Derin öğrenme yaklaşımları ile su kütlelerinin otomatik tespiti
No Thumbnail Available
Files
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Başkent Üniversitesi Fen Bilimleri Enstitüsü
Abstract
Su kaynaklarındaki hızlı kayıpların doğru ve zamanında izlenmesi, sürdürülebilir su yönetimi için kritik öneme sahiptir. Bu doğrultuda çalışma, uydu görüntülerinden su kütlelerini, karasal alanları ve sınır bölgelerini otomatik segmente eden yeni bir derin öğrenme yaklaşımı sunmaktadır. Önerilen model, U-Net iskeletine artık bloklar (Residual Block), dikkat kapıları (Attention Gate) ve çok ölçekli bağlam modülünün (ASPP) entegre edilmesiyle oluşturulmuştur. Etiket düzleştirmeli ikili çapraz entropi (Label Smoothing Binary Cross-Entropy), Dice Loss (Dice kaybı) ve Focal Tversky Loss (Focal Tversky kaybı) bileşenlerini birleştiren bir birleşik kayıp fonksiyonu (CombinedLoss) ile temel eğitim, ince ayar (fine-tuning) ve öz-eğitim (self-training) aşamalarından oluşan üç aşamalı bir eğitim stratejisi kullanılmıştır. Çalışmada iki farklı mekânsal çözünürlüğe sahip veri seti kullanılmıştır: (i) 2,5 metre çözünürlüklü SPOT-5 görüntüleri ve (ii) 10 metre çözünürlüklü Sentinel-2 uydu görüntüleri. Veri setleri; göl, karasal alan ve bu iki sınıfın kesiştiği sınır bölgeleri olmak üzere üç sınıftan RGB görüntüler ve bunlara karşılık gelen ikili (binary) maskelerden oluşmaktadır. Modelin başarısı, standart U-Net ve VGG16 tabanlı U-Net referans mimarileriyle, hem model kendi bölgesinde eğitilip test edildiği bölge-içi senaryoda hem de eğitimde görülmeyen farklı bir bölgede sınandığı bölgeler-arası genelleme (OOD) senaryosunda karşılaştırmalı olarak değerlendirilmiştir. Deneysel sonuçlar, önerilen yöntemin su ve kara bölgelerini yüksek doğrulukla bölütlendiği ve özellikle sınır bölgelerinde referans modellere kıyasla belirgin bir üstünlük sağladığını göstermiştir. Elde edilen bulgular, önerilen yaklaşımın su kaynaklarının izlenmesi ve sürdürülebilir çevre yönetimi için güvenilir bir araç sunduğunu ortaya koymaktadır.
Description
Keywords
Su Kaynaklarını İzleme, U-Net, Derin Öğrenme, Anlamsal Segmentasyon, Bilgisayarlı Görme, Uzaktan Algılama