Theses supervised by Prof. Dr. Mustafa Türker
10 theses · Gazi University, Hacettepe University
Dişhekimliğinde, periferal analjezide nitrik oksidin öneminin deneysel olarak incelenmesi
Bu çalışmada sistemik olarak uygulanan nitrik oksidin diş hekimliğinde periferal analjezi üzerindeki öneminin incelenmesi amaçlanmıştır. Çalışmada 4 aylık 2,5-3 kg ağırlığında 20 adet Yeni Zelanda türü erkek tavşan kullanılmış ve rastgele seçimle 10'ar hayvan içeren 2 grup oluşturulmuştur. Tavşanların sağ ve sol üst kesici dişlerinde dentin içerisine açılan kavitelere elektrodlar yerleştirilmiştir. Kontrol değerleri olarak hayvanlara herhangi bir madde verilmeksizin, daha sonra 1. gruptaki 10 tavşana L-arginin, 2. gruptaki 10 tavşana L-NAME enjekte edilerek dental stimulusa reaksiyon verme süresi değerleri elde edilmiştir. Sonuçta kontrol değerleri ile karşılaştırıldığında her iki maddenin periferal analjezi üzerinde olumlu etkileri olduğu görülmüştür.
İnsansız hava aracı görüntülerinden kentsel alanlarda araç tespiti
Kentsel alanlarda ve özellikle yoğun metropol şehirlerde uydu görüntüleri ya da hava fotoğrafları kullanılarak çeşitli yöntemlerle görüntü üzerindeki birbirinden farklı özellikteki bina, ağaç ve araç gibi nesnelerin otomatik olarak tespiti ve değişim analizi yapmak kentsel alanların planlanması, yönetimi ve sürdürülebilirliği için oldukça önemlidir. Söz konusu bu bilgilerin yersel ölçümler gibi klasik metotlarla elde edilmesi oldukça fazla zaman, maliyet ve işgücü kaybına neden olmaktadır. Bu sebepten dolayı bu alanda yapılan çalışmaların uydu görüntüleri veya hava fotoğrafları kullanılarak otomatik veya yarı otomatik yöntemler ile tespit edilmesi önem arz etmektedir. Bu tez çalışmasında insansız hava araçlarından (İHA) çekilerek elde edilen çok yüksek konumsal çözünürlüklü renkli ve üç bantlı (Kırmızı, Yeşil, Mavi) görüntülerden kentsel alanlarda sabit araçların tespiti için bir yaklaşım geliştirilmiştir. Çalışmada veri olarak Hacettepe Üniversitesi Beytepe Yerleşkesinde bir insansız hava aracı (İHA) ile alımı yapılan görüntüler kullanılmıştır. Çalışmada ilk olarak görüntü eşleme ve otomatik korelasyon tekniği ile İHA görüntülerinden sayısal yüzey modeli (SYM) ve ardından ortofoto üretilmiştir. Sonra, tüm çalışma alanı için elde edilen ortofoto üzerinden birbirinden farklı özelliklere sahip üç adet test alanı (Test Alanı #1, Test Alanı #2 ve Test Alanı #3) seçilmiştir. Bir sonraki aşamada, her bir test alanı için, üç bantlı (KYM) ortofoto verisi ve ek bant olarak yükseklik verisi de kullanılarak toplam dört bantlı veriye önce çoklu çözünürlük segmentasyon işlemi ve ardından kontrollü sınıflandırma işlemi uygulanmıştır. Daha sonra, ortofoto görüntüleri üzerinden, test alanları içerisindeki her bir sabit araç geometrik şekil itibariyle dış sınırları üzerinden kapalı birer alan olarak çizilerek, vektör veri formatında referans veri seti oluşturulmuştur. Çalışmanın son aşamasında, önerilen yöntem ile tespit edilen sabit araçlar ve referans veri seti çakıştırılarak doğruluk analizleri yapılmıştır. Bu bağlamda, doğruluk değerleri Doğru Pozitif (True Positive - TP), Yanlış Pozitif (False Positive - FP) ve Yanlış Negatif (False Negative - FN) olarak üç farklı kategoride ele alınarak araç tespit yüzdeleri ve kalite yüzdeleri hesaplanmış ve elde edilen sonuçlar sayısal olarak yorumlanmıştır. Elde edilen sonuçlara göre, Test Alanı #1 için araç tespit yüzdesi % 88.99, kalite yüzdesi % 51.56, Test Alanı #2 için araç tespit yüzdesi % 78.53, kalite yüzdesi % 55.17 ve Test Alanı #3 için araç tespit yüzdesi % 92.15, kalite yüzdesi % 72.43 olarak hesaplanmıştır. Test alanlarında yer alan bina ve ağaç gibi araç dışı nesnelerin yüksekliklerinin doğruluk analizlerini etkiledikleri görülmüştür. Özellikle otopark alanlarındaki sabit araçların, birbirlerine çok yakın şekilde park edilme durumu ve etrafındaki ağaçların ve bina çatılarının altında kalma durumu sonuçları olumsuz yönde etkilemektedir. Kullanılan SYM'nin doğruluğu ve nokta yoğunluğunun da araç tespit yüzdesini doğrudan etkilediği görülmüştür. Dolayısıyla, kullanılan ortofotonun konumsal ve spektral çözünürlüğü ile SYM'nin doğruluğunun artmasının araç tespit yüzdesi ve kalite yüzdesi değerlerinin her ikisini de artırması beklenmektedir. Elde edilen sonuçlar, bu tez çalışmasında önerilen yöntemle sabit araçların çok yüksek konumsal çözünürlüklü K, Y, M görüntülerinden otomatik tespitinin yüksek doğrulukla yapılabildiğini göstermektedir.
LiDAR verisinden bina çatı düzlemlerinin otomatik çıkarımı ve modellemesi
Üç boyutlu (3B) şehir modellerinde şehri oluşturan temel unsur olan binaların modellenmesi LiDAR (Light Detection and Ranging) nokta bulutu verisinin en yaygın uygulama alanları arasında yer almaktadır. Bu tez çalışmasında, İzmir ili Bergama ilçesi kent merkezinden seçilen üç alana ait 3B hava LiDAR nokta bulutu verilerinden otomatik bina çatı düzlemlerinin çıkarılması ve modellenmesi amaçlanmıştır. Bunun için ilk olarak, yer filtrelemesi işlemi yapılmıştır. Yer filtrelemesi sonucu elde edilen çıplak zemin noktaları ham veriden çıkarıldıktan sonra, geriye kalan LiDAR noktaları üzerinde sınıflama işlemi yapılarak bina sınıfı çıkarılmıştır. Sonra, çıkarılan bina sınıfına Bölge Büyüme Bölütleme (Region Growing Segmentation) algoritması uygulanarak, her bir binaya ait nokta bulutu kümesi ayrı olarak tespit edilmiştir. Tespit edilen her bir binaya ait nokta bulutu kümesine 3 Boyutlu Rastgele Örnek Uzlaşımı (RANSAC: 3D RANdom SAmple Consensus) algoritması uygulanarak bina çatılarının düzlemsel yüzeyleri otomatik olarak çıkarılmıştır. Bina çatısı düzlemlerinin çıkarılmasından sonra, çatı düzlemleri noktalarında bulunan gürültü DBSCAN (Density Based Spatial Clustering of Applications with Noise) algoritması kullanılarak belirlenmiş ve silinmiştir. Gürültünün giderilmesinden sonra, bina çatısı düzlemi noktalarından sınır geçirilmiştir. Son olarak, Douglas-Peucker algoritması ile bina çatısı düzlemi sınırının sadeleştirilmesi işlemi yapılmıştır. Elde edilen bina çatısı modelleri incelendiklerinde, en başarılı sonuçlar üçüncü test alanında elde edilmiştir.
RANSAC algoritması kullanılarak LiDAR verisinden otomatik çatı düzlemi çıkarılması
Automatic image processing and object extraction from airborne data have become an important topic of research in the field of photogrammetry and remote sensing. The aerial laser scanning system, also known as LiDAR, has become the dominant technology for acquiring 3D spatial data from the earth surface with high speed and density. LiDAR's output is an unclassified and unstructured point cloud dataset. Thus, the main process to be performed on this dataset is to classify it into distinct classes. Then, the classified LiDAR data can be used as input to create 3D city models. This data has a number of unique properties that play a fundamental part in their classification process. The main properties include the geometric properties that are obtained through the processes carried out on 3D positions of the points in the cloud. Among these processes is the plane extraction, which is carried out through the most commonly used methods of RANSAC (Random Sample Consensus), Region growing, and Hough Transform. In this study, the RANSAC algorithm was used to extract planes from building rooftops. The aim is to apply RANSAC on LiDAR point cloud data to extract planes from rooftops. The first and most important step in the extraction process of the planes from rooftops is to identify and distinguish buildings from the other features, such as terrain and vegetation. The second step is to apply the RANSAC algorithm on the point cloud data of the individual buildings. Based on the geometric position and the points' distance to the plane, the least squares method is used to cross the best plane through the candidate points that form the plane. The experiments were carried out on the selected study areas located in the city of Bergama, Turkey using LiDAR point cloud data collected by the Reigl airborne scanner. The results show that RANSAC's performance is quite good for buildings which have complex roofs and also it has the ability to extract small planes in high density point clouds. Furthermore, the best extracted planes are properly adjusted to the raw point cloud data sets.
Tarımsal yaz ürünlerin sentinel-2 uydu görüntülerinden rastgele orman algoritması ile nesne-tabanlı sınıflandırılması
Bu tez çalışmasında, Gediz ovasında tarımsal yaz ürünleri, 2017 yılına ait çok zamanlı Sentinel-2 uydu görüntülerinden Rastgele Orman (RO) algoritması ile nesne-tabanlı sınıflandırma yapılarak tespit edilmiştir. Tespit edilen ürünler Gediz ovasında yoğun biçimde bulunan biber, buğday, domates, mısır, patlıcan, pamuk, üzüm, yonca ve zeytindir. Arazi gerçeği verileri yapılan arazi çalışmalarından ve çiftçi kayıt sistemi (ÇKS) verisi kullanılarak oluşturulmuştur. ÇKS verileri parsel parsel incelenmiş ve arazi çalışmaları ile doğrulanmıştır. Sınıflandırma işlemi RO algoritması ile segment tabanlı yapılmıştır. Çalışma alanını kapsayan 8 uydu görüntüsü (10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım) seçilmiştir. Seçilen her uydu görüntüsünden NDVI (Normalized Difference Vegetation Index–Normalleştirilmiş Fark Bitki İndeksi) bantları üretilmiştir. Sınıflandırma işleminden önce, orijinal bantlar (Mavi, Yeşil, Kırmızı ve Yakın Kızılötesi) ve NDVI bantları kullanılarak çoklu çözünürlük görüntü segmentasyonu yapılmıştır. Sonra, her görüntü segmenti için spektral özellikler olan ortalama ve standart sapma ile doku ölçümü özellikleri olan homojenlik, farklılık ve entropi değerleri hesaplanarak bu özellikleri gösteren bantlar oluşturulmuştur. Orijinal bantlar, NDVI bantları ve özellik bantları kullanılarak nesne-tabanlı RO sınıflandırma işlemi yapılmıştır. Çalışmada ayrıca, en önemli dört özellik (bant), RO algoritmasının en önemli özellik fonksiyonu ile Mayıs, Temmuz, Eylül ve Ekim NDVI görüntüleri olarak tespit edilmiş olup sınıflandırma işlemleri söz konusu dört özelliğin farklı kombinasyonları ile de gerçekleştirilmiştir. Elde edilen sonuçlara göre, doku ve standart sapma bantları sınıflandırma doğruluğunu artırmamış, aksine, az miktarda da olsa, düşürmüştür. En yüksek doğruluğa sahip olan özellik kombinasyonu, 0,9365 K ̂ (Khat-Kappa) değeri ile Orijinal bantlar + NDVI bantlarıdır. En önemli 4 özellik ile yapılan sınıflandırma sonucunda 0,9156 K ̂ değerine ulaşılmıştır. Tek tarihle yapılan sınıflandırmalarda, en önemli üç özellik olan Mayıs, Temmuz ve Eylül NDVI bantları kullanılmıştır. Bu tarihler için K ̂ değerleri sırasıyla 0,5865, 0,6349, 0,5738 olarak hesaplanmıştır. En önemli üç özelliğin ikili kombinasyonları ile yapılan sınıflandırmalar neticesinde K ̂ değerleri, Mayıs - NDVI ile Temmuz – NDVI için 0,7678, Mayıs - NDVI ile Eylül – NDVI için 0,8628 ve Temmuz - NDVI ile Eylül – NDVI için 0,8452 için olarak hesaplanmıştır. RO algoritmasında doğrulama için kullanılan Genelleştirilmiş Hatalar (Out of Bag – OOB) verisi rastgele seçildiği için diğer parametreler aynı bile olsa, yapılan her sınıflandırma işleminde doğruluk değişebilmektedir. Ayrıca, RO algoritmasının iki parametresi olan ağaç sayısı (ntree) ve rastgele özellik sayısı (mtry) sınıflandırma doğruluğunu etkilemektedir. Tüm bu değişkenler içinde en yüksek doğruluğu elde etmek için R programında bir uygulama (En Yüksek Doğruluklu Rastgele Orman–EYDRO) hazırlanarak RO algoritmasının doğruluğu artırılmıştır. Doğruluk artış oranı bant kombinasyonuna göre değişmekle birlikte yaklaşık %3 oranına kadar çıkmıştır.
LiDAR nokta bulutu verisi ve yüksek çözünürlüklü ortofotolar kullanarak bina çıkarımı için bir yaklaşım
Günümüzde Uzaktan Algılama alanındaki sensör teknolojilerinin gelişmesiyle birlikte nesne belirleme çalışmalarında önemli bir artış olmuştur. Özellikle LiDAR (Light Detection and Ranging) nokta bulutu verisi ve yüksek konumsal çözünürlüklü ortofotolar gibi uzaktan algılama verilerinden bina belirlenmesi yaygın ve önemli çalışmalar arasında yer almaktadır. Bu çalışmada, yüksek çözünürlüklü renkli (Kırmızı, Yeşil, Mavi) ortofoto ve LiDAR nokta bulutu verilerinden otomatik bina çıkarımı ve geriçatımı için Hough dönüşümü, algısal gruplama ve tohum bölge büyütme tabanlı bir yöntem geliştirilmiştir. Yöntemin ilk adımı olan ön işlemler, ortofoto ve LiDAR verilerinin koordinat eşlemesi, LiDAR verisinden gürültünün temizlenmesi ve yer filtrelemesi işlemlerini içermektedir. Sonra, LiDAR nokta bulutu verisinden sayısal yüzey modeli (SYM), sayısal arazi modeli (SAM) ve normalize edilmiş SYM (nSYM), ortofotodan da VARI (Visible Atmospherically Resistant Index) bitki indeksi oluşturulur. Sadece bitki ve bina nesnelerinin kalması amacıyla, nSYM verisine bir eşik değeri uygulanarak eşiklenmiş nSYM elde edilir. Eşiklenmiş nSYM verisinden bitki indeksi bandı kullanılarak bitki örtüsü alanlar maskelenir ve yalnız bina alanlarının kalması sağlanır. Bina alanlarının bulunmasından sonra, DoG (Difference of Gaussian) filtresi ile ortofotodan kenarlar çıkarılır. Elde edilen kenar görüntüsünden Hough dönüşümü ile binaları oluşturan çizgi segmentleri çıkarılır ve geliştirilen algısal gruplama kuralları ile bu çizgi segmentlerinden bina sınırları çatılır. Çatılan bina sınırları içinde kalan alanlar bir sonraki tohum bölge büyütme segmentasyonu adımı için başlangıç tohum alanları olarak alınır ve bu alanlardan başlayarak gerçekleştirilen segmentasyon işlemi ile binalar belirlenir. Yöntem, Bergama'dan seçilen farklı özelliklere sahip 10 test alanı üzerinde uygulanmıştır. Elde edilen sonuçların doğruluk analizleri, ortofoto üzerinden elle çizilerek oluşturulan referans veriyle karşılaştırılmak suretiyle yapılmıştır. Algısal gruplama algoritması ile elde edilen sonuçların piksel-tabanlı ve nesne-tabanlı ortalama doğruluk değerleri BDCom (Building Detection Completeness – Bina Belirleme Bütünlüğü) için sırasıyla %82.56 ve %96.75, BDCor (Bina Belirleme Doğruluğu – Building Detection Correctness) için sırasıyla %84.00 ve %100 olarak hesaplanmıştır. Piksel-tabanlı doğruluk analizi sonuçlarına göre, kombine algısal gruplama ve tohum bölge büyütme segmentasyonu yöntemi ortalama BDCom ve BDCor doğruluk oranları sırasıyla %89.82 ve %96.37 olarak hesaplanmıştır. Nesne-tabanlı doğruluk analizleri sonuçlarına göre, ortalama BDCom ve BDCor doğruluk oranları sırasıyla, %84 ve %100 olarak hesaplanmıştır. Piksel-tabanlı doğruluk analizi sonuçlarına göre, kombine yöntemin doğruluk değerlerinde algısal gruplama yöntemi doğruluk değerlerine göre BDCom için %7.26 ve QPct (Kalite Yüzdesi–Quality Percentage) için %6.71 artış olmuştur. Bu çalışmadan elde edilen sonuçlar, geliştirilen yöntemin renkli ortofoto ve LiDAR nokta bulutu verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.
Yüksek yoğunluklu kentsel alanlarda çok yüksek çözünürlüklü gerçek ortofotolardan kural tabanlı sınıflandırma yöntemi ile bina çıkarımı
Kentlerin plansız bir şekilde büyüdüğü günümüzde mevcut durumun değerlendirilmesi, yapılaşmanın takibi ve karar vericilerin kentlerin gelişim yönünü tayin etmeleri açısından hava görüntülerinin önemi her geçen gün artmaktadır. Kentsel dönüşüm projelerine de önemli bir altlık olan bu görüntülerdeki binalar hakkında güncel, hızlı ulaşılabilir ve güvenilir bilgilere ihtiyaç duyulmaktadır. Teknolojinin ilerlemesiyle kullanım alanları daha da genişleyen hava görüntülerinden özellikle nüfus yoğunluğunun fazla olduğu kentsel alanlardaki binaların çıkarılması işleminde, kentsel gelişimin planlanmasında, kaçak yapılaşmaların önüne geçilmesinde, bina değişimlerinin izlenmesinde, belediyecilik hizmetlerinin düzgün bir şekilde yürütülmesinde ve büyük projelerin uygulanmasında yoğun olarak faydalanılmaktadır. Bu tez çalışmasında Ankara ili, Altındağ, Keçiören ve Etimesgut ilçelerinde kentsel yoğunluğun fazla olduğu ve farklı yapısal karakteristiklere sahip dört test alanına ait 10 cm çözünürlükteki Ortofoto Görüntüsü ve Sayısal Yüzey Modeli (SYM) kullanılarak kural tabanlı otomatik bina çıkarımı amaçlanmaktadır. Bina çıkarımı işlemi birbirini tamamlayan çeşitli kural setlerinin belirlenmesi suretiyle alansal gözlemlere dayalı olarak yapılmıştır. Kullanılan kural tabanlı yaklaşımın temel adımları şu şekildedir: Öncelikle SYM verisine yer filtrelemesi işlemi uygulanmıştır ve Sayısal Yüzey Modeli (SAM) verisi üretilmiştir. Yer filtrelemesi işlemiyle üretilen çıplak arazi yüzeyi(SAM), SYM'den çıkarılmak suretiyle Normalize Edilmiş Sayısal Yüzey Modeli (nSYM) elde edilmiştir. Ortofoto görüntülerinde lokal varyasyonu azaltmak, gürültüyü gidermek ve nesnelerin kenarlarını belirginleştirmek amacıyla 5x5 boyutlu bir medyan filtre uygulanmıştır. Daha sonra filtrelenmiş ortofoto görüntüsü üzerinde çoklu çözünürlük segmentasyonu işlemine geçilmiş, ESP-2 yazılımı kullanılarak en uygun ölçek parametresi belirlenmiş ve homojen görüntü nesneleri oluşturulmuştur. Bundan sonra otomatik bina çıkarımı amacıyla, elde edilen görüntü nesnelerine ait spektral ve yapısal özelliklere uygun olarak çeşitli kural setleri tanımlanmıştır. Önerilen kural tabanlı yöntemle tespit edilen binalar referans verilerle karşılaştırılarak doğruluk analizleri yapılmıştır. Elde edilen bulgulara göre, Test Alanı-1'de % 89.65 doğruluk, %87,81 bütünlük, Test Alanı-2'de %91,47 doğruluk, %94,67 bütünlük, Test Alanı-3'de %94,37 doğruluk, %91,70 bütünlük, Test Alanı-4'de ise %88,41 doğruluk, %90,56 bütünlük değerlerine ulaşılmıştır. Elde edilen bulgular, önerilen kural tabanlı yöntemin yüksek konumsal çözünürlüğe sahip renkli gerçek ortofotolardan otomatik bina çıkarımında oldukça başarılı olduğunu göstermektedir.
Sentinel-1 ve sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması
Bu çalışmada, Gediz ovasında yetiştirilen tarımsal yaz ürünlerinin çok zamanlı Sentinel-1 SAR ve Sentinel-2 optik uydu görüntülerinden nesne-tabanlı sınıflandırması için makine öğrenme algoritmalarının karşılaştırması yapılmıştır. Çalışmada kullanılan makine öğrenme algoritmaları KA (Karar Ağacı), RO (Rastgele Orman) ve DVM (Destek Vektör Makineleri) dir. Çalışmada ayrıca Sentinel-1 ve Sentinel-2 uydu görüntülerinin orijinal bantlarına ek olarak NDVI (Normalize Edilmiş Bitki İndeksi Farkı) bitki indeksi bantı ve farklılık (dissimilarity), entropi (entropy), homojenlik (homogeneity), açısal ikinci moment (angular second moment), korelasyon (correlation) ve kontrast (contrast) doku bantları da hesaplanmış ve sınıflandırma işleminde kullanılmıştır. Çalışmada Sentinel-1 ve Sentinel-2 uydu görüntülerinin, Nisan-Kasım 2017 tarihleri arasında belirlenen 8 tarihe ait görüntüleri kullanılmıştır. Sentinel-1 uydusu için seçilen görüntü tarihleri 13 Nisan, 1 Mayıs, 1 Haziran, 30 Haziran, 31 Temmuz, 5 Eylül, 11 Ekim ve 16 Kasım 2017 iken Sentinel-2 uydu görüntüleri için seçilen görüntü tarihleri 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 olarak belirlenmiştir. Çalışmada öncelikle çoklu çözünürlük görüntü segmentasyonu işlemi yapılarak segmentler oluşturulmuştur. Oluşturulan segmentlerden her segmente ait özellikler hesaplanmıştır. Sınıflandırma işlemi KA, RO ve DVM algoritmalarıyla segment tabanlı gerçekleştirilmiştir. Sınıflandırma işleminde ayrıca Sentinel-1, Sentinel-2 orijinal bantları, doku özellikleri ve NDVI bitki indeksinden oluşan farklı kombinasyonlar kullanılmıştır. Sınıflandırmada yalnız orijinal bantlar kullanıldığında Sentinel-1 görüntüleri için en yüksek sınıflandırma doğruluğu (%90,48) RO algoritması ile elde edilmiştir. Sentinel-2 görüntüleri için yine en yüksek sınıflandırma doğruluğu (%90,96) RO algoritması ile hesaplanmıştır. Her iki uyduya ait görüntüler birlikte kullanıldığında (Sentinel-1+ Sentinel-2+NDVI) ise, en yüksek doğruluğu (%93,37) DVM algoritması vermiştir. Bu doğruluk oranı çalışmada elde edilen en yüksek sınıflandırma doğruluğudur. Elde edilen sonuçlara göre özellik