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
- Tez No: 991479
- Danışmanlar: DOÇ. DR. SEMİH KUTER
- Tez Türü: Doktora
- Konular: Ormancılık ve Orman Mühendisliği, Forestry and Forest Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Orman Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde orman ekosistemlerinin sürdürülebilir yönetimi ve biyolojik çeşitliliğin korunması, çevresel değişimlerin etkilerinin doğru analiz edilmesini ve buna bağlı olarak tür düzeyinde hem bilimsel hem de uygulama açısından güvenilir sonuçlar sunan tespit ve izleme yöntemlerinin geliştirilmesini zorunlu kılmaktadır. Bu tez çalışmasında, uzaktan algılama tekniklerinden yararlanılarak, çalışma alanı olarak seçilen, Bolu-Aladağ ormanlarında yer alan beş farklı ağaç türünün sınıflandırılması amaçlanmıştır. Sınıflandırma süreci için Sentinel-2 uydu görüntüleri temel alınmış; bu görüntülerden türetilen 12 farklı vejetasyon, su ve toprak indeksiyle birlikte topoğrafik değişkenler kullanılarak toplamda 29 bağımsız değişkenden oluşan kapsamlı bir veri seti oluşturulmuştur. Makine öğrenmesi tabanlı sınıflandırma sürecinde Rastgele Orman (Random Forest - RF), Destek Vektör Makineleri (Support Vector Machines - farklı çekirdek fonksiyonlarıyla birlikte SVM), Yapay Sinir Ağı - (Artificial Neural Network - ANN) ve Topluluk öğrenme (Ensemble Learning – EL) algoritmaları uygulanmıştır. Modellerin performansı, sınıflandırma doğruluğu açısından karşılaştırılmış; RF algoritmasının genel doğruluk oranı bakımından diğer yöntemlere kıyasla daha başarılı sonuçlar verdiği belirlenmiştir. Elde edilen sonuçlara göre, her tür için en yüksek doğruluk değerleri farklı algoritmalarla elde edilmiştir: Karaçam türünde %88,06 ile ANN (Nisan), Sarıçam türünde %96,91 ile SVM-Doğrusal (Kasım), Göknar türünde %85,44 ile SVM-Radyal-tabanlı (Ağustos), Kayın türünde %85,66 ile EL (Ağustos) ve Sapsız meşe türünde %83,70 ile SVM-Radyal-tabanlı (Nisan) en yüksek başarıyı sağlamıştır. Elde edilen bulgular, türlerin ayrılabilirliğinin spektral bant seçimi, veri çözünürlüğü ve mevsimsel fenoloji etkileşimi ile doğrudan ilişkili olduğunu göstermektedir. Çalışma, sınıflandırma modellerinde başarıyı artırmak için algoritma optimizasyonuyla birlikte uygun veri yaklaşımının da kritik olduğunu ortaya koymuştur.
Özet (Çeviri)
The sustainable management of forest ecosystems and the conservation of biological diversity, particularly in the contemporary context, necessitate the accurate analysis of environmental changes and the development of detection and monitoring methods that provide reliable results at the species level from both scientific and practical perspectives. This doctoral study aims to classify five different tree species located in a forested area of Bolu-Aladağ using remote sensing techniques. Sentinel-2 satellite imagery served as the primary data source, and a comprehensive dataset was constructed by deriving 12 distinct vegetation, water, and soil indices, supplemented by topographic variables. The resulting dataset comprises 29 independent variables. To perform the classification, several machine learning algorithms were employed, including Random Forest (RF), Support Vector Machines (SVM) with various kernel functions, Artificial Neural Network (ANN) and Ensemble learning (EL) methods. The classification performance of these algorithms was comparatively evaluated, revealing that the RF algorithm outperformed the others in terms of overall accuracy. Additionally, the impact of seasonal variation on classification success was assessed, showing notably higher accuracy levels during the summer season. According to the results, the highest accuracy values for each species were obtained with different algorithms: for Black pine 88.06% with ANN (April), for Scotch pine 96.91% with linear SVM (November), for Fir 85.44% with RBF-based SVM (August), for Beech 85.66% with EL (August), and for Sessile oak 83.70% with RBF-based SVM (April). The findings indicate that species separability is directly associated with spectral band selection, data resolution, and the interaction of seasonal phenology. The study demonstrates that enhancing the performance of classification models requires not only algorithm optimization but also the adoption of an appropriate data strategy.
Benzer Tezler
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- 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
- Farklı Çözünürlüklü Uydu Görüntülerinden Arazi Örtüsü/ Kullanımı Haritası Oluşturulması
Land Use/Land Cover Mapping Using Satellite Images With Different Spatial Resolutions
ALPER USTA
Yüksek Lisans
Türkçe
2022
Jeodezi ve FotogrametriMilli Savunma ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Uzaktan algılama yöntemi kullanarak sentinel-1 uydu görüntülerinden makine öğrenmesi yaklaşımı ile yüksek gerilim direği tespiti
Detection of high voltage transmission towers using sentinel-1 satellite images with a machine learning approach based on remote sensing methods
HASAN SARIKAYA
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH ACAR
- Yapay zekâ algoritmaları ile ulusal orman envanteri modelinin geliştirilmesi: İstanbul Orman Bölge Müdürlüğü örneği
Development of national forest inventory model using artificial intelligence algorithms: A case study of Istanbul Regional Directorate of Forestry
ERGİN ÇAĞATAY ÇANKAYA
Doktora
Türkçe
2025
Ormancılık ve Orman MühendisliğiBursa Teknik ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. TURAN SÖNMEZ