Geri Dön

Forest stand segmentation with time series optical satellite imagery and superpixels

Zaman-serisi optik uydu görüntüleri ve süperpikseller ile meşçere kuruluşlarının bölütlenmesi

  1. Tez No: 822488
  2. Yazar: CANER DEMİRPOLAT
  3. Danışmanlar: PROF. DR. MEHMET LÜTFİ SÜZEN, PROF. DR. UĞUR MURAT LELOĞLU
  4. Tez Türü: Doktora
  5. Konular: Astronomi ve Uzay Bilimleri, Elektrik ve Elektronik Mühendisliği, Ormancılık ve Orman Mühendisliği, Astronomy and Space Sciences, Electrical and Electronics Engineering, Forestry and Forest Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 154

Özet

Meşcere kuruluşu, orman yönetiminin temel birimidir. Meşcere bölütlemesi, saha envanterlerinin toplanmasında temel bir görevdir. Meşcere bölütlemesi için geleneksel yöntemler ticari görüntüler gerektirmektedir ve genellikle sınırlı mekânsal kapsama alanına sahiptir. Sentinel-2 uyduları, bitki örtüsü haritalamasına yönelik özel bantlara sahiptir ve halka açık uydular arasında dünyanın en yüksek mekânsal çözünürlüklü görüntülerini sağlamaktadır. Bu tez, yalnızca Sentinel-2 görüntülerini kullanarak meşcere kuruluşu bölütlemesi yapılabilmesi için ilk adımı atmayı amaçlamaktadır. Orman birimlerinin öncül bölütlemesi için denetimli ve denetimsiz süperpiksel bölütleme yöntemleri araştırılmıştır. Denetimsiz metodolojide, SLIC süperpiksel bölütleme algoritması, çok zamanlı Sentinel-2 spektral bantlarının ve bitki örtüsü endekslerinin farklı alt kümelerine uygulanmıştır. SLIC algoritması için üç kanallı girdi görüntüsünü oluşturmak için zaman serisi özelliklerinin çeşitli kombinasyonları üzerinde bir boyut azaltma tekniği kullanılmakta ve spektral mesafenin hesaplanmasında bu kanalların ağırlıkları optimize edilmektedir. Gauss Süreçleri Regresyonu SLIC ve ikizi Rastgele Ormanlar SLIC olarak adlandırılan denetimli metodolojide, meşcere gelişim sınıflarını temsil eden bir referans meşcere haritası, SLIC algoritmasındaki spektral mesafe ölçüsünün yerini alan bir Gauss süreçleri regressörü ve Rastgele Orman regresörünü eğitmek için kullanılır. LiDAR ile türetilen öznitelikler ile kıyaslandığında, denetimsiz teknik homojenlik ölçütlerinde önemli bir performans göstermiştir. Denetimli metodoloji referans bölütleme yaklaşımlarından, sınıra bağlılık ve alt bölütleme hatası ölçütleri açısından daha iyi performans göstermiştir. Eğitimli tekniğin bulguları, zaman serisi Sentinel-2 görüntüleriyle makine öğrenimine dayalı bir süperpiksel bölütleme algoritmasının kullanımı yaklaşımın, meşcere bölütlemede umut verici sonuçlara ulaştığını göstermektedir.

Özet (Çeviri)

Forest stands are the basic units of forest management whose delineation is a fundamental task of creating stand level field inventories. Traditional methods for forest stand delineation require commercial imagery and usually have limited spatial coverage. Sentinel-2 has special bands aimed for vegetation mapping and provides the highest resolution imagery of globe among publicly available. This thesis aims to take the first step for using solely the Sentinel-2 imagery for forest stand delineation. Supervised and unsupervised superpixel segmentation methods are explored for initial segmentation of forest units. In unsupervised methodology, Simple Linear Iterative Clustering (SLIC) superpixel segmentation is employed with different subsets of multi-temporal Sentinel-2 spectral bands and vegetation indices. A dimension reduction technique on various combinations of time series features is used to construct the three-channel input image for the SLIC algorithm with weights optimized. In supervised methodology named as Gaussian Processes Regressor SLIC and its twin method Random Forests SLIC, a forest stand map which represents stand development classes is used for training the GPR and RF regressor which replaces the spectral distance measure in the SLIC algorithm. In comparison to the segmentation based on three LiDAR-derived features the unsupervised technique demonstrated improved performance in homogeneity measures. The supervised methodology significantly outperformed reference segmentation approaches in terms of boundary adherence and undersegmentation error metrics. The findings of supervised technique show that the new approach of using a superpixel segmentation algorithm based on machine learning with time series Sentinel-2 images yield promising results in the delineation of forest stands.

Benzer Tezler

  1. Estimating basic forest stand parameters from UAS images

    Temel orman meşcere parametrelerinin İHA görüntüleriyle kestirimi

    VOLKAN YILMAZ

    Doktora

    İngilizce

    İngilizce

    2017

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ GÜNGÖR

  2. Estimating forest parameters using point cloud data

    Orman parametrelerinin nokta bulutu verilerinden çıkarımı

    ADİL ENİS ARSLAN

    Doktora

    İngilizce

    İngilizce

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESRA ERTEN

  3. Overcoming payment behavior challenges: Classifying buy now pay later users with machine learning

    Ödeme alışkanlığı zorluklarını aşmak: Makine öğrenimi ile şimdi al sonra öde kullanıcılarını sınıflandırma

    ÖMÜR ÖZDOĞAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bankacılıkİstanbul Teknik Üniversitesi

    Büyük Veri ve Veri Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  4. Obruk platosunun Karapınar-Esentepe arasındaki karst yapılarının jeoloji ve hidrojeoloji incelemesi

    Geology and hydrogeology investigation of karst construction the plateau of pit between Karapınar-Esentepe

    NURCAN YENİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    Jeoloji MühendisliğiSelçuk Üniversitesi

    Jeoloji Ana Bilim Dalı

    DOÇ. DR. AHMET GÜZEL

  5. Multispektral İHA verilerinin obje tabanlı sınıflandırılmasında ndym tabanlı performans artırım yaklaşımları

    Ndsm-based potential enhancement approaches in object-based classification of multispectral uav data

    İLYAS AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Jeodezi ve FotogrametriGebze Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. UMUT GÜNEŞ SEFERCİK