kombinasyonları değerlendirdiğinde, doku ve standart sapma bantları sınıflandırma doğruluğunu arttırmamış aksine azaltmıştır. Doğruluktaki bu azalma, kullanılan özellik kombinasyonu ve algoritmaya göre %1 - %5 arasında değişmektedir. Öte yandan, Sentinel-1 orijinal bantlarının, Sentinel-2 bantlarıyla birlikte kullanıldığı kombinasyonlarda Sentinel-1 bantlarının sınıflandırma doğruluğuna olumlu etkisi tüm kombinasyonlarda yaklaşık %1-2 kadar olmuştur. Ayrıca, sadece Sentinel-1 bantlarının kullanıldığı kombinasyonlarda oldukça yüksek doğruluk değerlerine ulaşılmıştır. Son olarak NDVI ortalama değerlerine bakıldığında NDVI bantlarının tüm özellik kombinasyonları ve algoritmalarda doğruluğu arttırıcı etkisi olduğu görülmüştür. Bunun yanı sıra sınıflandırmada yalnızca NDVI bantları kullanıldığında bile yüksek doğruluk değerlerine ulaşılmıştır. Sadece NDVI bantlarının RO algoritmasıyla sınıflandırıldığı işlem sonucunda %92,65 genel doğruluk değeri hesaplanmıştır.
Aşırı Gradyan Artırma Algoritması kullanarak Sentınel-1 zaman serisi görüntülerinden ürün sınıflandırma
Bu tez çalışmasında; Gediz ovası bölgesinde yetiştirilen yaz dönemine ait tarım ürünlerinin, Sentinel-1 SAR çok zamanlı uydu görüntüleri kullanılarak sınıflandırması için makine öğrenme algoritmaları kullanılmış ve karşılaştırmaları yapılmıştır. Sınıflandırmada, Aşırı Gradyan Arttırma (XGBoost) ve Rastgele Orman (RO) algoritmaları kullanılmıştır. Görüntü olarak, 2017 yılı yaz tarım ürünlerinin üretim dönemlerini kapsayan 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 tarihlerine ait 8 adet Sentinel-1 SAR uydu görüntüsü seçilmiştir. Sentinel-1 SAR uydu görüntüleri bantlarına ek olarak; DY (Düşey-Yatay)/DD (Düşey-Düşey) Oranı, Karşıtlık (Kontrast), Homojenlik (Homogeneity), Farklılık (Dissimilarity), Entropi (Entropy), Açısal İkinci Moment (Angular Secondary Moment), Ortalama, Varyans (Variance) ve Korelasyon (Correlation) doku özellik bantları da oluşturulmuş ve sınıflandırma işlemine dâhil edilmiştir. Sınıflandırmada, bütün zaman serisi görüntüleri ve doku özellik bantları küme olarak kullanılmıştır. Sınıflandırma doğruluğunun hesaplanması için araziden toplanan yer gerçekleri verileri ve Çiftçi Kayıt Sistemi (ÇKS) sistemi verileri referans veri olarak kullanılmıştır. Sınıflandırma ile tespit edilen ürünler buğday, domates, mera, mısır, pamuk, üzüm, yonca ve zeytindir. Referans veriler rastgele olarak yarı yarıya eğitim ve test veri setleri poligonları olarak ayrılmıştır. Elde edilen sonuçlara göre, XGBoost algoritması genel doğruluk değeri (%83,67) ve değeri (0,8059), RO algoritması genel doğruluk değeri (%83,55) ve değerinden (0,8056), çok düşük oranda da olsa, daha yüksek çıkmıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde pamuk %99,13 ile en yüksek kullanıcı doğruluğu, %96,59 ile en yüksek üretici doğruluğu ve %98,25 ile en yüksek dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine pamuk; %99,34 ile en yüksek kullanıcı doğruluğu, %96,87 ile en yüksek üretici doğruluğu ve %98,40 ile en yüksek dengelenmiş doğruluğu sağlamıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde yonca %23,96 ile en düşük kullanıcı doğruluğu, %10,39 ile en düşük üretici doğruluğu ve %55,03 ile en düşük dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine yonca %25,17 ile en düşük kullanıcı doğruluğu, %5,74 ile en düşük üretici doğruluğu ve %52,79 ile en düşük dengelenmiş doğruluğu sağlamıştır.
