Burned forest area mapping from post-fire sentinel-2 imagery using object-based machine learning classification
Nesne-tabanlı makine öğrenimi sınıflandırması kullanarak yangın sonrası sentinel-2 görüntülerinden yanmış orman haritalama
- Tez No: 896646
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 92
Özet
Orman yangınları sadece orman içerisindeki ekosisteme değil aynı zamanda sosyal ve ekonomik yaşama da ciddi zararlar vermektedir. Yanmış alanların uzaktan algılama yöntemleri ile hızlı tespitini yapmak hem mevcut hasarın belirlenmesinde hem de yangının yol açtığı ekonomik ve ekolojik kayıpları değerlendirmek ve hızlı müdahale planları oluşturabilmek için önemlidir. Bu çalışmada, yangın sonrasına ait tek tarihli Sentinel-2 görüntüsü kullanarak nesne tabanlı rastgele orman makine öğrenmesi sınıflandırma yöntemi ile yanmış alanların belirlenmesi ve haritalanması için Google Earth Engine (GEE) platformu üzerinden bir yaklaşım sunulmuştur. Sentinel-2'nin ham bantlarına (B2, B3, B4, B8, B11, B12) ek olarak orta kızılötesi yanma indeksi (Mid-Infrared Burn Index - MIRBI), normalize edilmiş yanma şiddeti (Normalized Burn Ratio 2 - NBR2), yanmış alan indeksi (Burn Area Index - BAI) ve normalize edilmiş bitki indeksi (Normalized Difference Vegetation Index – NDVI) bantları hesaplanmış ve görüntüye ek bantlar olarak dahil edilmiştir. Nesne tabanlı sınıflandırma öncesi basit yinelemesiz kümeleme (Simple Non-Iterative Clustering - SNIC) algoritması ile görüntü segmentasyonu gerçekleştirilmiştir. Eğitim örnekleri GEE platformu üzerinde seçilmiş ve rastgele orman (RO) algoritması ile nesne tabanlı sınıflandırma Türkiye de son yıllarda orman yangını meydana gelen dört çalışma alanına (Marmaris – MR, Kavaklıdere – KV, Manavgat – MG, Çanakkale - CK) uygulanmıştır. Sonuçlar nesne tabanlı RO sınıflandırıcısı ile MR'de %93.5, KV'de %97.7, MG'de %94.8 ve CK'da %96.5 genel doğruluk ile yüksek performans göstermiştir. Ayrıca nesne tabanlı RO algoritmasının mekânsal ve zamansal aktarılabilirliği iki çalışma alanına (MG ve CK) dayalı olarak değerlendirilmiş ve RO model aktarılabilirliği MR'de %87.5, KV'de %94.8, MG'de %93.6 ve CK'da %96.8 genel doğruluk değeri sağlamıştır. Sonuçlar yangın sonrası tek zamanlı görüntü kullanımı yaklaşımı ile Sentinel-2 görüntülerinden bulut tabanlı GEE platformunu kullanarak nesne tabanlı sınıflandırma yöntemi ile yanan orman alanlarının başarılı bir şekilde tespit edilebileceğini ve yanmış orman alanlarının haritalanmasında aktarılabilir nesne tabanlı sınıflandırma modeli potansiyelini göstermiştir.
Özet (Çeviri)
Forest fires cause serious damage not only to the ecosystem in the forest but also to social and economic life. Rapid detection of burned areas with remote sensing methods is important both to determine the current damage and to evaluate the economic and ecological losses caused by the fire and to create rapid response plans. This study presents an approach to identify and map burned forest areas using an object-based random forest (RF) machine learning (ML) classification method using only post-fire Sentinel-2 imagery on the Google Earth Engine (GEE) platform. In addition to original spectral bands of Sentinel-2 (B2, B3, B4, B8, B11, B12), mid-infrared burn index (MIRBI), normalized burn ratio 2 (NBR2), burn area index (BAI) and normalized difference vegetation index (NDVI) bands were calculated and included as additional bands in the Sentinel-2 image. Prior to object-based classification, image segmentation was carried out using the Simple Non-Iterative Clustering (SNIC) algorithm. Training samples were selected on the GEE platform and object-based classification with the RF algorithm was applied to four study areas (Marmaris – MR, Kavaklıdere – KV, Manavgat – MG, Çanakkale - CK) in Türkiye where forest fires have occurred in recent years. The results showed high performance with an overall accuracy of 93.5% in MR, 97.7% in CV, 94.8% in MG and 96.5% in CK with the object-based RF classifier. In addition, the spatial and temporal transferability of the object-based RF algorithm was evaluated based on two study areas (MG and CK) and the RF model transferability provided an overall accuracy of 87.5% in MR, 94.8% in CV, 93.6% in MG and 96.8% in CK. The results show that burned forest areas can be successfully detected by object-based classification method using cloud-based GEE platform from Sentinel-2 images with a uni-temporal post-fire imagery approach and the potential of developing a transferable object-based classification model for mapping burned forest areas.
Benzer Tezler
- Turkey forest fire decision support system (TFFDSS)
Türkiye orman yangını karar destek sistemi (TFFDSS)
ABDULLAH SUKKAR
Yüksek Lisans
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET ÖZGÜR DOĞRU
- Unifying remote sensing and web GIS infrastructure design and implementation of weighted overlay analysis on vegetation indices
Uzaktan algılama ve web CBS altyapı tasarımının birleştirilmesi ve bitki örtüsü üzerinde çok katmanlı ağırlıklı çakıştırma analizinin uygulanması
BARKIN KOCAL
Yüksek Lisans
İngilizce
2017
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiCoğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. MUSTAFA TEVFİK ÖZLÜDEMİR
- Identifying an effective framework for guiding fire models in forestry
Ormancılıkta yanma / yangın modellerine esas teşkil edecek etkili bir sistem belirlenmesi
SOUAD GHOUZLANE
Doktora
İngilizce
2024
Çevre MühendisliğiDokuz Eylül ÜniversitesiCoğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. OKAN FISTIKOĞLU
- Uydu görüntü verileri kullanılarak orman yangın analizi
Forest fire analysis using satellite images
ÇİĞDEM İNAN
Yüksek Lisans
Türkçe
2018
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SEDEF KENT PINAR
- Deep learning and remote sensing techniques for wildfire detectionusing uni-temporal sentinel-2 satellite imagery
Başlık çevirisi yok
ALI MAHDI AL-DABBAGH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS