Konum-zamansal görüntü kaynaştırma için derin öğrenme tabanlı yeni bir yaklaşım

Yüksek zamansal ve konumsal çözünürlük, afetlerin izlenmesi, bitkilerin büyüme döngüsünün izlenmesi, kentsel kaynakların izlenmesi ve orman değişimi tespiti gibi uygulamalarda önemli bir rol oynamaktadır. Ancak, kamuya açık olan uzaktan algılama görüntülerinin çoğu, ekonomik ve teknik nedenlerden dolayı yüksek konumsal ve zamansal çözünürlüğe sahip değildir. Bu sorun, konum-zamansal görüntü kaynaştırma kullanılarak yüksek konumsal ve zamansal çözünürlüğe sahip sentezlenmiş görüntüler üretilerek çözülebilir. Konvolüsyonel Sinir Ağları (CNN), özellikle güçlü zamansal değişiklikler altında, konum-zamansal kaynaştırma için uygun modellerdir. Ancak, mevcut CNN tabanlı yöntemler, içerdikleri bağlantılar nedeniyle hiyerarşik özellikleri tam olarak kullanamamaktadır. Çeşitli filtre boyutlarına sahip konvolüsyon katmanları, tahmin performansını iyileştirebilen hiyerarşik özellikler üretir. Bu tezin amacı, konum-zamansal kaynaştırma için üretilmiş mevcut CNN'lerin sınırlamalarını gidermek için hiyerarşik özellikleri çıkarabilen ve tam olarak kullanabilen bir CNN modeli geliştirmektir. Tez kapsamında önerilen Residual Dense Network for Spatiotemporal Fusion (STFRDN) isimli ağ, hiyerarşik özellikleri etkin bir şekilde kullanan yerel yoğun bağlantılara sahip artık yoğun bloklardan oluşmaktadır. Deneyler için büyük çözünürlük farklılıklarına ve güçlü zamansal değişikliklere sahip Sentinel-2 ve Sentinel-3 görüntü çiftlerini içeren Kansas veri seti geliştirilmiştir. Deneyler hem nicel hem de nitel değerlendirmeye dayalı olarak, önerilen STFRDN algoritmasının, tüm test gruplarında Flexible Spatiotemporal DAta Fusion (FSDAF) 2.0, Reliable and Adaptive Spatiotemporal Data Fusion (RASDF), ve DMNet yöntemlerinden daha iyi performans gösterdiğini ortaya koymuştur.