Aşırı Gradyan Artırma Algoritması kullanarak Sentınel-1 zaman serisi görüntülerinden ürün sınıflandırma
Bu tez çalışmasında; Gediz ovası bölgesinde yetiştirilen yaz dönemine ait tarım ürünlerinin, Sentinel-1 SAR çok zamanlı uydu görüntüleri kullanılarak sınıflandırması için makine öğrenme algoritmaları kullanılmış ve karşılaştırmaları yapılmıştır. Sınıflandırmada, Aşırı Gradyan Arttırma (XGBoost) ve Rastgele Orman (RO) algoritmaları kullanılmıştır. Görüntü olarak, 2017 yılı yaz tarım ürünlerinin üretim dönemlerini kapsayan 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 tarihlerine ait 8 adet Sentinel-1 SAR uydu görüntüsü seçilmiştir. Sentinel-1 SAR uydu görüntüleri bantlarına ek olarak; DY (Düşey-Yatay)/DD (Düşey-Düşey) Oranı, Karşıtlık (Kontrast), Homojenlik (Homogeneity), Farklılık (Dissimilarity), Entropi (Entropy), Açısal İkinci Moment (Angular Secondary Moment), Ortalama, Varyans (Variance) ve Korelasyon (Correlation) doku özellik bantları da oluşturulmuş ve sınıflandırma işlemine dâhil edilmiştir. Sınıflandırmada, bütün zaman serisi görüntüleri ve doku özellik bantları küme olarak kullanılmıştır. Sınıflandırma doğruluğunun hesaplanması için araziden toplanan yer gerçekleri verileri ve Çiftçi Kayıt Sistemi (ÇKS) sistemi verileri referans veri olarak kullanılmıştır. Sınıflandırma ile tespit edilen ürünler buğday, domates, mera, mısır, pamuk, üzüm, yonca ve zeytindir. Referans veriler rastgele olarak yarı yarıya eğitim ve test veri setleri poligonları olarak ayrılmıştır. Elde edilen sonuçlara göre, XGBoost algoritması genel doğruluk değeri (%83,67) ve değeri (0,8059), RO algoritması genel doğruluk değeri (%83,55) ve değerinden (0,8056), çok düşük oranda da olsa, daha yüksek çıkmıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde pamuk %99,13 ile en yüksek kullanıcı doğruluğu, %96,59 ile en yüksek üretici doğruluğu ve %98,25 ile en yüksek dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine pamuk; %99,34 ile en yüksek kullanıcı doğruluğu, %96,87 ile en yüksek üretici doğruluğu ve %98,40 ile en yüksek dengelenmiş doğruluğu sağlamıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde yonca %23,96 ile en düşük kullanıcı doğruluğu, %10,39 ile en düşük üretici doğruluğu ve %55,03 ile en düşük dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine yonca %25,17 ile en düşük kullanıcı doğruluğu, %5,74 ile en düşük üretici doğruluğu ve %52,79 ile en düşük dengelenmiş doğruluğu sağlamıştır.