Estimation of building height from ICESat-2/ATLAS and airborne LiDAR data using machine learning algorithms
Makine öğrenmesi algoritmaları kullanılarak ICESat-2/ATLAS ve havasal LiDAR verilerinden bina yüksekliği tahmini
- Tez No: 840639
- Danışmanlar: DR. ÖĞR. ÜYESİ MÜGE AĞCA
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 64
Özet
Şehirlerdeki bina yükseklikleri, kent planlaması ve sürdürülebilir büyüme için hayati bir öneme sahiptir, çünkü bu faktörler şehirlerin yapısını ve karakterini belirleyen çevresel, ekonomik, sosyal ve estetik etmenlerle yakından ilişkilidir. Bu çalışmanın temel amacı, kentsel alanlarda havasal LiDAR ve ICESat-2 verilerine dayalı makine öğrenme algoritmalarını kullanarak bina yüksekliklerini hesaplamaktır. Ana hedefi gerçekleştirmek için çalışmanın alt amaçları şunlardır: (a) uzaysal ve havasal LiDAR verileri arasındaki ilişkileri araştırmak ve verileri birbirleri ile entegre etmek, (b) ICESat-2/ATLAS ve havasal LiDAR verileri analiz edildiğinde nokta bulutu analizinde kullanılabilecek çeşitli makine öğrenme algoritmalarının performansını incelemek ve (c) uzaysal ve havasal LiDAR sistemlerinden elde edilen bina yüksekliği verilerinin yersel ölçme tekniklerinden elde edilen verilerle doğruluğunu karşılaştırmak. Çalışma kapsamında HGM tarafından temin edilen havasal LiDAR verileri kullanılmıştır. Çalışma alanındaki her bir ICESat-2/ATLAS fotonunun izdüşümüne karşılık gelen havasal LiDAR noktalarının seçimi yapılmıştır. LiDAR verilerinin analizinde Python yazılım dili içerisindeki kütüphaneler kullanılmıştır. Verilerin sınıflandırılması için makine öğrenmesi algoritmaları (K-en yakın komşu (K-NN), destek vektör makineleri (DVM), rastgele orman (RO), yapay sinir ağları (YSA) ve RANSAC) kullanılarak yüksek doğrulukta veriler elde edilmeye çalışılmıştır. Sınıflandırma işlemlerinin sonucunda ICESat-2 verilerinin sınıflandırılmasında RO algoritması ile sınıflandırma doğruluğunun (güçlü ışın RO = %96.83, zayıf ışın RO= %96.14) kullanılan diğer algoritmaların sınıflandırma doğruluğundan (güçlü ışın K-NN = %94.08, DVM = %75.43, YSA = %77.60, RANSAC = %71.68, zayıf ışın K-NN = %94.26, DVM = %72.11, YSA = %75.46, RANSAC = %66.17) daha iyi olduğu görülmüştür. Havasal LiDAR verilerinin sınıflandırılmasında K-NN ve RO algoritmaları ile sınıflandırma doğruluklarının (K-NN = %99.99, RO = %99.98) kullanılan diğer algoritmaların sınıflandırma doğruluğundan (DVM = %91.11, YSA = %98.48, RANSAC = %53.66) daha yüksek olduğu görülmüştür. Çalışmada nokta bulutu ön analiz işlemleri gerçekleştirildikten sonra çalışma alanına ait sayısal yükseklik ve sayısal arazi modelleri oluşturulmuş ve elde edilen nokta bulutları ve yükseklik modellerinden elde edilen veriler kullanılarak alandaki bina yükseklikleri hesaplanmıştır. Çalışma kapsamında kullanılan sistemler arasındaki ilişkiyi incelemek için regresyon modeli oluşturulmuş ve istatistiksel metrikler hesaplanmıştır. Aykırı değerler çıkarıldıktan sonra arazi ölçümleri-havasal LiDAR arasındaki ilişkinin (R2 = 0.9985, RMSE = 0.1354, MSE = 0.0183, MAE = 0.0942, ME = 0.0388 ), arazi ölçümleri-ICESat-2 arasındaki (R2 = 0.9905, RMSE = 0.3527, MSE = 0.1244, MAE = 0.2548, ME = -0.0610) ve havasal LiDAR-ICESat-2 arasındaki ilişkiden (R2 = 0.9921, RMSE = 0.3209, MSE = 0.1029, MAE = 0.2314, ME = -0.0978) daha iyi olduğu görülmüştür.
