Sentinel-2 uydu görüntülerinin makine öğrenmesi ve sezgisel algoritmalarla sınıflandırılması
Classification of sentinel-2 satellite images using machine learning and heuristic algorithms
- Tez No: 969710
- Danışmanlar: PROF. DR. İSMAİL RAKIP KARAŞ, DR. ÖĞR. ÜYESİ SOHAIB K M ABUJAYYAB
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Parametre optimizasyonu, Sayısal uydu verileri, Uzaktan algılama, Parameter optimization, Digital satellite data, Remote sensing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, Sentinel-2 uydu görüntülerinin beş farklı sınıfa ayrılmasında makine öğrenmesi algoritması olan Çok Katmanlı Algılayıcı (MLP) modeli ile doğadan esinlenilmiş optimizasyon algoritmalarının (Karınca Kolonisi Optimizasyonu, Balina Optimizasyon Algoritması, Parçacık Sürü Optimizasyonu, Genetik Algoritma ve Yapay Arı Kolonisi) performansları karşılaştırmalı olarak incelenmiştir. Hazırlanan uydu görüntüleri veri seti, RGB, NIR ve SWIR bantları dahil olmak üzere toplam 9 spektral bantı içeren 3000 örnekten oluşmaktadır. Araştırma sonuçları, hiperparametre optimizasyonu uygulanan MLP modelinin %90.8 doğruluk, %90.7 F1-Score ve %98.1 ROC-AUC değerleri ile en yüksek performansı sergilediğini ortaya koymuştur. Bu performans, Balina Optimizasyon Algoritması (%83.6), Karınca Kolonisi Optimizasyonu (%81.9), Yapay Arı Kolonisi (%83.5) ve Genetik Algoritma (%83.6) gibi diğer yöntemlerin doğruluk oranlarını aştığı görülmüştür. MLP modeli hiperparametre optimizasyon teknikleriyle spektral bantlar arasındaki karmaşık ilişkileri etkili bir şekilde modelleyebilmesiyle başarı göstermiştir. Elde edilen bulgular, yüksek boyutlu multispektral verilerin sınıflandırılmasında optimize edilmiş MLP modellerinin, tarım alanı izleme, orman örtüsü haritalama ve kentsel değişim analizi gibi hassas uzaktan algılama uygulamalarında güvenilir ve etkili bir yaklaşım sunduğunu göstermektedir.
Özet (Çeviri)
In this study, the performance of the Machine Learning-based Multi-Layer Perceptron (MLP) model and nature-inspired optimization algorithms (Ant Colony Optimization, Whale Optimization Algorithm, Particle Swarm Optimization, Genetic Algorithm, and Artificial Bee Colony) was comparatively examined for the classification of Sentinel-2 satellite images into five different classes. The prepared satellite image dataset consists of 3000 samples, each containing a total of 9 spectral bands, including RGB, NIR, and SWIR. The research results revealed that the MLP model with hyperparameter optimization achieved the highest performance, with 90.8% accuracy, 90.7% F1-Score, and 98.1% ROC-AUC. This performance surpassed the accuracy rates of other methods such as Whale Optimization Algorithm (83.6%), Ant Colony Optimization (81.9%), Artificial Bee Colony (83.5%), and Genetic Algorithm (83.6%). The success of the MLP model is attributed to its ability to effectively model complex relationships between spectral bands through hyperparameter optimization. The findings indicate that optimized MLP models offer a reliable and effective approach for classifying high-dimensional multispectral data in precision remote sensing applications such as agricultural monitoring, forest cover mapping, and urban change analysis.
Benzer Tezler
- Bitki örtüsü alanlarında mevsimsel etkilerin sentinel-1 SAR ve sentinel-2 optik uydu görüntüleri ile izlenmesi
Monitoring seasonal effects in vegetation areas with sentinel-1 SAR and sentinel-2 optic satellite images
AHMET BATUHAN POLAT
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FUSUN BALIK ŞANLI
- Fusion of remote sensing and machine learning for high-resolution bathymetric modeling in shallow coastal zone
Kıyı bölgeleri sığ sularının yüksek çözünürlüklü batimetrik modellemesi için uzaktan algılama ve makine öğrenmesinin füzyonu
EMRE GÜLHER
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Sentinel-1 sar görüntülerinin, derin öğrenme teknikleri kullanılarak müsilaj bölgelerinin otomatik olarak tespit edilmesindeki rolü: Marmara denizi Armutlu-Zeytinbağı'nda bir vaka çalışması
The role of sentinel-1 sar images in the automatic detection of mucilage areas using deep learning learning techniques: A case study in the Armutlu-Zeytinbaği of the Marmara sea
ENES BAKIŞ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH ACAR
- Multı-hazard susceptıbılıty map productıon for urban plannıng purposes: Ankara Mamak case
Kentsel planlama amaçlı çoklu doğal tehlike duyarlılık haritası üretimi: Ankara Mamak örneği
TUĞÇE YANAR
Yüksek Lisans
İngilizce
2020
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SULTAN KOCAMAN GÖKÇEOĞLU
- Assessment of the land and sea interaction by using different types of satellite data
Farklı özellikteki uydu verileri ile kara-deniz etkileşiminin belirlenmesi
AYLİN TUZCU KOKAL
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU