Geri Dön

New deep learning based approaches for land cover classificationin satellite images

Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar

PDF İndir

  1. Tez No: 936974
  2. Yazar: BAHAA AWAD
  3. Danışmanlar: PROF. DR. IŞIN ERER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 96

Özet

Bu tez, tarımsal veri kümelerinde yaşanan segmentasyon, tarla sınırı tespiti ve mahsul sınıflandırma zorluklarını derinlemesine ele alarak, uzaktan algılama tabanlı tarımsal denetim süreçlerinin iyileştirilmesine yönelik kapsamlı metodolojik yaklaşımları sunmaktadır. Çalışmanın temel amacı, tarım sektöründe verinin doğru yorumlanması ve işlenmesi sürecindeki eksiklikleri gidermenin yanı sıra, saha yönetimi, mahsul tahmini, arazi kullanımı ve sürdürülebilir tarım uygulamalarında elde edilecek sonuçların güvenilirliğini artırmaktır. Bu amaç doğrultusunda tez, üç ana yeniliği ortaya koymaktadır: tarla sınırlarının hassas bir şekilde belirlenmesi için geliştirilmiş FAUNet modeli, Segment Anything Model (SAM) ile temel bileşen analizi (PCA) entegrasyonuna dayalı segmentasyon iyileştirme yöntemi ve bitki sınıflandırma görevlerinde büyüme derecesi günlerine (GDD) dayalı termal zaman modellemesinin uygulanması. Sunulan bu yaklaşımlar, hem akademik literatüre hem de pratik uygulamalara önemli katkılar sağlamayı hedeflemektedir. Tarla sınırlarının doğru belirlenmesi, tarımsal denetim süreçlerinde kritik bir rol oynamaktadır; zira mahsul tahmini, arazi yönetimi ve sürdürülebilir tarım uygulamalarında elde edilecek verimli sonuçlar, parsel segmentasyonunun ne kadar hassas gerçekleştirildiğine bağlıdır. Bu kapsamda, mevcut modellerin karşılaştığı sınırlamalar ayrıntılı biçimde incelenmiş ve tarımsal görüntülerde sınır tanımlama için özel olarak dizayn edilmiş çift başlı U-Net tabanlı FAUNet mimarisi geliştirilmiştir. FAUNet, yüksek frekanslı dikkat mekanizması sayesinde, yüksek geçiş filtreleri kullanarak tarla sınırlarının mikrodüzeydeki detaylarını ortaya çıkarır; böylece, görüntüdeki ince kenar bilgileri segmentasyon sürecine etkin bir şekilde entegre edilir. Modelin çift yol yapısı, hem kenar (edge) hem de kapsam (extent) maskelerinin eşzamanlı öğrenilmesini mümkün kılarak, parsel sınırlarının net, tutarlı ve güvenilir bir şekilde tespit edilmesine olanak tanımaktadır. Bu yaklaşım, sadece teorik bir model sunmakla kalmayıp, uygulamalı testlerde U-Net, ResUNet-a, SEANet ve BsiNet gibi mevcut en iyi modellerle yapılan karşılaştırmalarda aşırı segmentasyon (0.0341) ve yetersiz segmentasyon (0.1390) hata oranlarında daha düşük değerler ve nesne düzeyi F1 skoru (0.7734) açısından üstün performans sergilemesiyle de kendisini kanıtlamıştır. FAUNet modelinin değerlendirilmesi sırasında, tarımsal görüntülerde parsel sınırlarının doğru tespit edilmesinin, saha içi verimlilik ve arazi kullanım planlaması gibi uygulamalarda ne denli hayati olduğunun altı çizilmiştir. Bu bağlamda, modelin hem simülasyon hem de gerçek veri setleri üzerinde gerçekleştirdiği testler, pratik uygulamalarda da yüksek güvenilirlik ve doğruluk oranları sunduğunu göstermiştir. Modelin mimari detaylarına yönelik yapılan bu analiz, tarım sektöründeki uygulayıcıların daha doğru ve zamanında kararlar almasını sağlayacak önemli bir araç olarak öne çıkmaktadır. Ayrıca, FAUNet'in mimarisindeki esnek yapı, gelecekte farklı veri kaynaklarına ve değişken tarımsal koşullara uyum sağlama potansiyelini de beraberinde getirmektedir. Tezin ikinci ana bölümünde, SAM ve PCA yöntemlerinin birlikte kullanılarak segmentasyon performansının nasıl artırılabileceği detaylı biçimde ele alınmaktadır. SAM, geniş ve çeşitlilik arz eden doğal görüntü veri kümeleri üzerinde eğitilmiş evrensel bir segmentasyon modeli olarak literatürde yer almaktadır; ancak, tarımsal görüntülere özgü belirsizliklar, karmaşık desenler ve heterojen yapılar nedeniyle bu model, doğrudan uygulanmak istendiğinde istenilen hassasiyeti yakalayamamaktadır. Bu problemi aşmak amacıyla, çalışmada öncelikle SAM'in yüksek boyutlu gömümleri (embeddings) elde edilerek, temel bileşen analizi (PCA) yardımıyla daha düşük boyutlu ve anlamlı temsillere indirgenmiştir. Bu indirgeme işlemi, modelin tarımsal görüntülerdeki belirgin desenleri daha net fark etmesini sağlamış ve veri setindeki gürültüyü önemli ölçüde azaltmıştır. Sonrasında, görüntüdeki