Özet (Çeviri)
The height of buildings in cities are of critical importance to urban planning and sustainable growth, as these factors are closely linked to environmental, economic, social, and aesthetic elements that shape the structure and character of cities. The main purpose of this study is to calculate building heights using machine learning algorithms based on airborne LiDAR and ICESat-2 data in urban areas. Sub-objectives of the study to achieve the main objective are: (a) investigate the relationships between spaceborne and airborne LiDAR data and integrate the data, (b) investigate the performance of various machine learning algorithms that can be used in point cloud analysis when ICESat-2/ATLAS and airborne LiDAR data are analyzed, and (c) comparing the accuracy of building height data obtained from both spaceborne and airborne LiDAR systems with data obtained from ground-based measurement techniques. Airborne LiDAR data provided by GDM were used for the study. LiDAR points corresponding to the projection of each ICESat-2/ATLAS photon in the study area were selected. Python libraries were used to analyze the LiDAR data. Machine learning algorithms (K-Nearest Neighbors (K-NN), Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Networks (ANNs) and RANSAC) were used to obtain highly accurate data through the classification of data. The results of the classification processes indicate that the classification accuracy of the ICESat-2 data using the RF algorithm (strong beams RF = 96.83%, weak beams RF = 95.72%) is higher than that of the other algorithms used (strong beams K-NN = 94.08%, SVM = 75.43%, ANN = 77.60%, RANSAC = 71.68%, weak beams K-NN = 94.26%, SVM = 72.11%, ANN = 75.46%, RANSAC = 66.17%). In the classification of airborne LiDAR data, the classification accuracy of the K-NN and RF algorithms (K-NN = 99.99%, RF = 99.98%) was found to be higher than that of the other algorithms (SVM = 91.11%, ANN = 98.48%, RANSAC = 53.66%). After an initial analysis of the point clouds, digital elevation and terrain models were created for the study area. The resulting point clouds and elevation models were used to calculate building heights in the area. A regression model was created to examine the relationship between the systems used within the scope of the study, and statistical metrics were computed. After removing outlier values, the relationship between field measurement-airborne LiDAR (R2 = 0.9985, RMSE = 0.1354, MSE = 0.0183, MAE = 0.0942, ME = 0.0388), field measurement-ICESat-2 (R2 = 0.9905, RMSE = 0.3527, MSE = 0.1244, MAE = 0.2548, ME = -0.0610) and airborne LiDAR- ICESat-2 (R2 = 0.9921, RMSE = 0.3209, MSE = 0.1029, MAE = 0.2314, ME = -0.0978) proved to be superior.
Benzer Tezler
- Kamu okul yapılarının yaklaşık maliyetlerinin ve sözleşme bedellerinin deterministik yaklaşımla tahmini
Estimation of approximate costs and contract prices of public school buildings with a deterministic approach
SERVET KESİM
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiDüzce Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. LATİF ONUR UĞUR
- Endüstriyel yapılarda ön tasarım aşamasında makine öğrenmesi metodları ile kaba inşaat maliyetlerinin tahmini ve performans analizi
Estimation and performance analysis of rough construction costs with machine learning methods at the pre-design stage of industrial buildings
MUHAMMET EMİR KILIÇ
Yüksek Lisans
Türkçe
2021
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. FATMA PINAR ÇAKMAK
- Eğitim yapılarının maliyetlerinin ön tahmini için bir yöntem önerisi
A method proposed for early cost prediction of educational buildings
REZA ŞİRZAD
Doktora
Türkçe
2023
İnşaat MühendisliğiGazi ÜniversitesiYapı Eğitimi Ana Bilim Dalı
PROF. DR. MÜRSEL ERDAL
- Konut projelerinde ön tasar aşamasında, maliyet tahmini için bir model
A Model for cost estimation of housing projects in pre-design process
FULDEN BARAN
- Depremde oluşacak bina hasarlarının envanter bilgilerine dayalı tahmini ve coğrafi bilgi sistemleri (CBS) uygulaması
Inventory data based prediction of building damages caused by earthquakes and geographical information systems (GIS) applications
YASEMİN MANAV
Yüksek Lisans
Türkçe
2007
Deprem MühendisliğiPamukkale Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. SELÇUK TOPRAK