve buna bağlı olarak RIS'ler üzerine yapılan çalışmalar propagasyon ortamı üzerindeki kabiliyetimizi artırdı. Bu sebeple telsiz haberleşme sistemlerindeki kanallara ait beklenmeyen bozucu etkilerin ve uygulamalarda karşılaşılan sınırlamaların RIS teknolojisi ile birlikte oldukça azalacağı öngörülmektedir. RIS'ler düşük maliyetli küçük devre elemanlarından oluşmaktadır. Bu sebeple üretim maliyeti açısından günümüz teknolojilerine yükü çok fazla olmayacaktır. Ayrıca bina ve araç yüzeylerine kolaylıkla entegre edilebilir yapıdadır. Bu, RIS teknolojisinin kolaylıkla ve düşük maliyetle kurulumunun yapılacağını göstermektedir. Tezin amacı RIS'in İHA konumlandırma ve güzergah oluşturma sistemlerinde, sabit ve hareketli kullanıcıların bulunduğu telsiz haberleşme sistemi için optimizasyon algoritması kullanarak enerji performansı iyileşmesi sağladığını göstermektir. Bu kapsamda RIS'in İHA'ya entegre edildiği iki kullanıcılı telsiz haberleşme sistemi üzerinden RIS'in performans analizi gerçekleştirilmiştir. Tezin ikinci bölümünde ise sabit kullanıcıların bulunduğu İHA güzergah belirleme çalışmasından yararlanarak, hareketli kullanıcılar için İHA konumlandırma ve güzergah oluşturma sistemi oluşturulmuştur. Bu kapsamda iki sisteme ait performans analizleri optimizasyon algoritması üzerinden gerçekleştirilmiştir. İlk olarak bu tezde RIS'lerin olası kullanım senaryoları üzerine bilgi verildi. Milimetre dalga haberleşme, eş zamanlı bilgi ve güç transferi, fiziksel katman güvenliği, mobil uç hesaplama, cihaz-cihaz haberleşmesi ve insansız hava aracı haberleşmesi alanında yapılan çalışmalardan bahsedildi. Sonraki kısımda RIS yapısı ve çalışma prensibi incelendi. Üç farklı RIS türü hakkında bilgi verildi. Ayrıca RIS kanal modellerinden bahsedildi. Oluşturulan RIS destekli telsiz haberleşme sistemi sönümleme ve gölgeleme etkisinde olduğundan belli başlı sönümleme ve gölgeleme modellerine de değinildi. Bu tezin diğer kısmında RIS üzerine performans analizi gerçekleştirilmiştir. Görüş hattı iletiminin olmadığı ve ortamdaki bozucu etkilerin var olduğu ortam göz önünde bulundurulmuştur. Bu sebeple görüş hattı iletiminin olmadığı senaryo için sönümleme ve gölgeleme etkisi varlığında sistem modeli oluşturulup kesinti olasılığı üzerinden sistem performansı incelenmiştir. Oluşturulan sistemde RIS'in İHA'ya entegre edildiği düşünüldü. Öncelikle iki kullanıcılı sistem için RIS üzerinde bulunan yansıtıcı eleman sayısına bağlı olarak kesinti olasılığının değişimi gözlemlenmiştir. Bu işlem gerçekleştirilirken Nakagami-m sönümleme ve ters Gamma gölgeleme etkisi altında sonuçlar elde edilmiştir. Yansıtıcı eleman sayısının kesinti olasılığına etkisini doğru gözlemlemek için sönümleme ve gölgeleme parametreleri bu inceleme esnasında sabit tutulmuştur. Elde edilen sonuçlarda yansıtıcı eleman sayısı artışının transfer için gereken verici gücünü ciddi miktarda düşürdüğü gözlemlenmiştir. Örneğin -2.5 dB verici SNR değeri için N=8 yansıtıcı eleman sayısında kesinti olasılığı değeri 3.7x10^-1 olarak hesaplanırken N=16 yansıtıcı eleman sayısında kesinti olasılığı değeri 1.6x10^-3 olarak hesaplanmıştır. Oluşturulan sistem modelinde bir diğer gerçekleştirilen inceleme gölgeleme ve sönümleme etkisinin şiddetidir. Bu inceleme yapılırken yansıtıcı eleman sayısı ve RIS ve kullanıcılara ait mesafeler sabit tutulmuştur. Nakagami-m sönümleme ve ters Gamma gölgeleme etkisinin incelenmesi için bu modellere ait biçim parametreleri değiştirilmiştir. m=1,1.5,2 ve α=2,2.5,3 değerleri için kesinti olasılığı hesaplanmıştır. Sönümleme ve gölgeleme etkisinin kanal performansını düşürdüğü ve kesinti olasılığı üzerinde artırıcı etki yaptığı görülmüştür. Kötü kanal koşullarında belirli kesinti olasılığı değeri altında kalmak için daha fazla verici gücü harcanacağı gözlemlenmiştir. RIS üzerine yapılan bu çalışma ile telsiz haberleşme sistemlerinde RIS'in sistem performansını artıracağı gözlemlenmiştir. Bu bulgular doğrultusunda, RIS teknolojisinin İHA konumlandırma ve güzergah planlama uygulamalarında kullanılabilirliği vurgulanmıştır. Sabit ve hareketli kullanıcılar için, RIS'li ve RIS'siz telsiz haberleşme sistemleri üzerinde ayrı ayrı İHA güzergah optimizasyonu üzerine çalışılmıştır. Ayrıca, RIS varlığında faz optimizasyonu sağlandığında performans analizi yapılmıştır. İlk aşamada, sabit ve hareketli kullanıcılar için RIS+P, RIS-P ve NO-RIS senaryoları için 3-boyutlu güzergahlar oluşturulmuştur. Bu güzergahlar, sistem enerji performansını doğrudan etkilemektedir. Hareketli kullanıcıların bulunduğu senaryoda, sistem performansında düşüş gözlemlenmiştir. Ancak RIS+P ve RIS-P senaryolarının, NO-RIS senaryosuna göre enerji performansını önemli ölçüde artırdığı ve enerji verimliliğini sağladığı görülmüştür. Sonuç olarak, bu bulgular, RIS teknolojisinin kullanılmasının, İHA uygulamalarındaki enerji performansını geliştirme potansiyeline sahip olduğunu göstermektedir. Benzer şekilde, sabit ve hareketli kullanıcılar için ayrı ayrı sistemin ortalama veri hızı ve throughput performansları incelenmiştir. RIS'in kullanıldığı senaryolarda performans iyileşmesi gözlemlenmiştir. Bu tezde, telsiz haberleşme sistemlerinde kullanılmak üzere geliştirilen İHA ve RIS teknolojilerinin etkinliği incelenmiştir. Elde edilen sonuçlar, RIS destekli İHA konumlandırma uygulamalarının hem sabir hem de hareketli kullanıcılar için enerji performansı açısından avantajlı olduğunu göstermektedir. Bu nedenle, gelecekte İHA konumlandırma ve güzergah oluşturma uygulamalarında RIS'in kullanılacağı öngörülmektedir.