düşük ve yüksek frekans bileşenlerinin ayrıştırılması ve yönlendirilmiş filtreleme (guided filtering) uygulaması ile giriş görüntüleri iyileştirilmiş. Uygulanan bu geri besleme döngüsü, SAM'in segmentasyon çıktılarında netlik ve doğruluğu artırarak, özellikle sınırların belirsiz olduğu durumlarda modelin başarısını yükseltmiştir. SAM-PCA entegrasyonu ile geliştirilen bu yaklaşım, tarımsal uzaktan algılama alanında doğal görüntü segmentasyonu ile karşılaşılan sorunlara pratik bir çözüm sunmaktadır. İndirgeme ve rafinasyon süreçleri, modelin tarımsal veriye özgü özellikleri daha iyi kavramasına olanak tanımış; bu sayede, mevcut segmentasyon yöntemleriyle karşılaştırıldığında daha stabil ve tutarlı sonuçlar elde edilmiştir. Böylece, modelin tarla sınırlarını belirleme konusundaki performansı artarken, farklı görüntü koşullarında da benzer bir başarı sağlanabilmiştir. Bu metodolojinin uygulanabilirliği, çeşitli zorlu veri kümeleri üzerinde yapılan deneysel çalışmalarla desteklenmiş ve modelin evrensel segmentasyon yaklaşımlarına kıyasla önemli ölçüde üstün olduğu gözlemlenmiştir. Üçüncü ana katkı, farklı iklim koşullarının bitki gelişim süreçleri üzerindeki etkilerini dengeleyerek, mahsul sınıflandırma modellerinin genelleştirme sorununu çözmeye odaklanmaktadır. Geleneksel makine öğrenmesi modelleri (Random Forest, Gradient Boosting, XGBoost, SVM ve MLP gibi) genellikle belirli bir bölgenin verileriyle eğitildiğinde, farklı iklimsel koşullar ve yerel büyüme dinamikleri sebebiyle ortaya çıkan zamansal farklılıklarla başa çıkmakta zorlanmaktadır. Bu durumu aşmak amacıyla tezde, termal zaman modellemesi yöntemi öne çıkarılmıştır. Büyüme derecesi günleri (GDD) kullanılarak bitkilerin fenolojik aşamalarının hizalanması, zamansal tutarsızlıkların minimize edilmesine olanak tanımaktadır. Bu yaklaşım, sadece bitkilerin gelişim süreçlerini doğru bir şekilde yakalamakla kalmayıp, aynı zamanda farklı coğrafi bölgeler arasında ortak bir değerlendirme zemini oluşturmuştur. Türkiye'nin çeşitli iklim bölgelerinden 2023 ve 2024 yıllarına ait veri setleri üzerinde yapılan deneysel analizler, GDD entegrasyonunun tüm modellerde sınıflandırma doğruluğunu artırdığını, modellerin çevresel farklılıkları daha iyi tolere edebilmesini sağladığını net bir şekilde ortaya koymuştur. Termal zaman modellemesi sayesinde, mahsul sınıflandırma sürecinde yalnızca görsel veriye dayalı yaklaşımların ötesine geçilerek, bitkilerin büyüme evrelerinin de hesaba katılması mümkün hale gelmiştir. Bu durum, özellikle farklı iklim ve çevre koşullarında elde edilen verilerin ortak bir referans noktasına oturtulmasını sağlayarak, modelin genelleştirme kapasitesini önemli ölçüde geliştirmiştir. Elde edilen sonuçlar, uygulanan metodolojinin tarımsal uzaktan algılamada karşılaşılan karmaşık durumlara karşı esnek ve uyarlanabilir çözümler sunduğunu göstermektedir. Bu yaklaşım, tarım sektöründe veri analizi ve sınıflandırma alanında yeni ufuklar açmakta, saha uygulamalarının yanı sıra stratejik planlamada da referans değeri taşımaktadır. Sonuç olarak, tezde sunulan üç temel metodolojik katkı – FAUNet mimarisi ile tarla sınırlarının doğru tespiti, SAM-PCA tabanlı segmentasyon iyileştirme yöntemi ve GDD temelli termal zaman modellemesi – uzaktan algılama ve tarımsal denetim alanlarındaki önemli problemleri çözmeye yönelik bütüncül bir yaklaşım sergilemektedir. Geliştirilen yöntemler, tarımsal denetim sistemlerinin daha hassas, ölçeklenebilir ve etkili hale getirilmesine katkı sağlarken, uygulama alanlarında karşılaşılan pratik sorunların da üstesinden gelinmesine olanak tanımaktadır. Ayrıca, bu metodolojiler; çevresel izleme, arazi yönetimi, kentsel haritalama gibi farklı uzaktan algılama uygulamalarında da temel alınabilecek nitelikte olup, gelecekteki tarımsal araştırma ve projelere ışık tutacak geniş kapsamlı etkiler yaratması beklenmektedir. İleriye dönük olarak, elde edilen bu sonuçların, hem akademik literatürde hem de endüstriyel uygulamalarda daha geniş çapta değerlendirilmesi ve geliştirilmesi, tarım sektörünün dijital dönüşüm sürecine önemli katkılar sağlayacaktır. Böylece, tarımsal verimliliğin artırılması, sürdürülebilir üretim stratejilerinin belirlenmesi ve çevresel faktörlerin daha etkin yönetilmesi konularında uzun vadeli çözümler üretilmesi hedeflenmektedir.

