Makine öğrenme yöntemleriyle uydu görüntülerinin sınıflandırılması ve zamansal değişiminin izlenmesi
Classification of satellite images and monitoring the temporary changes by machine learning methods
- Tez No: 766739
- Danışmanlar: DOÇ. DR. UĞUR ALGANCI
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Ziraat, Engineering Sciences, Agriculture
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
- Sayfa Sayısı: 79
Özet
Gümüzde, hızlı nüfus artışı ve kentleşmenin ivme kazandığı dünya kapsamında görünmektedir. Bu sürecin bir doğal sonucu olarak ise sürecin gereksinimlerini karşılamak için Arazi Örtüsü ve Arazi Kullanımı (AÖ/AK) sınflarında değişiklikler meydana gelmektedir. Öte yandan, karşılaştığımız küresel ısınma ve iklim değişiklikleri nedeni ile AÖ/AK sınıflarının değişimi daha sıklıkla rastalanabilmektedir. Dolayısıyla, bu değişikliklerin kontrol altında tutulmasında ve özellikle yeşil alanların korunmasını sağlamak, ileri yıllarda yaşanabilecek doğal afetleri öngörebilmek ve tedbir amaçlı uygulamaların ele alınması bakımından önemli olacaktır. Bu çalışmada, Türkiye'de Bursa ili bölgesi ele alınmış ve AÖ/AK sınıflarındaki bölgesel değişiklikler 2001 yılı itibari ve yaklaşık 10'er yıllık aralıklar ile değerlendirilmiştir. Bu değerlendirmelerde, Makine Öğrenme yöntemleri yardımıyla bölgeye ait Lansat uydu görüntülerinin AÖ/AK sınıflandırılması ve zamansal değişiminin incelenmesi yapılmıştır. Doğal ve tarihi güzelliklerinin yanı sıra termal turizm açısından da ülkemizden önde gelen bölgelerinden biri olan Bursa ilinde kentleşme süreci hızla yaşanmaktadır. Dolayısıyla bölgede, yıllar itibariyle uygulanan politikaların AÖ/AK sınıflarının değişiminde olan etkisini incelemek ve yapılan değerlendirmelere dayalı olarak, bölgede yeşil alanların korunmasına odaklı bir politika yürütmek ve sürdürebilir bir kentsel gelişim sağlamak oldukça büyük önem taşımaktadır. Bu çalışmada, uydu verilerinin analiz edilmesinde ve bölgesel kullanım arazi değişimlerinin tespit edilmesi için ücretsiz olarak uydu görüntülerine ulaşmayı ve çevrimiçi incelenmesine imkan sağlayan Google Eath Engine platformuu kullanılmıştır. Çalışmada Makine Öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) algoritmaları kullaılmıştır. Bu doğrultuda iki uygulama gerçekleşmiştir. İlk uygulamada, yıllara ait Landsat görüntülerinin görünür ve yakın kızıl ötesi bantları üzerinde Makine Öğrenme sınıflandırıcıları uygulanmıtşr. İkinci uygulamada ise, sınıflandırmalarda daha güçlü performans elde edebilmek ve farklı bileşenlerin etkisini değerlendirmek hedefiyle, indikatör faktör haritaları sınıflandırma için kullanılmıştır. Bu amaçla görüntü iyileştirme yöntemlerinden Bant Oranlaması ve Temel Bileşenler Analizi (TBA) farklı AK/AÖ sınıflarının ayrışmasını kolaylaştırmak için kullanılmıştır. Çalışmada, Bant Oranlaması yöntemleri bölgede litolojik, bitki örtüsü ve kentsel alan bileşenlerin haritalanması amacıyla uygulanmıştır. Böylelikle, en büyük pay sahibi olan ilk temel bileşen görüntüsü, Normalleştirilmiş Fark Bitki İndeksi, Kentsel Alan İndeksi kullanılmıştır. Aynı zamanda, çorak alanların ve kayaçların ayrışmasını güçlendirmek amacıyla, farklı bant oranlaması yöntemleri kullanılmıştır. Bu doğrultuda, 5/7 Landsat görüntü bant oranlaması kil minerallerini görüntülemek, 5/4 Landsat görüntü bant oranlaması demirli mineralleri (Fe2+) haritalamak ve 3/1 Landsat görüntü bant oranlaması demir oksitlerin haritalanması için hesalanmıştır. Çalışmada, CORINE sınıflandırma sisteminden ilham alınarak ve bölgesel değerlendirmeler dikkate alınarak, altı AÖ/AK sınıfı incelenmeye alınmıştır. Bu sınıflar bölgedeki Su kütlesi, Orman alanı, Tarım alanı, Çorak alan, Kentsel alan ve Maden ocaklarından oluşturulmuştur. Çalışma bölgesi olan Bursa ilinin zamasal süreçte AÖ/AK sınıflarında meydaa gelen değişiklikleri incelenmek için, yaklaşık on yıllık periyotlarda alınan Landsat 5 TM ve Landsat 8 OLI/TIRS uydu görüntüleri kullanılmıştır. Arazi sınıflandırmasının zamansal değişimiyle ilgili kullanılan uygulama ve yöntemler ele alındığında, sonuçların bir biri ile örtüştüğü görünmektedir. Aynı zamanda, doğruluk oranları değerlendirildiğinde, ikinci uygulama olan indikatör faktör haritalarına dayalı sınıflandırma yönteminin daha iyi performans sergilediği ortaya konulmuştur. Sınıflandırma sonuçlarında ortak sonuç olarak ise, Bursa ili bölgesinde 2001 – 2022 yılları arasında çorak alanlarda azlma tespit edilirken, maden ocaklarında, tarımsal ve kentsel alanlarda genişleme olduğu dikkat çekmektedir. Doğru ve gerçek zamanlı AÖ/AK haritaları, Dünya'nın dinamiklerinin izlenmesi, planlanması ve yönetimi için kesin bilgiler sağlayabilecek niteliktedir. Bulut bilişim platformları, zaman serisi öznitelik çıkarma teknikleri ve makine öğrenme sınıflandırıcılarının ortaya çıkmasıyla, daha doğru ve büyük ölçekli AÖ/AK haritaları üretilebilmek doğrultusunda önemli gelişmelere yol açmıştır.
Özet (Çeviri)
Nowdays, rapid population growth and urbanization are accelerated worldwide. As a natural consequence of this process, changes occur in the Land Cover and Land Use (LULC) classes to meet requirements. On the other hand, due to the global warming and climate changes encountered, changes in LULC classes can be seen more frequently. Therefore, keeping these changes under control and especially ensuring the protection of green areas will be important in terms of predicting natural disasters that may occur in the future and addressing precautionary practices. In this study, Bursa province region in Turkey was examined and regional changes in LULC classes after 2001 were evaluated by intervals of about 10 years. In these evaluations, Machine Learning algoritms were used to classify Lansat satellite images of the region and examine the temporal changes in LULC classes. In addition to its natural and historical beauties, Bursa, which is one of the leading regions of Turkey in terms of thermal tourism, is experiencing a rapid urbanization process. Therefore, it is of great importance to examine the effects of the policies implemented in the region over the years on LULC change and based on the evaluations, to carry out a policy focused on the protection of greenlands in the region and to ensure a sustainable urban development. In this study, Google Eath Engine platform was utilised to analyze satellite images and to detect regional changes in LULC classes over the years, which enables accessing and online processing of various satellite images free of charge, In this study, Support Vector Machines (SVM) and Random Forest (RF) algorithms from Machine Learning algorithms were utilised. Two applications were made in this direction. In the first application, Machine Learning classifiers were applied on the visible and near infrared bands of the Landsat images. In the second application, indicator factor maps were used in classification to obtain stronger performance and to evaluate the effect of different indicators. Accordingly, Band Ratio (BR) and Principal Components Analysis (PCA) were used in image enhancement to facilitate the separation of different LULC classes. In this study, Band Ratio methods were applied with the porpuse of mapping of the lithologic, vegetation and urban land cover. Thus, the first principal component image, Normalized Difference Vegetation İndex, Build-Up Index was used. At the same time, different band ratio methods have been utilized to strengthen the monitoring of barren lands. Accordingly, 5/7 Landsat image band ratio was calculated for imaging clay minerals, 5/4 Landsat image band ratio was calculated for mapping ferrous minerals (Fe2+), and 3/1 Landsat image band ratio was calculated for mapping iron oxides. In the study, taking into account regional evaluations and based on the CORINE classification system, six LULC classes were considered. Therefore, samples gathered for Water body, Forest area, Agricultural area, Barren area, Urban area and Mine quarries for each year separetly in the region. In order to examine the temporal changes in LULC classes in study region, Bursa province, Landsat 5 TM and Landsat 8 OLI/TIRS satellite images were taken over a period of about ten years. Considering the approaches utilized to monitor the temporal change of LULC classes, the results seem to confirm each other. At the same time, when the accuracy rates were evaluated, it was revealed that the second application, the classification based on the indicator factor maps, performed better. When the classification maps are evaluated, as a common result, while a decrease was determined in the barren areas between 2001 and 2022 in Bursa province, it is noteworthy that there was an expansion in mines, agricultural and urban areas. Accurate and real-time LULC maps can provide precise information for monitoring, planning and management of Earth's dynamics. Cloud computing platforms, with the advent of time series feature extraction techniques and machine learning classifiers, have led to significant advances in producing more accurate and large-scale LULC maps.
Benzer Tezler
- Uzaktan algılamada derin öğrenme tabanlı hiperspektral uydu görüntülerinin sınıflandırılması
Classification of deep learning based hyperspectral satellite images in remote sensing
HÜSEYİN FIRAT
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
Analysis and optimization of artificial neural networks for image classification
OZAN ARSLAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiPROF. DR. OĞUZ MÜFTÜOĞLU
PROF. DR. CANKUT ÖRMECİ
- Analysis of hyperspectral images with deep learning methods
Derin öğrenme yöntemleriyle hiperspektral görüntülerin analizi
EKREM TARIK KARAN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Aircraft detection from large scale remote sensing images with deep learning techniques
Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti
MEHMET SOYDAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Earthquake damage identification from very high resolution post event image using advanced methods in mathematical morphology
Deprem hasarının yüksek çözünürlüklü afet sonrası görüntülerden ileri matematiksel morfoloji yöntemleri kullanılarak belirlenmesi
ENES OĞUZHAN ALATAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞEN TAŞKIN KAYA