Derin öğrenme tabanlı kentsel gelişim analizi

Basit Öğe Kaydı
dc.contributor.advisorBuğdaycı, İlkay
dc.contributor.authorEyi, Gizem
dc.date.accessioned2026-08-11T08:09:30Z
dc.date.available2026-08-11T08:09:30Z
dc.date.issued2026
dc.date.submitted2026
dc.departmentNEÜ, Fen Bilimleri Enstitüsü, Harita Mühendisliği Anabilim Dalı
dc.description.abstractBu 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.
dc.description.abstractThe 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.
dc.identifier.citationEyi, G. (2026). Derin öğrenme tabanlı kentsel gelişim analizi. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Harita Mühendisliği Anabilim Dalı, Konya.
dc.identifier.urihttps://hdl.handle.net/20.500.12452/20267
dc.identifier.yoktezid1016068
dc.language.isotr
dc.publisherNecmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectArazi Örtüsü Sınıflandırması
dc.subjectDeğişim Analizi
dc.subjectDerin Öğrenme
dc.subjectKentsel Gelişim
dc.subjectSentinel-2
dc.subjectSüperpiksel Segmentasyonu
dc.subjectZayıf Denetimli Öğrenm
dc.subjectChange Detection
dc.subjectDeep Learning
dc.subjectLand Cover Classification
dc.subjectSentinel-2
dc.subjectSuperpixel Segmentation
dc.subjectUrban Development
dc.subjectWeakly Supervised Learning
dc.titleDerin öğrenme tabanlı kentsel gelişim analizi
dc.title.alternativeDeep learning-based urban development analysis
dc.typeMaster Thesis

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
1016068 GİZEM EYİ.pdf
Boyut:
32.97 MB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Fen Bilimleri Enstitüsü Tez Koleskiyonu