Uydu görüntüleri ile yapay zekâ destekli olarak tarımsal ürünlerin sınıflandırılması
Artificial intelligence-assisted classification of agricultural products using satellite images
- Tez No: 972954
- Danışmanlar: DOÇ. DR. ALİ FURKAN KAMANLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akıllı tarım, Görüntü sınıflandırma, Uzaktan algılama, Ürün sınıflandırma, Smart agriculture, Image classification, Remote sensing, Product classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, uydu görüntüleri ve derin öğrenme teknikleri kullanılarak oluşturulan bir mahsul sınıflandırma yönteminin Sakarya ili Akyazı ilçesinde yer alan tarım alanlarında incelenmesini anlatmaktadır. Çalışmada Sentinel-2 uydusuna ait çoklu spektral görüntüler kullanılmış ve segmentasyon mimarisi olan ResUNet++ kullanılarak semantik segmentasyon yöntemi ile işlenmiştir. Böylelikle bölgenin baskın ürünleri olan fındık, mısır ve kavak gibi mahsul sınıfları görüntüler üzerinde piksel düzeyinde sınıflandırılmış ve görüntülerin jeokonumsal etiketleri yardımıyla mekânsal olarak ayrıştırılmıştır. Bölgedeki tarım alanlarının kullanılma ve mahsul bulunma oranı açısından incelenebilmesi için semantik segmentasyon yapısından faydalanılmış ve alanların uzaktan anlamlandırılması sağlanabilmiştir. Veri seti oluşturma sürecinde Microsoft Planetary Computer platformu üzerinden 2024 yılı Eylül ayına ait 10 metre/piksel çözünürlüğe sahip Sentinel-2 görüntüleri elde edilmiş, Akyazı bölgesinde belirlenen parsel sınırları ile eşleştirilerek eğitim maskeleri hazırlanmıştır. Elde edilen veri seti ön işleme aşamalarından geçirilmiş ve sınıf indekslerine göre dengeli dağılacak şekilde %80 eğitim, %10 test ve %10 validasyon olarak bölünmüştür. Modelin genelleme yeteneğini artırmak için veri artırma işlemleri uygulanmıştır. 128 × 128 boyutunda veriler ile gerçekleştirilen eğitimde, model performansını değerlendirmek amacıyla mIoU metriği tercih edilmiş ve yapılan deneylerde 0,37 mIoU değeri elde edilmiştir. Sonraki aşamada, görüntü uzamsal çözünürlüğünün model başarımına etkisi incelenmesi amacıyla, çözünürlüğü artırılan 2.5 metre/piksellik Akyazı veri seti versiyonu ile tekrarlanan süreçte 0,38 mIoU değerine ulaşılmıştır. Her iki aşamada da sınıf bazında değerlendirme yapılmış, her bir sınıf için edinilen ortalama mIoU değerleri listelenmiştir. Elde edilen sonuçlar, incelenen model yapısının Sentinel-2 uydu görüntüleri üzerinde mahsul sınıflarının segmentasyonu ve görüntülerin uzaktan anlamlandırılması açısından başarılı olduğunu göstermektedir. Ek olarak, oluşturulan yüksek çözünürlüklü görüntülerin modelin sınıflandırma başarımını olumlu yönde etkilediği gözlemlenmiştir. Veri setindeki tarım alanlarında yaşanan etiketleme eksiklikleri, modelin performansını kısıtlayan önemli bir etken olarak değerlendirilmiştir. Akyazı ilçesine özgü veri seti oluşturulmasıyla yapay zekâ tabanlı mahsul sınıflandırma yöntemlerinin bölgesel tarım için uygulanabilirliğini ortaya koymaktadır. Çalışma bulguları geniş ölçekli tarım arazilerinin hızlı, düşük maliyetli ve sürekli olarak izlenmesinin mümkün olduğunu, veri kısıtının giderilmesi halinde yöntemin daha yüksek doğruluk değerlerine ulaşabileceğini göstermektedir. Çalışmanın, tarım uygulamalarına ve analizlerine katkı sağlayabilecek ve gelecek çalışmalara fikir verecek bir alternatif olması amaçlanmaktadır.
Özet (Çeviri)
This thesis study examines a crop classification method developed using satellite imagery and deep learning techniques, applied to agricultural lands located in Akyazı district of Sakarya province. In the study, multispectral images obtained from the Sentinel-2 satellite were used, and semantic segmentation was performed through the ResUNet++ architecture. Thus, dominant crop classes in the region—such as hazelnut, maize, and poplar—were classified at the pixel level and spatially separated using the geospatial labels of the images. Semantic segmentation enabled the examination of the utilization rates of agricultural lands and crop presence in the region, allowing the remote interpretation of these areas. During the dataset creation process, Sentinel-2 images with a spatial resolution of 10 meters per pixel, acquired in September 2024 via the Microsoft Planetary Computer platform, were collected and matched with the parcel boundaries identified in the Akyazı region to prepare training masks. The resulting dataset was preprocessed and split into 80% training, 10% testing, and 10% validation subsets, ensuring balanced distribution across class indices. To enhance the generalization capability of the model, data augmentation techniques were applied. Training was carried out with image tiles sized 128 × 128 pixels, and the mean Intersection over Union (mIoU) metric was employed to evaluate model performance. Experimental results yielded an mIoU score of 0.37. In a subsequent stage, the effect of spatial resolution on model performance was examined by repeating the process with an enhanced version of the Akyazı dataset at 2.5 meters per pixel, where an improved mIoU score of 0.38 was achieved. In both stages, class-wise evaluations were conducted, and the average mIoU scores for each class were reported. The findings demonstrate that the examined model architecture is effective in the segmentation of crop classes and remote interpretation of Sentinel-2 satellite images. Furthermore, it was observed that high-resolution imagery positively influenced the classification performance of the model. Labeling deficiencies within the dataset were identified as a major factor limiting performance. The creation of a region-specific dataset for Akyazı highlights the applicability of AI-based crop classification methods to local agriculture. The study results indicate that large-scale agricultural fields can be monitored rapidly, cost-effectively, and continuously, and that the method could achieve higher accuracy if data limitations are addressed. The study aims to serve as an alternative approach contributing to agricultural applications and analyses, while also providing insights for future research.
Benzer Tezler
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. DİDEM SALOĞLU DERTLİ
- 3D nokta bulutu verileri kullanılarak otonom sürüş için nesne algılama yöntemi ile karayolu envanterlerinin tespit edilmesi
Determination of highway inventories with object detection method for autonomous driving using 3D point cloud data
HİLAL GEZGİN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN
- Development of a deep learning assisted webgis framework for updating building databases
Bina veritabanlarının güncellenmesi için derin öğrenme destekli webcbs çatısı geliştirilmesi
RECEP CAN
Yüksek Lisans
İngilizce
2022
Mühendislik BilimleriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÖZGÜN OK
- Uzaktan çok kaynaklı ölçümler yoluyla varlık verilerinin güvenilirliği
Uzaktan çok kaynakli ölçümler yoluyla varlik veri̇leri̇ni̇n güveni̇li̇rli̇ği̇
SALİHCAN KARAMAN
Yüksek Lisans
Türkçe
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Index modulation based designs, error performance and physical layer security analyses for unmanned aerial vehicle networks
İnsansız hava aracı ağları için indis modülasyonu tabanlı tasarımlar, hata performansı ve fiziksel katman güvenlik analizleri
AYŞE BETÜL BÜYÜKŞAR
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALTUNBAŞ