Burned area segmentation and severity estimation in post fire landscapes using deep learning methods
Derin öğrenme yöntemleri ile yangın sonrası alanlarda yanık bölge segmentasyonu ve şiddet tahmini
- Tez No: 940427
- Danışmanlar: DOÇ. DR. HAMZA OSMAN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Orman yangınlarının daha sık ve yoğun hale gelmesiyle birlikte, doğru tespit ve hasar değerlendirmesi için gelişmiş tekniklerin geliştirilmesi büyük önem taşımaktadır. Yanmış alanların doğru bir şekilde tespiti ve şiddet değerlendirmesi, etkili yangın yönetimi için kritik öneme sahiptir. Bu araştırma, yanmış alanları belirlemek ve yangın şiddetini tahmin etmek için yüksek çözünürlüklü Sentinel-2 yangın sonrası görüntüleri kullanan Çift Aşamalı Derin Öğrenme Çerçevesi'ni incelemektedir. Önerilen çerçeve iki aşamadan oluşmaktadır: yanmış alanları tespit etmek için ikili segmentasyon adımı ve hasar seviyelerini yanmamıştan tamamen yok edilmişe kadar atayan şiddet sınıflandırma adımı. Çalışma, maske çıktılarındaki farklı şiddet seviyelerinin etkisini incelemek için hem 4 hem de 5 seviyeli şiddet sınıflandırmalarına odaklanmaktadır. Ayrıca, Mask R-CNN modeli görüntü segmentasyonu için bağımsız olarak değerlendirilmiştir. Mask R-CNN modeli ile yapılan deneyde, önceden eğitilmiş ağırlıklara ve sınırlı spektral girdiye bağımlılık nedeniyle karşılaşılan zorluklar ele alınmıştır. MultiResUNet dahil olmak üzere birkaç U-Net tabanlı mimari bu çerçeve içinde uygulanmış ve değerlendirilmiştir. Sonuçlar, MultiResUNet'in yanmış alan tespitinde tatmin edici performans gösterdiğini ancak Nested U-Net ve Attention U-Net gibi diğer mimarileri tutarlı bir şekilde geride bırakamadığını göstermektedir. Ayrıca şiddet seviyelerinin beşten dörde düşürülmesi, veri dengesizliği sorunlarını çözerek model performansını artırmıştır. Bu bulgular, Çift Aşamalı Derin Öğrenme Çerçevesi'nin yangın sonrası hasar değerlendirmesini ve yangın yönetimi için karar alma süreçlerini geliştirme potansiyelini vurgulamaktadır. MultiResUNet güçlü sonuçlar sağlasa da, özellikle şiddet sınıflandırması gibi belirli görevlerde alternatif U-Net tabanlı mimariler potansiyel avantajlar göstermiştir. Bu yaklaşım, hasar değerlendirmelerinin doğruluğunu artırma ve orman yangınlarının yönetimi ve müdahalesinde daha bilinçli kararlar alınmasını destekleme potansiyeline sahiptir.
Özet (Çeviri)
As wildfires become more frequent and intense, it is essential to develop sophisticated techniques for precise detection and damage evaluation. Accurate detection and severity assessment of burned areas are critical for effective wildfire management. This study evaluates a Double-Step Deep Learning Framework designed to identify burned areas and classify their severity using high-resolution Sentinel-2 post-fire imagery. The proposed framework comprises two steps: a binary segmentation step to detect burned areas and a severity classification step that assigns levels of damage, ranging from unburned to completely destroyed. The study explores the effect of different severity levels within mask output, focusing on both 4 and 5 level severity classifications. Additionally, the Mask R-CNN model was evaluated independently for image segmentation, revealing challenges due to its reliance on pretrained weights and limited spectral input. Several U-Net-based architectures, including MultiResUNet, were implemented and evaluated within this framework. The results indicate that MultiResUNet achieved competitive performance in burned area detection but did not consistently outperform other architectures, such as Nested U-Net and Attention U-Net. Additionally, reducing severity levels from five to four improved model performance by addressing data imbalance issues. These findings highlight the strengths and limitations of the Double-Step Deep Learning Framework in advancing post-fire damage assessment and decision-making for wildfire management. While MultiResUNet provided robust results, alternative U-Net-based architectures showed potential advantages in specific tasks, particularly in severity classification. This approach has the potential to improve the precision of damage assessments and support more informed decision-making in the management and response of wildfires.
Benzer Tezler
- Sürekli yanma odalarında alev cephesinin dinamik yapısına ait bir çalışma
A Study on the dynamic structure of flame front in continuous combustion chambers
ALİ SÜRMEN
- Türkiye ormanlarında çıkan yangınların sınıflandırılması ile büyük yangınların çıkma ve gelişme nedenleri
Classification of the forest fires and the causes of occurance and spread of big forest fires in Turkey
ALİ KÜÇÜKOSMANOĞLU
- Çukurova'da yakılan ve otlatılan bir mer'a ile korunmuş bir mer'anın bitki örtüsü ve verim güçlerinin saptanması üzerine bir araştırma
Başlık çevirisi yok
AHMET EFE
Yüksek Lisans
Türkçe
1988
ZiraatÇukurova ÜniversitesiTarla Bitkileri Ana Bilim Dalı
DOÇ. DR. TUNCAY TÜKEL