Landsat-8 uydu görüntülerinden derin öğrenme algoritmaları kullanarak kıyı çizgisi çıkarımı
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: FIRAT ERDEM
Danışman: Bülent Bayram
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kıyı çizgileri; küresel ısınma gibi doğal etkiler, şehirleşmenin getirdiği nüfus artışı ve insan kaynaklı oluşan çevre kirliliği etkilerinden dolayı sürekli değişim halindedir. Bu değişimin zamansal olarak izlenmesi; kıyı kaynaklarının yönetimi, kıyı alanlarındaki çevrenin korunması ve sürdürülebilir kıyı planlaması için kritik bir öneme sahiptir. Optik uydu görüntülerinin kullanılmasıyla kıyı alanlarına ait güncel, doğru, zamansal ve güvenilir bilgiler elde edilebilmektedir. Makine öğrenmesi tabanlı Derin Öğrenme algoritmaları uydu görüntülerinden otomatik kıyı çizgisi çıkarımında kullanılabilmektedir. Sunulan tezde, LANDSAT-8 uydu görüntülerinden kıyı çizgisi çıkarımı için bir semantik bölütleme algoritması olan SegNet derin öğrenme mimarisi kullanılmıştır. SegNet mimarisi; kodlayıcı, kod çözücü ve sınıflandırma katmanlarını içermektedir. Kodlayıcı katmanlarda üretilen düşük çözünürlüklü özellik haritalarının, kod çözücü katmanlarda girdi görüntü ile aynı çözünürlüğe eşlenmesi prensibi benimsenmiştir. Çalışmada, 34 LANDSAT-8 görüntüsünün mavi, kırmızı ve yakın kızılötesi bantları kullanılmıştır. Kullanılan görüntülerin 29 tanesi SegNet Derin Öğrenme Ağı'nın eğitimi için ve 5 tanesi sonuçların test edilmesi için kullanılmıştır. Eğitim veri seti için etiket oluşturmak amacıyla LANDSAT-8 görüntülerinin NDWI (Normalleştirilmiş Fark Su İndeksi - Normalized Difference Water Index) görüntüleri oluşturulmuştur. NDWI görüntülerine eşik değer uygulanarak ikili görüntüler oluşturulmuş ve etiketler belirlenmiştir. Bu işlemin ardından 4880 adet görüntü parçasından oluşan eğitim veri seti hazırlanmıştır. MATLAB platformunda VGG16 ve VGG19 mimarilerini temel alan iki farklı SegNet derin öğrenme ağı oluşturulmuş ve hazırlanmış olan eğitim seti ile eğitim işlemi gerçekleştirilmiştir. SegNet derin öğrenme ağları kullanılarak, 5 adet test görüntüsünden su ve kara sınıfları ikili biçimde elde edilmiştir. İkili görüntüler vektör formata dönüştürülerek kıyı çizgileri elde edilmiştir. Kıyı çizgilerinin doğruluklarını analiz etmek için elle sayısallaştırılan kıyı çizgileri kullanılmıştır. Doğruluk analizi için elle sayısallaştırılan kıyı çizgileri referans veri olarak kullanılmıştır. Çalışmanın sonucunda her bir test görüntüsünde SegNet-VGG19 mimarisi için sırasıyla 13.38 m (0.45 piksel), 16.16 m (0.54 piksel), 20.32 m (0.68 piksel), 9.99 m (0.33 piksel) ve 12.63 m (0.42 piksel) ortalama hata hesaplanmıştır. SegNet-VGG16 ağı için ortalama hatalar sırasıyla 9.78 m (0.33 piksel), 25.67 m (0.86 piksel), 17.07 m (0.57 piksel), 11.11 m (0.37 piksel) ve 10.69 m (0.36 piksel) olarak hesaplanmıştır. Elde edilen sonuçlar, derin öğrenmenin ve SegNet semantik bölütleme mimarisinin kıyı çizgisi çıkarımında verimli bir şekilde kullanılabileceğini göstermektedir.