Derin öğrenme tabanlı kentsel gelişim analizi
Deep learning-based urban development analysis
- Tez No: 1016068
- Danışmanlar: DOÇ. DR. İLKAY BUĞDAYCI
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasının amacı, zayıf denetimli süperpiksel tabanlı derin öğrenme yöntemlerini kullanarak çok zamanlı uydu görüntülerinden kentsel büyüme ve mekânsal değişimleri semantik düzeyde analiz edebilen bir segmentasyon modeli geliştirmektir. Kentsel alanların demografik artış, göç, altyapı ihtiyacı ve planlama politikaları gibi dinamiklerle sürekli değiştiği göz önünde bulundurulduğunda, bu değişimin doğru şekilde izlenmesi sürdürülebilir kent yönetimi açısından kritik öneme sahiptir. Geliştirilen model, farklı yıllara ait uydu görüntülerinden süperpiksel tabanlı bölütleme yoluyla anlamlı mekânsal sınırlar oluşturacak; zayıf etiketli verilerle eğitilmiş derin öğrenme algoritmaları sayesinde bina, yol ve yeşil alan gibi temel kentsel sınıfların zaman içerisindeki değişimini segmentasyon haritaları ile ortaya koyacaktır. Bu sayede, hem zamansal analiz hem de semantik sınıflandırma bütüncül bir yapıda gerçekleştirilecektir. Elde edilen çıktılar, kentteki yeni yapılaşma bölgeleri, fonksiyonel değişim alanları ve genişleme oranlarının detaylı olarak analiz edilmesini mümkün kılacaktır. Çalışma, sınırlı etiketli uzaktan algılama verileri ile yüksek doğrulukta semantik segmentasyon yapılabileceğini göstermeyi ve çok zamanlı kentsel gelişim analizlerine katkı sunmayı hedeflemektedir.
Özet (Çeviri)
The primary aim of this thesis is to develop a segmentation model capable of analyzing urban growth and spatial changes at a semantic level using weakly supervised, superpixel-based deep learning methods applied to multi-temporal satellite imagery. Given that urban areas continuously evolve due to factors such as population growth, migration, infrastructure demands, and planning policies, accurately monitoring this growth is crucial for sustainable urban management. The proposed model transforms spatial patterns from satellite images of different years into meaningful object boundaries through superpixel-based segmentation. It employs deep learning algorithms trained on weakly labeled data to detect temporal changes in key urban classes such as buildings, roads, and green spaces via segmentation maps. This enables the integrated execution of both temporal analysis and semantic classification within a unified framework. The model outputs allow for a detailed assessment of urban expansion rates, newly developed areas, and zones undergoing functional transformation. This study aims to demonstrate that high-accuracy semantic segmentation can be achieved using limited labeled remote sensing data and to contribute to multi-temporal urban development analyses.
Benzer Tezler
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Uzaktan algılama ve derin öğrenme teknikleri ile kentsel büyüme tahmini
Urban growth prediction using remote sensing and deep learning techniques
SAİD ABDURRAHMAN KOYUNOĞLU
Yüksek Lisans
Türkçe
2025
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. SEHER BAŞLIK
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Land cover segmentation of very high-resolution remotely sensed data using CNN and transformer models
Transformer ve CNN modelleri kullanarak çok yüksek çözünürlüklü uzaktan algılama görüntülerinin arazi örtüsü segmentasyonu
CENGİZ AVCI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL