Uydu görüntülerinden çatı alanı tespiti için derin öğrenme tabanlı model optimizasyonu ve şehir ölçeğinde çatı üstü fotovoltaik potansiyelin belirlenmesi
Deep learning–based model optimization for rooftop area detection from satellite imagery and determination of urban-scale rooftop photovoltaic potential
- Tez No: 991833
- Danışmanlar: PROF. DR. ALİ KIRÇAY, DOÇ. DR. ALİ ERDUMAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Harran Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şehir ölçeğinde fotovoltaik enerji üretimi için kullanılabilir çatı alanlarının doğru tahmini sürdürülebilir enerji planlaması ve politika geliştirme süreçleri açısından kritik bir öneme sahiptir. Bu çalışmada kamuya açık uydu görüntüleri kullanılarak kentsel, kırsal ve ticari bölgelerde çatı üstü güneş enerjisi potansiyeli derin öğrenme modelleri aracılığıyla tahmin edilmiştir. Çatı alanlarının belirlenmesi amacıyla, açık kaynak görüntüler manuel olarak etiketlenmiş ve oluşturulan eğitim veri seti DeepLabv3+ mimarisinde çeşitli parametreler kulanılarak eğitilmiştir. Geliştirilen model yüksek doğrulukta çatı alanı tespiti gerçekleştirmiştir. Model çıktıları; maliyet, karlılık ve amortisman süresi gibi ekonomik analizlerin yapılabilmesi için kullanıcı dostu bir arayüzle entegre edilmiştir. Bu arayüz; kullanıcıların yüklediği kuş bakışı görüntülerde otomatik olarak çatı bölgelerini tespit etmekte, toplam çatı alanını hesaplamakta ve alanın potansiyeline göre sınıflandırma yapmaktadır. Türkiye'nin 81 ili ölçeğinde uygulanan sistem panel türü, çatı tipi ve şehir seçimine bağlı olarak PV kurulu gücü, kurulum maliyeti, yıllık enerji üretimi, enerji satış geliri ve amortisman süresi gibi sürdürülebilir enerji çıktıları sunmaktadır. Elde edilen sonuçlar DeepLabv3+ mimarisi ve Adam optimizasyon algoritmasının çatı alanı tahmininde %96,6 doğruluk ve %0,08 kayıp oranlarıyla üstün performans sağladığını göstermiştir. 81 şehirdeki farklı çatı bölgeleri üzerinde yapılan testlerde maksimum %91,5 ve ortalama %77,94 çatı tahmin doğruluğu (IoU) elde edilmiştir. Ekonomik analizlerde; kooperatifleşen çatı üstü PV kullanıcıları için polikristal panellerin kullanıldığı çatı bölgelerinde amortisman süresi 7,6 yıl olarak en düşük değere ulaşırken, aynı panel kullanımında çatı bölgelerine ait en uzun amortisman süresi 10,4 yıla kadar çıkmaktadır. Monokristal ve ince film panel türleri için bu süreler ayrı ayrı hesaplanmıştır. Aynı zamanda farklı panel türlerine bağlı 4 farklı çatı tipi için amortisman süresi en düşük 7,6 yıl ile iki eğimli çatı tipinde polikristal panel kullanımı ile elde edilirken, en yüksek süre 12,6 yıl yatay düz çatı tipinde ince film panel kullanımı ile elde edilmiştir. Son olarak Şanlıurfa ili için 1 km2 alan baz alınarak yapılan çalışmada toplam çatı alanı 0,296 km2 olarak tahmin edilmiştir. Bu bölge için tahmin edilen çatı alan değerine bağlı olarak yıllık PV enerji üretimi 60.13 GWh olarak hesaplanmıştır. Çalışma yapılan bölgede çatı üstü PV kurulumlarında enerji kullanıcılarının kooperatifleşmesi durumunda PV sistem amortisman süresinin %25 azalacağı tespit edilmiştir. Sonuç olarak bu çalışma; yüksek doğruluklu çatı PV alanı tespiti yapabilen bir derin öğrenme modeli ile entegre edilmiş etkileşimli bir kullanıcı arayüzü sunarak, şehir ölçeğinde sürdürülebilir PV enerji potansiyelinin değerlendirilmesine ve ekonomik analizlerin kolayca yapılmasına olanak tanımaktadır. Bu yaklaşım, yenilenebilir enerji kaynaklarının entegrasyonunda planlama ve karar destek sistemleri için değerli bir araçtır.
