Banliyö alanlarda çok yüksek çözünürlüklü gerçek ortofotolardan nesne-tabanlı makine öğrenmesi sınıflandırması ile arazi örtüsü haritalama
Land cover mapping in suburban areas with object-based machine learning classification from very high resolution true orthophotos
- Tez No: 952601
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 133
Özet
Banliyö alanlarda arazi örtüsünün kullanım amacının kentsel araziye dönüşme sürecinin sürdürülebilir kalkınma çerçevesinde planlı bir şekilde gerçekleştirilmesi için takip edilmesi gerekmektedir. Banliyö alanlarda, devam eden inşa faaliyetleri ve heterojen mimari yapılar, bu alanlarda arazi örtüsü sınıflarının tespitini zorlaştırmaktadır. Arazi örtüsünün tespitinde çok yüksek çözünürlüklü uydu ve hava görüntülerinde nesne tabanlı sınıflandırmanın kullanılması, zengin bilgi edinilmesini sağlayarak, etkin sonuçlara ulaşılmasına imkân verir. Bu tez çalışmasında banliyö alanlarda yüksek çözünürlüklü gerçek ortofoto görüntüleri kullanılarak nesne tabanlı makine öğrenmesi sınıflandırma yöntemi ile arazi örtüsü tespiti yapılmıştır. İlk aşamada sayısal yüzey modelinden sayısal arazi modeli üretilerek normalize edilmiş sayısal yüzey modeli (nSYM) hesaplanmıştır. Ortofotonun yakın kızıl ötesi (YKÖ) ve kırmızı (K) bantları kullanılarak normalize edilmiş fark bitki indeksi (NEFBİ) elde edilmiştir. Nesne tabanlı sınıflandırmanın ilk aşamasını oluşturan segmentasyon sürecinde, basit doğrusal iteratif kümeleme (BDİK) algoritması uygulanarak görüntü segmentasyonu gerçekleştirilmiş ve segmentler üretilmiştir. Gerçek ortofotonun ana bantları (K, Yeşil-Y, Mavi-M ve YKÖ), nSYM ve NEFBİ bantları, piksellerin ortalama değerlerini içerecek şekilde segment tabanlı hesaplanmıştır. Ortofotonun dört ana bandından, her segment için gri seviyeli eş oluşum matrisi (Gray Level Co-occurrence Matrix) homojenlik, kontrast, korelasyon, ortalama ve entropi doku metrikleri hesaplanarak 20 bant oluşturulmuştur. İkinci aşamada, Rastgele Orman (RO) algoritması ile segment tabanlı sınıflandırma işlemi gerçekleştirilmiştir. Segment tabanlı gerçek ortofotonun ana bantlarına (K, Y, M ve YKÖ) ek olarak, segment tabanlı nSYM, NEFBİ ve 20 adet doku bandı sınıflandırma işleminde ek bant olarak kullanılmıştır. Segment tabanlı toplanan eğitim verisi seti ve 26 bant kullanılarak RO algoritması ile gerçekleştirilen sınıflandırma, Ankara ilinde bulunan iki farklı banliyö çalışma alanına uygulanmıştır. Birinci alanda %92,4 genel doğruluk ve 0,901 kappa indeksine, ikinci alanda ise %90,0 genel doğruluk ve 0,879 kappa indeksine ulaşılarak yüksek başarı sağlanmıştır. Bu çalışmada kullanılan bantların farklı kombinasyonlarının sınıflandırma işlemine etkisi değerlendirildiğinde, her iki alanda NEFBİ bandı sırasıyla %0,2-6,5 oranlarında sınıflandırma doğruluğunu azaltmıştır. Diğer ek bantlar arasında sınıflandırma doğruluğunu en fazla nSYM bandının eklenmesi artırmıştır ve sırasıyla %3,6-11,7 oranlarında artış sağlamıştır. Doku metrikleri sınıflandırma doğruluğunu sırasıyla %3,8-6,6 oranlarında artırmıştır. En yüksek sınıflandırma doğruluğu, 26 bandın kullanıldığı bant kombinasyonu ile elde edilmiştir. Segment tabanlı üretilen, K, Y, M ve YKÖ ana bantlar ile nSYM, NEFBİ ve doku metrikleri bantlarının kullanıldığı nesne tabanlı sınıflandırma yöntemi, banliyö alanların karmaşık yapıya sahip olmasına rağmen arazi örtüsünün başarılı şekilde tespit edilmesinde yüksek potansiyeli olduğunu göstermiştir.
