LEE- Geomatik Mühendisliği-Doktora

Bu koleksiyon için kalıcı URI

http://hdl.handle.net/11527/19291

Gözat

Son Başvurular

Şimdi gösteriliyor 1 - 5 / 24
  • Öge
    Tarihi yarımada'da turizm amaçlı, mekansal tabanlı sanal gerçeklik olanaklarının araştırılması
    (Lisansüstü Eğitim Enstitüsü, 2023-03-17) Buhur, Sançar ; Musaoğlu, Nebiye ; 501072611 ; Geomatik Mühendisliği
    Üç 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.
  • Öge
    Global gravity field recovery from low-low satellite-to-satellite tracking with enhanced spatiotemporal resolution using deep learning paradigm
    (Graduate School, 2023-05-24) Uz, Metehan ; Akyılmaz, Orhan ; 501162610 ; Geomatic Engineering
    Understanding climate system and ensuring survival of the planet require more attention to monitoring water resources and water-related natural disasters. Therefore, monitoring water storage is crucial for the global climate and natural ecosystems. Gravity Recovery and Climate Experiment (GRACE) and GRACE Follow-On (GFO) missions have revealed new insights into mass transport within the Earth system. For the first 15 years, beginning in 2002, time series of terrestrial water storage (TWS) variations on the Earth were recovered from the measurements of the GRACE mission. After a gap of 11 successive months, the GFO mission has been performing this task since May 2018. Hence, over the last 20 years, TWS variations from GRACE/GFO measurements have provided an unique information on the Earth's water cycle to a wide range of hydrology, glaciology, and solid earth activities. Numerous scientific investigations have been conducted in the light of this data. Some of these efforts include estimating time-variable gravity field models with high accuracy from GRACE/GFO measurements using satellite gravimetry techniques and/or enhancing the temporal and spatial resolutions of TWS anomalies (TWSA). In this thesis, two major efforts have been investigated by applying the energy balance approach (EBA), which is a kind of satellite gravimetry technique based on the principles of energy conservation. The preliminary aim is to estimate spherical harmonic coefficients (SHC) of time-variable gravity field models of the Earth and new hybrid deep learning (DL) algorithms, namely residual deep convolutional autoencoders (ResDCAE) and super-resolution residual deep convolutional autoencoders (SR-ResDCAE). The next objective is to enhance temporal and spatial resolutions of TWSA maps that are derived from the SHCs. The SHCs are highly sensitive to the systematic errors and high-frequency noise sources in range-rate observations of GRACE/GFO K/Ka Band Ranging (KBR) as well as the orbit configurations. This is why the estimated geopotential differences (GPD) from EBA have direct relations to range rate dataset due to applied KBR alignment approach. Under these circumstances, the temporal models are estimated to have comparable accuracy with other institution models for up to degree/order (d/o) 20, but are less accurate for higher degrees of SHCs. In order to mitigate these error and noise sources, KBR empirical parameter estimation or the Bayesian filter (BF) is applied to estimated GPDs. When the number of empirical parameters are increased (from one to three cycle-per-revolution (CPR)), the heavier effect of North-South (N-S) stripes is drastically reduced, particularly in months with poor orbit configuration. However, this results in a loss of strength in the long-wavelength component of the gravitational signal. On the other hand applying both the forward filtering (FF) and backward smoothing (BS) steps of BF to the GPD residuals, high-frequency noises caused by the satellite's temperature changes are reduced and there is no signal loss in SHCs estimated by these filtered and smoothed GPDs. However, this result did not lead to any improvement in the mitigation of high-degree SHC correlations. Since the estimated GPDs are also highly sensitive to orbital configurations to represent mass variations, it is concluded that a regularization process is required in the gravity inversion step to eliminate correlations in higher-order SHCs and reduce N-S stripes in an unconstrained solution without signal loss. In the second step, the TWSA that are calculated from estimated SHCs are downscaled from monthly and 100 km resolutions to daily and 25 km resolutions using in-house developed DL, i.e., ResDCAE and SR-ResDCAE, applying step-by-step simulations from lower to higher resolutions. Internally, the performance of each GRACE-like TWSA simulation is validated using mathematical metrics such as root mean squared error (RMSE) and Nash-Sutcliffe efficiency (NSE), as well as comparisons to previous studies. Contrary to internal validation, the simulated TWSAs are also externally validated by comparison to the performance of filling the gap between GRACE and GFO missions and to non-GRACE datasets, such as the El Nino/La Nina sea surface temperature index and global mean sea level (GMSL) changes. In addition, the capability of the daily simulations to detect long- and short-term variations in the TWSA signal caused by natural disasters such as the 2011 and 2019 Missouri River Floods, Hurricane Harvey, and the 2012–2017 drought in California for Contiguous United States (CONUS) region is investigated. The droughts experienced in Türkiye during the GRACE/GFO time period, which occurred in 2007–2008 and 2013–2014, are also evaluated using daily simulations considering Fırat Dicle Basin (FDB) and Konya Close Basin (KCB), separately. Both the filling of TWSA data gaps and the simulation of daily time series using the ResDCAE algorithm have been successfully simulated. Nevertheless, the spatial downscaling step of the SR-ResDCAE algorithm requires additional physical investigation regarding the establishment of spatio-temporal correlations during training. In addition, leakage bias effects have emerged as a result of the post-processing filters used to eliminate errors in time-varying gravity field models obtained unconstrained by the EBA method. Due to post-processing filters, the true signal magnitude of TWSA is diminished. Therefore, the temporal and spatial pattern of the simulated TWSA time series is comparable to that of the other compared simulations and models, but signal power loss is readily apparent.
