Landsat-8 uydu görüntülerinden derin öğrenme algoritmaları kullanarak kıyı çizgisi çıkarımı
Shoreline extraction from landsat-8 satellite imagery by using deep learning algorithms
- Tez No: 517722
- Danışmanlar: PROF. DR. BÜLENT BAYRAM
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 74
Özet
Kıyı çizgileri; küresel ısınma gibi doğal etkiler, şehirleşmenin getirdiği nüfus artışı ve insan kaynaklı oluşan çevre kirliliği etkilerinden dolayı sürekli değişim halindedir. Bu değişimin zamansal olarak izlenmesi; kıyı kaynaklarının yönetimi, kıyı alanlarındaki çevrenin korunması ve sürdürülebilir kıyı planlaması için kritik bir öneme sahiptir. Optik uydu görüntülerinin kullanılmasıyla kıyı alanlarına ait güncel, doğru, zamansal ve güvenilir bilgiler elde edilebilmektedir. Makine öğrenmesi tabanlı Derin Öğrenme algoritmaları uydu görüntülerinden otomatik kıyı çizgisi çıkarımında kullanılabilmektedir. Sunulan tezde, LANDSAT-8 uydu görüntülerinden kıyı çizgisi çıkarımı için bir semantik bölütleme algoritması olan SegNet derin öğrenme mimarisi kullanılmıştır. SegNet mimarisi; kodlayıcı, kod çözücü ve sınıflandırma katmanlarını içermektedir. Kodlayıcı katmanlarda üretilen düşük çözünürlüklü özellik haritalarının, kod çözücü katmanlarda girdi görüntü ile aynı çözünürlüğe eşlenmesi prensibi benimsenmiştir. Çalışmada, 34 LANDSAT-8 görüntüsünün mavi, kırmızı ve yakın kızılötesi bantları kullanılmıştır. Kullanılan görüntülerin 29 tanesi SegNet Derin Öğrenme Ağı'nın eğitimi için ve 5 tanesi sonuçların test edilmesi için kullanılmıştır. Eğitim veri seti için etiket oluşturmak amacıyla LANDSAT-8 görüntülerinin NDWI (Normalleştirilmiş Fark Su İndeksi - Normalized Difference Water Index) görüntüleri oluşturulmuştur. NDWI görüntülerine eşik değer uygulanarak ikili görüntüler oluşturulmuş ve etiketler belirlenmiştir. Bu işlemin ardından 4880 adet görüntü parçasından oluşan eğitim veri seti hazırlanmıştır. MATLAB platformunda VGG16 ve VGG19 mimarilerini temel alan iki farklı SegNet derin öğrenme ağı oluşturulmuş ve hazırlanmış olan eğitim seti ile eğitim işlemi gerçekleştirilmiştir. SegNet derin öğrenme ağları kullanılarak, 5 adet test görüntüsünden su ve kara sınıfları ikili biçimde elde edilmiştir. İkili görüntüler vektör formata dönüştürülerek kıyı çizgileri elde edilmiştir. Kıyı çizgilerinin doğruluklarını analiz etmek için elle sayısallaştırılan kıyı çizgileri kullanılmıştır. Doğruluk analizi için elle sayısallaştırılan kıyı çizgileri referans veri olarak kullanılmıştır. Çalışmanın sonucunda her bir test görüntüsünde SegNet-VGG19 mimarisi için sırasıyla 13.38 m (0.45 piksel), 16.16 m (0.54 piksel), 20.32 m (0.68 piksel), 9.99 m (0.33 piksel) ve 12.63 m (0.42 piksel) ortalama hata hesaplanmıştır. SegNet-VGG16 ağı için ortalama hatalar sırasıyla 9.78 m (0.33 piksel), 25.67 m (0.86 piksel), 17.07 m (0.57 piksel), 11.11 m (0.37 piksel) ve 10.69 m (0.36 piksel) olarak hesaplanmıştır. Elde edilen sonuçlar, derin öğrenmenin ve SegNet semantik bölütleme mimarisinin kıyı çizgisi çıkarımında verimli bir şekilde kullanılabileceğini göstermektedir.
Özet (Çeviri)
Shorelines are under rapid change due to natural influences such as global warming, population increase of urbanization and environmental pollution. Temporal monitoring of coastal change has a critical importance for coastal resource management, protection of coastal areas and sustainable coastal planning. By using optical satellite images, current, accurate, temporal and reliable information about coastal areas can be obtained. Machine learning based Deep Learning algorithms can be used to extract shoreline from satellite images that enable automatic shoreline extraction. In this thesis, SegNet deep learning architecture, which is a semantic segmentation algorithm is used for shoreline extraction from LANDSAT-8 satellite imagery. SegNet architecture consists of encoder layers, decoder layers and a classification layer. The principle is that the low-resolution feature maps generated in the encoder layers match to the same resolution as the input image in the decoder layers. In the study, blue, red and near infrared bands of 34 LANDSAT-8 images have been used. 29 of them have been used to obtain training SegNet Deep Learning Network and 5 of them for testing for the results. NDWI (Normalized Difference Water Index) of LANDSAT-8 images were created to generate labels for training data set. After applying the threshold value to the NDWI images, binary images have been created and the labels have been set. 4880 data sets were prepared. Two different SegNet deep learning networks based on the VGG16 and VGG19 architectures were created in the MATLAB platform and the training process was carried out using prepared training set. Using SegNet Deep Learning Networks, Land and Water classes have been obtained in binary form from 5 test images. Binary images were converted into vector format and shorelines were obtained. Manual digitized shorelines were used as reference data for accuracy assessment. As a result of study, for each test data, the calculated average errors were 13.38 m (0.45 pixel), 16.16 m (0.54 pixel), 20.32 m (0.68 pixel), 9.99 m (0.33 pixel) and 12.63 m (0.42 pixel) for SegNet-VGG19 network respectively. The average errors for SegNet- VGG16 network were 9.78 m (0.33 pixels), 25.67 m (0.86 pixels), 17.07 m (0.57 pixels), 11.11 m (0.37 pixels) and 10.69 m (0.36 pixels) respectively. The results show that deep learning and SegNet semantic segmentation architecture can be used efficiently for shoreline extraction.
Benzer Tezler
- Super-resolution of landsat-8 images using sentinel-2 images and generative adversarial networks
Sentinel-2 görüntüleri ve çekişmeli üretici ağlar kullanılarak landsat-8 görüntülerinin süper çözünürlüğü
ESRA SUNKER
Yüksek Lisans
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BÜLENT BAYRAM
- Aircraft detection using deep learning
Derin öğrenme kullanarak hava aracı tespiti
UTKU MUTLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Açıklanabilir yapay zeka yöntemleri ile toprak tuzluluğu haritalarının üretilmesi
Soil salinity mapping using explainable artificial intelligence methods
SAMET AKSOY
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- U-net derin öğrenme mimarisi kullanılarak yanmış alanların uydu görüntülerinden tespiti
Detection of burned areas from satellite images using u-net deep learning architecture
DAMLANUR ALKAN
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LÜTFİYE KARASAKA