Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: BERFİN PELİN CANBOLAT
Danışman: Alper Şen
Özet:
Arazi kullanımının doğru ve verimli şekilde belirlenmesi, sürdürülebilir kalkınma ve planlama süreçleri için kritik bir öneme sahiptir. Özellikle, tarım, yerleşim, sanayi ve ulaşım gibi alanlarda yapılan planlamalar, doğal kaynakların etkin kullanımı ve çevresel sürdürülebilirlik açısından büyük bir rol oynamaktadır. Ortofoto, hava veya uzaktan algılama yöntemleriyle elde edilen görüntülerin coğrafi olarak düzeltilmiş ve coğrafi bilgi sistemlerine uygun hale getirilmiş versiyonudur. Bu görüntüler, arazi kullanımını analiz etme ve değerlendirme süreçlerinde kritik bir araç olarak kullanılmaktadır. Derin öğrenme, makine öğrenmesinin alt dalı olarak, yapay sinir ağlarını kullanarak daha karmaşık ve soyut temsil seviyelerine ulaşmayı hedefler. Karmaşık veri setleri üzerinde etkili ve doğru sınıflandırma yapar. Ancak çok sayıda etiketli veri gereksinimi ve yüksek hesaplama maliyeti dikkate alınmalıdır. xiii Bu çalışmada, Kırklareli’nin Kaynarca ilçesinde insansız hava aracı kullanılarak yapılan uçuş ile elde edilen hava fotoğrafları Pix4D yazılımı ile değerlendirilerek üretilen ortofoto veri seti kullanılmıştır. Görüntüler, veri ön işleme sürecinde alt görüntülere ayrılmıştır. Bu veriler, bina, yol, bitki örtüsü ve arka plan olmak üzere dört ana sınıfa ayrılarak etiketlenmiş ve sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işlemi için DeepLabv3+, UNet++, SegFormer-MixVTB3 ve Attention UNet algoritmaları kullanılmıştır. Bu algoritmalar belirli bir sınıflandırma amacı için tasarlanmış olup, çeşitli veri setlerinde farklı performans seviyeleri göstermektedir. Eğitilen model, eğitim setinde olmayan Afyonkarahisar’ın Davulga ilçesi ortofotosu üzerinde test edilmiştir. Ortofoto görüntülerin arazi kullanımı amacıyla sınıflandırılmasında DeepLabv3+ ve SegFormer-MixVTB3 algoritmalarının performansı, diğer yöntemlere göre daha iyi sonuçlar elde etmiştir. Böylece, arazi örtüsü sınıflarının derin öğrenme yöntemleri kullanılarak oluşturulması ile arazi kullanım haritalarına altlık sağlanmıştır. Bu bulgular, derin öğrenme yöntemlerinin arazi örtüsü sınıflandırmasına etkin bir şekilde uygulanabileceğini ve gelecekteki araştırmalarda daha geniş veri setleri ile daha iyi sonuçlar elde edilebileceğini göstermektedir.