  • Öge
    Mekansal karar destek sistemi ile doğal gaz acil müdahale istasyonu yerlerinin belirlenmesi: İstanbul örneği
    (Lisansüstü Eğitim Enstitüsü, 2023-05-12) Sarıkaya, Mehmet Şerif ; Yanalak, Mustafa ; 501172604 ; Geomatik Mühendisliği
    Enerji, yaşam döngüsünün devamı için hayati öneme sahiptir. Canlılar için temel ihtiyaç olan enerji günlük hayattaki fonksiyonların yerine getirilmesi açısından da büyük rollere sahiptir. Hayatımızın birçok alanında farklı enerji kaynaklarından yararlanmaktayız. Temelde iki ana enerji kaynağı kullanılmaktadır. Birincisi fosil yakıtlar olarak bilinen yenilenemeyen ve sınırlı miktarda olan petrol, doğal gaz, kömür ve nükleer gibi yenilenemeyen enerji kaynakları. Diğeri ise doğal kaynaklardan elde edilen ve kendi kendini yenileyen rüzgar, güneş, jeotermal ve hidroelektrik gibi yenilenebilir enerji kaynaklarıdır. Günümüzde ise kullanılan enerjinin büyük bir çoğunluğu fosil yakıtlardan sağlanmaktadır. Fosil yakıtlar arasında en düşük karbon emisyonuna sahip olan doğal gaz, hava kirliliği ile mücadelede ve sağlıklı bir çevrenin sürdürülebilir olması açısından önemli bir enerji kaynağıdır. Yüksek enerji yoğunluğu ve nispeten düşük maliyetli olan doğal gaz birçok enerji türüne göre daha çok tercih edilmektedir. Elektrik üretimi, ısıtma, sıcak su, araç yakıtı ve pişirme gibi temel ihtiyaçları karşılayabilen, konutlarda ve sanayide geniş kullanım alanı olan doğal gaz önemli avantajlar sağlamaktadır. Özellikle gelişmiş ve gelişmekte olan ülkelerin şehirleşme ve sanayileşme süreçlerine ciddi katkılar sunan doğal gaz toplumlar için önemli bir enerji kaynağı olmuştur. Doğal gaz renksiz, kokusuz ve havadan daha hafif olan yanıcı bir gazdır. Sızıntı durumlarında ortamdaki oksijenin yerini doğal gaz alması ve yüksek konsantrasyonlarda solunması sonucunda boğulmaya ve ölümlere sebep olabilir. Son kullanım noktasında doğal gaz cihaz ve sistemlerinin hatalı kurulumu ya da ortamdaki havalandırma eksikliği nedeniyle doğal gazın tam yanmaması karbonmonoksit zehirlenmelerine yol açar. Doğal gazın yanıcı ve patlayıcı bir gaz olmasından dolayı kullanımında bazı teknik emniyetlerin alınması gereklidir. Doğal gazın çıkarılmasında, taşınmasında ve tüketiciye ulaştırılmasındaki tüm süreçlerde alınan güvenlik önlemleri ile kaza riskleri en düşük seviyede tutulabilmektedir. Güvenli doğal gaz kullanımının sürekliliğini sağlamak için gaz şirketleri ulusal ve uluslararası acil durum planlarını uygulamaktadırlar. Acil durumlarda, doğal gaz kullanıcılarına güvenli ve en az kesintili doğal gaz arzı sağlamak için hızlı ve etkin bir şekilde müdahale etmeye hazır doğal gaz acil müdahale ekiplerine ihtiyaç vardır. Bu nedenle, can ve mal güvenliğini korumak adına acil durum ihbarlarına müdahale etmek, doğal gaz acil müdahale ekipleri için en yüksek önceliğe sahiptir. Bu noktada gaz şirketleri tarafından oluşturulan doğal gaz acil müdahale istasyonları tarafından, olası acil durumlarda gerekli eylem planlarının uygulanması, son kullanıcı ve kamu kurumları ile koordinasyon ve doğal gaz hizmetinin devamlılığı sağlanır. 7/24 çalışan doğal gaz acil müdahale istasyonları gerekli teknolojik ekipmanları ve doğal gaz konusunda yetkin acil durum uzmanlarını bünyesinde bulundurmaktadırlar. Bu istasyonlar oluşabilecek krizleri kontrol altına alınmasında ve doğal gaz ihbarlarına en kısa sürede müdahale ulaşılmasında kritik bir rol oynamaktadırlar. Doğal gaz aboneleri tarafından 7/24 doğal gaz acil hatlarına ihbarlar bildirilmekte. Doğal gaz acil müdahale istasyonlarının konumuda, doğal gaz ihbarlarına zamanında müdahale edilmesi ve olası can/mal kayıpların azaltılması açısından kritik öneme sahiptir. Özellikle nüfus ve trafik yoğunluğunun yüksek olduğu büyükşehirlerde doğal gaz acil müdahale istasyonlarının doğru konumlandırılması gerekir. İstanbul ili 6.5 milyon üzerinde doğal gaz abonesine ve yılda 200.000'in üzerinde doğal gaz ihbarına sahiptir. Acil doğal gaz ihbarlarına 15 dakika içerisinde müdahale edilmesi gerekliliği ve yoğun trafik koşulları İstanbul ilindeki doğal gaz acil müdahale istasyonlarının dağılımlarını ve yer seçimlerini daha önemli bir noktaya taşımıştır. Bu tez çalışmasında, İstanbul'da doğal gaz acil ihbar çağrılarına en hızlı şekilde cevap verebilecek hizmet standartlarına ulaşmasını sağlamak amacıyla doğal gaz acil müdahale istasyon yer seçimi için bir mekansal karar destek sistemi geliştirilmiştir. Çalışmanın ilk aşamasında, İstanbul'daki mevcut 32 doğal gaz acil müdahale bölgesinde yer alan 36 istasyonun dağılımı ve çalışma alanları incelenmiştir. 36 istasyonun kendi çalışma bölge sınırları içindeki 15 dakikalık kapsama alanları çıkarılmış ve konumlarının yeterliliği analiz edilmiştir. CBS'de gerçekleştirilen ağ analizi sonucunda mevcut 26 doğal gaz acil müdahale istasyonunun geniş çalışma alanı, trafik yoğunluğu veya konumları nedeniyle 15 dakika içerisinde ihbarlara müdahale etmede yetersiz kaldığı anlaşıldı. İstanbul Büyükşehir bölgesindeki doğal gaz hatlarının %70,04'ünün ve doğal gaz abonelerinin %91,03'ünün mevcut 36 istasyonun 15 dakikalık hizmet alanı içinde olduğu sonucuna ulaşılmıştır. Bu sonuçlar neticesinde İstanbul ilinde yeni doğal gaz acil müdahale istasyonlarının açılması ihtiyacı ortaya çıkmıştır. Çalışmanın ikinci aşamasında, doğal gaz acil müdahale istasyonlarının yer seçimi probleminin çözümünü kolaylaştırmak için literatürdeki acil müdahale merkezleri yer seçimi, doğal gaz güvenlik çalışmaları ve ulusal doğal gaz acil müdahale planları incelenerek yedi ana yer seçim kriteri önerilmiştir. Bu çalışma kapsamında doğal gaz acil müdahale istasyonları için ilk kez yer seçim kriterleri önerilmiştir. Doğal gaz abone yoğunluğu, doğal gaz ihbar yoğunluğu, doğal gaz hatlarına yakınlık, ana yollara yakınlık, pazarlara uzaklık, mevcut doğal gaz acil müdahale istasyonlarına uzaklık ve RMS-B istasyonlara yakınlık olmak üzere 7 kriter belirlenmiştir. Vektör veri formatında olan bu kriterler raster veri formatına dönüştürülerek mekansal analiz için uygun hale getirilmiştir. Çalışmanın üçüncü aşamasında, doğal gaz acil müdahale uzmanları eşliğinde çok kriterli karar verme yöntemlerinden biri olan bulanık analitik hiyerarşi prosesi (BAHP) kullanılarak yedi kriterin ağırlıklandırılması yapılmıştır. Ağırlıklandırma sonrası CBS'nin ağırlıklı bindirme mekansal analiz aracı kullanılarak doğal gaz acil müdahale istasyonları için ilk yer seçim analizi yapılmıştır. Analiz sonucunda 12 yeni doğal gaz acil müdahale istasyonu açılması önerilmiştir. İkinci yer seçimi analizinde mülkiyeti gaz dağıtım şirketinde olmayan 22 istasyon analiz dışında tutularak tekrardan çalışma yapılmıştır. Bu analiz sonucunda da mülkiyeti gaz dağıtım şirketinde olan 14 istasyona ek olarak 31 yeni istasyon açılması önerilmiştir. Her iki yer seçim analizinde önerilen istasyon lokasyonların büyük oranda birbiri ile uyumlu olduğu görülmüştür. Çalışmanın son aşamasında, ilk yer seçim çalışmasında önerilen 12 ve mevcut 36 doğal gaz acil müdahale istasyonu için yeniden CBS'nin ağ analizi fonksiyonu kullanılarak 15 dakikalık yanıt süresi içindeki kapasam alanındaki değişikler analiz edildi. Analiz sonucunda İstanbul ilindeki doğal gaz şebekesine erişebilirlik oranı %83,86'ya, doğal gaz abonesine erişebilirlik oranı %96,27'ye yükselmiştir. Yer seçimi planlamasında doğal gaz acil müdahale istasyonların mekânsal etkinliği, mekânsal erişilebilirliği ve ilgili yer seçimi kriterleri bütüncül olarak ele alınmıştır. Bu çalışma ile ilk defa doğal gaz acil müdahale istasyonları için yer seçimi çalışması yapılmış ve literatüre önemli bir katkı sağlanmıştır. Bu tez çalışması kapsamında, mevcut doğal gaz acil müdahale istasyonların yeterliliğini ve hizmet alanı kapsamını dikkate alan CBS-BAHP tabanlı bir mekânsal karar destek sistemi önerilmiştir. Elde edilen sonuçlar sonrasında kullanılan mekânsal karar destek sisteminin uygun istasyon yerlerinin seçiminde kullanılmaya değer olduğu görülmüştür.
  • Öge
    Determination of spatial distributions of greenhouses using satellite images and object-based image analysis approach
    (Graduate School, 2023-03-02) Şenel, Gizem ; Göksel, Çiğdem ; Torres Aguilar, Manuel Angel ; 501182620 ; Geomatics Engineering
    In the face of the expected pressure on agricultural production systems with the increasing world population, one of the most suitable options for sustainable intensification of agricultural production is greenhouse activities that allow an increase in production on existing agricultural lands. Greenhouse activities can cause environmental problems at the local and regional scales. Since the primary material used in the covering of greenhouses is plastic, ecological problems are expected in the near future due to the excessive use of plastic. Besides, they may affect the integrity of ecosystems by changing land use and land cover (LULC) into extensive agricultural areas. On the other hand, the economy of many rural regions is supported by greenhouse activities, especially in Mediterranean countries. Moreover, due to the exposure of these structures to floods, especially with climate change effects, producers face economic and social problems. While all these situations make the production system unsustainable, they also endanger the ecology and economy of the region. Thanks to synoptic data acquisition and high temporal resolution, remote sensing images allow periodic agricultural sector monitoring. Considering the positive outcomes and adverse effects of greenhouses, determining greenhouse areas using remote sensing images is essential in providing better management strategies. In that case, monitoring through remote sensing images is the most suitable approach to obtain information about the effects of greenhouses on climate and environment and improve their economic output. Within the scope of this thesis, answers to different questions were sought by using the object-based image analysis (OBIA) approach, which is stated to give better results in the literature to determine greenhouses. OBIA approach consists of mainly three stages which are image segmentation, feature extraction, and image or object classification, and these sections formed the structure of this thesis In the image segmentation step, which is the first step of the OBIA, answers were sought for two crucial questions for the segmentation of plastic-covered greenhouses (PCG). The first of these questions is which of the supervised segmentation quality assessment metrics performs better in evaluating PCG segmentation. An experimental design was formed in which segmentation metrics were evaluated together with interpreter evaluations. At this stage, sixteen different datasets consisting of different spatial resolutions (medium and high spatial resolution), seasons (summer and winter), study areas (Almería (Spain) and Antalya (Turkey)), and reflection storage scales (RSS) (16Bit and Percent) were used. Various segmentation outputs were created using the Multiresolution segmentation (MRS) algorithm. Six different interpreters evaluated these outputs and compared them with the eight segmentation quality metrics. As a result of the evaluations, it was concluded that Modified Euclidean Distance 2 (MED2) was the most successful metric in the evaluation of PCG segmentation. On the other hand, Fitness and F-metric failed to identify the best segmentation output compared to other metrics investigated. In addition, the effects of different factors on the visual interpretation results were analyzed statistically. It was revealed that the RSS is an essential factor in visual interpretation. In detail, it was concluded that when evaluating the segmentation outputs created by using the Percent format, the interpreters were more in agreement and interpreted this data type more efficiently. In the second part of the segmentation phase, how much factors or their interactions affect the greenhouse segmentation was investigated. Approximately 4,000 segmentation outputs were produced from sixteen data sets, and MED2 values were calculated. For each shape parameter in each data set, the values reaching the best MED2 value were determined and statistically tested by analysis of variance (ANOVA). The segmentation outputs calculated from the datasets showed that the optimal scale parameters clustered by taking values close to each other in Percent format and took values in a broader range in 16Bit format. This showed that it would be effortless to determine the most appropriate segmentation outputs obtained