Forest stand segmentation with time series optical satellite imagery and superpixels
Zaman-serisi optik uydu görüntüleri ve süperpikseller ile meşçere kuruluşlarının bölütlenmesi
- Tez No: 822488
- Danışmanlar: PROF. DR. MEHMET LÜTFİ SÜZEN, PROF. DR. UĞUR MURAT LELOĞLU
- Tez Türü: Doktora
- 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
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Estimating basic forest stand parameters from UAS images
Temel orman meşcere parametrelerinin İHA görüntüleriyle kestirimi
VOLKAN YILMAZ
Doktora
İngilizce
2017
Jeodezi ve FotogrametriKaradeniz Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ GÜNGÖR
- Estimating forest parameters using point cloud data
Orman parametrelerinin nokta bulutu verilerinden çıkarımı
ADİL ENİS ARSLAN
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
- 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
2024
Bankacılıkİstanbul Teknik ÜniversitesiBüyük Veri ve Veri Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- 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
2000
Jeoloji MühendisliğiSelçuk ÜniversitesiJeoloji Ana Bilim Dalı
DOÇ. DR. AHMET GÜZEL
- 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
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. UMUT GÜNEŞ SEFERCİK