Sentinel-2 uydu görüntülerinde derin öğrenme ile süper çözünürlük
Super-resolution in sentinel-2 satellite imagery using deep learning
- Tez No: 971181
- Danışmanlar: PROF. DR. BÜLENT BAYRAM, DOÇ. DR. TOLGA BAKIRMAN
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Açık veri, Derin öğrenme, Uydu görüntüleri, Uzaktan algılama, Çözünürlük, Open data, Deep learning, Satellite images, Remote sensing, Solubility
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Orta mekansal çözünürlüklü uydu verisi sağlayan Sentinel-2 uydularından sağlanan görüntüler uzun yıllardır farklı uygulamalarda yaygın olarak kullanılmaktadır. Ancak her geçen gün yüksek çözünürlüklü veriye olan ihtiyaç artmakta ve yüksek düzeyde detay çıkarımı gereken uygulamalarda Sentinel-2 uydusunun sunduğu en yüksek 10 m'lik mekansal çözünürlük yetersiz kalmaktadır. Çok yüksek çözünürlüklü Pleaides, Gaofen-1 ve SPOT-6/7 gibi uydu sistemlerinin görüntülerine ulaşmak ise maliyetli ve zordur. Dolayısıyla, düşük çözünürlüklü görüntülerin çözünürlüğünü kullanıcı müdahalesi ile artırmak için süper çözünürlük teknikleri geliştirilmiştir. Derin öğrenme tabanlı Single Image Super-Resolution (SISR, Tek Görüntü Süper Çözünürlüğü) modelleri, High Resolution (HR, Yüksek Çözünürlük) uydu görüntülerini kullanarak Low Resolution (LR, Düşük Çözünürlük) uydu görüntülerini geliştirmek için kullanılabilir. Bu çalışma, Sentinel-2 uydu görüntülerinin mekansal çözünürlüğünü spektral ve radyometrik çözünürlüklerini de koruyarak Generative Adversarial Network (GAN, Çekişmeli Üretken Ağ) tabanlı SISR modelleriyle Sentinel-2 uydu görüntülerinin mekansal çözünürlüklerini dört kat geliştirmeyi amaçlamaktadır. Bu kapsamda Sentinel-2 ve SPOT-6/7 uydu görüntülerinden oluşan YTU-UHUZAM-SR veri seti hazırlanmıştır. SRGAN, BSRGAN ve StarSRGAN modellerinin bu üretilen seti üzerinden performansı ölçülmüş Sentinel-2 uydu görüntülerini en iyi yeniden yapılandıran model tespit edilmeye çalışılmıştır. Değerlendirme aşamasında PSNR, SSIM olmak üzere iki adet değerlendirme metriği kullanılmıştır. Test veri seti üzerinden modellerin performansı analiz edildiğinde PSNR ve SSIM metriklerinde en iyi sonucu BSRGAN modeli vermiştir ve bu değerler sırasıyla 50.7628 dB ve 0.9860'tır. Görsel karşılaştırma yapıldığında, tüm modellerin Sentinel-2 görüntülerinin çözünürlüğünü dört kat geliştirdiği görülmüş fakat StarSRGAN'ın diğer modellere göre farklı sınıf türlerini daha yüksek hassasiyette yeniden yapılandırdığı tespit edilmiştir. Her geçen gün gelişen GAN tabanlı SISR modellerinin uydu görüntülerinin çözünürlüğünü artırmada özellikle de açık erişimli uydu sistemlerinde verimli bir şekilde kullanılabileceği sonucuna varılmıştır.
Özet (Çeviri)
The Sentinel-2 satellites, which provide medium spatial resolution imagery, have been widely utilized for various applications over many years. Although it provides valuable data, its 10-meter spatial resolution often falls short in applications that require high levels of detail. Meanwhile, very high-resolution satellite systems such as Pleiades, Gaofen-1, and SPOT-6/7 offer better visual quality, but accessing their imagery is both costly and difficult. As a response to this limitation, super-resolution techniques have been developed to enhance the spatial quality of low-resolution satellite images. Deep learning-based Single Image Super-Resolution (SISR) models can be used to improve low resolution (LR) satellite images by learning from high resolution (HR) examples. This study focuses on enhancing the spatial resolution of Sentinel-2 imagery by applying a scale factor of 4×, while preserving its spectral and radiometric characteristics. To support this goal, a custom dataset named YTU-UHUZAM-SR was constructed using co-registered Sentinel-2 and SPOT-6/7 image pairs. Three Generative Adversarial Network (GAN)-based SISR models (SRGAN, BSRGAN, StarSRGAN) were trained and evaluated on this dataset to identify the model that best reconstructs high-quality Sentinel-2 satellite imagery. The evaluation was conducted using two common image quality metrics: PSNR, SSIM. Among the models, BSRGAN achieved the highest performance on the test set, with a PSNR of 50.7628 dB and an SSIM of 0.9860. Visual analysis confirmed that all three models successfully enhanced the resolution at a 4× scale. However, StarSRGAN stood out for its ability to reconstruct complex land cover patterns with greater clarity and consistency. Overall, the results suggest that GAN-based SISR approaches hold strong potential for enhancing open-access satellite imagery, particularly in scenarios where high-resolution data is otherwise unavailable.
Benzer Tezler
- Investigating the performance of super-resolved remote sensing images on coastline segmentation with deep learning-based methods
Derin öğrenme tabanlı yöntemlerle kıyı şeridi segmentasyonunda süper çözünürlüklü uzaktan algılama görüntülerinin performansının araştırılması
İLHAN PALA
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Sentinel-2A optik uydu görüntülerinden deniz ulaştırmasına yönelik bilgi çıkarımı: süper-çözünürlük destekli gemi tespiti ve gemilerden kaynaklı emisyonların tahmini
Extracting information for maritime transportation via sentinel-2A optical satellite imagery: super-resolution assisted ship detection and shipping emission estimation
CEMRE FAZİLET ALDOĞAN
Doktora
Türkçe
2026
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. HANDE DEMİREL
- Uydu görüntüleri üzerinde yapay zekâ destekli çözünürlük artırımı ve tarım odaklı alan sınırlarının tespiti
Artificial intelligence-based super-resolution of satellite images and detection of agriculture-focused field boundaries
DENİZ ÇELİK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FURKAN KAMANLI
- Super-resolution of landsat-8 images using sentinel-2 images and generative adversarial networks
Sentinel-2 görüntüleri ve çekişmeli üretici ağlar kullanılarak landsat-8 görüntülerinin süper çözünürlüğü
ESRA SUNKER
Yüksek Lisans
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BÜLENT BAYRAM
- Assessing the impact of super-resolution on enhancing the spatial quality of historical aerial photographs
Tarihi hava fotoğraflarının mekansal kalitesini artırmada süper-çözünürlüğün etkisinin irdelenmesi
ABDULLAH HARUN İNCEKARA
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER