Derin öğrenme tabanlı PAN-keskinleştirme yöntemlerinin arazi örtüsü haritalama performanslarının irdelenmesi

Basit Öğe Kaydı
dc.contributor.advisorYılmaz, Volkan
dc.contributor.authorAşıkoğlu, Deryanur
dc.date.accessioned2025-02-04T20:54:26Z
dc.date.available2025-02-04T20:54:26Z
dc.date.issued2023
dc.departmentAÇÜ, Lisansüstü Eğitim Enstitüsü, Harita Mühendisliği Ana Bilim Dalıen_US
dc.descriptionLisansüstü Eğitim Enstitüsü, Harita Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractPan-keskinleştirme, yüksek çözünürlüklü pankromatik (PAN) görüntünün konumsal özelliklerini düşük çözünürlüklü çok bantlı (ÇB) görüntünün spektral özellikleriyle birleştirerek hem konumsal hem de spektral olarak geliştirilmiş birçok bantlı (ÇB) görüntü üretir. Kırk yılı aşkın bir süredir çok sayıda pan-keskinleştirme yöntemleri geliştirilmiş olup son yıllarda uzaktan algılama alanındaki diğer uygulamalarda olduğu gibi pan-keskinleştirme için de derin öğrenme (DÖ) tabanlı yaklaşımlar geliştirilmiştir. Bu sebeple, DÖ tabanlı yöntemlerin performanslarının incelenmesi ve çeşitli uzaktan algılama uygulamaları için uygulanabilirliklerinin ortaya koyulması gerekmektedir. Çok sayıda pan-keskinleştirme yönteminin önerilmiş olması araştırmacılar için en iyi sonucu veren yöntemi seçmeyi zorlaştırmaktadır. Bu nedenle, bu çalışmanın amacı, önceden eğitilmiş modellere dayanan birçok DÖ tabanlı pan-keskinleştirme yöntemlerinin ve geleneksel yöntemlerin görüntüdeki konumsal keskinliği arttırma ve spektral renk doğruluğunu koruma yetenekleri açısından performanslarını değerlendirmek ve bu yöntemlerin başarılı görüntü sınıflandırma sonuçları elde etmek için yeterli olup olmadığını tespit etmektir. Bu amaçla toplam 29 pan-keskinleştirme yönteminden üretilen pan-keskinleştirilmiş görüntülerinin spektral ve konumsal özellikleri niteliksel ve niceliksel olarak değerlendirilerek sınıflandırma performansları incelenmiştir. Çalışma kapsamında IKONOS ve WORLDVIEW2 (WV2) uydularına ait verisetleri kullanılmıştır. Pan-keskinleştirme görüntüleri destek vektör makinesi (DVM) yöntemi ile sınıflandırılarak pan-keskinleştirmenin arazi örtüsü haritalama performansına etkileri irdelenmiştir. Varyasyonel (VY) yöntemler istisnalar hariç olmak üzere diğer yöntemlere göre daha başarılı sonuçlar elde etmiştir. DÖ tabanlı yöntemlerde de pan-keskinleştirme ve sınıflandırma doğruluklarının diğer birçok geleneksel yöntemden daha yüksek olduğu sonucuna varılmıştır. Ayrıca, DÖ tabanlı yöntemlerin performansının, büyük ölçüde eğitimin başarısına ve kullanılan hiperparametrelere bağlı olduğu ortaya koyulmuştur.
dc.description.abstractPansharpening enhances both spatial and spectral characteristics of a high-resolution panchromatic (PAN) image by fusing its spatial features with the spectral properties of a lower-resolution multispectral (MS) image, resulting in an improved MS image. Over the past forty years, numerous pansharpening methods have been developed, and in recent years, deep learning (DL) based approaches have emerged for pansharpening, similar to other applications in remote sensing. Therefore, it is important to examine the performance of DL-based methods and assess their applicability for various remote sensing applications. The proliferation of various pansharpening methods makes it challenging for researchers to select the best-performing technique. Hence, the objective of this study is to evaluate the performance of several DL-based pansharpening methods utilizing pre-trained models, along with traditional methods, in terms of enhancing spatial sharpness and preserving spectral color accuracy in images. A total of 29 pansharpening methods were employed to generate pansharpened images, and their spectral and spatial characteristics were qualitatively and quantitatively assessed to investigate classification performance. The study utilized datasets from IKONOS and WORLDVIEW2 (WV2) satellites. The pansharpened images were classified using the Support Vector Machine (SVM) algorithm to investigate the effects of pan-sharpening on the land cover mapping performance. The variational optimization (VO)-based techniques generally outperformed other methods, with a few exceptions. The DL-based methods were found to result in superior pansharpening and classification accuracy compared to many other traditional approaches. Additionally, it was revealed that the performance of DL-based methods is highly dependent on the success of training and the hyperparameters employed.
dc.identifier.endpage97en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=S2eMu1TIwY_v4mYv58xArxz3wWeR6J_FG5vO1TbgtBTKog01MgtG9Fo3lKoL0lZ2
dc.identifier.urihttps://hdl.handle.net/11494/5319
dc.identifier.yoktezid832905
dc.language.isotren_US
dc.publisherArtvin Çoruh Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_20250204
dc.subjectJeodezi ve Fotogrametrien_US
dc.subjectGeodesy and Photogrammetryen_US
dc.titleDerin öğrenme tabanlı PAN-keskinleştirme yöntemlerinin arazi örtüsü haritalama performanslarının irdelenmesien_US
dc.title.alternativeAnalysis of land cover mapping performance of deep learning based PAN-sharpening methodsen_US
dc.typeMaster Thesis

Dosyalar

Koleksiyon

Tez Koleksiyonu