-
ÖgeEarthquake damage detection with satellite imagery and deep learning approaches: A case study of the february 2023, Kahramanmaraş, Turkey earthquake sequence(Graduate School, 2023-08-14)In recent years, the fusion of deep learning techniques, remote sensing technology, and artificial intelligence (AI) has profoundly transformed the field of disaster management and damage assessment. The increased availability of high-resolution satellite imagery and advanced computer vision techniques now makes it possible to analyze Earth observation data at a large scale and with unparalleled precision. This thesis investigates the application of remote sensing and deep learning techniques to perform post-earthquake damage classification using computer vision and focuses specifically on the earthquakes that occurred on February 6th, with an emphasis on Kahramanmaraş province. The objective of this thesis is to investigate the potential of a variety of deep learning techniques, evaluate their accuracy in recognizing structurally compromised buildings, and utilize satellite imagery in conjunction with diverse open-source spatial data to enhance research on earthquakes. This master's thesis specifically delves into the integration of remote sensing, computer vision, and earth observation methods within the field of geophysics and earthquake studies. Thus, in this study it is aimed to showcase the application of computer vision in the analysis of post-earthquake damage and underscore the importance of rapid intervention in such critical situations. The thesis places significant emphasis on the use of satellite imagery and pixel-based classification for the classification of images in earthquake damage assessment. The UNet, DeepLabV3, and PSPNet architectures are implemented using the ArcGIS Pro API for Python, an innovative and supportive tool for scientific research. The primary data source for the investigation is RGB images from Maxar Technologies. The research examines three cities that were affected by the February 6, 2023, Kahramanmaraş earthquake sequences: Kahramanmaraş, Hatay, and Gaziantep. Damage-assessed data points are received thanks to Yer Çizenler Non-Governmental Organization (NGO), and recently modified building footprints are taken from Humanitarian OpenStreetMap (HOTOSM), and they are all used to analyze the damage. Labeled polygons are generated within a 5-meter distance of the damage points. However, assigning values for further and closer distances has a negative impact on the model accuracy. The training data, exported based on the satellite imagery and damage level assigned data points, provides a balanced dataset for Kahramanmaraş, where the building footprints match the images most effectively. In Hatay, the damage level assigned data distribution is the most balanced, but the building footprints do not align well with the images. Gaziantep presents a good match between the building footprints and images, but the distribution of the damaged data classes is highly imbalanced. Consequently, the decision is made to focus on training the model for Kahramanmaraş province due to the similarity in roof and building types, which has the potential to adapt the approach to other cities in the region as well as the earthquake-affected region under investigation. Image sizes of 256x256 pixels with 128 strides and 4 batches gave us the optimum model results among other options in the DeepLabV3 ResNet50 encoder. In conclusion, this master's thesis demonstrates the potential of combining remote sensing, computer vision, and earth observation techniques for geophysics and earthquake studies. Also, it is aimed to use different data types from open sources and use these different data types to make damage detection after earthquakes. The utilization of the ArcGIS Pro Python API, satellite imagery, pixel based classsification, and labeled training data provides insights into damage assessment after earthquakes, with Kahramanmaraş Province serving as the focal point for model training. The findings contribute to the development of efficient and accurate disaster management strategies and lay the foundation for further research in this field.