Özet (Çeviri)
Accurate estimation of available rooftop areas for PV power generation at the city scale is critical for sustainable energy planning and policy development. In this study, using publicly available highresolution satellite imagery, rooftop solar energy potential in urban, rural and commercial areas is estimated using deep learning models. In order to identify roof areas, high-resolution open-source images were manually labeled and the training dataset was trained with DeepLabv3+ architecture. The developed model performed roof area detection with high accuracy. Model outputs are integrated with a user-friendly interface for economic analysis such as cost, profitability and amortization period. This interface automatically detects roof regions in the bird's-eye view images uploaded by users, calculates the total roof area and classifies according to the potential of the area. The system, which is applied in 81 provinces of Turkey, provides sustainable energy projections such as PV installed capacity, installation cost, annual energy production, energy sales revenue and amortization period depending on the panel type, roof type and city selection. The results show that the DeepLabv3+ architecture and the Adam optimization algorithm provide superior performance in roof area estimation with accuracy 96.6% and loss rates 0.08%. Tests conducted on different roof areas in 81 cities yielded a maximum roof prediction accuracy (IoU) of 91.5% and an average of 77.94%. In economic analyses, the amortization period for rooftop PV users who have formed cooperatives reaches its lowest value at 7,6 years in areas where polycrystalline panels are used, while the longest amortization period for the same panel usage in rooftop areas reaches up to 10,4 years. These periods were calculated separately for monocrystalline and thin-film panel types. At the same time, for four different roof types associated with different panel types, the lowest amortization period of 7,6 years is achieved with the use of polycrystalline panels on two-sloped roof types, while the highest period of 12,6 years is achieved with the use of thin-film panels on flat horizontal roof types. Finally, in a study conducted for Şanlıurfa province based on an area of 1 km2, the total roof area was estimated to be 0.296 km2. Based on the estimated roof area value for this region, the annual PV energy production was calculated to be 60.13 GWh. It has been determined that in the region where the study was conducted, the amortization period for rooftop PV installations will decrease by 25% if energy users form a cooperative. As a result, this study offers an interactive user interface integrated with a deep learning model capable of high-accuracy roof PV area detection, enabling the assessment of sustainable PV energy potential at the city scale and facilitating economic analyses. This approach is a valuable tool for planning and decision support systems in the integration of renewable energy sources.
Benzer Tezler
- InSAR ve makine öğrenmesi yöntemleri kullanılarak yüzey hareketlerinin zaman serileri ile modellenmesi: İstanbul Havalimanı örneği
Time series modeling of surface movements using InSAR and machine learning methods: The case study of Istanbul Airport
NUR YAĞMUR
Doktora
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
PROF. DR. ERDAL ŞAFAK
- İklim değişikliğinde kentsel hasar görebilirlik: İstanbul- Bağcılar örneği
Urban damage vulnerability in climate change: İstanbul- Bağcılar
KÜBRA ALTINTAŞ
Yüksek Lisans
Türkçe
2025
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ CEYHAN KAHYA
- Savunma sistemlerinde tehdit unsurlarının yeni bir yapay zekâ yöntemiyle sınıflandırılması ve tespit edilmesi
Classification and detection of threat elements in defense systems using a novel artificial intelligence method
AHMET AYDIN
Doktora
Türkçe
2025
Savunma ve Savunma TeknolojileriMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ AVAROĞLU
- İstanbul Doğu Karadeniz kıyı alan kullanımlarındaki değişimin saptanması
Determining the change about the usages of coastal areas in Eastern Black Sea of Istanbul
ELİF AKYOL ŞATIROĞLU
Doktora
Türkçe
2012
Peyzaj Mimarlığıİstanbul Teknik ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
PROF. DR. AHMET CENGİZ YILDIZCI
- Nesne tabanlı sınıflandırma yöntemlerinin karşılaştırılması
Comparison of object based classification methods
TOLGA KAYNAK
Yüksek Lisans
Türkçe
2017
Jeodezi ve FotogrametriErciyes ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. COŞKUN ÖZKAN