Yanmış orman alanlarının belirlenmesinde derin öğrenme yöntemlerinin yanmış alan indeksleri ile karşılaştırılması: Hatay örneği
Comparison of deep learning methods for determining burnt forest areas with burnt area indices: The case of Hatay
- Tez No: 783657
- Danışmanlar: DOÇ. DR. NURİ EMRAHOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Derin Öğrenme, Sentinel 2, NBR-dNBR, BAIS2-dBAS2, Uzaktan Algılama, Deep Learning, Sentinel 2, NBR-dNBR, BAIS2-dBAS2, Remote Sensing
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 102
Özet
Bu çalışmada 5-10 Eylül 2020 tarihleri arasında Hatay'ın Samandağ bölgesinde, 9-10 Ekim 2020 tarihleri arasında Hatay'ın Belen bölgesinde ve 27-29 Ekim 2020 tarihleri arasında Hatay'ın Denizciler mevkilerinde meydana gelen orman yangınlarının yanmış alanlarının haritalanması ve yangının şiddeti derin öğrenme ve uzaktan algılama tabanlı yöntemler ile Sentinel 2 uydu verileri kullanılarak değerlendirilmiştir. Çalışma alanlarına ait Sentinel 2 verileri ile derin öğrenme için bir görüntü veri seti oluşturulmuştur. Daha sonra derin öğrenme yöntemleri kullanılarak bir derin öğrenme modeli oluşturulmuş, oluşturulan model veri setindeki görüntüler ile eğitilerek başarılı bir şekilde test edilmiştir. Oluşturulan yeni derin öğrenme modeli sonuçları, Sentinel 2 görüntüleri kullanılarak Normalize Edilmiş Yangın Şiddeti (NBR),Sentinel 2 İçin Yanmış Alan İndeksi(BAIS2) indeksleri hesaplanmıştır. Bu indekslerin yangından önce ve sonrası farkları için Fark Normalize Edilmiş Yanma Şiddeti (dNBR), Fark Sentinel-2 İçin Yanmış Alan İndeksi(dBAIS2) değerleri hesaplanarak yangın şiddeti sınıflandırması ve yangın alanı tespiti yapılmıştır. Derin öğrenme yöntemi, yanmış alan indeksleri ve Orman Genel Müdürlüğü yangın sicil fişleri verileri karşılaştırılmıştır ve yeni derin öğrenme modelinin yanmış orman alanlarını bulmada kullanılan indekslerden daha başarılı olduğu tespit edilmiştir. Yeni model yanmış orman alanlarının belirlenmesinde Samandağ çalışma alanında %98,36, Belen çalışma alanında %99,46 ve Denizciler çalışma alanında %92,75 oransal bir doğruluğa sahiptir.
Özet (Çeviri)
In this study, the burnt areas and intensity of forest fires that occurred in the Samandağ region of Hatay between September 5-10, 2020, the Belen region of Hatay between October 9-10, 2020, and the Denizciler locality of Hatay between October 27-29, 2020, are mapped. It was analyzed using deep learning, remote sensing, and satellite data from Sentinel 2. With Sentinel 2 satellite photos of the research locations, an image dataset for deep learning was constructed. Then, using deep learning approaches, a deep learning model was developed, trained using the photos in the dataset, and successfully tested. Images from Sentinel 2 were used to produce the Normalized Fire Intensity (NBR) and Burnt Area Index for Sentinel 2 (BAIS2) indices using the results of a new deep learning model. Calculating the Difference Normalized Burning Intensity (dNBR) and Burnt Area Index for Difference Sentinel-2 (dBAIS2) values for the discrepancies between these indices before and after the fire allowed for categorization and determination of the fire area. The deep learning approach, burnt area indexes, and General Directorate of Forestry fire registration slips were compared, and it was established that the new deep learning model was more effective at locating burned forest areas than the indexes. In identifying the burnt forest areas, the new model has a proportionate accuracy of 98,36% in the Samandağ study region, 99,46% in the Belen research area, and 92,75% in the Denizciler study area.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Assessment of urbanization history of Addis Ababa city, Ethiopia
Addıs Ababa cıty, Ethıopıa'nın kentleşme tarihinin değerlendirilmesi
ABDURAHMAN HUSSEN YIMER
Yüksek Lisans
İngilizce
2023
Şehircilik ve Bölge PlanlamaMersin ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. ALİ CENAP YOLOĞLU
- Kentsel dönüşüm projelerinde kullanıcı odaklı yaklaşımın Beykoz projesi örneği üzerinden değerlendirilmesi
A user-focused approach to urban transformation projects evaluated on the Beykoz project example
TUĞBA SARSILMAZ
Yüksek Lisans
Türkçe
2018
MimarlıkYıldız Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN AVLAR
- Burned forest area mapping from post-fire sentinel-2 imagery using object-based machine learning classification
Nesne-tabanlı makine öğrenimi sınıflandırması kullanarak yangın sonrası sentinel-2 görüntülerinden yanmış orman haritalama
FİDAN ŞEVVAL BULUT
Yüksek Lisans
İngilizce
2024
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- GIS for watershed management
Havza yönetimi için CBS
RAWAA A.FATAH ABDULHUSSEIN
Yüksek Lisans
İngilizce
2017
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET ÖZGÜR DOĞRU