Özet (Çeviri)

This dissertation provides an in-depth examination of strategies for improving agricultural monitoring through remote sensing. It focuses on three main contributions: the development of FAUNet for delineating parcel boundaries, a novel technique that combines the Segment Anything Model (SAM) with principal component analysis (PCA) to refine segmentation, and the use of thermal time modeling to enhance crop classification across different climates. Parcel boundary delineation serves as a crucial step in agricultural monitoring, ensuring precise segmentation of land parcels for applications such as yield forecasting and land-use planning. To address limitations in existing models, this study presents FAUNet—an innovative dual-headed U-Net specifically tailored for boundary detection in agricultural imagery. FAUNet employs a high-frequency attention module (based on high-pass filters) and a dual-path design that predicts both edge and extent masks. When compared to leading models like U-Net, ResUNet-a, SEANet, and BsiNet, FAUNet delivers the highest object-level F1 score (0.7734) and exhibits notably low over-segmentation (0.0341) and under-segmentation (0.1390) rates. Building on these insights, the dissertation introduces a new method to enhance segmentation by coupling SAM—a foundational segmentation model originally trained on diverse natural images—with PCA. Since SAM's training data do not include specialized remote sensing imagery, its performance in this domain can be limited. To address this issue, SAM's high-dimensional embeddings are first extracted, then reduced with PCA, followed by guided filtering to refine the inputs. This iterative feedback loop helps SAM generate more precise boundary delineations, ultimately improving segmentation results in challenging remote sensing scenarios. The thesis then turns its attention to the challenge of generalizing crop classification models in regions with varying climates. Standard machine learning models (e.g., Random Forest, Gradient Boosting, XGBoost, SVM, and MLP) often encounter difficulties when facing the temporal shifts driven by different local growing conditions. To mitigate this, thermal time modeling based on Growing Degree Days (GDD) is introduced. By aligning crop phenological stages and smoothing out timing discrepancies, GDD helps these models adapt to spatial variability more effectively. Experiments on datasets from Turkish regions with diverse climates show that incorporating GDD boosts classification performance, allowing models to generalize more reliably across geographically distinct environments. Overall, this dissertation tackles significant obstacles in agricultural remote sensing, ranging from accurate parcel boundary detection to robust crop classification under complex environmental conditions. The proposed FAUNet framework streamlines boundary delineation, the SAM modification allows it to perform better in boundary delineation, and thermal time modeling underscores how classification can be adapted for real world agricultural scenarios.

Benzer Tezler

  1. Tez No

    824715

    Arazi örtüsü ve kullanımı için SAR görüntülerinin sınıflandırılmasında topluluk öğrenme tabanlı yaklaşım

    Ensemble learning-based approach to classification of SAR images for land cover and use

    ELİF MEŞECİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CANER ÖZCAN

  2. Tez No

    855007

    Hyperspectral image classification using an active deep learning framework including edge preserving filters

    Hiperspektral görüntülerin kenar koruyucu filtreler içeren bir aktif derin öğrenme çerçevesiyle sınıflandırılması

    ZAINAB DHEYAA MOHAMMED AL-SAMMARRAIE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA

  3. Tez No

    797806

    Lidar nokta bulutlarının semantik segmantasyonu için derin öğrenme tabanlı iyileştirilmiş poıntnet++ mimarisi

    An improved deep learning based pointnet++ architecturefor semantic segmentation of lidar point clouds

    ZEYNEP AKBULUT

    Doktora

    Türkçe

    Türkçe

    2023

    Jeodezi ve FotogrametriKaradeniz Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FEVZİ KARSLI

  4. Tez No

    828461

    Deep learning based road segmentation from multi-source and multi-scale data

    Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi

    OZAN ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  5. Tez No

    886884

    Missile evasion maneuver generation with model-free deep reinforcement learning

    Modelden bağımsız derin pekiştirmeli öğrenme ile füzeden kaçınma manevraları

    MUHAMMED MURAT ÖZBEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. EMRE KOYUNCU

Geri Dön