Yıldız, FerruhKutrak, Mehmet Oktay2026-01-102026-01-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=V-oEQd0LkkqRGCXNzJWCTb2NLYJk_SRVZmxmLDvMygPaN7zj8tAwQ0GCyQNFtXduhttps://hdl.handle.net/123456789/12920Bu tez çalışmasında 10 m mekânsal çözünürlüğe sahip olan Sentinel-2A uydu verileri kullanılarak Arazi Kullanımı/Arazi Örtüsü sınıflandırma çalışması yapılmıştır. Bu doğrultuda farklı makine öğrenmesi algoritmaları kullanılmış ve bu algoritmaların sınıflandırma doğrulukları karşılaştırılmıştır. Çalışmanın uygulama alanı Konya ili sınırları içerisinde yapılmıştır. 2018, 2021, 2024 yıllarına ait uydu görüntüleri kullanılarak, hem zamansal analiz gerçekleştirilmiş hem de arazi üzerindeki değişimler incelenmiştir. Sınıflandırma süreci Google Earth Engine platformu üzerinden JavaScript programlama dili ile yürütülmüştür. Çalışma sürecinde rastgele orman, k-en yakın komşu ve Naive Bayes, destek vektör makinelerinin lineer ve polinom çekirdek(Kernel) fonksiyonu algoritmaları kullanılmış ve elde edilen sonuçlar analiz edilmiştir. Her bir algoritmanın performansı %70-%30 ve %80-%20 veri oranlarına göre ayrı ayrı değerlendirilmiştir. Böylelikle, sınıflandırma başarımının veri oranlarından etkilenip etkilenmediği analiz edilmiştir. Sınıflandırma sonuçları, hata matrisi üzerinden genel doğruluk, kappa değeri, F1score değeri, üretici ve kullanıcı gibi doğruluk metrikleri ile değerlendirilmiştir. Sonuçlar incelendiğinde en yüksek doğruluk değerlerine DVM-Polinom algoritması sahip olmuştur. Hem genel doğruluk (%96) hem de kappa değeri (0.94) açısından üstünlük sağlamıştır. Ayrıca, yıllara ait görüntüler karşılaştırıldığında tarım, yerleşim ve sanayi bölgesi alanlarında değişimlerin mevcut olduğu gözlemlenmiştir. Tez kapsamında elde edilen bulgular, makine öğrenmesi algoritmalarının Arazi Kullanımı/Arazi Örtüsü sınıflandırmasındaki başarılarını ortaya koymuş ve her iki veri oranlarının performanslara olan etkisini açıklamıştır. Bu çalışmanın önemi, dört farklı makine öğrenmesi algoritmalarını aynı çalışma alanı üzerinden ve eğitim verileri ile karşılaştırıp, yöntemlerin performans farklılıklarının incelenmesidir. Bu konu ile ilgili yapılan çalışmalarda ya tek bir tarih üzerinden ya da tek bir veri oranı (%80-%20 veya %70-%30) ile çalışılmıştır. Çalışma kapsamında ise, üç farklı tarihe ait görüntüler ile iki adet veri oranı kullanılmış ve birlikte değerlendirilmiştir. Aynı zamanda, zamansal analiz ile arazi üzerindeki değişimler incelenmiştir. Ayrıca hata matrisi sonucu elde edilen doğruluk metrikleri ayrıntılı bir şekilde yorumlanmış ve karşılaştırılmıştır. Bu bağlamda tez kapsamında elde edilen bulgular, makine öğrenmesi algoritmalarının Arazi Kullanımı/Arazi Örtüsü sınıflandırmasındaki etkinliğini ortaya koyarken, veri oranlarının değişimi ile doğruluk oranlarının üzerindeki etkisi de vurgulanmıştır.In this thesis, land use/land cover (LULC) classification was carried out using Sentinel-2A satellite imagery with a spatial resolution of 10 m. Different machine learning algorithms were applied, and their classification accuracies were compared. The study area is located within the boundaries of Konya Province. By using satellite images from the years 2018, 2021, and 2024, both temporal analyses were performed and land cover changes were examined. The classification process was conducted on the Google Earth Engine platform using the JavaScript programming language. Random Forest, k-Nearest Neighbors, Naive Bayes, and Support Vector Machines with linear and polynomial kernels were employed, and the results were analyzed. The performance of each algorithm was separately evaluated using 70–30% and 80–20% training/testing data splits, enabling the analysis of whether classification performance was influenced by different data ratios. Classification results were assessed through confusion matrix-based accuracy metrics, including overall accuracy, Kappa coefficient, F-score, producer's accuracy, and user's accuracy. The results showed that the SVM with polynomial kernel achieved the highest accuracy, with 96% overall accuracy and a Kappa value of 0.94. Furthermore, comparisons of different years revealed notable changes in agricultural, residential, and industrial areas. The findings of this thesis highlight the effectiveness of machine learning algorithms in LULC classification and clarify the impact of different training/testing ratios on classification performance. The significance of this study lies in comparing four machine learning algorithms on the same study area with the same training data to examine performance differences. In related studies, either a single year or only one data split ratio (70–30% or 80–20%) was typically used. In contrast, this research employed images from three different years combined with two data ratios and evaluated them together. Moreover, land cover changes were examined through temporal analysis, and accuracy metrics obtained from the confusion matrix were interpreted and compared in detail. In this context, the findings of the thesis not only demonstrate the effectiveness of machine learning algorithms in LULC classification but also emphasize the impact of varying data ratios on accuracy levels..trJeodezi ve FotogrametriArazi KullanımıArazi ÖrtüsüDestek Vektör MakineleriRastgele OrmanlarSentinelSınıflandırmaUzaktan AlgılamaGeodesy and PhotogrammetryLand UseGrand CoverSupport Vector MachinesRandom ForestsSentinelClassificationRemote SensingMaster Thesis