Deep learning and remote sensing techniques for wildfire detectionusing uni-temporal sentinel-2 satellite imagery
Başlık çevirisi mevcut değil.
- Tez No: 795955
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMAD ILYAS
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
350 milyon yıldan fazla süren orman yangınları, gezegenin yüzeyinin ve ikliminin şekillenmesinde önemli bir rol oynadı. Küresel olarak, orman yangınları birçok ülkeyi tehdit ediyor ve can kaybı ve ekonomik giderler açısından daha yıkıcı oldu. Bu nedenle, orman yangınlarının zararlarını azaltmak için izlenmesi önemlidir. Ağustos 2021'de Türkiye'nin Akdeniz bölgesinde 200'den fazla orman yangını, Türkiye tarihinin en kötü orman yangını mevsimi olan toplam 1.700 kilometrekarelik bir alanı yaktı. Uzaktan Algılama (RS) tarafından toplanan veriler, orman yangınlarının boyutunu değerlendirmek için gerekli bilgileri sağlayabilir. Son yıllarda, Copernicus programının Sentinel-2 (S2) uyduları gibi orta-yüksek uzamsal çözünürlüğe sahip optik uydu verilerinin geniş kullanılabilirliği, orman yangınları hakkında daha fazla ayrıntıyı keşfetmeyi mümkün kıldı. Çoklu Spektral Enstrüman (MSI) sensörleri ve belirli spektral bantlara sahip S2 uyduları kullanılarak, bu ayrıntılı orman yangını haritaları, karar vermeye yardımcı olacak orman yangını haritalaması için Dünya Gözlem (EO) ürünlerini kullanan operasyonel servislere sağlanabilir. Son zamanlarda S2 uydu görüntüleri kullanılarak orman yangınlarını izlemek ve tespit etmek için çeşitli yöntemler geliştirilmiştir. Ancak, bu yöntemlerin çoğu kapsamlı bir ön işleme gerektirir ve diğer segmentasyon görevlerinde başarıyla kullanılan Derin Öğrenme (DL) modelleri henüz keşfedilmemiştir. Bu tez, orman yangını izleme ve algılamaya yönelik derin öğrenmeye dayalı modelleri uygulamak için tek zamanlı S2 görüntülerini kullanır. Spesifik olarak, derin öğrenme segmentasyon modellerine uygun yeni bir büyük veri seti oluşturulmuş ve optimum ağ performansı elde etmek için çeşitli testler gerçekleştirilmiştir. Bu tez, orman yangını alanlarını algılamak için derin öğrenme semantik segmentasyon modellerinin kullanımını sistematik olarak analiz eder ve beş mimarinin (U-Net, U-Net++, Dikkat ResU-Net, DeepLabv3+ ve LinkNet) ve dört kodlayıcının (ResNet-50) karşılaştırmalı bir analizini sağlar. , ResNet-101, ResNet-152 ve MobileNet) U-Net ve LinkNet için üç spektral bant kullanarak. U-Net'i bir ResNet50 kodlayıcı ile kullanmak en iyi sonuçları verir ve biz bunu S2 görüntülerindeki orman yangınını otomatik olarak izleyen ve algılayan bir Derin Öğrenme Paketi (DLPK) modeli olarak geliştirdik.
Özet (Çeviri)
Wildfires for more than 350 million years, played a significant role in shaping the planet's surface and climate. Globally, wildfires threaten several countries and have been more devastating in terms of lives lost and economic expenses. Hence, it is essential to monitor wildfires to reduce their damage. In the Mediterranean region of Turkey in August 2021, more than 200 forest fires burned a total area of 1,700 square kilometers, which was the worst wildfire season in Turkey's history. Data collected by Remote Sensing (RS) can provide the necessary information to evaluate wildfires' extent. In recent years, the Copernicus program's wide availability of optical satellite data with medium-high spatial resolution, such as Sentinel-2 (S2) satellites, has made it possible to discover more details about wildfires. Using S2 satellites with Multi Spectral Instrument (MSI) sensors and specific spectral bands, these detailed wildfire maps could be provided to operational services using Earth Observation (EO) products for wildfire mapping to help decision-making. Recently, using S2 satellite images, various methods have been developed to monitor and detect wildfires. However, most of these methods need extensive pre-processing, and Deep Learning (DL) models widely, which have been used successfully in other segmentation tasks, have not been explored. This thesis uses uni-temporal S2 images to implement models based on deep learning for wildfire monitoring and detection. Specifically, a new big dataset has been created suitable for deep learning segmentation models, and several tests were performed to achieve optimal network performance. This thesis systematically analyses the use of deep learning semantic segmentation models to detect wildfire areas and provides a comparative analysis of five architectures (U-Net, U-Net++, Attention ResU-Net, DeepLabv3+, and LinkNet) and four encoders (ResNet-50, ResNet-101, ResNet-152, and MobileNet) for U-Net and LinkNet, using three spectral bands. Using U-Net with a ResNet50 encoder achieves the best results, and we developed it into a Deep Learning Package (DLPK) model that automatically monitors and detects the wildfire in S2 imagery.
Benzer Tezler
- Uzaktan algılama amaçlı uyduların haberleşmesinde hüzme şekillendirme ve derin öğrenme tekniklerinin kullanımı
Beamforming and deep learning techniques for communication in remote sensing satellites
ÜMİT GÜLER
Doktora
Türkçe
2025
Bilim ve TeknolojiEskişehir Teknik ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. TANSU FİLİK
PROF. DR. ALPER ÇABUK
- Uzaktan algılama ve derin öğrenme teknikleri ile kentsel büyüme tahmini
Urban growth prediction using remote sensing and deep learning techniques
SAİD ABDURRAHMAN KOYUNOĞLU
Yüksek Lisans
Türkçe
2025
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. SEHER BAŞLIK
- Su kalitesi parametrelerinin uzaktan algılama ve derin öğrenme teknikleriyle modellenmesi
Modelling of water quality parameters with remote sensing and deep learning techniques
OSMAN KARAKOÇ
Doktora
Türkçe
2026
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY BUĞDAYCI
- Deep learning applied to remote sensing image sequence analysis
Uzaktan algılanmış görüntü dizgilerinin derin öğrenme ile çözümlenmesi
MELİKE İLTERALP
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERCHAN APTOULA
- Uydu verileri temelli derin öğrenme ve açıklanabilir makine öğrenmesi teknikleri kullanılarak Sakarya ili fındık alanlarının mekansal dağılımının belirlenmesi
Determining the spatial distribution of hazelnut areas in Sakarya province using satellite data-based deep learning and explainable machine learning techniques
GAFUR SEMİ ŞENGÜL
Yüksek Lisans
Türkçe
2026
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
PROF. DR. BEYZA USTAOĞLU