Çok zamanlı sentinel-2 görüntüleri kullanılarak genelleştirilebilir toplu derin öğrenme modellerinin geliştirilmesi: Kavak plantasyon alanlarının haritalanması örneği
Development of generalizable ensemble deep learning models using multi-temporal sentinel-2 images: A case study on mapping of poplar plantation areas
- Tez No: 1017532
- Danışmanlar: DOÇ. DR. İSMAİL ÇÖLKESEN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Arazi sınıflandırması, Hibrit model, Uzaktan algılama, Land classification, Hybrid model, Remote sensing
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kavak, hızlı büyümesi, melezlenme kapasitesi ve farklı çevresel koşullara uyumu sayesinde endüstriyel ormancılık faaliyetlerinde önemli türler arasında yer almaktadır. Bu nedenle, kavak plantasyonlarının mekânsal dağılımının haritalanması ve zamansal değişimlerinin izlenmesi, sürdürülebilir kaynak yönetimi ve ulusal kavak envanterlerinin güncelliği açısından önem taşımaktadır. Son yıllarda, farklı derin öğrenme mimarilerine ait tahminlerin bir araya getirilmesiyle oluşturulan toplu derin öğrenme yaklaşımları, özellikle geniş ölçekli ve çok zamanlı verilerin sınıflandırılmasında sağladıkları yüksek doğruluk ve güçlü genelleme yetenekleri sayesinde, başta uzaktan algılama ve ormancılık olmak üzere birçok alanda artan ilgi görmektedir. Tez kapsamında, çok zamanlı Sentinel-2 görüntüleri kullanılarak kavak plantasyon alanlarının haritalanması için piksel ve semantik segmentasyon tabanlı modellerin farklı stratejilerle entegrasyonuna dayalı toplu derin öğrenme modelleri geliştirilmiştir. Akyazı çalışma alanında 2021 ve 2023 yılları arasında, kavakların fenolojik büyüme dönemine (Mayıs–Ağustos) ait Sentinel-2 görüntülerinden oluşturulan eğitim veri setleri ile eğitilen modeller, ilk olarak 2024 tarihli Akyazı verileri üzerinde test edilmiş, daha sonra, Düzce, Terme ve Azizler bölgelerindeki test alanlarına uygulanarak mekânsal genelleme performansları değerlendirilmiştir. Piksel tabanlı modeller arasında, çok kanallı yapıya sahip Derin Öğrenme Modeli-4 (DÖ-4), tüm doğruluk metriklerinde en yüksek ve tutarlı performansı sağlamıştır. Mekânsal ve zamansal genelleme sonuçları, DÖ-4 modelinin en yüksek F-skor değerlerine Ağustos tarihli veri setlerinde ulaştığını göstermiştir (Akyazı ≈%94.5, Azizler ≈%96 ve diğer test alanları ≈%97). Semantik segmentasyon modellerinin bireysel performans karşılaştırmaları, SwinD-Net ve Poplar-Net modellerinin farklı test alanları için %2–7 aralığında daha yüksek IoU değerleri üreterek geleneksel modellere üstünlük sağladığını ortaya koymuştur. Toplu öğrenme modellerine ilişkin analizler ise en yüksek doğrulukların tüm model kombinasyonlarının entegrasyonu yerine sınırlı sayıda model çıktısının birleştirilmesiyle elde edildiğini göstermiştir. Bireysel ve toplu derin öğrenme yaklaşımlarına ait karşılaştırmalar, toplu öğrenme yaklaşımlarının en başarılı bireysel modele göre %1'in altında sınırlı bir doğruluk artışı sağlamışlardır. En yüksek doğruluklar ise veri ve model çeşitliliğinin birlikte sağlandığı heterojen yapılı toplu öğrenme modelleri kullanılarak (Yöntem-C) elde edilmiştir. Piksel ve semantik segmentasyon modelleri bir arada değerlendirildiğinde, DÖ-4 modeli, Akyazı bölgesinde semantik segmentasyon tabanlı modellere kıyasla yaklaşık %2 daha düşük genel doğruluk değeri üretmiş, buna karşın farklı test alanlarında ise oldukça benzer genelleme performansı sunmuştur. Bu sonuçlar, sınıflandırma yaklaşımı ve model eğitim stratejisinin yalnızca eğitim sahasındaki doğruluğu üzerinde değil, modelin mekânsal genelleme potansiyeli üzerinde de etkili olduğunu göstermiştir. Diğer yandan, toplu derin öğrenme modelleri doğruluk değerlerinde sınırlı artışlar sağlarken, DÖ-4 ve Poplar-Net gibi gelişmiş bireysel modellerin benzer ya da daha yüksek performans sunduğu görülmüştür. Bu durum, eğitim süresi ve donanım gereksinimleri dikkate alındığında, gelişmiş mimarili tekil modellerin daha uygulanabilir bir alternatif olduğunu göstermektedir. Ayrıca, DÖ-4 ve Poplar-Net modelleri Fransa'daki bağımsız test alanlarında başarılı sonuçlar üreterek geniş ölçekli kavak haritalama çalışmaları için güçlü genelleme yeteneklerini ortaya koymuşlardır. Son olarak, tematik kavak haritalama sürecinin sürdürülebilir ve operasyonel biçimde yürütülebilmesi amacıyla, tez kapsamında geliştirilen modellerin entegre edildiği PoplaR-TM arayüzü tasarlanmıştır.
Özet (Çeviri)
Poplar is among the important species in industrial forestry due to its rapid growth, hybridization capacity, and adaptability to diverse environmental conditions. The mapping of the spatial distribution of poplar plantations and the analysis of their temporal changes are essential for ensuring sustainable resource management and maintaining up-to-date national poplar inventories. Recently, ensemble deep learning approaches, developed by combining the predictions of different deep learning architectures, have attracted increasing attention across various fields, particularly in remote sensing and forestry, due to their high accuracy and strong generalization capabilities in classifying large-scale and multi-temporal data. Within the scope of this thesis, ensemble deep learning models were developed for mapping poplar plantation areas using multi-temporal Sentinel-2 imagery, through the integration of pixel- and semantic segmentation-based models under different strategies. A local-to-global mapping approach was adopted for model development and evaluating their generalization potential. In this context, models were trained using multi-temporal Sentinel-2 imagery acquired from the Akyazi region between 2021 and 2023 during the phenological poplar growth period (1 May–31 August). The temporal generalization of these models was first evaluated using three independent datasets obtained in Akyazi in 2024. Then, they were applied to different test areas in Düzce, Terme, and Azizler to assess their spatial generalization performance. Among the pixel-based models, Deep Learning Model-4 (DL-4), integrating CNN–LSTM architectures through multi-channel feature extraction, achieved the highest and most consistent performance across all accuracy metrics. Spatial and temporal generalization results indicated that DL-4 yielded the highest F-score values on the considered datasets acquired in August (≈94.5% for Akyazi, ≈96% for Azizler, and ≈97% for the other test areas). Comparative analysis of individual semantic segmentation models revealed that the transformer-based SwinD-Net and Poplar-Net models outperformed traditional models, producing 2–7% higher IoU values across different test areas. On the other hand, the best accuracy values were received by combining a limited number of model predictions rather than integrating all model outputs. The evaluation of results from individual and ensemble deep learning models demonstrated that ensemble approaches provided limited accuracy improvements, remaining below 1% compared to the best-performing individual model. The most robust generalization performance was achieved using ensemble models with heterogeneous structure (Method-C), incorporating both dataset and model diversity. Based on comparisons of pixel-based and semantic segmentation models developed using a local-to-global training approach, DL-4 produced approximately 2% lower overall accuracy values in the training area (Akyazi), whereas it exhibited comparable spatial generalization performance to advanced models. These findings indicated that the classification approach and training strategy influence not only training accuracy but also the model's spatial generalization capacity. On the other hand, although ensemble deep learning models yielded limited improvements in accuracy, individual models with more advanced architectures, such as DL-4 and Poplar-Net, provided comparable and, in some cases, superior performance. Therefore, considering computational cost, training time, and hardware requirements, single-model designs with deeper architectures represent a more efficient and practical alternative for real-world applications. Additionally, visual analyses indicated that the models accurately detected mature poplar trees, while most classification errors occurred along parcel boundaries, within agroforestry and young poplar plantation areas. Furthermore, DL4 and Poplar-Net models were successfully applied to different test areas in France, confirming their strong generalization capabilities and demonstrating their potential for large-scale poplar mapping across diverse geographic regions. Finally, to ensure the sustainable and operational execution of the thematic poplar mapping process, the PoplaR-TM interface, integrating the models developed within the scope of this thesis, was designed.
Benzer Tezler
- Tarımsal yaz ürünlerin sentinel-2 uydu görüntülerinden rastgele orman algoritması ile nesne-tabanlı sınıflandırılması
Object-based classification of summer crops from sentinel-2 satellite images using random forest algorithm
MESUT YILMAZ
Yüksek Lisans
Türkçe
2018
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TÜRKER
- Uzaktan algılama verilerinden su kalitesi parametrelerinin tespit edilmesi
Detection of water quality parameters from remote sensing data
ERSAN BATUR
Doktora
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MİTHAT DERYA MAKTAV
- Optik ve radar uydu görüntüleri kullanılarak zeytinin farklı fenolojik dönemlerindeki özelliklerinin araştırılması
Properties determination of olive at different phenological periods by using optical and radar satellite images
MEHMET CENGİZ ARSLANOĞLU
Doktora
Türkçe
2019
ZiraatTekirdağ Namık Kemal ÜniversitesiBiyosistem Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK ALBUT
- Çok bantlı uydu görüntüleri kullanılarak buğday bitkisinin incelenmesi – Ceylanpınar TİGEM örneği
Examination of wheat by using multispectral satellite data –example of Ceylanpinar TIGEM
YUNUS KAYA
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriHarran ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİZAR POLAT
- Assessment of water quality and aquatic diversity of an open-pit gold mine area using random forest algorithm with Google Earth engine
Google Earth engine ile rastgele orman algoritması kullanılarak açık ocak altın madeni su kalitesi ve sucul canlılık çeşitliliğinin değerlendirilmesi
ŞENER ALKAN
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN