Yüksek çözünürlüklü uydu görüntüleri ve derin öğrenme kullanılarak 3 boyutlu kent modeli oluşturulması
Creating a 3D urban model using high resolution satellite images and deep learning model
- Tez No: 749538
- Danışmanlar: DR. ÖĞR. ÜYESİ OSMAN SAMİ KIRTILOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 51
Özet
Bilgi teknolojisi alanındaki gelişmeler ile mekânsal verilere ait ihtiyaç hem artmış hem de nitelikli veri elde etme ihtiyacı doğrultusunda yöntem arayışlarına sebep olmuştur. Uzaktan algılama ürünleri ile mekânsal verilere ait bilgilerin hızlı ve kolay erişilip, değerlendirilmesi de bu ürünleri son zamanlarda daha da popüler hale getirmiştir. Mekânsal verilerin farklı formatlarda saklanıp, değerlendirilmesine olan ihtiyacın artması ile de 3 boyutlu kent modellerini çekici hale getirmiştir. Böylelikle de uzaktan algılama verileri ile elde edilen mekânsal verilerin; 3 boyutlu modeller şeklinde sunulmasına yönelik çalışmalar da artmaktadır. Bu çalışmada İzmir ili Bayraklı ilçesi Mansuroğlu mahallesi için yüksek çözünürlüklü uydu verileri ile binalara ait çatı sınıfları derin öğrenme yöntemi ile belirlenmiştir. Çatı sınıflandırma işlemi tamamlandıktan sonra sayısal yükseklik modeli ile binalara ait yükseklik verileri elde edilmiş; elde edilen veriler öznitelik tablosunda tanımlanarak, ArcGIS Pro yazılımında CityGML LOD2 standartlarında çalışma alanının 3 boyutlu basit kent modeli elde edilmiştir. Elde edilen 3B modelleme yönteminin kullanılabilirliğini belirlemek model üzerinde farklı özelliklere sahip 3 farklı alanda veriler değerlendirilmiştir. Değerlendirilen verilere göre eğitim verisi örneklerinin ve epok sayısının artışının sınıflandırmadaki başarıyı arttırdığı görülmüştür. Yapılaşma koşullarının çatı tiplerinin ayırt edilmesinde önemli olduğu; bitişik nizam yapılarda çatı tiplerinin daha zor ayırt edildiği, yapılaşma koşullarının benzer olduğu alanlarda sınıflandırmanın daha başarılı olduğu gözlemlenmiştir. Derin öğrenme yönteminde kullanılan epok sayısı ve eğitim örneklerinin artması ile kırma ve beşik çatı tipinin sınıflandırma doğruluklarının %80 'e kadar çıkabildiği; düz çatı tipinin ise bu durumla ters orantılı olarak doğruluk derecesinin aşağılarda kaldığı gözlemlenmiştir. 300 eğitim verisi ve 250 epokla yapılan işlemdeki doğrulukların %80'leri bulduğu; Eğitim verisi sayısının ve epok sayısının artması ile kırma çatı tipi sınıflandırma doğruluğunun %80 düzeyine çıktığı gözlemlenmiştir. Düz çatı tipindeki sınıflandırma doğruluğunun %70'lere kadar çıkabildiği; beşik çatı tipindeki sınıflandırma doğruluğunun ise düz ve kırma çatı tipleriyle daha çok karıştırılmasından dolayı bu çatı yoğunlukta olduğu alanlarda %80 düzeyinde doğru sonuçlar verdiği gözlemlenmiştir. Karmaşık çatı tiplerinin bulunduğu alanlarda eğitim örneklerinin ve bu örneklerin eğitilmesini sağlayan epok sayısının doğru sonuçların elde edilmesi açısından önemli olduğu tespit edilmiştir
Özet (Çeviri)
According to developments in the field of information technology, the need for spatial data has both increased and led to the search for methods in line with the need to obtain quality data. Quick and easy access and evaluation of spatial data with remote sensing products has made these products even more popular recently. With the increasing need for storing and evaluating spatial data in different formats, 3D city models have become attractive. Thus, studies on presenting spatial data obtained with remote sensing data in the form of 3D models are emerging. In this study, the roof classes of buildings were determined by deep learning method with high resolution satellite imagery for Mansuroglu neighborhood of Bayrakli district of Izmir. After the roof classification process was completed, the height data of the buildings were obtained with the digital elevation model; by defining the obtained data in the attribute table, a simple 3D city model of the study area was obtained in ArcGIS Pro software in accordance with CityGML LOD2 standards. To determine the usability of the obtained 3D modeling method, data were evaluated in 3 different areas with different features on the model. According to the evaluated data, it was seen that the training data samples and the increase in the number of epochs increased the success in classification. Construction conditions are important in distinguishing roof types; it has been observed that the roof types are more difficult to distinguish in adjacent structures and the classification is more successful in areas where the construction conditions are similar. With the increase in the number of epochs and training examples used in the deep learning method, the classification accuracies of the hipped and gable roof types can reach up to 80%. It has been observed that the flat roof type has a lower level of accuracy inversely proportional to this situation.The accuracy in the process with 300 training data and 250 epochs was 80%. It has been observed that with the increase in the number of training data and the number of epochs, the classification accuracy of the hipped roof type increased to 80%. The classification accuracy of the flat roof type can reach up to 70%. The classification accuracy of the gable roof type is more confused with the flat and hipped roof types, giving accurate results at the level of 80% in areas with this roof density. It has been determined that the training samples and the number of epochs that enable these samples to be trained in areas with complex roof types are important in terms of obtaining accurate results.
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
- 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
- Derin öğrenme tabanlı süper çözünürlük teknikleri kullanarak JPEG sıkıştırma kaybının iyileştirilmesi
Recovering JPEG compression loss via deep learning-based super resolution techniques
MUHAMMET BOLAT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
DR. NURULLAH ÇALIK
- Yüksek çözünürlüklü uydu görüntü verileri kullanılarak bina ve yol sınıflarının derin öğrenme yöntemiyle belirlenmesi
Determination of building and road classes using high-resolution satellite image data with a deep learni̇ng method
DUYGU ARIKAN
Doktora
Türkçe
2024
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ
- 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