Geri Dön

An object-based lightweight cnn model for crop classification using satellite image time-series

Uydu görüntüsü zaman serilerini kullanarak ürün sınıflandırması için bir nesne tabanlı hafif ağırlıklı cnn modeli

PDF İndir

  1. Tez No: 1005520
  2. Yazar: MÜSLÜM ALTUN
  3. Danışmanlar: PROF. DR. MUSTAFA TÜRKER
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Zamanında ve doğru ürün türü haritalaması, verim tahmini, gıda güvenliği değerlendirmeleri ve etkin tarımsal yönetim açısından kritik öneme sahiptir. Uydu görüntülerine dayalı ürün sınıflandırma çalışmalarındaki son gelişmeler, tek tarihli statik görüntülerin kullanımından, zaman serisi görüntülerinden elde edilen spektral verilerin kullanılmasına doğru bir dönüşüm göstermektedir. Ürün haritalama çalışmalarında nesne tabanlı sınıflandırma yaklaşımları yaygın olarak tercih edilmektedir. Makine öğrenmesindeki yenilikler sayesinde, derin evrişimli sinir ağları (CNN), ürün tespitinde güncel ve öncü yöntemler hâline gelmiştir. Bu çalışmada, uydu görüntü zaman serilerinden tarımsal ürün türü tespiti için hafif ağırlıklı (lightweight) bir CNN derin öğrenme modeli önerilmektedir. Önerilen model, Sentinel-2 uydu görüntü zaman serileri kullanılarak nesne tabanlı (segment tabanlı ve parsel tabanlı) ve piksel tabanlı görüntü analiz çerçeveleri kapsamında değerlendirilmiştir. Deneyler, farklı ürün türleri ve dağılımlarına sahip iki ayrı tarımsal bölgede (Manisa ve Kırklareli) gerçekleştirilmiştir. Görüntü sınıflandırması, Sentinel-2 zaman serisine ait tüm bantlar kullanılarak ve ayrıca Destek Vektör Makineleri–Özyinelemeli Özellik Eleme (SVM-RFE) algoritması ile belirlenen en uygun bantlar kullanılarak yapılmıştır. Nesne tabanlı yaklaşımlarda, nesnelerin (parseller ve segmentler) minimum sınırlayıcı dikdörtgenleri ile hizalanmasını sağlamak amacıyla bir döndürme işlemi uygulanmış; bu geometrik hizalamanın etkisini değerlendirmek için sonuçlar, döndürme uygulanmayan ve uygulanan durumlar açısından karşılaştırılmıştır. Her iki çalışma alanı için elde edilen sonuçlar, tüm bantların kullanıldığı ve döndürme tekniğinin uygulandığı önerilen hafif ağırlıklı CNN modelinin, eğitim, doğrulama ve test aşamalarında en yüksek model doğruluklarını ve genel doğruluk (OA) ile Kappa katsayısı açısından en iyi sınıflandırma başarılarını sağladığını göstermiştir. Bu yapılandırma kapsamında model; Manisa ve Kırklareli bölgelerinde sırasıyla %97,2 ve %92,0 eğitim doğruluğu, %86,6 ve %88,0 doğrulama doğruluğu, %83,1 ve %86,6 test doğruluğu elde etmiştir. Ürün sınıflandırma başarımı açısından ise Manisa için %89,8 ve Kırklareli için %88,8 genel doğruluk değerlerine ulaşılmış, karşılık gelen Kappa katsayıları sırasıyla 0,879 ve 0,871 olarak hesaplanmıştır. Her iki çalışma alanında da, tüm spektral bantlara dayalı sınıflandırmalar, seçilmiş en uygun bantlara dayalı sınıflandırmalara kıyasla yaklaşık %3 oranında daha yüksek doğruluk sağlamıştır. Döndürme tekniğinin uygulanması, döndürme uygulanmayan duruma göre sonuçları yaklaşık %2 oranında iyileştirmiştir. Parsel tabanlı sınıflandırma yaklaşımı, Manisa'da yaklaşık %6 ve Kırklareli'nde yaklaşık %9 oranında daha yüksek genel doğruluk elde ederek nesne tabanlı yaklaşıma üstünlük göstermiştir. Ayrıca parsel tabanlı yaklaşım, piksel tabanlı yaklaşıma göre Manisa'da yaklaşık %10, Kırklareli'nde ise yaklaşık %15 oranında daha iyi performans sergilemiştir. Buna karşılık, nesne tabanlı yaklaşım da piksel tabanlı yaklaşıma kıyasla sırasıyla yaklaşık %4 ve %6 oranında daha yüksek doğruluk sağlamıştır. Bununla birlikte, önerilen model tüm test edilen yapılandırmalarda VGG-16, ResNet-50 ve U-Net modellerine göre daha üstün performans sergilemiş olup, Sentinel-2 uydu görüntü zaman serileri kullanılarak gerçekleştirilen parsel tabanlı ve nesne tabanlı ürün türü sınıflandırmaları için doğru ve maliyet etkin bir yaklaşım sunduğunu ortaya koymuştur.

