Ahmet Ertuğrul ARIK, Reha PAŞAOĞLU, Nuri EMRAHAOĞLU
Makalede, uydu görüntülerinin çözünürlüğünü arttırmak için SEN-2_CAENET adında evrişimli otokodlayıcı temelli yeni bir süper çözünürlük derin öğrenme modeli sunulmaktadır. Yapay sinir ağları, son yıllarda uydu görüntülerinde uzamsal çözünürlük artırma konusunda önemli bir rol oynamaktadır. Özellikle, genelleştirilebilir yapay sinir ağları, verilen girdi verilerine benzer ama tamamen farklı girdi verilerine uygulandığında da doğru çıktı verileri elde edilebilir. Bu özellik, yapay sinir ağlarının uzamsal çözünürlük artırma işlemlerinde etkin bir şekilde kullanılmasını sağlar. Makalede, Sentinel-2 uydu görüntüleri için kullanılan bir otokodlayıcı temelli derin sinir ağı modelinin nasıl uzamsal çözünürlük artırma işlemlerinde kullanılabileceği açıklanmaktadır. Bu model, kullanılan veriler ve eğitim yöntemleri ile görüntülerin detaylarının daha iyi görülebilmesini ve bu sayede görüntülerin daha etkili bir şekilde analiz edilebilmesini mümkün kılmaktadır. Testlerimizde, Sentinel-2 uydu görüntüleri üzerinde uyguladığımız SEN-2_CAENET modelinin performansını PSNR, MSE ve SSIM metrikleri kullanarak ölçtük. Elde ettiğimiz bulgular, SEN-2_CAENET'in literatürde önemli bir konuma sahip olan SRCNN sinir ağından daha yüksek başarı oranlarına ulaştığını göstermiştir.
{"title":"Super Resolution Approach with Convolutional Autoencoder Neural Network for Sentinel-2 Satellite Imagery","authors":"Ahmet Ertuğrul ARIK, Reha PAŞAOĞLU, Nuri EMRAHAOĞLU","doi":"10.48123/rsgis.1254716","DOIUrl":"https://doi.org/10.48123/rsgis.1254716","url":null,"abstract":"Makalede, uydu görüntülerinin çözünürlüğünü arttırmak için SEN-2_CAENET adında evrişimli otokodlayıcı temelli yeni bir süper çözünürlük derin öğrenme modeli sunulmaktadır. Yapay sinir ağları, son yıllarda uydu görüntülerinde uzamsal çözünürlük artırma konusunda önemli bir rol oynamaktadır. Özellikle, genelleştirilebilir yapay sinir ağları, verilen girdi verilerine benzer ama tamamen farklı girdi verilerine uygulandığında da doğru çıktı verileri elde edilebilir. Bu özellik, yapay sinir ağlarının uzamsal çözünürlük artırma işlemlerinde etkin bir şekilde kullanılmasını sağlar. Makalede, Sentinel-2 uydu görüntüleri için kullanılan bir otokodlayıcı temelli derin sinir ağı modelinin nasıl uzamsal çözünürlük artırma işlemlerinde kullanılabileceği açıklanmaktadır. Bu model, kullanılan veriler ve eğitim yöntemleri ile görüntülerin detaylarının daha iyi görülebilmesini ve bu sayede görüntülerin daha etkili bir şekilde analiz edilebilmesini mümkün kılmaktadır. Testlerimizde, Sentinel-2 uydu görüntüleri üzerinde uyguladığımız SEN-2_CAENET modelinin performansını PSNR, MSE ve SSIM metrikleri kullanarak ölçtük. Elde ettiğimiz bulgular, SEN-2_CAENET'in literatürde önemli bir konuma sahip olan SRCNN sinir ağından daha yüksek başarı oranlarına ulaştığını göstermiştir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"27 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135453593","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
The study emphasizes the importance of creating a sustainable public transportation system that people can use comfortably. This sustainable transportation approach aims to deliver transportation plans focused on people, society and space. Developing public transportation systems that contribute to social equality by appealing to all segments of society and reducing traffic density has become one of the main objectives of transportation plans. Ensuring the accessibility of public transportation stops is a crucial aspect of achieving this objective. In this context, the study examines the accessibility of public transportation stops in Istanbul. For the accessibility measurements of public transportation stops, the study uses the Service Areas Analysis tool in the ArcGIS program's Network Analyst extension, a geographical information system-based software program. The analysis results indicate that approximately 90% of the population can reach the stops of rubber-tyred public transportation types (one of the public transportation types in Istanbul) within a five-minute walking distance. However, the ratio of the population that can reach rail system stations and maritime transportation piers within a five-minute walking distance is only approximately 3%. Accordingly, it can be seen that the Istanbul transportation system depends heavily on the rubber-tyred public transportation system.
{"title":"The Accessibility of Public Transportation Stops: Istanbul Case","authors":"Dilara ÖZTAŞKIN, Sinan LEVEND","doi":"10.48123/rsgis.1299707","DOIUrl":"https://doi.org/10.48123/rsgis.1299707","url":null,"abstract":"The study emphasizes the importance of creating a sustainable public transportation system that people can use comfortably. This sustainable transportation approach aims to deliver transportation plans focused on people, society and space. Developing public transportation systems that contribute to social equality by appealing to all segments of society and reducing traffic density has become one of the main objectives of transportation plans. Ensuring the accessibility of public transportation stops is a crucial aspect of achieving this objective. In this context, the study examines the accessibility of public transportation stops in Istanbul. For the accessibility measurements of public transportation stops, the study uses the Service Areas Analysis tool in the ArcGIS program's Network Analyst extension, a geographical information system-based software program. The analysis results indicate that approximately 90% of the population can reach the stops of rubber-tyred public transportation types (one of the public transportation types in Istanbul) within a five-minute walking distance. However, the ratio of the population that can reach rail system stations and maritime transportation piers within a five-minute walking distance is only approximately 3%. Accordingly, it can be seen that the Istanbul transportation system depends heavily on the rubber-tyred public transportation system.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"64 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-08-21","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135876096","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Yellow rust (caused by Puccinia striiformis f. sp. tritici) is an important fungal disease affecting wheat production and quality. The purpose of this study was to identify the spectral band regions that influence how the disease changes throughout the year by determining how the plant responds to yellow rust when it is applied to test materials at various doses (0%, 25%, 50%, and 100%). Eser, Bayraktar 2000 and Demir 2000 varieties showed high correlation in the early-mid period of the study for bread varieties, while Kenanbey variety exhibited high correlation in the mid-late period. Effective band region for all bread types are The Red+Red Edge+ Near Infrared (NIR) range and NIR range of the Kenanbey variety both showed an increase (+) in disease severity values. Eminbey and Çeşit-1252 varieties for durum varieties displayed high correlation in the early period, followed by Mirzabey 2000 variety in the early to medium period and Kızıltan-91 variety the mid to late period. Kızıltan 91 variety in Red+Red Edge+NIR region, Çeşit-1252 variety in Green+Red region, Eminbey and Mirzabey 2000 varieties in Green+Red+Red Edge were effective in band ranges in the region and showed an increase (+) in disease severity reactions.
{"title":"Evaluation of Yellow Rust Reactions in some Bread and Durum Wheat Varieties by Using Spectral Band Regions","authors":"Metin AYDOĞDU, Kadir AKAN","doi":"10.48123/rsgis.1198224","DOIUrl":"https://doi.org/10.48123/rsgis.1198224","url":null,"abstract":"Yellow rust (caused by Puccinia striiformis f. sp. tritici) is an important fungal disease affecting wheat production and quality. The purpose of this study was to identify the spectral band regions that influence how the disease changes throughout the year by determining how the plant responds to yellow rust when it is applied to test materials at various doses (0%, 25%, 50%, and 100%). Eser, Bayraktar 2000 and Demir 2000 varieties showed high correlation in the early-mid period of the study for bread varieties, while Kenanbey variety exhibited high correlation in the mid-late period. Effective band region for all bread types are The Red+Red Edge+ Near Infrared (NIR) range and NIR range of the Kenanbey variety both showed an increase (+) in disease severity values. Eminbey and Çeşit-1252 varieties for durum varieties displayed high correlation in the early period, followed by Mirzabey 2000 variety in the early to medium period and Kızıltan-91 variety the mid to late period. Kızıltan 91 variety in Red+Red Edge+NIR region, Çeşit-1252 variety in Green+Red region, Eminbey and Mirzabey 2000 varieties in Green+Red+Red Edge were effective in band ranges in the region and showed an increase (+) in disease severity reactions.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"4 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-07-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135801471","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Kuzey Anadolu Fay Zonu Türkiye’deki en aktif tektonik yapılardan biridir. 1894 Büyük İstanbul depremi ve 1999 Kocaeli-Gölcük depremi sonrası Marmara bölgesinde yıkıcı bir deprem meydana gelmemiştir. Bilim insanları tarafından 1894 Büyük İstanbul depremi ve 1999 Kocaeli-Gölcük depremi sonrası Marmara sismik boşluğu boyunca başta İstanbul olmak üzere Marmara bölgesini etkileyecek bir deprem öngörülmektedir. Bu sebeple, beklenen olası İstanbul depremi sonrası kullanılmak üzere geçici barınma alanlarına dair ayrıntılı araştırmalara gereksinim duyulmaktadır. Bu çalışmada, olası İstanbul deprem sonrası, afetzedelerin kullanabileceği ve ulaşabileceği alanlarının uzaktan algılama ile tespiti amaçlanmıştır. Bu çerçevede, İstanbul ili Bakırköy ilçesi pilot bölge olarak seçilmiş ve bölgeye ait ortofotolar belediyeden temin edilmiştir. Geçici barınma alanlarının seçiminde sıklıkla kullanılan büyüklük ve kapasite kriterleri pilot alanların tespitinde göz önünde bulundurulmuştur. Ortofotolardan nesne tabanlı sınıflandırma sonucu çıkarılan uygun büyüklükteki dört farklı pilot bölgenin kapasiteleri ve bölgelerde kurulacak çadır sayısı ile kalacak kişi sayısı çalışmada tartışılmıştır. İlçenin nüfusu ve bina stoğu göz önüne alındığında belirlenen alanların genişletilmesi gerektiği sonucuna varılmıştır.
{"title":"Analysis of Temporary Shelter Areas of Istanbul Bakırköy District with Remote Sensing Method","authors":"Asli SABUNCU","doi":"10.48123/rsgis.1268813","DOIUrl":"https://doi.org/10.48123/rsgis.1268813","url":null,"abstract":"Kuzey Anadolu Fay Zonu Türkiye’deki en aktif tektonik yapılardan biridir. 1894 Büyük İstanbul depremi ve 1999 Kocaeli-Gölcük depremi sonrası Marmara bölgesinde yıkıcı bir deprem meydana gelmemiştir. Bilim insanları tarafından 1894 Büyük İstanbul depremi ve 1999 Kocaeli-Gölcük depremi sonrası Marmara sismik boşluğu boyunca başta İstanbul olmak üzere Marmara bölgesini etkileyecek bir deprem öngörülmektedir. Bu sebeple, beklenen olası İstanbul depremi sonrası kullanılmak üzere geçici barınma alanlarına dair ayrıntılı araştırmalara gereksinim duyulmaktadır. Bu çalışmada, olası İstanbul deprem sonrası, afetzedelerin kullanabileceği ve ulaşabileceği alanlarının uzaktan algılama ile tespiti amaçlanmıştır. Bu çerçevede, İstanbul ili Bakırköy ilçesi pilot bölge olarak seçilmiş ve bölgeye ait ortofotolar belediyeden temin edilmiştir. Geçici barınma alanlarının seçiminde sıklıkla kullanılan büyüklük ve kapasite kriterleri pilot alanların tespitinde göz önünde bulundurulmuştur. Ortofotolardan nesne tabanlı sınıflandırma sonucu çıkarılan uygun büyüklükteki dört farklı pilot bölgenin kapasiteleri ve bölgelerde kurulacak çadır sayısı ile kalacak kişi sayısı çalışmada tartışılmıştır. İlçenin nüfusu ve bina stoğu göz önüne alındığında belirlenen alanların genişletilmesi gerektiği sonucuna varılmıştır.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136016660","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Yangınların ekosistemleri ve biyolojik çeşitliliği tehdit etmesi nedeniyle, yanan alanların tespiti ve rehabilite çalışmalarının planlanması önemlidir. Uzaktan algılama teknolojileri, arazi örtüsü değişimi ve yanan alanların belirlenmesinde kritik bir rol oynamaktadır. Bu nedenle, uydu görüntüleri ve Google Earth Engine (GEE) kullanarak yanan alanlarının tespit edilmesi ve arazi örtüsündeki değişimin belirlenmesi önemlidir. Çalışmada GEE platformunda uygun kod bloğu geliştirilerek yanan alanların yüksek çözünürlüklü Sentinel-2 uydu görüntüsü ile belirlenmesi amaçlanmıştır. Bu amaçla, çalışma alanının 2020 Eylül ve 2021 Eylül aylarına ait Sentinel-2A uydu görüntülerinden hesaplanan Normalleştirilmiş Fark Bitki Örtüsü İndeksleri (NDVI) farklı eşik değerlerine göre (0.2, 0.3, 0.4, 0.5, 0.6) oluşturulan fark katmanlarından, küresel su yüzeyi verisi maskelenerek arazi örtüsü değişimi ve yanan alanların belirlenmesi için uygun kod bloğu geliştirilmiştir. Çalışma sonucunda, farklı eşik değerlerine sahip yüksek çözünürlüklü uydu görüntüsünde, 0.3 eşik değerinde arazi örtüsü ve yanan alan karışması olmadan kullanılabilecek eşik değeri belirlenmiştir. Elde edilen eşik değerinin alansal büyüklüğü, Moderate Resolution Imaging Spectroradiometer (MODIS) yanan alan verileri ile karşılaştırıldığında %93’ü (68254 hektar) olduğu belirlenmiştir. GEE platformunda Sentinel-2 uydu görüntülerinin geliştirilen kod bloğu kullanılarak, yanan alanlardaki değişikliklerin izlenmesine ve takip edilmesine yardımcı olabileceği önerilmektedir.
{"title":"Google Earth Engine Üzerinde Sentinel-2 Uydu Görüntüleri Kullanılarak Yanan Alanların Farklı Eşik Değerlerinde Belirlenmesi","authors":"Sinan DEMİR","doi":"10.48123/rsgis.1264208","DOIUrl":"https://doi.org/10.48123/rsgis.1264208","url":null,"abstract":"Yangınların ekosistemleri ve biyolojik çeşitliliği tehdit etmesi nedeniyle, yanan alanların tespiti ve rehabilite çalışmalarının planlanması önemlidir. Uzaktan algılama teknolojileri, arazi örtüsü değişimi ve yanan alanların belirlenmesinde kritik bir rol oynamaktadır. Bu nedenle, uydu görüntüleri ve Google Earth Engine (GEE) kullanarak yanan alanlarının tespit edilmesi ve arazi örtüsündeki değişimin belirlenmesi önemlidir. Çalışmada GEE platformunda uygun kod bloğu geliştirilerek yanan alanların yüksek çözünürlüklü Sentinel-2 uydu görüntüsü ile belirlenmesi amaçlanmıştır. Bu amaçla, çalışma alanının 2020 Eylül ve 2021 Eylül aylarına ait Sentinel-2A uydu görüntülerinden hesaplanan Normalleştirilmiş Fark Bitki Örtüsü İndeksleri (NDVI) farklı eşik değerlerine göre (0.2, 0.3, 0.4, 0.5, 0.6) oluşturulan fark katmanlarından, küresel su yüzeyi verisi maskelenerek arazi örtüsü değişimi ve yanan alanların belirlenmesi için uygun kod bloğu geliştirilmiştir. Çalışma sonucunda, farklı eşik değerlerine sahip yüksek çözünürlüklü uydu görüntüsünde, 0.3 eşik değerinde arazi örtüsü ve yanan alan karışması olmadan kullanılabilecek eşik değeri belirlenmiştir. Elde edilen eşik değerinin alansal büyüklüğü, Moderate Resolution Imaging Spectroradiometer (MODIS) yanan alan verileri ile karşılaştırıldığında %93’ü (68254 hektar) olduğu belirlenmiştir. GEE platformunda Sentinel-2 uydu görüntülerinin geliştirilen kod bloğu kullanılarak, yanan alanlardaki değişikliklerin izlenmesine ve takip edilmesine yardımcı olabileceği önerilmektedir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"74 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-06-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135493323","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
POI verileri, navigasyon, turizm, sosyal ağ, lojistik, çevrimiçi harita yapımı, arttırılmış gerçeklik, akıllı şehir çözümleri ve konum tabanlı oyunlar gibi birçok alanda kullanılmaktadır. Son yıllarda bu alanlardaki uygulamaların yaygınlaşmasıyla birlikte ilgi çekici nokta verilerinin toplanması ve güncellenmesi için kitle kaynak ve gönüllü coğrafi bilgi girişimleri ile üretilen veri kaynaklarına yönelim artmıştır. Bu veri kaynakları, ilgi çekici nokta verileri açısından zengin ve değerli bir veri kaynağıdır. Ancak bu veri kaynakları farklı şemalara sahiptir ve farklı ayrıntı düzeyinde veriler içermektedir. Bu durum, farklı veri kaynaklarından çıkarılan ilgi çekici nokta verilerinin eşleştirilmesinde veya analiz edilmesinde problemlere neden olmaktadır. Farklı veri kaynaklarındaki ilgi çekici nokta verilerinin kullanılabilmesi, sözdizimsel veya semantik ortak bir şemanın tanımlanmasına bağlıdır. Bu çalışmada farklı veri kaynaklarındaki ilgi çekici nokta verilerinin eşleştirilmesi problemi ele alınmıştır. Bu bağlamda, ilgi çekici nokta verilerinin Semantik Web uygulamalarında kullanılabilirliğini sağlamak amacıyla POI Ontolojisi geliştirilmiştir ve ilgi çekici nokta verilerinin semantik tanımları oluşturulmuştur. İlgi çekici nokta verileri, Karma ara yüzünde ontoloji ile ilişkilendirilmiştir ve RDF veri görselleştirme aracı olan Sextant kullanılarak görselleştirilmiştir.
{"title":"Generating Semantic Definitions and Visualization of POI Data","authors":"Gülten KARA, Huriye AKCAN","doi":"10.48123/rsgis.1254438","DOIUrl":"https://doi.org/10.48123/rsgis.1254438","url":null,"abstract":"POI verileri, navigasyon, turizm, sosyal ağ, lojistik, çevrimiçi harita yapımı, arttırılmış gerçeklik, akıllı şehir çözümleri ve konum tabanlı oyunlar gibi birçok alanda kullanılmaktadır. Son yıllarda bu alanlardaki uygulamaların yaygınlaşmasıyla birlikte ilgi çekici nokta verilerinin toplanması ve güncellenmesi için kitle kaynak ve gönüllü coğrafi bilgi girişimleri ile üretilen veri kaynaklarına yönelim artmıştır. Bu veri kaynakları, ilgi çekici nokta verileri açısından zengin ve değerli bir veri kaynağıdır. Ancak bu veri kaynakları farklı şemalara sahiptir ve farklı ayrıntı düzeyinde veriler içermektedir. Bu durum, farklı veri kaynaklarından çıkarılan ilgi çekici nokta verilerinin eşleştirilmesinde veya analiz edilmesinde problemlere neden olmaktadır. Farklı veri kaynaklarındaki ilgi çekici nokta verilerinin kullanılabilmesi, sözdizimsel veya semantik ortak bir şemanın tanımlanmasına bağlıdır. Bu çalışmada farklı veri kaynaklarındaki ilgi çekici nokta verilerinin eşleştirilmesi problemi ele alınmıştır. Bu bağlamda, ilgi çekici nokta verilerinin Semantik Web uygulamalarında kullanılabilirliğini sağlamak amacıyla POI Ontolojisi geliştirilmiştir ve ilgi çekici nokta verilerinin semantik tanımları oluşturulmuştur. İlgi çekici nokta verileri, Karma ara yüzünde ontoloji ile ilişkilendirilmiştir ve RDF veri görselleştirme aracı olan Sextant kullanılarak görselleştirilmiştir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"16 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"134974370","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Entegre İdare ve Kontrol Sistemi (EİKS), Avrupa Birliği tarafından tarımsal desteklemelerin sevk ve idaresini sağlayan bir sistemdir. Birçok farklı bileşenden ve sistemden oluşan bu sistemin ana bileşenlerinden biri de coğrafi bir veri tabanına dayalı olan ve farklı sınıflardaki referans parselleri içeren Arazi Parsel Tanımlama Sistemi (ATPS)’dir. 2016 yılında 30 cm çözünürlüklü ortofoto görüntüler kullanılarak ülke geneli boşluk kalmayacak şekilde APTS kapsamında sayısallaştırılmıştır. Çalışmada APTS’nin kilit bileşeni olan fiziksel bloklar (13,5 milyon) ile çok zamanlı Sentinel-2 görüntüleri (370 çerçeve) kullanılarak ülke ölçeğinde arazi örtüsü ve arazi kullanım sınıflandırması yapılmıştır. Çok büyük boyutta raster ve vektör veri içeren bu çalışma, Sinergise firmasının Amazon Web Servis (AWS) içerisindeki sunucularında bulunan açık kaynak kodlu EO-Learn kütüphanesi içerisindeki LightGBM makine öğrenme algoritması kullanılarak yapılmış olup % 86,07 genel doğruluk değerine ulaşılmıştır. Sınıflandırma işlemi sonucu 2021 yılına ait arazi örtüsü ve kullanım sınıflarının belirlenmesinin yanısıra, 2016 yılında çizilen APTS sınıflarına ait fiziksel bloklar ile sınıflandırma sonucu karşılaştırılarak özellikle değişim olan alanlar ile sınıfların güncellenmesinde referans altlık olarak kullanılması da hedeflenmektedir.
{"title":"Arazi Parsel Tanımlama Sistemi Verileri Kullanılarak Ülkesel Ölçekte Arazi Örtüsü ve Arazi Kullanım Sınıflandırması","authors":"Fatih Fehmi ŞİMŞEK","doi":"10.48123/rsgis.1268155","DOIUrl":"https://doi.org/10.48123/rsgis.1268155","url":null,"abstract":"Entegre İdare ve Kontrol Sistemi (EİKS), Avrupa Birliği tarafından tarımsal desteklemelerin sevk ve idaresini sağlayan bir sistemdir. Birçok farklı bileşenden ve sistemden oluşan bu sistemin ana bileşenlerinden biri de coğrafi bir veri tabanına dayalı olan ve farklı sınıflardaki referans parselleri içeren Arazi Parsel Tanımlama Sistemi (ATPS)’dir. 2016 yılında 30 cm çözünürlüklü ortofoto görüntüler kullanılarak ülke geneli boşluk kalmayacak şekilde APTS kapsamında sayısallaştırılmıştır. Çalışmada APTS’nin kilit bileşeni olan fiziksel bloklar (13,5 milyon) ile çok zamanlı Sentinel-2 görüntüleri (370 çerçeve) kullanılarak ülke ölçeğinde arazi örtüsü ve arazi kullanım sınıflandırması yapılmıştır. Çok büyük boyutta raster ve vektör veri içeren bu çalışma, Sinergise firmasının Amazon Web Servis (AWS) içerisindeki sunucularında bulunan açık kaynak kodlu EO-Learn kütüphanesi içerisindeki LightGBM makine öğrenme algoritması kullanılarak yapılmış olup % 86,07 genel doğruluk değerine ulaşılmıştır. Sınıflandırma işlemi sonucu 2021 yılına ait arazi örtüsü ve kullanım sınıflarının belirlenmesinin yanısıra, 2016 yılında çizilen APTS sınıflarına ait fiziksel bloklar ile sınıflandırma sonucu karşılaştırılarak özellikle değişim olan alanlar ile sınıfların güncellenmesinde referans altlık olarak kullanılması da hedeflenmektedir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"4 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-22","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135429387","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Bu çalışmada Türkiye’de bulunan farklı karakteristik özelliklere sahip Küçükçekmece, Köyceğiz, Burdur, Hazar ve Çıldır gölleri üzerinde sekiz farklı su çıkarma indeksi test edilmiş ve bu indekslerin performansları karşılaştırılmıştır. Su yüzeylerinin belirlenmesi için yapılan çalışmalarda en çok kullanılan NDVI, NDWI1, NDWI2, MNDWI, AWEInsh, AWEIsh, NDMI ve NWI indeksleri kullanılmıştır. Bu indeksler Google Earth Engine platformunda JavaScript kodları ile Sentinel-2 görüntüleri kullanılarak hesaplanmışlardır. Elde edilen indeksler üzerinde su ve su olamayan alanları belirlemek için ise otomatik eşikleme yapabilen Otsu yöntemi kullanılmıştır. Yapılan çalışmanın doğruluk değerlendirmesi için Google Earth Pro tarafından sağlanan WorldView-1/2/3, GeoEye-1 ve Airbus’ın Pleiades yüksek çözünürlüklü görüntüler kullanılmıştır. Değerlendirme, genel doğruluk, Kappa istatistiği ve F1-skor hesaplanarak gerçekleştirilmiştir. Kullanılan indekslerin su yüzeylerini tespit etmedeki başarılarının istatistiksel olarak anlamlı olup olmadığı McNemar testi ile değerlendirilmiştir. Çalışmada en iyi performans gösteren NDW1 indeksi genel doğruluk (GD) değeri minimum %98.00, maksimum %98.94, Kappa istatistiği minimum 0.958, maksimum 0.996 ve F1-skor minimum %97.46, maksimum %98.84 olarak hesaplanmıştır. En kötü performans gösteren indeks olan NDMI için, GD değeri minimum %48.57, maksimum %89.60, Kappa istatistiği minimum 0.047, maksimum 0.703 ve F1-skor minimum %30.77, maksimum %76.77 hesaplanmıştır. Yapılan genel değerlendirme sonucu incelenen sekiz indeks arasında NDWI1 en başarılı, NDMI ise en başarısız çıkmıştır.
{"title":"Uzaktan Algılama Teknikleri ile Su Yüzeylerinin Tespit Edilmesinde Kullanılan Su Çıkarma İndekslerinin Performans Analizi","authors":"Osman Salih YILMAZ","doi":"10.48123/rsgis.1256092","DOIUrl":"https://doi.org/10.48123/rsgis.1256092","url":null,"abstract":"Bu çalışmada Türkiye’de bulunan farklı karakteristik özelliklere sahip Küçükçekmece, Köyceğiz, Burdur, Hazar ve Çıldır gölleri üzerinde sekiz farklı su çıkarma indeksi test edilmiş ve bu indekslerin performansları karşılaştırılmıştır. Su yüzeylerinin belirlenmesi için yapılan çalışmalarda en çok kullanılan NDVI, NDWI1, NDWI2, MNDWI, AWEInsh, AWEIsh, NDMI ve NWI indeksleri kullanılmıştır. Bu indeksler Google Earth Engine