Uzaktan algılama ve derin öğrenme teknikleri ile kentsel büyüme tahmini
Urban growth prediction using remote sensing and deep learning techniques
- Tez No: 973157
- Danışmanlar: DOÇ. DR. SEHER BAŞLIK
- Tez Türü: Yüksek Lisans
- Konular: Mimarlık, Şehircilik ve Bölge Planlama, Jeodezi ve Fotogrametri, Architecture, Urban and Regional Planning, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mimar Sinan Güzel Sanatlar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kentleşmenin hızlanmasıyla birlikte ortaya çıkan karmaşık büyüme süreçlerini anlamak amacıyla bu araştırma, kentsel büyüme modellerinin kuramsal ve yöntemsel evrimini mercek altına almaktadır. 1900'lerde Burgess ve Hoyt'un geliştirdiği geleneksel çerçevelerden başlayarak; 1950–1980 arasında regresyon, yer çekimi, Markov zinciri ve sistem dinamikleri gibi matematiksel/sibernetik tekniklere; 1980–2000 döneminde kaos teorisi, fraktal kentler ve Hücresel Otomat (HO) tabanlı simülasyonlara; 2000'ler sonrasında ise gelişmiş modelleme, hibrit yaklaşımlar ve ileri düzey yapay zekâ algoritmalarını kullanan sistemlere uzanan geniş bir yelpaze sistematik biçimde tartışılmıştır. Bu tarihsel anlatım“yeni paradigmalar”arayışıyla ilişkilendirilerek, yöntemsel çeşitliliğin zorunluluğu ortaya konmuştur. Çalışmada, kentlerin gelecekteki büyüme dinamiklerini öngörmeye yönelik hesaplamalı bir yöntem önerilmektedir. Literatürde yaygın biçimde kullanılan Hücresel Otamata tabanlı kent gelişim modellerinin kentsel makroformun dinamik yapısını açıklamadaki sınırlılıkları ele alınmış; kentsel dokuyu simüle etmeye yönelik alternatif bir yaklaşım olarak Evrişimsel Sinir Ağı (CNN) temelli bir modelin uygulanabilirliği test edilmiştir. Model geliştirme ve genellenebilirlik sınamaları için, geniş yüzölçümü ve heterojen arazi özellikleri nedeniyle Konya ili seçilmiştir. Çalışmada kullanılan yöntem, mekânsal istatistik, uzaktan algılama ve makine öğrenmesini birleştirip; geçmiş yıllara ait uydu görüntülerinden türetilen çok katmanlı verilerin zamansal değişimini izleyen zaman serisi yöntemini kullanır. Veri setleri büyük ölçüde çevrimiçi platformlardan elde edilen raster ve vektör verilerden oluşturulmuştur. Önerilen hibrit derin öğrenme mimarisi“ConvEncoder > TemporalTransformer > ConvDecoder + CBAM Spatial Attention”akışına dayanmaktadır. Bu yapı, çok kanallı mekânsal temsillerden özellik çıkarımını, uzun dönemli zamansal ilişkilerin modellenmesini ve piksel düzeyinde yapılaşma olasılığı çıkartılmasını gerçekleştirmektedir. Sonuç olarak tez, kapsamlı bir literatür sentezini derin öğrenme temelli ampirik bir uygulamayla birleştirerek, kentsel büyüme sınırlarının belirlenmesinde veri odaklı, zamansal duyarlılığa sahip ve metodolojik açıdan yenilikçi bir çerçeve önermektedir.
Özet (Çeviri)
In order to understand the complex growth processes emerging with the acceleration of urbanization, this research examines the theoretical and methodological evolution of urban growth models. Beginning with the traditional frameworks developed by Burgess and Hoyt in the 1900s; extending to the mathematical/cybernetic techniques of the 1950–1980 period such as regression, gravity, Markov chains, and system dynamics; followed by chaos theory, fractal cities, and Cellular Automata (CA)–based simulations between 1980 and 2000; and finally, advanced modeling, hybrid approaches, and systems employing state-of-the-art artificial intelligence algorithms after the 2000s, a broad spectrum is systematically discussed. This historical narrative is associated with the quest for“new paradigms,”highlighting the necessity of methodological diversity. The study proposes a computational approach aimed at forecasting the future growth dynamics of cities. It addresses the limitations of CA-based urban development models, which are widely used in the literature but inadequate in explaining the dynamic structure of urban macroform, and tests the applicability of a Convolutional Neural Network (CNN)–based model as an alternative for simulating the urban fabric. For model development and generalizability tests, Konya province was selected due to its large surface area and heterogeneous land characteristics. The employed method integrates spatial statistics, remote sensing, and machine learning, utilizing a time-series approach to track temporal changes of multi-layered datasets derived from historical satellite imagery. The datasets were largely constructed from raster and vector data obtained through online platforms. The proposed hybrid deep learning architecture is based on the flow“ConvEncoder > TemporalTransformer > ConvDecoder + CBAM Spatial Attention.”This structure performs feature extraction from multi-channel spatial representations, models long-range temporal dependencies, and estimates pixel-level probabilities of built-up areas. In conclusion, the thesis combines a comprehensive synthesis of the literature with a deep learning–based empirical application, proposing a data-driven, temporally sensitive, and methodologically innovative framework for delineating urban growth boundaries.
Benzer Tezler
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Çok yüksek çözünürlüklü hava fotoğraflarından derin ögrenme yöntemi ile bina bölütlemesi
Building segmentation from very high resolution aerial imagery using deep learning
NURAN ASLANTAŞ
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT BAYRAM
- Derin öğrenme ile Kahramanmaraş depremleri sonrası yıkılan ve yıkılmayan binaların yüksek çözünürlüklü uzaktan algılama uydu verileri ile tespiti
Detection of collapsed and non-collapsed buildings after Kahramanmaraş earthquakes with high resolution remote sensing satellite data and deep learning
DOĞU İLMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriMersin ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. MUZAFFER CAN İBAN
PROF. DR. DURSUN ZAFER ŞEKER
- Nesneye yönelik kural tabanlı sınıflandırma ve derin öğrenme yöntemleri ile otomatik yol çıkarımı olanaklarının araştırılması
Investigation of automatic road extraction possibilities with object oriented rule-based classification and deep learning methods
ZEYNEP BAYRAMOĞLU
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK
- Uzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme
Developing a deep learning-based land use and land cover mapping model using remote sensing data
ŞAZİYE ÖZGE ATİK
Doktora
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER