Makine öğrenmesi algoritmaları kullanılarak Sentinel-2 uydu görüntülerinin sınıflandırılması (Çorum ili örneği)
Classification of Sentinel-2 satellite images using machine learning algorithms (the case of Çorum province)
- Tez No: 982944
- Danışmanlar: PROF. DR. İSMAİL RAKIP KARAŞ, DR. ÖĞR. ÜYESİ SOHAIB K. M. ABUJAYYAB
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- 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
Uzaktan algılama, günümüzde iklim değişikliği, kentleşme, tarım ve çevresel süreçlerin izlenmesi gibi birçok alanda önemli bir araç olarak kullanılmaktadır. Görüntüleme teknolojilerindeki hızlı gelişmeler, uzaktan algılama yöntemlerinin veri toplama ve analiz açısından daha etkin ve güvenilir bir şekilde uygulanmasını sağlamıştır. Ayrıca, uzaktan algılama verilerinin günümüzde kolay erişilebilir olması, bu teknolojinin kullanımını yaygınlaştırmaktadır. Uzaktan algılama, ortamın fiziksel ve konumsal bilgilerini içeren ayırt edici özelliklerinin tespit edilmesi süreci olarak tanımlanabilir. Bu çerçevede, Sentinel-2 uydularından elde edilen yüksek çözünürlüklü multispektral veriler, arazi kullanım ve arazi örtüsü haritalarının oluşturulmasında etkin bir şekilde kullanılmaktadır. Bu çalışmada, Çorum ili özelinde arazi kullanım ve arazi örtüsü sınıflandırması gerçekleştirilmiş ve Sentinel-2 uydu görüntüleri kullanılmıştır. Çalışmada kent, tarla, orman, su ve çıplak arazi olmak üzere beş sınıf belirlenmiş; sınıflandırma işlemleri için Random Forest, XGBoost, AdaBoost, LightGBM ve CatBoost algoritmaları kullanılmıştır. Sınıflandırma doğruluğunu artırmak amacıyla hiperparametre optimizasyon yöntemlerinden Grid Search, Random Search ve Bayesian Optimization uygulanmıştır. Analizler sırasında elde edilen veriler, karışıklık matrisi, genel doğruluk, Kappa katsayısı ve sınıf bazlı ölçütler (kesinlik, duyarlılık, F1 skoru) kullanılarak değerlendirilmiştir. Analizler sonucunda XGBoost algoritması %80 genel doğruluk oranı ile en yüksek başarıyı göstermiştir. Hiperparametre optimizasyonu uygulanmış modellerin doğruluk değerleri hesaplanmış ve algoritmaların genel performansları tablolar ve sınıf bazlı ölçütler kullanılarak analiz edilmiştir.
Özet (Çeviri)
Remote sensing is currently utilised as a crucial tool in numerous fields, including climate change monitoring, urban development, agriculture, and environmental processes. Rapid advancements in imaging technologies have enabled remote sensing methods to be applied more effectively and reliably for data acquisition and analysis. Furthermore, the widespread accessibility of remote sensing data has facilitated the increased adoption of this technology. Remote sensing can be defined as the process of detecting distinctive features of an environment, including its physical and spatial characteristics. In this context, high-resolution multispectral data obtained from Sentinel-2 satellites are widely used for generating land-use and land-cover (LULC) maps. In this study, land use and land cover classification were conducted for the Çorum province using Sentinel-2 imagery. Five classes—urban, cropland, forest, water, and bare land—were defined, and the classification was performed using Random Forest, XGBoost, AdaBoost, LightGBM, and CatBoost algorithms. To enhance classification accuracy, hyperparameter optimisation methods, including Grid Search, Random Search, and Bayesian Optimization, were applied. The resulting models were evaluated using confusion matrices, overall accuracy, Kappa coefficient, and class-based metrics (precision, recall, and F1 score). The analyses indicated that the XGBoost algorithm achieved the highest overall accuracy, approximately 80%. Accuracy values of models subjected to hyperparameter optimisation were calculated, and the overall performance of the algorithms was analysed using tables and class-based metrics.
Benzer Tezler
- Classification of agricultural lands by remote sensing methods: Konya plain (Çumra regıon)
Uzaktan algılama yöntemleriyle tarım arazilerinin sınıflandırılması: Konya ovası (Çumra bölgesi)
EMRE TOKLUOĞLU
Doktora
İngilizce
2026
Jeoloji MühendisliğiMuğla Sıtkı Koçman ÜniversitesiJeoloji Ana Bilim Dalı
DOÇ. DR. BEDRİ KURTULUŞ
- Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması
Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques
OSMAN YAVUZ ALTUNTAŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Makine öğrenimi tabanlı sınıflandırma yöntemleri kullanılarak çay bahçelerinin belirlenmesi
Identifying tea gardens using machine learning based classification methods
BURCU SÜSLÜ ALGÜR
Yüksek Lisans
Türkçe
2023
Ziraatİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Farklı makine öğrenme algoritmaları kullanılarak sentinel-2 görüntülerinden bazı ağaç türlerinin belirlenmesi: Aladağ Orman İşletme Müdürlüğü örneği
Identification of some tree species from sentinel-2 imagery using different machine learning algorithms: A case study of the Aladağ Forest Enterprise
ARİF AKSÜT
Doktora
Türkçe
2025
Ormancılık ve Orman MühendisliğiÇankırı Karatekin ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEMİH KUTER