platformunda JavaScript kodları ile Sentinel-2 görüntüleri kullanılarak hesaplanmışlardır. Elde edilen indeksler üzerinde su ve su olamayan alanları belirlemek için ise otomatik eşikleme yapabilen Otsu yöntemi kullanılmıştır. Yapılan çalışmanın doğruluk değerlendirmesi için Google Earth Pro tarafından sağlanan WorldView-1/2/3, GeoEye-1 ve Airbus’ın Pleiades yüksek çözünürlüklü görüntüler kullanılmıştır. Değerlendirme, genel doğruluk, Kappa istatistiği ve F1-skor hesaplanarak gerçekleştirilmiştir. Kullanılan indekslerin su yüzeylerini tespit etmedeki başarılarının istatistiksel olarak anlamlı olup olmadığı McNemar testi ile değerlendirilmiştir. Çalışmada en iyi performans gösteren NDW1 indeksi genel doğruluk (GD) değeri minimum %98.00, maksimum %98.94, Kappa istatistiği minimum 0.958, maksimum 0.996 ve F1-skor minimum %97.46, maksimum %98.84 olarak hesaplanmıştır. En kötü performans gösteren indeks olan NDMI için, GD değeri minimum %48.57, maksimum %89.60, Kappa istatistiği minimum 0.047, maksimum 0.703 ve F1-skor minimum %30.77, maksimum %76.77 hesaplanmıştır. Yapılan genel değerlendirme sonucu incelenen sekiz indeks arasında NDWI1 en başarılı, NDMI ise en başarısız çıkmıştır.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"5 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136215606","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Hiperspektral görüntüler, zengin spektral bilgi içerdiklerinden dolayı uzaktan algılama başta olmak üzere birçok alanda etkin bir şekilde kullanılmaktadır. Yüksek spektral boyutu ve karmaşık yapılarından dolayı, hiperspektral görüntülerin sınıflandırılmasında bazı sıkıntılar yaşanmaktadır ve bu nedenle sınıflandırma işlemlerinde ileri düzey algoritmalar (topluluk öğrenme algoritmaları, çekirdek tabanlı yöntemler vb.) tercih edilmektedir. Bu çalışma kapsamında, çekirdek tabanlı aşırı öğrenme makinesinin (ÇAÖM) hiperspektral görüntü sınıflandırmadaki kabiliyeti araştırılmış ve sınıflandırma performansı, iki farklı makine öğrenme algoritması (destek vektör makineleri ve rastgele orman) ile karşılaştırılmıştır. Çalışma kapsamında “Indian Pines” hiperspektral veri seti kullanılmıştır ve çalışma alanında 16 adet arazi örtüsü sınıfı bulunmaktadır. Boyut indirgeme amacıyla veriye temel bileşenler analizi yöntemi uygulanmıştır. Sınıflandırma işlemi hem orijinal hiperspektral verisine hem de temel bileşenler analizi ile boyutu indirgenmiş veriye uygulanmıştır. Boyut indirgeme işlemi sonucunda ilk 40 temel bileşen bant olarak seçilmiştir. En yüksek sınıflandırma doğrulukları hem orijinal veri seti için (%91,64) hem de boyutu indirgenmiş veri seti için (%83,45) DVM yöntemi ile elde edilmiştir. Ayrıca, orijinal veri setinin sınıflandırılması ile elde edilen doğrulukların boyutu indirgenmiş verinin sınıflandırması ile elde edilen doğruluklardan daha yüksek olduğu tespit edilmiştir.
{"title":"Kernel Extreme Learning Machine for Hyperspectral Image Classification","authors":"Mustafa ÜSTÜNER","doi":"10.48123/rsgis.1237772","DOIUrl":"https://doi.org/10.48123/rsgis.1237772","url":null,"abstract":"Hiperspektral görüntüler, zengin spektral bilgi içerdiklerinden dolayı uzaktan algılama başta olmak üzere birçok alanda etkin bir şekilde kullanılmaktadır. Yüksek spektral boyutu ve karmaşık yapılarından dolayı, hiperspektral görüntülerin sınıflandırılmasında bazı sıkıntılar yaşanmaktadır ve bu nedenle sınıflandırma işlemlerinde ileri düzey algoritmalar (topluluk öğrenme algoritmaları, çekirdek tabanlı yöntemler vb.) tercih edilmektedir. Bu çalışma kapsamında, çekirdek tabanlı aşırı öğrenme makinesinin (ÇAÖM) hiperspektral görüntü sınıflandırmadaki kabiliyeti araştırılmış ve sınıflandırma performansı, iki farklı makine öğrenme algoritması (destek vektör makineleri ve rastgele orman) ile karşılaştırılmıştır. Çalışma kapsamında “Indian Pines” hiperspektral veri seti kullanılmıştır ve çalışma alanında 16 adet arazi örtüsü sınıfı bulunmaktadır. Boyut indirgeme amacıyla veriye temel bileşenler analizi yöntemi uygulanmıştır. Sınıflandırma işlemi hem orijinal hiperspektral verisine hem de temel bileşenler analizi ile boyutu indirgenmiş veriye uygulanmıştır. Boyut indirgeme işlemi sonucunda ilk 40 temel bileşen bant olarak seçilmiştir. En yüksek sınıflandırma doğrulukları hem orijinal veri seti için (%91,64) hem de boyutu indirgenmiş veri seti için (%83,45) DVM yöntemi ile elde edilmiştir. Ayrıca, orijinal veri setinin sınıflandırılması ile elde edilen doğrulukların boyutu indirgenmiş verinin sınıflandırması ile elde edilen doğruluklardan daha yüksek olduğu tespit edilmiştir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"35 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-05-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135011090","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Çalışma, yer yüzeyi sıcaklıklarındaki (YYS) değişimlerin kent sınırları ve arazi kullanımı ile ilişkisinin Güneydoğu Anadolu Bölgesi’ndeki Şanlıurfa, Diyarbakır ve Mardin kentlerinde ortaya konmasını amaçlamıştır. YYS’de en belirgin artış kent yüzeylerinde meydana gelmektedir. Bu nedenle kentler çevresine göre daha sıcak ortamlar (ısı adası) olarak belirmektedir. Kentlerde farklı arazi kullanımlarına göre YYS de değişmektedir. Bu çalışmada kullanılan veriler 2019 yılı için Landsat 8 (OLI-TIRS), 1990 yılı için Landsat TM 5 uydu görüntüleri, kentsel alan sınırları, CORINE ve kentsel arazi örtüsü/arazi kullanım (AÖ/AK) sınıflarıdır. Literatürde önerilen formüller kullanılarak YYS haritaları oluşturulmuştur. 1990-2019 yılları arasında YYS’de meydana gelen değişim üretilen fark haritaları ile bulunmuştur. YYS değerleri ile arazi kullanım sınıfları örneklem noktaları kullanılarak karşılaştırılmış, meydana gelen YYS değişiminin nedenleri irdelenmiştir. Diyarbakır kentsel alanının %50’sinde, Şanlıurfa’nın %36’sında, Mardin’in %54’ünde kente özgü YYS fark ortalamasının üzerinde YYS değerleri tespit edilmiştir. Ayrıca üç kentte de 1990 yılı kent sınırının genel olarak YYS fark ortalamasının üstünde kaldığı saptanmıştır. Kente ve bölgeye özgü önerilerin yanı sıra aktif ve nitelikli yeşil altyapı çalışmaları ile kent çekirdeklerinde koruma-kullanma dengesi gözetilerek iklim projeksiyonlarına uygun ve yenilikçi çözümlerin uygulanması tavsiye edilmektedir.
{"title":"Yer Yüzeyi Sıcaklıkları ile Kentsel Arazi Kullanımı Arasındaki İlişkinin Belirlenmesi: Şanlıurfa, Diyarbakır ve Mardin Örneği","authors":"Ömer ÜNSAL, Vedat AVCİ","doi":"10.48123/rsgis.1195902","DOIUrl":"https://doi.org/10.48123/rsgis.1195902","url":null,"abstract":"Çalışma, yer yüzeyi sıcaklıklarındaki (YYS) değişimlerin kent sınırları ve arazi kullanımı ile ilişkisinin Güneydoğu Anadolu Bölgesi’ndeki Şanlıurfa, Diyarbakır ve Mardin kentlerinde ortaya konmasını amaçlamıştır. YYS’de en belirgin artış kent yüzeylerinde meydana gelmektedir. Bu nedenle kentler çevresine göre daha sıcak ortamlar (ısı adası) olarak belirmektedir. Kentlerde farklı arazi kullanımlarına göre YYS de değişmektedir. Bu çalışmada kullanılan veriler 2019 yılı için Landsat 8 (OLI-TIRS), 1990 yılı için Landsat TM 5 uydu görüntüleri, kentsel alan sınırları, CORINE ve kentsel arazi örtüsü/arazi kullanım (AÖ/AK) sınıflarıdır. Literatürde önerilen formüller kullanılarak YYS haritaları oluşturulmuştur. 1990-2019 yılları arasında YYS’de meydana gelen değişim üretilen fark haritaları ile bulunmuştur. YYS değerleri ile arazi kullanım sınıfları örneklem noktaları kullanılarak karşılaştırılmış, meydana gelen YYS değişiminin nedenleri irdelenmiştir. Diyarbakır kentsel alanının %50’sinde, Şanlıurfa’nın %36’sında, Mardin’in %54’ünde kente özgü YYS fark ortalamasının üzerinde YYS değerleri tespit edilmiştir. Ayrıca üç kentte de 1990 yılı kent sınırının genel olarak YYS fark ortalamasının üstünde kaldığı saptanmıştır. Kente ve bölgeye özgü önerilerin yanı sıra aktif ve nitelikli yeşil altyapı çalışmaları ile kent çekirdeklerinde koruma-kullanma dengesi gözetilerek iklim projeksiyonlarına uygun ve yenilikçi çözümlerin uygulanması tavsiye edilmektedir.","PeriodicalId":486180,"journal":{"name":"Turkish Journal of Remote Sensing and GIS","volume":"13 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-04-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"135085875","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：