U-net derin öğrenme mimarisi kullanılarak yanmış alanların uydu görüntülerinden tespiti

Abstract

Doğal afetlerden biri olan yangınlar canlı-cansız bütün varlıklara zarar vermektedir. Bu zararın tespit edilebilmesi gelecek planlamaları açısından önem arz eder. Çeşitli amaçlar için kullanım alanı sağlayan uzaktan algılama teknolojileri yanmış alanların tespiti için de kullanılabilmektedir. Bu tez çalışmasında yanmış alanların uzaktan algılama teknolojileri ile tespit edilmesinde bant kombinasyonlarının, veri artırımının ve eşik değer seçiminin etkilerinin incelenmesi amaçlanmıştır. Bu amaç doğrultusunda Landsat-8 uydu görüntüleri ve U-Net derin öğrenme mimarisi kullanılmıştır. İşlemler Python programlama dili kullanılarak gerçekleştirilmiştir. Çalışma kapsamında yanmış alanların uydu görüntüleri üzerinden tespiti için farklı kombinasyonlar kullanılarak eğitim ve test işlemleri gerçekleştirilmiş, elde edilen sonuçlar incelenmiştir. Test sonuçları için farklı eşik değerler (0.1, 0.5 ve 0.9) kullanılmıştır. Çalışma sonucunda eşik değerin 0.1 ve 0.5 olduğu durumlarda daha iyi sonuçlara ulaşılmıştır. Yapılan kombinasyonlar karşılaştırıldığında 7,5,4 bant kombinasyonunun ve AdaMax algoritması kullanımının diğer kombinasyonlardan daha iyi sonuçlar verdiği görülmüştür. Bu kombinasyondaki eğitim veri setine 90°, 180° ve 270° döndürme uygulanarak veri artırımı yapılmıştır. Veri artırımı gerçekleştirilen veri seti nihai modele girdi olarak verilmiştir. Nihai modele dair sonuçlar, veri artırımı yapılmadan elde edilen sonuçlarla karşılaştırıldığında veri artırımının olumlu etki yaptığı görülmüştür. Sonuç olarak nihai modelde elde edilen test doğruluğu değeri eşik değerin 0.5 olduğu durumda en yüksek olup %97.76'dir. Aynı eşik değer için elde edilen F1-skoru değeri ise %79.38'dir.

Fires, one of the natural disasters, damage all living and non-living things. The detection of this damage is important for future planning. Remote sensing technologies, which provide a field of use for various purposes, can also be used for the detection of burned areas. In this thesis, it was aimed to examine the effects of band combinations, data augmentation and threshold value selection on detection of burned areas with remote sensing technologies. For this purpose, Landsat-8 satellite images and U-Net deep learning architecture were used. The operations were carried out using the Python programming language. Within the scope of the study, train and test processes were performed by using different combinations to determine the burned areas on satellite images, and the outcomes were examined. For the test results, different threshold values (0.1, 0.5 and 0.9) were used. As a consequence of the study, better results were obtained for the threshold values 0.1 and 0.5. When the combinations were compared, it was seen that the 7,5,4 band combination and the use of the AdaMax algorithm gave better results than the other combinations. Data augmentation was performed by applying 90°, 180° and 270° rotation to the training data set in this combination. The augmented data set was given as input to the final model. When the results of the final model was compared with the ones obtained without data augmentation, it was seen that data augmentation has a positive effect. In conclusion, the test accuracy value of the final model is the highest when the threshold value is 0.5 and it is 97.76%. The F1-score value obtained for the same threshold value is 79.38%.