U-net derin öğrenme mimarisi kullanılarak yanmış alanların uydu görüntülerinden tespiti
Detection of burned areas from satellite images using u-net deep learning architecture
- Tez No: 813624
- Danışmanlar: DR. ÖĞR. ÜYESİ LÜTFİYE KARASAKA
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 124
Özet
Doğal afetlerden biri olan yangınlar canlı-cansız bütün varlıklara zarar vermektedir. Bu zararın tespit edilebilmesi gelecek planlamaları açısından önem arz eder. Çeşitli amaçlar için kullanım alanı sağlayan uzaktan algılama teknolojileri yanmış alanların tespiti için de kullanılabilmektedir. Bu tez çalışmasında yanmış alanların uzaktan algılama teknolojileri ile tespit edilmesinde bant kombinasyonlarının, veri artırımının ve eşik değer seçiminin etkilerinin incelenmesi amaçlanmıştır. Bu amaç doğrultusunda Landsat-8 uydu görüntüleri ve U-Net derin öğrenme mimarisi kullanılmıştır. İşlemler Python programlama dili kullanılarak gerçekleştirilmiştir. Çalışma kapsamında yanmış alanların uydu görüntüleri üzerinden tespiti için farklı kombinasyonlar kullanılarak eğitim ve test işlemleri gerçekleştirilmiş, elde edilen sonuçlar incelenmiştir. Test sonuçları için farklı eşik değerler (0.1, 0.5 ve 0.9) kullanılmıştır. Çalışma sonucunda eşik değerin 0.1 ve 0.5 olduğu durumlarda daha iyi sonuçlara ulaşılmıştır. Yapılan kombinasyonlar karşılaştırıldığında 7,5,4 bant kombinasyonunun ve AdaMax algoritması kullanımının diğer kombinasyonlardan daha iyi sonuçlar verdiği görülmüştür. Bu kombinasyondaki eğitim veri setine 90°, 180° ve 270° döndürme uygulanarak veri artırımı yapılmıştır. Veri artırımı gerçekleştirilen veri seti nihai modele girdi olarak verilmiştir. Nihai modele dair sonuçlar, veri artırımı yapılmadan elde edilen sonuçlarla karşılaştırıldığında veri artırımının olumlu etki yaptığı görülmüştür. Sonuç olarak nihai modelde elde edilen test doğruluğu değeri eşik değerin 0.5 olduğu durumda en yüksek olup %97.76'dir. Aynı eşik değer için elde edilen F1-skoru değeri ise %79.38'dir.
Özet (Çeviri)
Fires, one of the natural disasters, damage all living and non-living things. The detection of this damage is important for future planning. Remote sensing technologies, which provide a field of use for various purposes, can also be used for the detection of burned areas. In this thesis, it was aimed to examine the effects of band combinations, data augmentation and threshold value selection on detection of burned areas with remote sensing technologies. For this purpose, Landsat-8 satellite images and U-Net deep learning architecture were used. The operations were carried out using the Python programming language. Within the scope of the study, train and test processes were performed by using different combinations to determine the burned areas on satellite images, and the outcomes were examined. For the test results, different threshold values (0.1, 0.5 and 0.9) were used. As a consequence of the study, better results were obtained for the threshold values 0.1 and 0.5. When the combinations were compared, it was seen that the 7,5,4 band combination and the use of the AdaMax algorithm gave better results than the other combinations. Data augmentation was performed by applying 90°, 180° and 270° rotation to the training data set in this combination. The augmented data set was given as input to the final model. When the results of the final model was compared with the ones obtained without data augmentation, it was seen that data augmentation has a positive effect. In conclusion, the test accuracy value of the final model is the highest when the threshold value is 0.5 and it is 97.76%. The F1-score value obtained for the same threshold value is 79.38%.
Benzer Tezler
- Identification of tea plantation areas using Google cloud based random forest and deep learning
Google bulut servise dayalı rastgele orman ve derin öğrenme ile çay tarım alanlarının belirlenmesi
BERKAY ÖZEN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- Evrişimli sinir ağları kullanılarak retina görüntülerinin segmentasyonu ve sınıflandırılması
Segmentation and classification of retina images using convolutional neural networks
MALI MOHAMMEDHASAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Tıbbi görüntülerden derin öğrenme yöntemi ile karaciğer ve beyin lezyonlarının bölütlenmesi
Segmentation of liver and brain lesions by deep learning approach from medical images
ONUR CAN BAYRAK
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Derin öğrenmenin U-net modellemesi kullanılarak beyin tümörünün görüntü tabanlı segmentasyonu
Image-based segmentation of brain tumor using U-net modeling of deep learning
DUYGU IŞIK