Uzaktan algılama yöntemi kullanarak sentinel-1 uydu görüntülerinden makine öğrenmesi yaklaşımı ile yüksek gerilim direği tespiti
Detection of high voltage transmission towers using sentinel-1 satellite images with a machine learning approach based on remote sensing methods
- Tez No: 924743
- Danışmanlar: DOÇ. DR. EMRULLAH ACAR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Elektrik enerjisi, modern toplumların ekonomik ve teknolojik gelişiminde kritik bir rol oynamaktadır. Elektrik, sanayi üretimi, sağlık hizmetleri, eğitim ve iletişim gibi temel sektörlerde kesintisiz hizmet sunumunu mümkün kılarak yaşam kalitesini artırmaktadır. Elektrik enerjisinin iletilmesi, verimli enerji dağıtımı için yüksek gerilim hatları aracılığıyla gerçekleştirilmektedir. Bu hatlar, enerji iletim kayıplarını minimize ederek, enerji verimliliğini ve sürdürülebilirliğini artırır. Elektrik enerjisinin güvenli ve kesintisiz iletimi, altyapının sağlamlığı ve bakımı açısından büyük önem taşımaktadır. Bu çalışmada, uzaktan algılama ve farklı makine öğrenme teknikleri kullanarak Batman çevresindeki yüksek gerilim hattı direklerinin tespit edilmesi amaçlanmıştır. Sentinel-1 Synthetic Aperture Radar (SAR) uydusu kullanılmıştır. DY (Düşey-Yatay), DD (Düşey-Düşey) polarizasyon modları verisetini oluşturmuştur. Bu verisetleri makine öğrenmesi yöntemi türü olan gözetimli öğrenme modeline ait algoritmalar (Destek vektör makinesi, KNN, Karar Ağacı, Quadratic Discriminant, Naive Bayes) tarafından çözümlenmiştir. Sonuç olarak Destek vektör makinesi modeli ile %85.0; Quadratic Discriminant modeli ile %82.5; KNN modeli ile %82.2; Karar Ağacı modeli ile %76.8; Naive Bayes modeli ile %74.0 başarı oranı sağlanmıştır. Çalışma yapay zekâ kullanılarak yüksek gerilim direklerinin daha doğru, hızlı ve belirli periyotlarla kontrolüne olanak sağlamaktadır. Geleneksel yöntemlerin yüksek gerilim hatlarının kontrolünde zaman alıcı ve maliyetli olduğu göz önüne alındığında, bu çalışma amacı, enerji nakil hatlarının izlenmesi ve bakım süreçlerinin iyileştirilmesine katkıda bulunarak enerji altyapısının verimliliğini artırmaktır.
Özet (Çeviri)
Electric energy plays a critical role in the economic and technological development of modern societies. By enabling uninterrupted service delivery in key sectors such as industrial production, healthcare, education, and communication, electricity enhances the quality of life. The transmission of electric energy is carried out through high-voltage lines to ensure efficient energy distribution. These lines minimize energy transmission losses, thereby increasing energy efficiency and sustainability. The safe and continuous transmission of electric energy is of great importance for the robustness and maintenance of infrastructure. In this study, it is aimed to detect high-voltage transmission line poles around Batman using remote sensing and different machine learning techniques. The Sentinel-1 Synthetic Aperture Radar (SAR) satellite was used. DY (Vertical-Horizontal), DD (Vertical-Vertical) polarization modes formed the dataset. These datasets were analyzed by algorithms belonging to the supervised learning model type, namely Support Vector Machine, KNN, Decision Tree, Quadratic Discriminant, Naive Bayes. As a result, the Support Vector Machine model achieved an accuracy rate of 85.0%; Quadratic Discriminant model 82.5%; KNN model 82.2%; Decision Tree model 76.8%; and Naive Bayes model 74.0%. The study allows for the more accurate, faster, and periodic control of high-voltage poles using artificial intelligence. Considering that traditional methods for inspecting high voltage lines are time-consuming and costly, the aim of this study is to contribute to the monitoring and improvement of maintenance processes of energy transmission lines, thereby enhancing the efficiency of energy infrastructure.
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
- Uydu görüntüleri ve makine öğrenimi yöntemlerini kullanarak arazi örtüsü ve arazi kullanım haritalarının üretilmesi: Haçmaz-Şabran örneği
Generation of land cover and land use maps using satellite imagery and machine learning methods: The case of Khachmaz-Shabran
NARIMAN IMRANLI
Yüksek Lisans
Türkçe
2023
Astronomi ve Uzay BilimleriMilli Savunma ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK