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
- Tez No: 952590
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fotogrametri Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 124
Özet
Bu çalışma, yüksek uzamsal çözünürlük (3 metre) ve günlük zamansal kapsama alanı sunan, yalnızca yangın sonrası PlanetScope görüntülerini kullanarak yanmış orman alanlarının anlamsal segmentasyonu için derin öğrenme tabanlı bir çerçeve sunmaktadır. Araştırmanın önemli bir yeniliği, farklı ekolojik koşullara etkili adaptasyon sağlamak için bir transfer öğrenme çerçevesi içinde üç gelişmiş evrişimli sinir ağı mimarisinin-U-Net, DeepLabV3+ ve Tam Evrişimli Ağ (FCN)- uygulanmasında yatmaktadır. Metodoloji, Türkiye'de yangından etkilenen coğrafi ve ekolojik olarak farklı üç bölgede doğrulanmıştır: Manavgat (MG), Bodrum (BD) ve Çanakkale (CK), her biri farklı bitki örtüsü türleri, arazi örtüsü modelleri ve yangın yoğunlukları ile karakterize edilmektedir. Deneysel sonuçlar, DeepLabV3+'ın BD ve CK bölgelerinde sırasıyla %79 ve %85 F1 skorları ile en iyi genel performansı elde ettiğini göstermiştir. U-Net, MG bölgesinde yanmış alanlar için %94 F1 skoru ve %95 hassasiyet ile diğerlerinden daha iyi performans göstermiştir. FCN, MG'deki yanmış alanlar için yüksek geri çağırma oranı göstermiş (%96), ancak özellikle BD ve CK'de yanmamış bölgeleri ayırt etmekte zorlanmıştır. Modeller 4.100'den fazla görüntü yaması kullanılarak eğitilmiş ve değerlendirilmiş, transfer öğrenimi bölgeler arasında tutarlı genelleme yapılmasını sağlamıştır. Çalışmanın özgünlüğü yangın sonrası yüksek çözünürlüklü PlanetScope görüntülerinin özel olarak kullanılmasından, ekolojik olarak farklı yangın bölgelerinde üç anlamsal segmentasyon modelinin karşılaştırmalı olarak değerlendirilmesinden ve veri kıtlığı olan afet sonrası senaryolarda model genelleştirilebilirliğini artırmak için transfer öğrenmenin dahil edilmesinden kaynaklanmaktadır. Bulgular, DeepLabV3+'ın operasyonel yanmış alan tespiti için sağlam ve aktarılabilir bir model olarak potansiyelini vurgulamakta ve Akdeniz orman ekosistemlerinde yangın sonrası hasar değerlendirmesini ve ekolojik izlemeyi zamanında desteklemektedir.
Özet (Çeviri)
This study presents a deep learning-based framework for the semantic segmentation of burned forest areas using exclusively post-fire PlanetScope imagery, which offers high spatial resolution (3 meters) and daily temporal coverage. A key novelty of the research lies in its application of three advanced convolutional neural network architectures—U- Net, DeepLabV3+, and Fully Convolutional Network (FCN)—within a transfer learning framework to enable effective adaptation to diverse ecological conditions. The methodology was validated across three geographically and ecologically distinct fire- affected regions in Türkiye: Manavgat (MG), Bodrum (BD), and Çanakkale (CK), each characterized by different vegetation types, land cover patterns, and fire intensities. Experimental results showed that DeepLabV3+ achieved the best overall performance in BD and CK regions, with F1-scores of 79% and 85%, respectively. U-Net outperformed others in the MG region with a 94% F1-score and 95% precision for burned areas. FCN showed high recall for burned areas in MG (96%) but struggled in distinguishing unburned zones, particularly in BD and CK. The models were trained and evaluated using over 4,100 image patches, with transfer learning enabling consistent generalization across regions. The study's originality stems from (i) the exclusive use of post-fire high-resolution PlanetScope imagery, (ii) the comparative evaluation of three semantic segmentation models across ecologically diverse fire regions, and (iii) the incorporation of transfer learning to enhance model generalizability in data-scarce post-disaster scenarios. Findings highlight the potential of DeepLabV3+ as a robust and transferable model for operational burned area detection, supporting timely post-fire damage assessment and ecological monitoring in Mediterranean forest ecosystems.
Benzer Tezler
- An investigation of design parameters influencing post-fire irreparable structural damage limit
Yangın sonrası onarılamaz yapısal hasar limitini etkı̇leyen tasarım parametrelerı̇nin ı̇ncelenmesı̇
ELİF NAZ ÇELİK
Yüksek Lisans
İngilizce
2024
Mimarlıkİzmir Yüksek Teknoloji EnstitüsüMimarlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR DEMİR
- Bir Kızılçam ormanında yangın sonrası restorasyon uygulamalarının odunsu bitki komünitesi üzerine etkileri
The effects of post-fire restoration applications on the woody plant community in a Turkish red pine forest
PINAR KÜTKÜT
Yüksek Lisans
Türkçe
2024
BiyolojiHacettepe ÜniversitesiBiyoloji Ana Bilim Dalı
PROF. DR. ÇAĞATAY TAVŞANOĞLU
- Yangın sonrası enkazın adli delil olarak değerlendirilebilirliği ve sabotaj olasılığının araştırılması
Başlık çevirisi yok
NECATTİN GÜNDÜZ
Yüksek Lisans
Türkçe
1999
Adli Tıpİstanbul ÜniversitesiFen Bilimleri Ana Bilim Dalı
PROF. DR. SEMİHA ARAYICI
- Yangın sonrası olay yeri inceleme
Post fire scene investigation
ŞEVKET KÜMÜŞTAŞ
Yüksek Lisans
Türkçe
2011
Savunma ve Savunma TeknolojileriPolis AkademisiAdli Bilimler Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA DÖNMEZ
- Yangın sonrası doğal gençleşen genç kızılçam meşcerelerinin toprak üstü biyokütle ve karbon depolama kapasitelerinin belirlenmesi: Antalya-Gazipaşa örneği
Determination of above ground biomass and carbon storage capacities of post-fire juvenile brutian pine stands: Antalya-Gazi̇paşa case study
AHMET ASLAN
Yüksek Lisans
Türkçe
2023
Ormancılık ve Orman Mühendisliğiİstanbul Üniversitesi-CerrahpaşaOrman Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRAH ÖZDEMİR
PROF. DR. ENDER MAKİNECİ