Derin öğrenme ile bulutluluk tahmini

Bu çalışmada, derin öğrenme yöntemleriyle bulut görüntülerinin sınıflanması ve segmentasyonu uygulanmıştır. Tezde kullanılan tüm görüntüler TUBİTAK Ulusal Gözlemevi Bakırlıktepe Kampüsünden, Çukurova Üniversitesi Uzay Bilimleri ve Güneş Enerjisi Araştırma ve Uygulama Merkezinden, ve Singapur Tüm Gökyüzü Görüntüleme Kategorileri veritabanından elde edilmiştir. Bu çalışmanın temel amacı, geleneksel görüntü işleme yöntemlerini derin öğrenme teknikleri ile kıyaslamaktır. İlk olarak, iki sınıflı sınıflandırma çalışması yapılmıştır. Bu çalışma ile bulut resimleri ile bulut içermeyen resimlerin ayrıştırılması amaçlanmıştır. Tahmin ve sınıflama işlemlerinde Konvolusyonel Sinir Ağlar ve SoftmaxWithLoss fonksiyonundan yararlanılmıştır. Eğitim aşamasında, modelin ince ayar ile eğitiminden sonra %92 oranında doğruluk elde edilmiştir. Daha sonraki aşamada, bulut görüntüleri üzerinde görüntü işleme teknikleri kullanılarak tespit ve segmentasyon işlemi yapılmıştır. Bu aşamada, kenar tespit yöntemleri ve watershed algoritması uygulanmıştır. Üçüncü aşamada ise segmentasyon için Tam Konvolüsyonel Ağlar (TKA, FCN) ve U-NET derin öğrenme yöntemleri uygulanmıştır. İki farklı derin öğrenme yöntemi ile bulut görüntülerin segmentasyonu sağlanmıştır. U-NET ile eğitim aşamasında Dice katsayısı olarak %87, kayıp olarak ise %45 bulunmuştur. FCN ağı ise stokastik eğim düşüm, Adam's momentum ve Nesterov momentum teknikleri olmak üzere farklı eğitim yöntemleri uygulanmış ve en yüksek başarı Adam's momentum tekniği ile %63.12 olarak elde edilmiştir. Anahtar Kelimeler: Derin Öğrenme, Bulut Segmentasyonu, Konvolusyon Sinir Ağları, FCN, U-NET