Özet (Çeviri)
In suburban areas, the process of transforming the land cover use purpose into urban land should be monitored to ensure it is planned within the sustainable development framework. Ongoing construction activities and heterogeneous architectural structures make it difficult to determine land cover classes in suburban areas. Using object-based classification in very high-resolution satellite and aerial images to determine land cover enables to reach effective results, providing rich information. In this thesis, land cover determination was performed via object-based machine learning classification method using high-resolution real orthophoto images in suburban areas. In the first phase, the normalized digital surface model (nDSM) was calculated by generating the digital terrain model from the digital surface model. Normalized difference vegetation index (NDVI) was obtained using the near infrared (NIR) and red (R) bands of the orthophoto. In the segmentation process, which constitutes the first phase of object-based classification, image segmentation was performed and segments were produced by applying the simple linear iterative clustering (SLIC) algorithm. The main bands of the true orthophoto (R, Green-G, Blue-B and GEO), nDSM and NDVI bands were calculated on a segment basis which onsist of the average values of the pixels. From the four main bands of the orthophoto, for each segment, 20 bands were created by calculating the Gray-Level Co-occurrence Matrix homogeneity, contrast, correlation, mean and entropy texture metrics. In the second phase, segment based classification was applied by using, the Random Forest (RF) algorithm. In addition to the main bands (R, G, B and NIR) of the segment-based real orthophoto, segment-based nDSM, NDVI and 20 units texture bands were used as additional bands in the classification process. The classification performed with the RO algorithm using the segment-based collected training data set and 26 bands was applied to two different suburban study areas in Ankara province. Great success was achieved by reaching 92.4% overall accuracy and 0,901 kappa index in the first area, and 90.0% overall accuracy and 0,879 kappa index in the second area. Evaluating the effects of different combinations of bands used in this study on the classification process; the NDVI band decreased the classification accuracy by 0.2-6.5% in both areas, respectively. Among other additional bands, the inseriton of the nDSM band increased the classification accuracy the most, providing increases of 3.6-11.7%, respectively. Texture metrics increased the classification accuracy by 3.8-6.6%, respectively. The highest classification accuracy was obtained with the band combination using 26 bands. The object-based classification method, which uses segment-based R, G, B and NIR main bands and nDSM, NDVI and texture metrics bands, has shown that it has a high potential in detecting land cover effectively despite the complicated structure of suburban areas.
Benzer Tezler
- Signal detection and parameter estimation of frequency hopping signals
Frekans atlamalı sinyallerin tespiti ve parametre kestirimi
BATUHAN KAPLAN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Role of commuter rail in Istanbul's public transportation: A case study of Haydarpasa-Gebze line
İstanbul ulaşımında banliyö trenlerinin rolü: Haydarpaşa- Gebze banliyö hattı çalışması
AYŞE IŞIK
- Design policy and process through infill development
Tasarım politikası ve geliştirilmeye ilişkin süreci
HADI JAVANI TABRIZI
Yüksek Lisans
İngilizce
2019
Şehircilik ve Bölge PlanlamaOrta Doğu Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DOÇ. DR. OSMAN BALABAN
PROF. DR. GÜVEN ARİF SARGUN
- Erenköy'deki kentsel doku değişimi ve kültür varlığı konut yapılarının koruma durumları
Urban pattern changes and conservation conditions of residential cultural property in Erenkoy
BURAK ÖZTÜRK
Yüksek Lisans
Türkçe
2017
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. GÜLSÜM TANYELİ
- Urban dynamics of İstanbul: Exploring urban complexity via the spatial distribution of activities
İstanbul'un kentsel dinamikleri: Faaliyetlerin mekansal dağılımı aracılığıyla kentsel karmaşıklığın keşfi
REYHANEH YOUNESI SANDI
Yüksek Lisans
İngilizce
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. EDA YÜCESOY