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: 69
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
- Büyük orman yangını geçirmiş alanlarda yersel ölçüm ve serpinti radyonüklid yöntemleri (Berilyum-7 ve Sezyum-137) kullanılarak toprak erozyonu hızının belirlenmesi
Determination of erosion rate in wildfire areas using field measurement and fallout radionuclides (Beryllium-7 and Caesium-137) methods
CİHAN YILDIZ
Doktora
Türkçe
2023
Coğrafyaİstanbul Teknik ÜniversitesiKatı Yer Bilimleri Ana Bilim Dalı
PROF. DR. TOLGA GÖRÜM
- Yangın sonrası planetscope görüntülerini kullanarak yanmış orman alanların derin öğrenme-tabanlı segmentasyonu
Deep learning-based segmentation of forest burned areas using post-fire planetscope images
MELİH ALTAY
Yüksek Lisans
İngilizce
2025
Bilim ve TeknolojiHacettepe ÜniversitesiFotogrametri Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- 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
FİDAN ŞEVVAL BULUT
Yüksek Lisans
İngilizce
2024
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- 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
- Telekomünikasyon sektöründe kullanılan ek odaların sokak düzeyi görüntülerinden tespit edilmesi
Detection of manholes from street-level imagery in telecommunication business
AHMET EĞRİ
Yüksek Lisans
Türkçe
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER GÜNEY