Yüksek çözünürlüklü uydu görüntü verileri kullanılarak bina ve yol sınıflarının derin öğrenme yöntemiyle belirlenmesi

Yeryüzü üzerine tesis edilmiş binalar ya da yol ağları birçok uygulamaya konu ya da altlık olan coğrafi nesnelerdir. Bu uygulamaların başarısı ise, binaların ve yol ağlarının güncel olmasına bağlı bir durumdur. Araştırmacılar yapılan çalışmalarda veri kaynağı olarak çoğunlukla uydu veya hava fotoğraflarını kullanmakta olup bu coğrafi nesnelerin otomatik olarak belirlenmesi konusuna odaklanmışlardır. Hava fotoğrafı veya uydu görüntüleri üzerinden sınıflandırma işlemi için çeşitli yöntemler geliştirilmişlerdir. Son yüzyılın en önemli araştırma konularını oluşturan yapay zekâ, makine öğrenmesi ve derin öğrenme yöntemleri de bu gelişime dahil olmuştur. Yakın zamanlarda popüler olan ve yapay zekanın alt dalı olan derin öğrenme teknikleri, veriler arasındaki karmaşık ilişkileri daha iyi anlamak için kullanılmakta ve verilerin içerdiği bilinmeyen özellikleri daha doğru bir şekilde belirleyebilmektedir. Bu tez çalışmasının amacı derin öğrenme tekniği içerisinde yer alan evrişimli sinir ağlarını kullanarak, bina ve yol ağlarının otomatik olarak çıkarılmasını sağlamaktır. Eğitim verisi olarak Inria hava görüntüsü kullanılmış ve model eğitilmiştir. Test verisi olarak Türkiye'ye ait Göktürk-1 uydu görüntüleri kullanılmıştır. Evrişimsel sinir ağı modelinde U-Net mimarisi seçilmiştir. Bu mimari içerisinde çeşitli optimizasyonlar, batch boyutları ve öğrenme oranlarının tahmin görüntülerine etkisi incelenmiştir. SGD (Stokastik Gradyan İnişi), Adam (Uyarlanabilir Moment Tahmini), RMSprop (Karekök Ortalama Kare Yayılması), Nadam (Nesterov Hızlandırılmış Uyarlanabilir Moment Tahmini), Adagrad (Uyarlanabilir Gradyan Algoritması) ve Adadelta (Uyarlanabilir Delta) optimizasyonları kullanılmıştır. Batch boyutu ve öğrenme oranlarındaki değişimi izlemek amacıyla, Adam optimizasyonu sabit olacak şekilde diğer parametreler gözlemlenmiştir. Bu amaçla batch boyutu için 3 farklı durum boyutu (8,16,32) ele alınmıştır. Öğrenme oranında ise 1e-4 (10^(-4)) ve 1e-3 (10^(-3)) durumları incelenmiştir. Ayrıca, eğitim sayısının miktarındaki değişimlerin de sonuca etkileri değerlendirilmiştir. Bu nedenle eğitim sayısı 1000,2500 ve 5000 görüntü olacak şekilde 3 gruptan oluşmaktadır. Tüm değişimleri 10 epok, 25 epok, 50 epok ve 100 epoktaki sonuçları şeklinde incelenmiştir. Doğruluk ölçütleri olarak hassasiyet, duyarlık, F1 skoru, doğruluk dice ve jaccard metrikleri kullanılmıştır. Elde edilen bulgular doğrultusunda, batch boyutu 16 ve 1e-3 öğrenme oranının, model performansını optimize etmede etkili olduğu gözlemlenmiştir. Bu bilgi elde edildikten sonra eğitim sayısı 1000 için 6 farklı optimizasyon sonuçları değerlendirilmiştir. Bu optimizasyonlarda en iyi sonuç Adam, daha sonra ise RMSprop optimizasyonuna aittir. 100 epok sonucunda Adam optimizasyonunun doğruluğu %82.23, RMSprop optimizasyonun %78.76 iken diğer 4 optimizasyonun %40-50 civarında olduğu tespit edilmiştir. Adam optimizasyonunun Jaccard ve Dice metrikleri sırasıyla %81.89 ve %91.56'dir. RMSprop'ta ise bu metrikler sırasıyla %70.84 ve %85.04'dir. Diğer optimizasyonların Jaccard ve Dice doğruluk ölçütleri ortalaması yaklaşık %30-40 seviyelerindedir. Eğitim sayısı 1000 iken tahmin edilen görüntülerin içerinde bazı yapılar tesis edilemediği belirlenmiştir. Eğitim sayısının arttırılmasıyla bu durumun ortadan kalktığı anlaşılmıştır. Çünkü eğitim sayısı 5000 görüntüden oluşan ve Adam ile optimize edilen görüntülerin tahmin sonuçları gayet başarılıdır. Bu başarılı sonucu 2018,2019,2020 ve 2021 yıllarında farklı zaman dilimlerinde (yaz mevsimi-kış mevsimi) alınan görüntülere uygulanmıştır. Ve kış mevsiminde alınan görüntülerin tahmin sonuçlarının kötü olduğu tespit edilmiştir. U-Net mimarisi ile binaların tespit edilmesinin mümkün olduğu açıkça anlaşılmaktadır. Yol ağlarında ise, bina gibi başarılı sonuçlar üretememiştir. Bunun temel nedeni ise, görüntü üzerinde yol ağlarına yakın çok fazla bilgi içermesindendir. Çünkü yol ağlarının, yakınında araçların olması ya da ağaç gibi bitki örtüsünün yolu kapatmasından ötürü sonuçlara negatif olarak yansımıştır.