Geri Dön

Hiperspektral uydu görüntülerinin ileri tekniklerle sınıflandırılması

Classification of hyperpectral satellite images with advanced techniques

  1. Tez No: 674370
  2. Yazar: MERT YİĞİT
  3. Danışmanlar: DOÇ. DR. ÜMİT HALUK ATASEVER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 137

Özet

Uydular aracılığıyla elde edilen görüntüler arazi örtüsüne ait detayların belirlenmesinde temel veri kaynaklarından biridir. Yakın zamana kadar çok bantlı görüntüler ile gerçekleştirilen arazi ölçüsü belirleme işlemleri hiperspektral algılayıcıları kullanımlarını artması neticesinde daha farklı bir noktaya evrilmiştir. Band sayısı arttıkça, yeryüzü nesnelerinin yansıtım karakterini tanımlamak kolaylaşsa da makine öğrenmesi tekniklerinin öğrenme süreçlerini zorlaştırmaktadır. Bu durum, hiperspektral uydu görüntülerinin sınıflandırılmasında tercih edilen sınıflandırma tekniğinin kontrol parametre tercihlerini, multispektral görüntü sınıflandırmaya nazaran, çok daha önemli bir hale getirmektedir. Bu tez kapsamında Destek Vektör Makineleri, Karar Ağaçları, Torbalama Karar Ağaçları, Lineer Diskriminant, K-En Yakın Komşuluk, Altuzay En Yakın Komşuluk, Naive Bayes gibi temel makine öğrenmesi tekniklerine ek olarak temel derin öğrenme modellerinde oto-kodlayıcıların da kontrol(ayar) parametrelerine göre performans değişimlerine ilişkin derinlemesine analizler yapılmıştır. Deneysel uygulamalarda Salinas-A ve Indian Pines verisetleri tercih edilmiştir. Elde edilen bulgularda kontrol parametrelerinin doğru tercih edilmesi durumunda oldukça etkin sonuçlar edilebileceği gösterilmiştir.

Özet (Çeviri)

Images obtained by satellites are one of the main data sources in determining the details of the land cover. As the number of bands increases, it becomes easier to define the reflection characteristics of earth objects, but it makes the learning processes of machine learning techniques more difficult. This makes the control parameter preferences of the preferred classification technique for the classification of hyperspectral satellite images much more important than the multispectral image classification. Within the scope of this thesis, in addition to basic machine learning techniques such as Support Vector Machines, Decision Trees, Bagging Decision Trees, Linear Discriminant, K-Nearest Neighborhood, Subspace K-Nearest Neighborhood, Naive Bayes, auto-encoders in basic deep learning models according to control(tuning) parameters. In-depth analyzes of performance changes were made. In experimental applications, Salinas-A and Indian Pines datasets were preferred. In the obtained findings, it has been shown that very effective results can be obtained if the control parameters are chosen correctly.

Benzer Tezler

  1. Soil salinity mapping by integrating remote sensing data with ground measurements; a case study in Lower Seyhan Plate, Adana, Turkey

    Uzaktan algılama verilerinin yersel ölçümlerle entegrasyonu ile toprak tuzluluk haritalaması; Aşağı Seyhan Ovası, Adana, Türkiye

    ANALI AZABDAFTARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  2. Uzaktan algılamada derin öğrenme tabanlı hiperspektral uydu görüntülerinin sınıflandırılması

    Classification of deep learning based hyperspectral satellite images in remote sensing

    HÜSEYİN FIRAT

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DAVUT HANBAY

  3. Python'da derin öğrenme yöntemleri ile hiperspektral uydu görüntülerinin otomatik olarak sınıflandırılması

    Automatic classification of hyperspectral satellite images with deep learning methods in Python

    AKIN ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiBolu Abant İzzet Baysal Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. KEMAL POLAT

  4. Sparsity based pansharpening and a new pansharpening method using a guiding image

    Seyreklik tabanlı pankeskinleştirme ve kılavuz görüntü kullanan yeni bir pankeskinleştirme yöntemi

    RONGLEI JI

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. ENDER METE EKŞİOĞLU

  5. Mapping and monitoring wetland environment by analysis different satellite images and field spectroscopy

    Sulakalan çevresinin farklı uydu görüntüleri ve arazi spektroskopisi ile izlenmesi ve haritalanması

    FİLİZ BEKTAŞ BALÇIK

    Doktora

    İngilizce

    İngilizce

    2010

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Jeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. ÇİĞDEM GÖKSEL