Özet (Çeviri)

Timely and accurate crop type mapping is critical for yield estimation, food security assessments, and effective agricultural management. Recent developments in crop classification from satellite imagery have shifted from using single-date static images to employing spectral data from image time-series. Object-based classification approaches are commonly preferred for crop mapping tasks. Through the innovations in machine learning, deep convolutional neural networks (CNNs) have become prominent state-of-the-art methods in crop detection. This study proposes a lightweight CNN deep learning model for agricultural crop type detection from satellite image time-series. The proposed model was evaluated within the context of object-based (segment-based and field-based) and pixel-based image analysis frameworks using the Sentinel-2 image time-series. The experiments were conducted in two distinct agricultural regions in Türkiye (Manisa and Kırklareli) characterized by diverse crop types and distributions. Image classification was carried out using all bands of Sentinel-2 image time-series, as well as the selected optimal bands determined through the Support Vector Machine–Recursive Feature Elimination (SVM-RFE) algorithm. For object-based approaches, a rotation process was applied on the objects (fields and segments) to align them with their minimum bounding boxes. The results were evaluated without rotation and with rotation cases of the objects to assess the impact of this geometric alignment. The results of both study areas revealed that the proposed lightweight CNN model based on all bands and with rotation technique yielded the highest model accuracies (train, validation, and test) and the best classification accuracies in terms of overall accuracy (OA) and Kappa coefficient. Specifically, for this configuration, the proposed model achieved training accuracies of 97.2% and 92.0%, validation accuracies of 86.6% and 88.0%, and test accuracies of 83.1% and 86.6%, for Manisa and Kırklareli respectively. In terms of crop classification accuracy, the proposed model yielded OA values of 89.8% for Manisa and 88.8% for Kırklareli, with the corresponding Kappa coefficients of 0.879 and 0.871. For both study areas, classifications based on all spectral bands consistently outperformed the classifications based on the selected optimal bands by approximately 3%, and the rotation technique improved results by about 2% compared to without rotation technique. The field-based classification approach demonstrated superior OA performance over the object-based approach by approximately 6% in Manisa and 9% in Kırklareli. The field-based approach also outperformed the pixel-based approach by approximately 10% in Manisa and 15% in Kırklareli. On the other hand, the object-based approach surpassed the pixel-based approach by about 4% and 6% in the respective study areas. Moreover, the results of the proposed model demonstrated advantages compared to VGG-16, ResNet-50, and U-Net in all tested configurations. Overall, the findings of this study demonstrate that the proposed light CNN model is promising for accurate and cost-effective field-based and object-based crop type classification using Sentinel-2 image time-series.

Benzer Tezler

  1. Tez No

    958993

    Fully convolutional one-stage object detection model for fire and smoke detection

    Yangın ve duman tespiti için tam evrişimsel tek aşamalı nesne algılama modeli

    EKREM YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KESKİNÖZ

  2. Tez No

    948236

    Vision-based detection and recognition of maritime objects for autonomous surface navigation

    Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma

    SEVDA SAYAN YONCA

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

  3. Tez No

    988231

    Integration of object recognition systems with small unmanned aerial vehicles for target detection

    Hedef tespiti için nesne tanıma sistemlerinin küçük insansız hava araçları ile entegrasyonu

    HAKAN TOPAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mühendislik BilimleriAnkara Yıldırım Beyazıt Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. FATİH VEHBİ ÇELEBİ

  4. Tez No

    714967

    Deep learning model optimization for real-time smallobject detection on embedded gpus

    Gömülü GPU'larda gerçek zamanlı küçük nesne tespiti için derin öğrenme model optimizasyonu

    SHAROZE ALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HASAN FEHMİ ATEŞ

  5. Tez No

    1004326

    Beyin MR görüntüleri üzerinden beyin tümörü tespiti,sınıflandırması ve segmentasyonunda derin öğrenme yöntemlerinin incelenmesi

    An investigation of deep learning approaches for brain tumor detection, classification, andsegmentation from brain MRI images

    ESMA NUR GÜNEŞER

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Mühendislik BilimleriYıldız Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERT BAL

Geri Dön