Farklı Çözünürlüklü Uydu Görüntülerinden Arazi Örtüsü/ Kullanımı Haritası Oluşturulması
Land Use/Land Cover Mapping Using Satellite Images With Different Spatial Resolutions
- Tez No: 745063
- Danışmanlar: PROF. DR. ELİF SERTEL
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Atatürk Stratejik Araştırmalar ve Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Havacılık ve Uzay Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Arazi Kullanımı/Arazi Örtüsü haritaları yer yüzü kaynaklarının yönetimi başta olmak peyzaj, kentsel planlama, çevre modelleme ve diğer birçok alanda hem özel sektörde, hem kamu idari birimlerinde kullanım alanı bulmaktadır. Haritaların oluşturulması için çeşitli sınıflandırma metodolojileri geliştirilmiştir. Günümüzde makine öğrenme algoritmaları uydu uzaktan algılama verilerinin sınıflandırılmasında yaygın olarak kullanılmaktadır. Bu çalışmada CORINE (Coordination Of Informatıon On The Enviroment) ikinci seviye sınıflarına benzer şekilde belirlenen on bir arazi kullanımı/arazi örtüsü sınıfı için iki farklı çözünürlüklü uydunun görüntüleri üzerinde makine öğrenme yöntemleri ile piksel tabanlı sınıflandırma gerçekleştirilmiş ve haritalar oluşturulmuştur. Temel olarak mekânsal çözünürlüğün sınıflandırma genel doğruluğu üzerindeki etkisini analiz etmek ve iki farklı makine öğrenme algoritmasının performansını karşılaştırmak amaçlanmıştır. Farklı çözünürlüklü Landsat 8 ve Sentinel 2 görüntüleri için ücretsiz ve açık kaynak kodlu QGIS (Quantum GIS) coğrafi analiz yazılımında OTB (Orfeo Toolbox) eklentisi kullanılarak rasgele orman ve destek vektör makineleri algoritmaları ile sınıflandırma yapılmıştır. İki sınıflandırma yöntemi için de birçok parametre değeri denenerek en yüksek genel doğruluğu veren parametre değerleri tespit edilmiş ve bu değerlere göre sınıflandırma yapılmıştır. Müteakiben yine QGIS yazılımı SCP (Semi-Automatic Classification Plug-in) eklentisi kullanılarak doğruluk analizi yapılmış ve sınıflandırma sonuçları karşılaştırılmıştır. Her iki algoritma da daha yüksek çözünürlüklü Sentinel 2 görüntüleri üzerinde daha iyi genel doğruluk değerleri verirken, genel olarak destek vektör makineleri algoritmasının radyal tabanlı çekirdek fonksiyonunun rasgele orman algoritmasından daha iyi sonuçlar verdiği tespit edilmiştir. Çalışmada ayrıca kullanılan bant sayısının artırılmasının genel itibariyle sınıflandırma genel doğruluğunu artırdığı gözlemlenmiştir.
Özet (Çeviri)
Land use/Land Cover maps are used especially in management of land resources and in many areas like landscape designing, urban planning, environmental modeling and in many others both in the private sector and in public administrative units. Various classification methodologies have been developed for the creation of maps. Today, machine learning algorithms are widely used in the classification of satellite remote sensing data. In this study, pixel-based classification was performed with machine learning methods on the images of two different resolution satellites for eleven land use/land cover classes determined similarly to CORINE second level classes, and maps were created. It is mainly aimed to analyze the effect of spatial resolution on the overall accuracy of classification and to compare the performance of two different machine learning algorithms. For Landsat 8 and Sentinel 2 images with different resolutions, classifications were made with random forest and support vector machines algorithms using the OTB plugin in the free and open source QGIS . For the methods, many parameters were tested and the parameters that gave the highest overall accuracies were determined and the overall accuracy of the algorithms was compared by performing accuracy analysis on SCP plugin. While both algorithms give better overall accuracy values on higher resolution Sentinel 2 images, it has been found that in general the radial basis kernel function of the support vector machines algorithm gives better results than the random forest algorithm. Additionally, increasing the number of bands used in the classification generally increased the overall accuracy.
Benzer Tezler
- Yüksek mekansal çözünürlüklü uydu/uçak platformlu görüntüler ve CBS teknolojisi kullanılarak Van-Erciş depremi sonrası bina hasar tespiti
Determination of building damage after Van-Ercis earthquake by using very high resolution satellite/aircraft platforms and GIS technology
ASLI SABUNCU
Doktora
Türkçe
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- 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
- Investigating olive trees by monitoring phenological stages using multi-modal satellite sensor data
Çok-modlu uydu sensör verileri kullanılarak fenolojik aşamalarının izlenmesiyle zeytin ağaçlarının araştırılması
HAYDAR MUHAMMED AKÇAY
Doktora
İngilizce
2024
Ziraatİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Taşkın modellemeleri için farklı uzaktan algılama görüntülerinden elde edilen pürüzlülük haritalarının karşılaştırılması
Comparison of surface roughness derived from different remote sensing sources for flood simulations
SULTAN BOLAT
- Temporal change detection analysis using landsat and sentinel satellite images: A case study-Igneada floodplain forest national park
Landsat ve sentinel uydu görüntüleri kullanılarak zamansal değişim analizi: İğneada longoz ormanları örneği
MERVE TOKER
Yüksek Lisans
İngilizce
2018
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR