Geri Dön

Çok zamanlı sentinel-2 görüntüleri kullanılarak genelleştirilebilir toplu derin öğrenme modellerinin geliştirilmesi: Kavak plantasyon alanlarının haritalanması örneği

Development of generalizable ensemble deep learning models using multi-temporal sentinel-2 images: A case study on mapping of poplar plantation areas

PDF İndir

  1. Tez No: 1017532
  2. Yazar: MUHAMMED YUSUF ÖZTÜRK
  3. Danışmanlar: DOÇ. DR. İSMAİL ÇÖLKESEN
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Arazi sınıflandırması, Hibrit model, Uzaktan algılama, Land classification, Hybrid model, Remote sensing
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Gebze Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kavak, hızlı büyümesi, melezlenme kapasitesi ve farklı çevresel koşullara uyumu sayesinde endüstriyel ormancılık faaliyetlerinde önemli türler arasında yer almaktadır. Bu nedenle, kavak plantasyonlarının mekânsal dağılımının haritalanması ve zamansal değişimlerinin izlenmesi, sürdürülebilir kaynak yönetimi ve ulusal kavak envanterlerinin güncelliği açısından önem taşımaktadır. Son yıllarda, farklı derin öğrenme mimarilerine ait tahminlerin bir araya getirilmesiyle oluşturulan toplu derin öğrenme yaklaşımları, özellikle geniş ölçekli ve çok zamanlı verilerin sınıflandırılmasında sağladıkları yüksek doğruluk ve güçlü genelleme yetenekleri sayesinde, başta uzaktan algılama ve ormancılık olmak üzere birçok alanda artan ilgi görmektedir. Tez kapsamında, çok zamanlı Sentinel-2 görüntüleri kullanılarak kavak plantasyon alanlarının haritalanması için piksel ve semantik segmentasyon tabanlı modellerin farklı stratejilerle entegrasyonuna dayalı toplu derin öğrenme modelleri geliştirilmiştir. Akyazı çalışma alanında 2021 ve 2023 yılları arasında, kavakların fenolojik büyüme dönemine (Mayıs–Ağustos) ait Sentinel-2 görüntülerinden oluşturulan eğitim veri setleri ile eğitilen modeller, ilk olarak 2024 tarihli Akyazı verileri üzerinde test edilmiş, daha sonra, Düzce, Terme ve Azizler bölgelerindeki test alanlarına uygulanarak mekânsal genelleme performansları değerlendirilmiştir. Piksel tabanlı modeller arasında, çok kanallı yapıya sahip Derin Öğrenme Modeli-4 (DÖ-4), tüm doğruluk metriklerinde en yüksek ve tutarlı performansı sağlamıştır. Mekânsal ve zamansal genelleme sonuçları, DÖ-4 modelinin en yüksek F-skor değerlerine Ağustos tarihli veri setlerinde ulaştığını göstermiştir (Akyazı ≈%94.5, Azizler ≈%96 ve diğer test alanları ≈%97). Semantik segmentasyon modellerinin bireysel performans karşılaştırmaları, SwinD-Net ve Poplar-Net modellerinin farklı test alanları için %2–7 aralığında daha yüksek IoU değerleri üreterek geleneksel modellere üstünlük sağladığını ortaya koymuştur. Toplu öğrenme modellerine ilişkin analizler ise en yüksek doğrulukların tüm model kombinasyonlarının entegrasyonu yerine sınırlı sayıda model çıktısının birleştirilmesiyle elde edildiğini göstermiştir. Bireysel ve toplu derin öğrenme yaklaşımlarına ait karşılaştırmalar, toplu öğrenme yaklaşımlarının en başarılı bireysel modele göre %1'in altında sınırlı bir doğruluk artışı sağlamışlardır. En yüksek doğruluklar ise veri ve model çeşitliliğinin birlikte sağlandığı heterojen yapılı toplu öğrenme modelleri kullanılarak (Yöntem-C) elde edilmiştir. Piksel ve semantik segmentasyon modelleri bir arada değerlendirildiğinde, DÖ-4 modeli, Akyazı bölgesinde semantik segmentasyon tabanlı modellere kıyasla yaklaşık %2 daha düşük genel doğruluk değeri üretmiş, buna karşın farklı test alanlarında ise oldukça benzer genelleme performansı sunmuştur. Bu sonuçlar, sınıflandırma yaklaşımı ve model eğitim stratejisinin yalnızca eğitim sahasındaki doğruluğu üzerinde değil, modelin mekânsal genelleme potansiyeli üzerinde de etkili olduğunu göstermiştir. Diğer yandan, toplu derin öğrenme modelleri doğruluk değerlerinde sınırlı artışlar sağlarken, DÖ-4 ve Poplar-Net gibi gelişmiş bireysel modellerin benzer ya da daha yüksek performans sunduğu görülmüştür. Bu durum, eğitim süresi ve donanım gereksinimleri dikkate alındığında, gelişmiş mimarili tekil modellerin daha uygulanabilir bir alternatif olduğunu göstermektedir. Ayrıca, DÖ-4 ve Poplar-Net modelleri Fransa'daki bağımsız test alanlarında başarılı sonuçlar üreterek geniş ölçekli kavak haritalama çalışmaları için güçlü genelleme yeteneklerini ortaya koymuşlardır. Son olarak, tematik kavak haritalama sürecinin sürdürülebilir ve operasyonel biçimde yürütülebilmesi amacıyla, tez kapsamında geliştirilen modellerin entegre edildiği PoplaR-TM arayüzü tasarlanmıştır.

Özet (Çeviri)

Poplar is among the important species in industrial forestry due to its rapid growth, hybridization capacity, and adaptability to diverse environmental conditions. The mapping of the spatial distribution of poplar plantations and the analysis of their temporal changes are essential for ensuring sustainable resource management and maintaining up-to-date national poplar inventories. Recently, ensemble deep learning approaches, developed by combining the predictions of different deep learning architectures, have attracted increasing attention across various fields, particularly in remote sensing and forestry, due to their high accuracy and strong generalization capabilities in classifying large-scale and multi-temporal data. Within the scope of this thesis, ensemble deep learning models were developed for mapping poplar plantation areas using multi-temporal Sentinel-2 imagery, through the integration of pixel- and semantic segmentation-based models under different strategies. A local-to-global mapping approach was adopted for model development and evaluating their generalization potential. In this context, models were trained using multi-temporal Sentinel-2 imagery acquired from the Akyazi region between 2021 and 2023 during the phenological poplar growth period (1 May–31 August). The temporal generalization of these models was first evaluated using three independent datasets obtained in Akyazi in 2024. Then, they were applied to different test areas in Düzce, Terme, and Azizler to assess their spatial generalization performance. Among the pixel-based models, Deep Learning Model-4 (DL-4), integrating CNN–LSTM architectures through multi-channel feature extraction, achieved the highest and most consistent performance across all accuracy metrics. Spatial and temporal generalization results indicated that DL-4 yielded the highest F-score values on the considered datasets acquired in August (≈94.5% for Akyazi, ≈96% for Azizler, and ≈97% for the other test areas). Comparative analysis of individual semantic segmentation models revealed that the transformer-based SwinD-Net and Poplar-Net models outperformed traditional models, producing 2–7% higher IoU values across different test areas. On the other hand, the best accuracy values were received by combining a limited number of model predictions rather than integrating all model outputs. The evaluation of results from individual and ensemble deep learning models demonstrated that ensemble approaches provided limited accuracy improvements, remaining below 1% compared to the best-performing individual model. The most robust generalization performance was achieved using ensemble models with heterogeneous structure (Method-C), incorporating both dataset and model diversity. Based on comparisons of pixel-based and semantic segmentation models developed using a local-to-global training approach, DL-4 produced approximately 2% lower overall accuracy values in the training area (Akyazi), whereas it exhibited comparable spatial generalization performance to advanced models. These findings indicated that the classification approach and training strategy influence not only training accuracy but also the model's spatial generalization capacity. On the other hand, although ensemble deep learning models yielded limited improvements in accuracy, individual models with more advanced architectures, such as DL-4 and Poplar-Net, provided comparable and, in some cases, superior performance. Therefore, considering computational cost, training time, and hardware requirements, single-model designs with deeper architectures represent a more efficient and practical alternative for real-world applications. Additionally, visual analyses indicated that the models accurately detected mature poplar trees, while most classification errors occurred along parcel boundaries, within agroforestry and young poplar plantation areas. Furthermore, DL4 and Poplar-Net models were successfully applied to different test areas in France, confirming their strong generalization capabilities and demonstrating their potential for large-scale poplar mapping across diverse geographic regions. Finally, to ensure the sustainable and operational execution of the thematic poplar mapping process, the PoplaR-TM interface, integrating the models developed within the scope of this thesis, was designed.

Benzer Tezler

  1. Tez No

    733062

    Wetland spectro-temporal unmixing using multitemporal multispectral satellite images

    Çok zamanlı çok bantlı uydu görüntüleri kullanılarak sulak alanda spektro-zamansal ayrıştırma

    ERDEM ÖZER

    Doktora

    İngilizce

    İngilizce

    2022

    Mühendislik BilimleriOrta Doğu Teknik Üniversitesi

    Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı

    DOÇ. DR. UĞUR MURAT LELOĞLU

  2. Tez No

    965118

    Uydu görüntülerinden farklı sınıflandırma algoritmaları kullanılarak ürün deseni belirlenmesi – ılgın örneği

    Determination of product pattern from satellite images using different classification algorithms – a case study of ilgin

    AHMET YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    ZiraatSelçuk Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    DOÇ. DR. MERT DEDEOĞLU

  3. Tez No

    600652

    Optik ve radar uydu görüntüleri kullanılarak zeytinin farklı fenolojik dönemlerindeki özelliklerinin araştırılması

    Properties determination of olive at different phenological periods by using optical and radar satellite images

    MEHMET CENGİZ ARSLANOĞLU

    Doktora

    Türkçe

    Türkçe

    2019

    ZiraatTekirdağ Namık Kemal Üniversitesi

    Biyosistem Mühendisliği Ana Bilim Dalı

    PROF. DR. SELÇUK ALBUT

  4. Tez No

    524623

    Tarımsal yaz ürünlerin sentinel-2 uydu görüntülerinden rastgele orman algoritması ile nesne-tabanlı sınıflandırılması

    Object-based classification of summer crops from sentinel-2 satellite images using random forest algorithm

    MESUT YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TÜRKER

  5. Tez No

    771627

    The role of sentinel-1 and sentinel-2 data for observing wildfires

    Orman yangınlarının sentinel-1 ve sentinel-2 verileri ile izlenmesi

    DENİZ GAYE DENİZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FUSUN BALIK ŞANLI

Geri Dön