PS-InSAR ve derin öğrenme ile yerkabuğu hareketlerinin kestirimi
Prediction of crustal movements with PS-InSAR and deep learning
- Tez No: 956004
- Danışmanlar: PROF. DR. MURAT UYSAL
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Afyonkarahisar-Bolvadin, Derin öğrenme, Sayısal uydu verileri, Uzaktan algılama, Yer hareketleri, Afyonkarahisar-Bolvadin, Deep learning, Digital satellite data, Remote sensing, Ground motions
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yerkabuğu hareketleri, özellikle antropojenik etkilerle artan bir problem olup, sürdürülebilir kaynak yönetimi ve afet risk azaltımı için bu hareketlerin izlenmesi ve gelecekteki davranışlarının tahminlenmesi kritik öneme sahiptir. Bu doktora tezi, Afyonkarahisar-Bolvadin'deki yerkabuğu hareketlerinin uzun dönemli analizini ve geleceğe yönelik tahminlerini, PS-InSAR ve derin öğrenme tekniklerini entegre ederek gerçekleştirmeyi amaçlamıştır. Çalışmada, 2015-2024 arasını kapsayan 240 adet Sentinel-1A SAR görüntüsü PS-InSAR tekniğiyle işlenerek yıllık LOS hareket hızı zaman serileri üretilmiştir. Analizler, bölgede +1 ila -14 mm/yıl arasında değişen, genel olarak çökme yönlü ve özellikle yeraltı suyu çekiminin yoğun olduğu güneybatı kesimlerde yoğunlaşan hareketler tespit etmiştir. Bu zaman serileri; LSTM, GRU, TCN, CNN ve Transformer derin öğrenme modelleriyle, Yinelemeli Çok Adımlı Tahmin (RMF) stratejisi kullanılarak 2025-2026 yılları için modellenmiştir. Bulgular, tüm modellerin tek adımlı tahminlerde yüksek başarı (R² > 0.92) gösterdiğini, CNN mimarisinin ise en iyi performansı sergilediğini ortaya koymuştur. RMF projeksiyonları, çökme eğiliminin devam edeceğini öngörmüş, CNN ve LSTM modelleri çok adımlı tahminlerde daha stabil bulunmuştur. Bu çalışma, PS-InSAR ve derin öğrenme entegrasyonunun yüzey hareketlerinin izlenmesi ve anlamlı gelecek tahminleri için potansiyelini göstermiş olup, bölgesel planlama ve yönetim stratejilerine bilimsel bir zemin sunmaktadır. Yardımcı parametrelerin dahil edilmesi ve yer bazlı doğrulama gelecek çalışmalar için önerilmektedir.
Özet (Çeviri)
Crustal movements, which are an increasing problem especially due to anthropogenic effects such as excessive groundwater use, are critically important to monitor and predict for sustainable resource management and disaster risk reduction. This doctoral thesis aimed to perform a long-term analysis of crustal movements in Afyonkarahisar-Bolvadin and their future prediction by integrating PS-InSAR and deep learning techniques. In this study, 240 Sentinel-1A SAR images covering the period 2015-2024 were processed using the PS-InSAR technique to produce annual LOS movement velocity time series. Analyses revealed subsidence-dominated movements in the region, ranging from +1 to -14 mm/year, particularly concentrated in the southwestern parts where groundwater extraction is intensive. These time series were modeled for the years 2025-2026 using LSTM, GRU, TCN, CNN, and Transformer deep learning models with a Recursive Multi-step Forecasting (RMF) strategy. The findings showed that all models exhibited high success (R² > 0.92) in single-step predictions, with the CNN architecture demonstrating the best performance. RMF projections predicted the continuation of the subsidence trend, and CNN and LSTM models were found to be more stable in multi-step predictions. This study has demonstrated the potential of PS-InSAR and deep learning integration for monitoring surface movements and making meaningful future predictions, providing a scientific basis for regional planning and management strategies. The inclusion of auxiliary parameters and ground-based validation are recommended for future studies.
Benzer Tezler
- Model-based aı accelerator design on FPGA with in-depth evaluation of design parameters
FPGA'de model tabanli yapay zeka hizlandirici tasarimi ve tasarim parametrelerinin derinliğine değerlendirilmesi
GÖZDE ÖZDİL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. SIDDIKA BERNA ÖRS YALÇIN
- Derin öğrenme tabanlı yaklaşımlarla mikroskop görüntülerinden plastik türlerinin sınıflandırılması
Classification of plastic types from microscope images using deep learning-based approaches
ADEM DELİASLAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ULAŞ YURTSEVER
- Keyframe demonstration seeded and Bayesian optimized policy search
Anahtar nokta gösterimlerinden desteklenerek başlatılmış ve Bayessel optimize edilmiş politika öğrenimi
ONUR BERK TÖRE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ AKGÜN
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Direkt radyografilerde derin öğrenme tabanlı nesne tanıma algoritması ile otomatik fraktür tespiti
Automatic fracture detection with deep learning based object detection algorithm in direct radiography
GÜL GİZEM PAMUK
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET TAN CİMİLLİ