Geri Dön

Deep learning and remote sensing techniques for wildfire detectionusing uni-temporal sentinel-2 satellite imagery

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 795955
  2. Yazar: ALI MAHDI AL-DABBAGH
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 74

Özet

350 milyon yıldan fazla süren orman yangınları, gezegenin yüzeyinin ve ikliminin şekillenmesinde önemli bir rol oynadı. Küresel olarak, orman yangınları birçok ülkeyi tehdit ediyor ve can kaybı ve ekonomik giderler açısından daha yıkıcı oldu. Bu nedenle, orman yangınlarının zararlarını azaltmak için izlenmesi önemlidir. Ağustos 2021'de Türkiye'nin Akdeniz bölgesinde 200'den fazla orman yangını, Türkiye tarihinin en kötü orman yangını mevsimi olan toplam 1.700 kilometrekarelik bir alanı yaktı. Uzaktan Algılama (RS) tarafından toplanan veriler, orman yangınlarının boyutunu değerlendirmek için gerekli bilgileri sağlayabilir. Son yıllarda, Copernicus programının Sentinel-2 (S2) uyduları gibi orta-yüksek uzamsal çözünürlüğe sahip optik uydu verilerinin geniş kullanılabilirliği, orman yangınları hakkında daha fazla ayrıntıyı keşfetmeyi mümkün kıldı. Çoklu Spektral Enstrüman (MSI) sensörleri ve belirli spektral bantlara sahip S2 uyduları kullanılarak, bu ayrıntılı orman yangını haritaları, karar vermeye yardımcı olacak orman yangını haritalaması için Dünya Gözlem (EO) ürünlerini kullanan operasyonel servislere sağlanabilir. Son zamanlarda S2 uydu görüntüleri kullanılarak orman yangınlarını izlemek ve tespit etmek için çeşitli yöntemler geliştirilmiştir. Ancak, bu yöntemlerin çoğu kapsamlı bir ön işleme gerektirir ve diğer segmentasyon görevlerinde başarıyla kullanılan Derin Öğrenme (DL) modelleri henüz keşfedilmemiştir. Bu tez, orman yangını izleme ve algılamaya yönelik derin öğrenmeye dayalı modelleri uygulamak için tek zamanlı S2 görüntülerini kullanır. Spesifik olarak, derin öğrenme segmentasyon modellerine uygun yeni bir büyük veri seti oluşturulmuş ve optimum ağ performansı elde etmek için çeşitli testler gerçekleştirilmiştir. Bu tez, orman yangını alanlarını algılamak için derin öğrenme semantik segmentasyon modellerinin kullanımını sistematik olarak analiz eder ve beş mimarinin (U-Net, U-Net++, Dikkat ResU-Net, DeepLabv3+ ve LinkNet) ve dört kodlayıcının (ResNet-50) karşılaştırmalı bir analizini sağlar. , ResNet-101, ResNet-152 ve MobileNet) U-Net ve LinkNet için üç spektral bant kullanarak. U-Net'i bir ResNet50 kodlayıcı ile kullanmak en iyi sonuçları verir ve biz bunu S2 görüntülerindeki orman yangınını otomatik olarak izleyen ve algılayan bir Derin Öğrenme Paketi (DLPK) modeli olarak geliştirdik.

Özet (Çeviri)

Wildfires for more than 350 million years, played a significant role in shaping the planet's surface and climate. Globally, wildfires threaten several countries and have been more devastating in terms of lives lost and economic expenses. Hence, it is essential to monitor wildfires to reduce their damage. In the Mediterranean region of Turkey in August 2021, more than 200 forest fires burned a total area of 1,700 square kilometers, which was the worst wildfire season in Turkey's history. Data collected by Remote Sensing (RS) can provide the necessary information to evaluate wildfires' extent. In recent years, the Copernicus program's wide availability of optical satellite data with medium-high spatial resolution, such as Sentinel-2 (S2) satellites, has made it possible to discover more details about wildfires. Using S2 satellites with Multi Spectral Instrument (MSI) sensors and specific spectral bands, these detailed wildfire maps could be provided to operational services using Earth Observation (EO) products for wildfire mapping to help decision-making. Recently, using S2 satellite images, various methods have been developed to monitor and detect wildfires. However, most of these methods need extensive pre-processing, and Deep Learning (DL) models widely, which have been used successfully in other segmentation tasks, have not been explored. This thesis uses uni-temporal S2 images to implement models based on deep learning for wildfire monitoring and detection. Specifically, a new big dataset has been created suitable for deep learning segmentation models, and several tests were performed to achieve optimal network performance. This thesis systematically analyses the use of deep learning semantic segmentation models to detect wildfire areas and provides a comparative analysis of five architectures (U-Net, U-Net++, Attention ResU-Net, DeepLabv3+, and LinkNet) and four encoders (ResNet-50, ResNet-101, ResNet-152, and MobileNet) for U-Net and LinkNet, using three spectral bands. Using U-Net with a ResNet50 encoder achieves the best results, and we developed it into a Deep Learning Package (DLPK) model that automatically monitors and detects the wildfire in S2 imagery.

Benzer Tezler

  1. Tez No

    615568

    Automatic airplane detection using deep learning techniques and very high-resolution satellite images

    Derin öğrenme teknikleri ve çok yüksek çözünürlüklü uydu görüntüleri kullanılarak otomatik uçak tespiti

    BAKARY TRAORE

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    Prof. Dr. ELİF SERTEL

  2. Tez No

    702724

    Ankara Orman Bölge Müdürlüğü saf karaçam meşcerelerinde net birincil üretim ve yaprak alan indeksinin uzaktan algılama teknikleri ile modellenmesi

    Modeling net primary productivity and leaf area index with remote sensing techniques in pure crimean pine stands in Ankara Regional Directorate of Forestry

    SİNAN BULUT

    Doktora

    Türkçe

    Türkçe

    2021

    Ormancılık ve Orman MühendisliğiÇankırı Karatekin Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALKAN GÜNLÜ

    DOÇ. DR. ONUR ŞATIR

  3. Tez No

    911475

    A new agro-meteorological drought index based on remote sensing

    Uzaktan algılama temelli yeni bir agro-meteorolojik kuraklık indeksi

    EYYUP ENSAR BAŞAKIN

    Doktora

    İngilizce

    İngilizce

    2024

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET CÜNEYD DEMİREL

  4. Tez No

    651008

    Derin öğrenme ile Harran ovası toprak tuzluluğunun tespiti

    Detection of Harran plain soil salinity with deep learning

    ŞEYMA AKÇA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ GÜNGÖR

  5. Tez No

    901977

    Snow cover detection over forested and mountainous regions from remote sensing imagery using convolutional neural networks

    Uzaktan algılama görüntüleri kullanarak ormanlık ve dağlık bölgelerde kar örtüsü tespiti için evrişimli sinir ağları kullanımı

    SADETTİN ÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Jeodezi ve FotogrametriOrta Doğu Teknik Üniversitesi

    Jeodezi ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    PROF. DR. SEVDA ZUHAL AKYÜREK

    DOÇ. DR. SEMİH KUTER

Geri Dön