Hava lidar verilerinin yapa zeka yöntemleri kullanılarak sınıflandırılması ve filtrelenmesi
Classification and filtering of airborne lidar data by using artificial intelligence methods
- Tez No: 676376
- Danışmanlar: DR. ÖĞR. ÜYESİ ALPER ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- 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: 107
Özet
Hava Lidar (Light Detection and Ranging) sistemleri ile üretilen mekânsal veriler, yüksek doğruluklu, hızlı ve az maliyetli olarak elde edilmektedir. Ancak verilerin nesne çıkarımı amacıyla elle işlenmesi, yoğun emek ve zaman gerektiren bir işlemdir. Bu süreci otomatik bir hale dönüştürmek amacıyla, denetimli/denetimsiz sınıflandırma yöntemleri kullanılabilmektedir. Lidar verilerinin, zemine ait ve zemine ait olmayan veriler olarak ayrılmasına filtreleme denir. Lidar verileri kullanılarak Sayısal Yükseklik Modeli oluşturulmasında filtreleme işlemi büyük önem arz etmektedir. Ayrık dönüşlü Lidar verisinin kullanıldığı bu çalışma, Bergama ilçesine ait iki farklı alanda yürütülmüştür. Lidar nokta bulutu, denetimsiz bir yapay sinir ağı yöntemi olan Kendini Düzenleyen Haritalar (KDH), denetimli bir makine öğrenmesi yöntemi olan Rastgele Orman Algoritması ve denetimli bir yapay sinir ağı yöntemi olan Derin Öğrenme ile hem sınıflandırılmış hem de filtrelenmiştir, ardından da yöntemler her iki çalışma alanı için de kıyaslanmıştır. Referans veri olarak tüm noktalar uydu görüntüleri ve sokak görüntüleri yardımıyla manuel olarak sınıflandırılmıştır. Bu, hem sınıflandırma doğruluğunu kontrol etmek için hem de rastgele orman algoritması ve derin öğrenmede eğitim ve test verisinin etiketleri için kullanılmıştır. KDH uygulamasında eğitim ve test olarak veri seti ayrılmadan tüm noktalar sınıf etiketsiz olarak kümelenmişlerdir. Bu nedenle KDH uygulamasında tüm noktalar için bir sınıf ataması ve doğruluk analizi söz konusu iken, rastgele orman ve derin öğrenmede yalnızca test alanlarının sınıf ataması değerlendirilmeye alınmıştır. Genel filtreleme sonuçları en iyi derin öğrenme ile alınmıştır. Filtreleme doğrulukları birinci çalışma alanı için %91.79 ve ikinci çalışma alanı için %95.82 olarak hesaplanmıştır. Genel sınıflandırma doğruluğunda ise en iyi sonuçlar derin öğrenmeyle alınsa da nesnelerin kendi içerisindeki sınıflandırma doğruluğu yöntemden yönteme değişiklikler göstermiştir. Derin öğrenmeyle genel sınıflandırma doğrulukları birinci çalışma alanı için %87.96 ve ikinci çalışma alanı için %91.71 olarak hesaplanmıştır. KDH ve rastgele orman algoritması için her iki çalışma alanında sınıflandırma ve filtreleme doğrulukları ise %80-%90 arasında değişmektedir
Özet (Çeviri)
Spatial data produced by Airborne Lidar (Light Detection and Ranging) systems are obtained with high accuracy, speed and low cost. However, manual processing of data for object extraction is a labor-intensive and time-consuming process. In order to automate this process, supervised / uncontrolled classification methods can be used. Separating Lidar data into ground and non-ground data is called filtering. Filtering is of great importance in creating Digital Elevation Model using Lidar data. This study, in which discrete-turn Lidar data was used, was conducted in two different study areas of Bergama district. "Lidar point cloud was both classified and filtered using Self-Organizing Maps (SOM) -an uncontrolled artificial neural network method-, Random Forest Algorithm- a supervised machine learning method-, and Deep Learning -a supervised artificial neural network method- then these three methods have also been compared for both study fields. In order to check the classification accuracy and use the labels of training and test data in random forest and deep learning algorithms, all points were classified manually with the help of satellite and street level imageries as reference data. In the SOM application, all points were clustered without class labels and without separating the data set as training and test. That's why, class assignment of all points in the whole area were evaluated in the SOM application. However, only the class assignment of the test areas were evaluated in random forest and deep learning algorithms. Overall filtering results are best obtained with deep learning. Overall filtering accuray was calculated %91.79 for the first study area and %95.82 for the second study area. In general classification accuracy, although the best general results are obtained with deep learning, the classification accuracy of the objects within themselves has changed from method to method. The general classification accuracies with deep learning were calculated as %87.96 for the first study area and %91.71 for the second study area. General classification and filtering accuracies vary between 80% and 90% in both study areas for SOM and random forest algorithm.
Benzer Tezler
- Hava lidar verilerinin sınıflandırılması ve orman ağaçlarına ait özniteliklerin değerlendirilmesi: İstanbul Belgrad Ormanı örneği
Estimation of forest tree types structure by using classification of airborne lidar data a case study: Istanbul, Belgrad Forest
BİLGE CİVELEKOĞLU
Yüksek Lisans
Türkçe
2015
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. FÜSUN BALIK ŞANLI
- Nokta tabanlı sınıflandırma yöntemleri ile LiDAR verilerinin sınıflandırılması
Classification of LiDAR data with point based classification methods
ZEHRA ERİŞİR
Yüksek Lisans
Türkçe
2015
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ YASTIKLI
- Sel–taşkın modellerinde hava lidar verilerinin kullanımı: Ulus Çayı örneği
Flood modelling using airborne lidar data: An example of Ulus River
İBRAHİM ŞİMŞEK
Yüksek Lisans
Türkçe
2020
Coğrafyaİstanbul ÜniversitesiCoğrafya Ana Bilim Dalı
DOÇ. DR. CİHAN BAYRAKDAR
PROF. DR. HASAN ÖZDEMİR
- Hava lidar verilerinden rezervuar alanının otomatik çıkarımı: Kestel barajı örneği
Automatic removal of reservoir field from aircraft lidar data: Example of Kestel dam
TOLGA ODABAŞ
Yüksek Lisans
Türkçe
2018
Mühendislik BilimleriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FEVZİ KARSLI
- Hava Lidarda doğruluk araştırması ve model geliştirmesi
Accuracy research and model development with airborne Lidar
ZÜMRÜT KURTULGU
Doktora
Türkçe
2024
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. ATINÇ PIRTI
DR. ÖĞR. ÜYESİ ZENNURE UÇAR