Uzaktan algılama tabanlı derin öğrenme mimarileriyle alg patlamalarının tespiti ve açıklanabilir yapay zeka ile analizi: burdur gölü örneği
Remote sensing based deep learning models and explainable artificial intelligence analysis: the case of lake burdur
- Tez No: 1023317
- Danışmanlar: DR. ÖĞR. ÜYESİ MELTEM ÇELEN, DOÇ. DR. İSMAİL ÇÖLKESEN
- Tez Türü: Yüksek Lisans
- Konular: Çevre Mühendisliği, Deniz Bilimleri, Environmental Engineering, Marine Science
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yer ve Deniz Bilimleri Ana Bilim Dalı
- Bilim Dalı: Yer Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tez kapsamında; içme suyu tedariği, tarımsal sulama, biyoçeşitlilik ve kentsel ısı adalarının etkilerinin azaltılması gibi birçok faydalı işleve sahip temel bir ekosistem konumunda bulunan göllerde meydana gelen alg patlaması oluşumlarının tespit doğruluğunun artırılması amacıyla kullanılacak temel veri seti olan uzaktan algılanmış görüntülerin derin öğrenme entegrasyonuyla çözünürlüklerinin iyileştirilmesi hedeflenmektedir. Bu genel amaca yönelik olarak gerçekleştirilmesi planlanan uygulamanın temel hedefleri şunlardır: · Tez çalışması kapsamında gerçekleştirilmesi planlanan uygulama kapsamında, derin öğrenme mimarisine dayalı Evrişimsel Sinir Ağları (CNN) mimarisi temel alınarak, uzaktan algılama görüntüleri kullanılarak süper çözünürlük uygulaması özelinde geliştirilmiş SRCNN (Süper Çözünürlük CNN) mimarisinin geliştirilmesi amaçlanmaktadır. · Bununla birlikte, tez çalışması kapsamında gerçekleştirilecek SRCNN tabanlı uygulamada, çözünürlüğü iyileştirilmiş görüntüler üzerinden gerçekleştirilecek olan işlemlerin (Sınıflandırma, segmentasyon vb.), farklı çalışma alanlarında kullanılabilirliği test edilecektir. · Diğer taraftan, çözünürlüğün artırılması amacıyla literatürde yer alan geleneksel yöntemler (HSV, Temel Bileşenler Analizi, Gram-Schimdt, En-Yakın Komşu Yayılımı vb.) ve enterpolasyon yöntemleriyle (Bilinear, Kübik, En Yakın Komşu) tez çalışması kapsamında önerilen SRCNN tabanlı yaklaşım karşılaştırılarak avantaj ve dezavantajları ortaya konacaktır. · Gerçekleştirilmesi planlanan uygulama esnasında süper çözünürlük için kullanılacak olan SRCNN modeline ilişkin, kayıp ve hata durumlarını gösteren kayıp fonksiyonlarının yanı sıra uzaktan algılama veri setlerinde sıklıkla tercih edilen ortalama, varyans, entropi vs. dayalı eş oluşum ölçütleri (Co-occurrence Measures) teknikler de kullanılarak görüntülerin spektral yapısındaki bozulmalar araştırılacaktır.
Özet (Çeviri)
Within the scope of this thesis, the primary aim is to improve the resolution of remote sensing images through deep learning integration to increase the detection accuracy of algal blooms in lakes. Lakes serve as fundamental ecosystems providing vital functions such as drinking water supply, agricultural irrigation, biodiversity conservation, and the mitigation of urban heat island effects. To achieve this overarching goal, the main objectives of the proposed study are as follows: To develop an SRCNN (Super-Resolution CNN) architecture, based on Convolutional Neural Networks (CNN), specifically tailored for super-resolution applications using remote sensing imagery. To test the applicability and performance of downstream tasks (such as classification, segmentation, etc.) performed on the resolution-enhanced images across different study areas using the developed SRCNN model. To compare the proposed SRCNN-based approach with traditional image fusion/pansharpening methods (HSV, Principal Component Analysis, Gram-Schmidt, Nearest Neighbor Diffusion, etc.) and interpolation techniques (Bilinear, Cubic, Nearest Neighbor) in the literature, thereby demonstrating its advantages and disadvantages. To investigate the distortions in the spectral structure of the images during the super-resolution process by utilizing not only the loss functions of the SRCNN model but also co-occurrence measures (based on mean, variance, entropy, etc.) that are frequently utilized in remote sensing datasets.
Benzer Tezler
- 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
- Aircraft detection from large scale remote sensing images with deep learning techniques
Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti
MEHMET SOYDAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- 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
MUHAMMED YUSUF ÖZTÜRK
Doktora
Türkçe
2026
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN
- Uzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme
Developing a deep learning-based land use and land cover mapping model using remote sensing data
ŞAZİYE ÖZGE ATİK
Doktora
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER
- Uydu görüntülerinde derin öğrenme ile süper çözünürlük
Super resolution with deep learning in satellite images
GAMZE DANIŞMAN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE