Hava lidar verilerinin yapa zeka yöntemleri kullanılarak sınıflandırılması ve filtrelenmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, İnşaat Fakültesi, Harita Mühendisliği, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: Burcu Bayaslı
Danışman: Alper Şen
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hava Lidar (Light Detection and Ranging) sistemleri ile üretilen mekânsal veriler, yüksek doğruluklu, hızlı ve az maliyetli olarak elde edilmektedir. Ancak verilerin nesne çıkarımı amacıyla elle işlenmesi, yoğun emek ve zaman gerektiren bir işlemdir. Bu süreci otomatik bir hale dönüştürmek amacıyla, denetimli/denetimsiz sınıflandırma yöntemleri kullanılabilmektedir. Lidar verilerinin, zemine ait ve zemine ait olmayan veriler olarak ayrılmasına filtreleme denir. Lidar verileri kullanılarak Sayısal Yükseklik Modeli oluşturulmasında filtreleme işlemi büyük önem arz etmektedir. Ayrık dönüşlü Lidar verisinin kullanıldığı bu çalışma, Bergama ilçesine ait iki farklı alanda yürütülmüştür. Lidar nokta bulutu, denetimsiz bir yapay sinir ağı yöntemi olan Kendini Düzenleyen Haritalar (KDH), denetimli bir makine öğrenmesi yöntemi olan Rastgele Orman Algoritması ve denetimli bir yapay sinir ağı yöntemi olan Derin Öğrenme ile hem sınıflandırılmış hem de filtrelenmiştir, ardından da yöntemler her iki çalışma alanı için de kıyaslanmıştır. Referans veri olarak tüm noktalar uydu görüntüleri ve sokak görüntüleri yardımıyla manuel olarak sınıflandırılmıştır. Bu, hem sınıflandırma doğruluğunu kontrol etmek için hem de rastgele orman algoritması ve derin öğrenmede eğitim ve test verisinin etiketleri için kullanılmıştır. KDH uygulamasında eğitim ve test olarak veri seti ayrılmadan tüm noktalar sınıf etiketsiz olarak kümelenmişlerdir. Bu nedenle KDH uygulamasında tüm noktalar için bir sınıf ataması ve doğruluk analizi söz konusu iken, rastgele orman ve derin öğrenmede yalnızca test alanlarının sınıf ataması değerlendirilmeye alınmıştır. Genel filtreleme sonuçları en iyi derin öğrenme ile alınmıştır. Filtreleme doğrulukları birinci çalışma alanı için %91.79 ve ikinci çalışma alanı için %95.82 olarak hesaplanmıştır. Genel sınıflandırma doğruluğunda ise en iyi sonuçlar derin öğrenmeyle alınsa da nesnelerin kendi içerisindeki sınıflandırma doğruluğu yöntemden yönteme değişiklikler göstermiştir. Derin öğrenmeyle genel sınıflandırma doğrulukları birinci çalışma alanı için %87.96 ve ikinci çalışma alanı için %91.71 olarak hesaplanmıştır. KDH ve rastgele orman algoritması için her iki çalışma alanında sınıflandırma ve filtreleme doğrulukları ise %80-%90 arasında değişmektedir