Geri Dön

Sayısal arazi modeli üretiminde makine öğrenme algoritmalarının kullanılması

The use of machine learning algorithms in digital terrain model generation

PDF İndir

  1. Tez No: 970804
  2. Yazar: ABDULLAH CAN ÖZEN
  3. Danışmanlar: DOÇ. DR. ÖZGÜL VUPA ÇİLENGİROĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İstatistik, Jeodezi ve Fotogrametri, Coğrafya, Statistics, Geodesy and Photogrammetry, Geography
  6. Anahtar Kelimeler: Jeoistatistik, Sayısal fotogrametri, Veri yorumlama-istatistiksel, Geostatistics, Digital photogrametry, Data interpretation-statistical
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik ve Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Veri Bilimi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Lidar teknolojisi, sensör tarafından yayılan ışınların bir yüzeye çarpıp geri dönmesiyle sensör ile yüzey noktası arasındaki mesafenin hesaplanarak konumun belirlenmesi prensibine dayanır. Aynı zamanda, kamera ile elde edilen görüntülerle tespit edilen lidar noktalarının renk değerleri de toplanır. Lidar sensöründen yayılan ışınlar çarptıkları ilk yüzeyin noktalarını tespit ettiği için, nokta bulutu verilerinin istenilen durumda kullanılabilmesi için sınıflandırılması gerekir. Bu çalışmanın amacı, sayısal arazi modeli üretiminde lidar nokta bulutu verilerini makine öğrenimi algoritmalarını kullanarak sınıflandırmak, modellemek ve algoritmaların performanslarını karşılaştırmaktır. Çalışma kapsamında, Demokratik Kongo Cumhuriyeti'nde insansız hava aracı ile elde edilmiş nokta bulutu kullanılmıştır. Çalışmada, 3 geometrik değişken ve 2 renk değerlerini tanımlayan değişken içeren 114.557 noktadan oluşan bir eğitim seti ile 10 farklı makine öğrenimi algoritması (sınıflandırma ağacı, çanta yöntemi sınıflandırma ağacı, rastgele orman, lojistik regresyon, K-en yakın komşu, Naïve Bayes, destek vektör makinesi, yapay sinir ağları, çok katmanlı algılayıcı, XGBoost) kullanılmıştır. Lidar nokta bulutu sonuçlarına göre, en yüksek performans %84,1 ile XGBoost algoritmasıyla elde edilirken, en düşük doğruluk %72,4 ile Naïve Bayes algoritmasıyla elde edilmiştir.

Özet (Çeviri)

Lidar technology is based on the principle of determining position by calculating the distance between the sensor and the surface point by bouncing the rays emitted by the sensor off a surface. At the same time, the color values of the lidar points detected with the images obtained by the camera are also collected. Since the rays emitted from the lidar sensor detect the points of the first surface they hit, the point cloud data needs to be classified to be used in the desired situation. This study aims to classify and model lidar point cloud data to generate digital terrain model using machine learning algorithms and to compare the performance of the algorithms. Within the scope of the study, the point cloud acquired by an unmanned aerial vehicle in the Democratic Republic of Congo was used. In the study, 10 different machine learning algorithms (classification tree, bag method classification tree, random forest, logistic regression, K-nearest neighbor, Naïve Bayes, support vector machine, artificial neural network, multilayer perceptron, XGBoost) were used with a training set of 114,557 points including 3 geometric variables and 2 variables describing color values. According to the lidar point cloud results, the highest performance was obtained with the XGBoost algorithm, at 84.1%, while the lowest accuracy was obtained with the Naïve Bayes algorithm, at 72.4%.

Benzer Tezler

  1. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  2. Tez No

    771644

    Prediction of flow rates from different entries using PLT p-T measurements in a horizontal well by machine learning methods

    Makine öğrenmesi teknikleri ile bir yatay kuyunun farklı girişlerin debilerinin PLT p-T ölçümlerinden tahmini

    MUHARREM HİLMİ ÇEVİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ÇINAR

  3. Tez No

    972455

    A learning-centric end-to-end hybrid system for in-situ thermographic inspection in automated fiber placement

    Otomatik fiber yerleştirmede yerinde termal denetim için öğrenme tabanlı uçtan uca hibrit bir sistem

    MUHAMMED ZEMZEMOĞLU

    Doktora

    İngilizce

    İngilizce

    2025

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ÜNEL

  4. Tez No

    665824

    Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data

    Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması

    MERVE BOZO

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  5. Tez No

    962042

    Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods

    Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar

    UFUK BOLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA AHMET KOCABAŞ

    DOÇ. DR. GÜLCİHAN ÖZDEMİR

Geri Dön