Buğdaycı, İlkayEyi, Gizem2026-08-112026-08-1120262026Eyi, G. (2026). Derin öğrenme tabanlı kentsel gelişim analizi. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Harita Mühendisliği Anabilim Dalı, Konya.https://hdl.handle.net/20.500.12452/20267Bu tez çalışmasının amacı, zayıf denetimli süperpiksel tabanlı derin öğrenme yöntemlerini kullanarak çok zamanlı uydu görüntülerinden kentsel büyüme ve mekânsal değişimleri semantik düzeyde analiz edebilen bir segmentasyon modeli geliştirmektir. Kentsel alanların demografik artış, göç, altyapı ihtiyacı ve planlama politikaları gibi dinamiklerle sürekli değiştiği göz önünde bulundurulduğunda, bu değişimin doğru şekilde izlenmesi sürdürülebilir kent yönetimi açısından kritik öneme sahiptir. Geliştirilen model, farklı yıllara ait uydu görüntülerinden süperpiksel tabanlı bölütleme yoluyla anlamlı mekânsal sınırlar oluşturacak; zayıf etiketli verilerle eğitilmiş derin öğrenme algoritmaları sayesinde bina, yol ve yeşil alan gibi temel kentsel sınıfların zaman içerisindeki değişimini segmentasyon haritaları ile ortaya koyacaktır. Bu sayede, hem zamansal analiz hem de semantik sınıflandırma bütüncül bir yapıda gerçekleştirilecektir. Elde edilen çıktılar, kentteki yeni yapılaşma bölgeleri, fonksiyonel değişim alanları ve genişleme oranlarının detaylı olarak analiz edilmesini mümkün kılacaktır. Çalışma, sınırlı etiketli uzaktan algılama verileri ile yüksek doğrulukta semantik segmentasyon yapılabileceğini göstermeyi ve çok zamanlı kentsel gelişim analizlerine katkı sunmayı hedeflemektedir.The primary aim of this thesis is to develop a segmentation model capable of analyzing urban growth and spatial changes at a semantic level using weakly supervised, superpixel-based deep learning methods applied to multi-temporal satellite imagery. Given that urban areas continuously evolve due to factors such as population growth, migration, infrastructure demands, and planning policies, accurately monitoring this growth is crucial for sustainable urban management. The proposed model transforms spatial patterns from satellite images of different years into meaningful object boundaries through superpixel-based segmentation. It employs deep learning algorithms trained on weakly labeled data to detect temporal changes in key urban classes such as buildings, roads, and green spaces via segmentation maps. This enables the integrated execution of both temporal analysis and semantic classification within a unified framework. The model outputs allow for a detailed assessment of urban expansion rates, newly developed areas, and zones undergoing functional transformation. This study aims to demonstrate that high-accuracy semantic segmentation can be achieved using limited labeled remote sensing data and to contribute to multi-temporal urban development analyses.trinfo:eu-repo/semantics/openAccessArazi Örtüsü SınıflandırmasıDeğişim AnaliziDerin ÖğrenmeKentsel GelişimSentinel-2Süperpiksel SegmentasyonuZayıf Denetimli ÖğrenmChange DetectionDeep LearningLand Cover ClassificationSentinel-2Superpixel SegmentationUrban DevelopmentWeakly Supervised LearningMaster Thesis1016068