from the Percent format. In addition, statistical tests have shown that the segmentation accuracy calculated from different RSS formats is directly dependent on the shape parameter. While segmentation accuracy increases with decreasing shape parameters in Percent format, this is the opposite in 16Bit format. This situation revealed that the shape parameter selection is critical depending on the RSS. In summary, it has been revealed that the Percent format is the appropriate data format for PCG segmentation with the MRS algorithm, and in addition, low-shape parameters should be preferred in the Percent format. In the second stage of the thesis, it was hypothesized that different feature space evaluation methods and feature space dimensions affect the classification in terms of accuracy and time. Based on this hypothesis, 128 features were obtained from Sentinel-2 images of the Almería and Antalya study areas, and classification performance was evaluated by random forest (RF) algorithm by applying different feature space evaluation methods. As a result of this evaluation, it was seen that the reduction of the feature space has a direct effect on the accuracy. But moreover, it has been determined that reducing the size of the feature space significantly reduces the time required to run the classification algorithm. Therefore, among the examined feature space evaluation algorithms, it has been concluded that RF and Recursive Feature Elimination (RFE)-RF (RFE-RF) algorithms are more suitable for classification accuracy and the time required to run the algorithm. Moreover, it has been found that these algorithms are less dependent on feature space variation in terms of classification accuracy, but reducing the feature space significantly reduces the computation time. In addition, among a total of 128 features obtained from the segments, including spectral, textural, geometric features and spectral indices, Plastic GreenHouse Index (PGHI) and Normalized Difference Vegetation Index (NDVI) were the most relevant features for PCG mapping according to RF and RFE-RF methods. As a result, the necessity of including indices such as PGHI and NDVI in the feature space and the application of one of the feature space evaluation methods such as RF or RFE-RF in terms of reducing the calculation time are the main outputs of this stage. In the third and final stage of the thesis, the effectiveness of ensemble learning algorithms for the PCG classification has been tested. According to the experimental results, Categorical boosting (Catboost), RF, and support vector machines (SVM) algorithms performed well in both studied areas (Almería and Antalya), but the implementation time required for CatBoost and SVM is higher than all other algorithms studied. K-nearest neighbor (KNN) and AdaBoost algorithms achieved lower classification performance in both study areas. In addition to these algorithms, the light gradient boosting machines (LightGBM) algorithm achieved an F1 score of over 90% in both study areas in a short time. In summary, considering the computation time and classification accuracy, RF and LightGBM are the two up-front algorithms. In general, within the scope of this thesis, answers to the questions encountered in the three steps of OBIA were sought to reach the best PCG determination approach. The determination of greenhouses from satellite images was carried out in two essential study areas in the Mediterranean Basin, where greenhouse activities are intensively carried out. Although these outputs belong to selected test sites, they provide important outputs for generalizing the findings on a large scale. Determining the spatial distribution of PCG to minimize the negative effects on the environment and increase their economic returns will make an important contribution to planners and decision-makers in achieving sustainable agriculture goals.
  • Öge
    Investigation of artificial intelligence-based point cloud semantic segmentation
    (Graduate School, 2022-12-08) Atik, Muhammed Enes ; Duran, Zaide ; 501182611 ; Geomatics Engineering
    With 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.