Yangın sonrası planetscope görüntülerini kullanarak yanmış orman alanların derin öğrenme-tabanlı segmentasyonu
Deep learning-based segmentation of forest burned areas using post-fire planetscope images
- Tez No: 952590
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilim ve Teknoloji, Engineering Sciences, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fotogrametri Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, yüksek uzamsal çözünürlük (3 metre) ve günlük zamansal kapsama alanı sunan, yalnızca yangın sonrası PlanetScope görüntülerini kullanarak yanmış orman alanlarının anlamsal segmentasyonu için derin öğrenme tabanlı bir çerçeve sunmaktadır. Araştırmanın önemli bir yeniliği, farklı ekolojik koşullara etkili adaptasyon sağlamak için bir transfer öğrenme çerçevesi içinde üç gelişmiş evrişimli sinir ağı mimarisinin-U-Net, DeepLabV3+ ve Tam Evrişimli Ağ (FCN)- uygulanmasında yatmaktadır. Metodoloji, Türkiye'de yangından etkilenen coğrafi ve ekolojik olarak farklı üç bölgede doğrulanmıştır: Manavgat (MG), Bodrum (BD) ve Çanakkale (CK), her biri farklı bitki örtüsü türleri, arazi örtüsü modelleri ve yangın yoğunlukları ile karakterize edilmektedir. Deneysel sonuçlar, DeepLabV3+'ın BD ve CK bölgelerinde sırasıyla %79 ve %85 F1 skorları ile en iyi genel performansı elde ettiğini göstermiştir. U-Net, MG bölgesinde yanmış alanlar için %94 F1 skoru ve %95 hassasiyet ile diğerlerinden daha iyi performans göstermiştir. FCN, MG'deki yanmış alanlar için yüksek geri çağırma oranı göstermiş (%96), ancak özellikle BD ve CK'de yanmamış bölgeleri ayırt etmekte zorlanmıştır. Modeller 4.100'den fazla görüntü yaması kullanılarak eğitilmiş ve değerlendirilmiş, transfer öğrenimi bölgeler arasında tutarlı genelleme yapılmasını sağlamıştır. Çalışmanın özgünlüğü yangın sonrası yüksek çözünürlüklü PlanetScope görüntülerinin özel olarak kullanılmasından, ekolojik olarak farklı yangın bölgelerinde üç anlamsal segmentasyon modelinin karşılaştırmalı olarak değerlendirilmesinden ve veri kıtlığı olan afet sonrası senaryolarda model genelleştirilebilirliğini artırmak için transfer öğrenmenin dahil edilmesinden kaynaklanmaktadır. Bulgular, DeepLabV3+'ın operasyonel yanmış alan tespiti için sağlam ve aktarılabilir bir model olarak potansiyelini vurgulamakta ve Akdeniz orman ekosistemlerinde yangın sonrası hasar değerlendirmesini ve ekolojik izlemeyi zamanında desteklemektedir.
Özet (Çeviri)
This study presents a deep learning-based framework for the semantic segmentation of burned forest areas using exclusively post-fire PlanetScope imagery, which offers high spatial resolution (3 meters) and daily temporal coverage. A key novelty of the research lies in its application of three advanced convolutional neural network architectures—U- Net, DeepLabV3+, and Fully Convolutional Network (FCN)—within a transfer learning framework to enable effective adaptation to diverse ecological conditions. The methodology was validated across three geographically and ecologically distinct fire- affected regions in Türkiye: Manavgat (MG), Bodrum (BD), and Çanakkale (CK), each characterized by different vegetation types, land cover patterns, and fire intensities. Experimental results showed that DeepLabV3+ achieved the best overall performance in BD and CK regions, with F1-scores of 79% and 85%, respectively. U-Net outperformed others in the MG region with a 94% F1-score and 95% precision for burned areas. FCN showed high recall for burned areas in MG (96%) but struggled in distinguishing unburned zones, particularly in BD and CK. The models were trained and evaluated using over 4,100 image patches, with transfer learning enabling consistent generalization across regions. The study's originality stems from (i) the exclusive use of post-fire high-resolution PlanetScope imagery, (ii) the comparative evaluation of three semantic segmentation models across ecologically diverse fire regions, and (iii) the incorporation of transfer learning to enhance model generalizability in data-scarce post-disaster scenarios. Findings highlight the potential of DeepLabV3+ as a robust and transferable model for operational burned area detection, supporting timely post-fire damage assessment and ecological monitoring in Mediterranean forest ecosystems.
Benzer Tezler
- Orman yangını kaynaklı değişimlerin farklı çözünürlükteki uydu görüntüleri kullanılarak tespit edilmesi: Antalya Kumluca örneği
Detecting changes due to forest fire by using satellite images with different resolution: The example of Antalya, Kumluca
AYBEN BALSAK
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriAkdeniz ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. BEKİR TANER SAN
- Türkiye'de okul öncesi eğitim programlarının (1952-2024) afet dirençliliği bakımından incelenmesi, oyun tabanlı afet farkındalık etkinlikleri
Analysis of preschool education programs in Türkiye (1952-2024) in terms of disaster resilience, play-based disaster awareness
ESEN AYANOĞLU
Yüksek Lisans
Türkçe
2025
Kamu Yönetimiİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NİLGÜN OKAY
- Uluslararası hukukta iklim değişikliğinin denizler üzerindeki etkileri
The effects of climate change on the seas in international law
UĞUR KAYNAKÇIOĞLU
- Robotic fish for monitoring water pollution
Su kirliliğini denetlemek için robotik balık
MOHAMMED JAVED ANSARI
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN