Makine öğrenmesi ile uydu görüntüleri üzerinden mekansal ve zamansal değişimin bulut tabanlı google earth engine kullanılarak değerlendirilmesi (Zonguldak örneği)
Evaluation of spatial and temporal changes over satellite images with machine learning using cloud-based google earth engine (Zonguldak sample)
- Tez No: 947753
- Danışmanlar: DOÇ. DR. ENDER BUĞDAY
- Tez Türü: Yüksek Lisans
- Konular: Ormancılık ve Orman Mühendisliği, Forestry and Forest Engineering
- Anahtar Kelimeler: Arazi kullanımı, Rastgele ormanlar, Uzaktan algılama, Land use, Random forests, Remote sensing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Orman Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Arazi örtüsü değişimlerinin tespiti ve izlenmesi, ekosistemlerin dinamiklerini anlamak ve doğal kaynakları etkin bir şekilde yönetmek için çok önemlidir. Özellikle Google Earth Engine (GEE) gibi platformlar aracılığıyla makine öğrenmesi tekniklerindeki son gelişmeler, arazi örtüsü sınıflandırmasının doğruluğunu ve verimliliğini önemli ölçüde artırmıştır. Bu çalışma, 2015 ve 2024 yılları için arazi örtüsünü haritalamak için GEE platformu içindeki Sentinel-2 görüntülerini ve Random Forest algoritmasını kullanmaktadır. Sonuçlar, öncelikle tarım ve kentsel alanların genişlemesinden kaynaklanan orman alanında 2015'teki 49.628,51 hektardan 2024'te 48.363,62 hektara bir düşüş olduğunu göstermektedir. Tarım arazileri 2015'teki 7.223,45 hektardan 2024'te 7.869,61 hektara çıkarken, aynı dönemde kentsel alanlar 8.516,49 hektardan 9.116,39 hektara çıkmıştır. En yüksek arazi örtüsü geçişi, 2.582,14 hektarlık bir değişimle ormandan tarım arazisine doğru gözlemlendi. Bu çalışma, makine öğrenimi ve uydu tabanlı verilerin entegrasyonu sayesinde son yıllarda arazi örtüsü sınıflandırmasının dinamik doğasını vurgulamaktadır. Bulgular, sürdürülebilir arazi yönetimi ve çevre koruma için sürekli arazi örtüsü izlemenin önemini vurgulamaktadır.
Özet (Çeviri)
The detection and monitoring of land cover changes is crucial for understanding the dynamics of ecosystems and managing natural resources effectively. Recent advancements in machine learning techniques, particularly through platforms like Google Earth Engine (GEE), have significantly improved the accuracy and efficiency of land cover classification. This study utilizes Sentinel-2 imagery and the Random Forest algorithm within the GEE platform to map land cover for the years 2015 and 2024. The results show a decrease in forest area from 49,628.51 ha in 2015 to 48,363.62 ha in 2024, primarily driven by the expansion of agricultural and urban areas. Agricultural land increased from 7,223.45 ha in 2015 to 7,869.61 ha in 2024, while urban areas expanded from 8,516.49 ha to 9,116.39 ha during the same period. The highest land cover transition was observed from forest to agricultural land, with a change of 2,582.14 ha. This study highlights the dynamic nature of land cover classification in recent years, thanks to the integration of machine learning and satellite-based data. The findings underscore the importance of continuous land cover monitoring for sustainable land management and environmental protection.
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
- Sentinel-2 uydu verileri ile arazi kullanım sınıflandırması: Makine öğrenmesi algoritmalarının karşılaştırılması
Land use classification with sentinel-2 satellite data: Comparison of machine learning algorithms
MEHMET OKTAY KUTRAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ
- Explainable deep learning classification of tree species with very high resolution VHRTreeSpecies dataset
Açıklanabilir derin öğrenme yöntemleri ile çok yüksek çözünürlüklü VHRTreeSpecies veri seti kullanılarak ağaç türlerinin sınıflandırılması
ŞULE NUR TOPGÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Su kalitesi parametrelerinin uzaktan algılama ve derin öğrenme teknikleriyle modellenmesi
Modelling of water quality parameters with remote sensing and deep learning techniques
OSMAN KARAKOÇ
Doktora
Türkçe
2026
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY BUĞDAYCI
- Tarım alanlarında oluşan zamansal ve mekansal değişimlerin bilgi teknolojileri ile analizi: derince ilçesi tahtalı örneği
Spatiotemporal analysis of agricultural land use changes through information technologies: a case study of tahtali in derince district
CENAN BAŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
PROF. DR. ARZU ERENER