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
- Tez No: 972949
- Danışmanlar: DOÇ. DR. ALİ FURKAN KAMANLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akıllı tarım, Bilgisayarla görme, Uzaktan algılama, Yapay zeka, Smart agriculture, Computer vision, Remote sensing, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sunulan çalışma, uzaktan algılamada yüksek çözünürlüklü veri eldesi için en yaygın alternatiflerden biri olan Sentinel-2 uydusundan sağlanan 10 metre/piksel uzamsal çözünürlüklü çok bantlı uydu görüntülerini derin öğrenme tabanlı bir görüntü çözünürlük artırımı yöntemiyle üst ölçeklemeyi ve elde edilen çözünürlüğü artırılmış görüntülerde derin öğrenme ile tarım odaklı alan sınırları tespitini oluşturan bir sistemi geliştirmeyi hedeflemektedir. Çalışma, Sentinel-2 uydusundan edinilen görüntü yamalarını geliştirilen çözüm yardımıyla dört kat ölçekleme oranında 2,5 metre/piksel uzamsal çözünürlüğe yükseltmeyi hedeflemektedir. Böylece tarımsal karar destek sistemlerinde gereken ayrıntı düzeyini yüksek maliyetli sensörlere ihtiyaç duymadan elde etmeyi sağlayan bir sistemin geliştirilmesi amaçlanmıştır. Bu amaçla literatürde çeşitli çalışmalarla incelenen Transformer tabanlı bir derin öğrenme mimarisi olan SwinIR yapısı modellenmiştir. Çalışmada kullanılan açık kaynaklı Sen2NAIPv2 veri kümesindeki Sentinel-2 ve NAIP sistemlerinden elde edilen 8000 adet görüntü çiftiyle önerilen mimariye yönelik modelleme süreçleri oluşturulmuştur. Deney süreçlerinin sonunda dört kat ölçekleme oranıyla çözünürlük artırımında 29 desibel (dB) Tepe Sinyal-Gürültü Oranı (PSNR) ve 0,79 Yapısal Benzerlik Endeksi Ölçüsü (SSIM) ortalama skorlarıyla yüksek çözünürlüklü asıl görüntülere yakın kalite edinildiği gösterilmiştir. Çalışmanın bir diğer adımında, Sentinel-2 uydu görüntülerinden elde edilen süper-çözünürlüklü görüntü çıktılarının derin öğrenme tabanlı bir semantik segmentasyon yapısıyla birleştirilmesi; tarım parsellerinde alan sınırlarının doğru biçimde tespiti hedeflenmiştir. Bu yapının için bir başka açık kaynaklı veri kümesi olan Fields of the World ile modellemeye tabi tutulan ResUNet++ yapısı kullanılmıştır. Çalışmada çözünürlük artırımının etkisini incelemek amacıyla aynı yapı öncelikle orijinal çözünürlüklü Sentinel-2 görüntülerinde, ardından çözünürlüğü artırılmış görüntülerde kurgulanmıştır. 10 metre/piksel orijinal uzamsal çözünürlüklü görüntülerde 0,30 Sınır Kesişim Birleşim Oranı (bIoU) ve 0,45 Sınır F1 ortalama skorları elde edilirken, çözünürlüğü artırılmış 2,5 metre/piksel uzamsal çözünürlüklü görüntülerde aynı sırayla 0,39 ve 0,57 skorları elde edilmiştir. Böylece uzaktan algılamada tarım uygulamaları için mahsül türü tanıma, verim tahmini ve kaynak yönetimi gibi analizlerde çözünürlük artırımı ve alan anlamlandırma kaynaklı kısıtlara yönelik ölçeklenebilir ve sürdürülebilir bir çözüm alternatifinin bahsedilen çalışma ile sunulabileceği ortaya konmuştur.
Özet (Çeviri)
This study aims to develop a system that enhances 10 meters/pixel spatial resolution multispectral satellite images obtained from Sentinel-2, one of the most common alternatives for high-resolution data acquisition in remote sensing, through a deep learning-based super-resolution method, and subsequently detects agriculture-focused field boundaries in the resolution-enhanced images using deep learning. The study specifically targets the enlargement of Sentinel-2 image patches by a four upscaling factor through the proposed approach, thereby increasing the spatial resolution to 2.5 meters/pixel. In this way, the system is intended to provide the level of detail required for agricultural decision support systems without the need for expensive sensors. For this purpose, the SwinIR architecture, a Transformer-based deep learning model previously studied in the literature, was employed. Using the open-source Sen2NAIPv2 dataset, which contains 8,000 paired images from Sentinel-2 and NAIP systems, the modeling processes for the proposed architecture were conducted. At the end of the experimental phase, the results demonstrated that for a fourfold upscaling factor, the super-resolution outputs achieved an average Peak Signal-to-Noise Ratio (PSNR) of 29 decibels (dB) and an average Structural Similarity Index Measure (SSIM) score of 0.79, indicating close quality to the original high-resolution data samples. In another step of the study, the super-resolution images generated from Sentinel-2 data were combined with a deep learning-based semantic segmentation framework to ensure more accurate and distinct detection of agricultural parcel boundaries. For this framework, the ResUNet++ architecture, trained on another open-source dataset called Fields of the World, was utilized. To examine the effect of resolution enhancement, the same architecture was first applied to the original Sentinel-2 images and then to the super-resolution output images. Accordingly, while scores of 0.30 Boundary Intersection over Union (bIoU) and 0.45 Boundary F1 mean scores were obtained on the 10 meters/pixel original resolution images, scores of 0.39 and 0.57 were achieved on the 2.5 meters/pixel super-resolved images, respectively. Thus, the study demonstrated that for remote sensing-based agricultural applications such as crop type recognition, yield estimation, and resource management, the proposed approach offers a scalable and sustainable alternative to overcome limitations arising from image resolution and field delineation.
Benzer Tezler
- Uzaktan çok kaynaklı ölçümler yoluyla varlık verilerinin güvenilirliği
Uzaktan çok kaynakli ölçümler yoluyla varlik veri̇leri̇ni̇n güveni̇li̇rli̇ği̇
SALİHCAN KARAMAN
Yüksek Lisans
Türkçe
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. DİDEM SALOĞLU DERTLİ
- Uydu görüntüleri ile yapay zekâ destekli olarak tarımsal ürünlerin sınıflandırılması
Artificial intelligence-assisted classification of agricultural products using satellite images
BUKET BİNGÖL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FURKAN KAMANLI
- 3D nokta bulutu verileri kullanılarak otonom sürüş için nesne algılama yöntemi ile karayolu envanterlerinin tespit edilmesi
Determination of highway inventories with object detection method for autonomous driving using 3D point cloud data
HİLAL GEZGİN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN
- Sentetik görüş sistemlerinde yapay zeka tabanlı görüntü iyileştirme ve veri entegrasyonu
Artificial intelligence-based image enhancement and data integration in synthetic vision systems
ABDALLAH TARIQ HASAN ALABED
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TARIK ÖZKUL