Yapay sinir ağları ve rastgele orman yöntemleri ile LANDSAT 8 görüntülerinden otomatik kıyı çizgisi çıkartılması

Abstract

İnsanların suya olan vazgeçilmez ihtiyacı, kıyı alanlarını insanların en çok kullandığı yerleşim yerleri haline getirmiştir. Kıyılar doğal habitat için en uygun habitatlar oluşturmaktadır. Kıyılar aynı zamanda mikroklimatik özellikleri sayesinde tatil ve dinlenme olanakları sağlayan alanlardır. Turizm, sanayi, kültür balıkçılığı, kentleşme gibi faaliyetler kıyı alanları açısından en büyük tehditlerden bazılarıdır. Bu tehditler, kıyı alanlarının korunması ve sürdürülebilir kıyı yönetimi için kıyı alanlarının izlenmesini zorunlu hale getirmiştir. Doğal çevre yönetimi, afet yönetimi, kıyı erozyonu incelemeleri, katı madde taşınımı ve kıyı morfodinamiklerinin modellenmesi gibi farklı alanlarda kıyı çizgileri yaygın olarak kullanılmaktadır. Bu sebeple kıyı çizgilerinin özellikle uydu görüntülerinden elde edilmesi için çeşitli yöntemler kullanılarak birçok çalışma gerçekleştirilmiştir. Son yıllarda yapay zekâ kullanılarak elde edilen başarılar, çeşitli alanlarda çalışan bilim insanlarını da yaptıkları çalışmalarda yapay zekâ kullanmaya teşvik edici olmuştur.Sunulan tez çalışması kapsamında, uydu görüntülerinden kıyı çizgisi çıkarımı kendini düzenleyen haritalar, yapay sinir ağları ve rastgele orman yöntemleri kullanılarak gerçekleştirilmiştir. Yürütücülüğünü Prof. Dr. Bülent Bayram' ın yaptığı 115Y718 numaralı ve `SÜRDÜRÜLEBİLİR KIYI ALANI İZLEME MODELİ İÇİN İHA VE İHA-LİDAR VERİLERİNDEN OTOMATİK ÜÇ BOYUTLU KIYI ÇİZGİSİ ÇIKARTILMASI VE ANALİZİ: TERKOS (İSTANBUL) ÖRNEĞİ` başlıklı TÜBİTAK projesinin test alanı olan İstanbul'un Çatalca ilçesine bağlı Terkos bölgesinin Karadeniz kıyısı yöntemlerin test edilmesi için seçilmiştir. Tez kapsamında önerilen yöntemlerin söz konusu proje açısından uygulanabilirliği test edilmiştir.Karadeniz Bölgesi' nin 5 farklı konumuna ait 2017 yılına ait LANDSAT 8 görüntüsü eğitim amaçlı olarak kullanılmıştır. İstanbul-Terkos bölgesine ait 2013, 2015, 2017 tarihlerine ait aynı mevsimde elde edilmiş üç veri seti, Antalya bölgesine ait 2017 yılında elde edilmiş bir LANDSAT 8, İzmir bölgesine ait 2017 yılında elde edilmiş bir LANDSAT 8, ve Erçek Gölü' ne ait 2018 yılında elde dilmiş bir görüntü olmak üzere toplam altı farklı LANDSAT 8 görüntüsü test amaçlı olarak kullanılmıştır. Uygulamanın birinci aşamasında Kendini Düzenleyen Haritalar Yöntemi için Terkos bölgesine ait uydu görüntüsü kara ile deniz olacak şekilde kümelenmiş ve kıyı çizgisi çıkartılmıştır. Yapay Sinir Ağları Yöntemi için Karadeniz Bölgesi' ne ait 5 farklı uydu görüntüsü kullanılarak karadan ve denizden 2 adet sınıf oluşacak şekilde örnek veriler toplanmıştır. Yapay sinir ağları bu veriler ile eğitilmiş ve ağların test edilmesi için Terkos bölgesine ait uydu görüntüsü eğitilen ağlar ile sınıflandırılarak kıyı çizgileri çıkartılmıştır. Rastgele Orman Yönteminde ağaç yapılarını oluşturmak için yapay sinir ağlarının eğitiminde kullanılan eğitim verileri kullanılmıştır. Bu tezin ana amacı, Yapay Sinir Ağları Yönteminde kullanılan eğitim verileri ile Rastgele Orman Yönteminde ağaç yapılarını oluşturmak için kullanılan verilerinin Kendini Düzenleyen Haritalar Yöntemi kullanılarak otomatik olarak toplanmasını sağlamaktır.İkinci aşamada Karadeniz Bölgesi' ne ait uydu görüntüleri Kendini Düzenleyen Haritalar Yöntemi kullanılarak kara ile deniz olacak şekilde kümelenmiştir. Kümeleme sonuçlarına göre orijinal görüntülerden deniz ve kara sınıfları ayrılmıştır. Daha sonra, elde edilen bu veriden yararlanılarak yapay sinir ağları için her bir görüntüye ait deniz ve kara kümelerinden rastgele örnek veriler toplanmıştır. Rastgele toplanan bu veriler ile yapay sinir ağları eğitilmiş ve test alanına ait görüntülerden kıyı çizgileri çıkartılmıştır. Rastgele Orman Yöntemi için ise yapay sinir ağlarında kullanılan rastgele toplanmış veri seti, ağaç yapılarını oluşturmak için kullanılmıştır. Oluşturulan bu ağaç yapılarına göre test bölgesine ait uydu görüntüleri sınıflandırılmış ve kıyı çizgileri çıkartılmıştır.İlk iki aşamada kullanılan yapay sinir ağları Levenber – Marquardt (TRAINLM), Ölçekli Conjugate Gradient (TRAINSCG) eğitim fonksiyonları ile Hyperbolic Tangent Sigmoid (TANSIG), Logistic Sigmoid (LOGSIG) bağlantı fonksiyonlarının kombinasyonlarından tek gizli katmanlı ve 2000 iterasyonlu olarak tasarlanmıştır. Son aşama olan üçüncü aşamada TRAINSCG – TANSIG kombinasyonu kullanılarak farklı sayıda gizli katman (5, 10, 15) ve iterasyon sayılarıyla (500, 1000, 1500, 2000) yeni ağlar tasarlanmıştır. Gizli katman ve iterasyon sayılarının oluşturdukları kombinasyonlar ile tasarlanan ağlar hem kullanıcı tarafından toplanan eğitim verileri ile hem de Kendini Düzenleyen Haritalar Yöntemi sonuçlarından rastgele toplanan eğitim verileri ile eğitilerek kıyı çizgileri elde edilmiştir.Öncelikle belirlenen kombinasyonların test edilmesi amacıyla önerilen yöntemler Istanbul-Terkos, 2017 Landsat 8 görüntüsüne uygulanmıştır. Birinci aşamadaki Kendini Düzenleyen Haritalar Yöntemi ile elde edilen kıyı çizgisi elle yapılan sayısallaştırma sonuçları ile karşılaştırılmış ve ortalama 0,49 piksel hata ile kıyı çizgisi çıkarılmıştır. Kullanıcı tarafından toplanan eğitim verileri ile eğitilen yapay sinir ağları içerisinden TRAINSCG – TANSIG kombinasyonu ortalama 0,61 piksel hata ile en iyi sonucu vermiştir. Aynı eğitim verilerinin kullanıldığı Rastgele Orman yöntemi sonuçları içerisinden ise en iyi sonucu 50 ağaçtan oluşan ve ortalama 0,45 piksel hata ile kıyı çizgisi elde edilmiştir. İkinci aşamadaki Kendini Düzenleyen Haritalar Yöntemi kümeleme sonuçlarına göre rastgele toplanan eğitim verileri kullanılarak eğitilen ağlardan elde edilen en iyi sonuç ortalama 0,22 piksel hata ile TRAINSCG – TANSIG kombinasyonuna aittir. Aynı rastgele eğitim verileri kullanılarak oluşturulan ağaç yapıları içerisinden 250 ağaçlı ağaç yapısı ortalama 0,79 piksel hata ile kıyı çizgisini tespit etmiştir. Üçüncü aşamadaki kombinasyonlarda kullanıcı tarafından toplanan eğitim verileri kullanılarak oluşturulan ağlardan en iyi sonucu ortalama 0,36 piksel hata ile 10 gizli katmanlı ve 1000 iterasyonlu yapay sinir ağı vermiştir. Kendini Düzenleyen Haritalar Yöntemi kümeleme sonuçlarına göre rastgele toplanan eğitim verileri kullanılarak eğitilen ağlardan elde edilen en iyi sonuç ise ortalama 0,20 piksel hata ile 5 gizli katmanlı ve 1000 iterasyonlu yapay sinir ağına aittir.Bu aşamanın ardından seçilen en iyi konfigurasyonlar göz önünde bulundurularak 6 ek test verisi kullanılmıştır. Elle sayısallaştırma sonuçları ile elde edilen sonuçlar karşılaştırılmıştır. Istanbul-Terkos bölgesi 2013 yılına ait LANDSAT 8 görüntüsünden ortalama 0,47 piksel, Istanbul-Terkos bölgesi 2015 yılına ait LANDSAT 8 görüntüsünden ortalama 0,36 piksel, Istanbul-Terkos bölgesi 2017 yılına ait LANDSAT 8 görüntüsünden ortalama 0,36 piksel, Erçek Gölü'nün 2017 yılına ait LANDSAT 8 görüntüsünden ortalama 0,57 piksel, İzmir bölgesinin 2017 yılına ait LANDSAT 8 görüntüsünden ortalama 0,31 piksel ve Antalya bölgesinin 2017 yılına ait LANDSAT 8 görüntüsünden ortalama 1,31 piksel hata ile kıyı çizgileri tespit edilmiştir.

Coastal areas are always very important for human being because of their habitat. In addition to it, coastal areas provide vacation and relaxation opportunities because of their microclimatic features. Activities such as tourism, industry, aquaculture and urbanization are main threads for coastal areas. Therefore, monitoring of coastal areas one of the vital issues for preserving and sustainable management of environmental heritage. Shorelines are widely used in different areas such as natural environment management, disaster management, coastal erosion studies, solid matter transport and modeling of coastal morphodynamics. For this reason, many studies have been carried out using various methods in order to extract the shoreline from satellite images in particular. Due to their advantages, Artificial Neural Network (ANN) based methods became very popular for many scientists. In this thesis, shoreline extraction from satellite image was performed by using SOM, ANN and Random Forest (RF) methods. In this study, Terkos region has been chosen for testing of the proposed methods within the scope of `TUBITAK Project (Project No: 115Y718) titled` Integration of Unmanned Aerial Vehicles for Sustainable Coastal Zone Monitoring Model – Three-Dimensional Automatic Coastline Extraction and Analysis: Istanbul-Terkos Example `.Landsat 8 imageries have been used to implement proposed algorithms. 5 Landsat 8 images have been used for training which were from different part of Black Sea region of Turkey and taken in the year of 2017. 6 Landsat 8 images were used for testing of proposed methods First data set is from Terkos-Istanbul in the years of 2013, 2015, 2017. Second one is from province of Antalya which was taken in the year of 2017, third one is from province of İzmir which was taken in the year of 2017 and last data set is from Lake Ercek which was taken in the year of 2017. NIR-RED-BLUE bands of all test data have been used for this thesis.In the first phase of the thesis, using SOM method, satellite image of Terkos region is clustered as two clusters (land – sea) and shoreline has been extracted from the clustered image. To train the ANN method, 5 different satellite images belonging to the Black Sea Region were used. From these images, sample data were collected to form 2 classes (land – sea). The same training areas have been used for both ANN and RF methods. The main aim of this thesis is to collect automatically using results of SOM method and to train ANN model and to construct tree structures for the RF method.In the second phase of the thesis, the training data-set have been classified to obtain land and sea classes. Following to this step, training of artificial network and generating of the tree structure was carried out using randomly selected data from the results of SOM. After training, SOM, ANN and RF methods have been implemented to the test images.The artificial neural networks used in the first and second steps were consisted of single hidden layer and 2000 iterations by combination of Levenber-Marquardt (TRAINLM) and Scale Conjugate Gradient (TRAINSCG) training functions with Hyperbolic Tangent Sigmoid (TANSIG) and Logistic Sigmoid (LOGSIG) transfer functions. In the final step, new networks were designed using the TRAINSCG - TANSIG combination with different numbers of hidden layers (5, 10, 15) and iteration numbers (500, 1000, 1500, 2000). The manually selected training data and results of SOM method has been used separately as training data set for all combinations.First of all, to test the defined combinations of the proposed methods were applied on Istanbul-Terkos, 2017 Landsat 8 image. The shoreline obtained by the SOM Method in the first step was compared with the manual digitization and the average error was calculated as 0,49 pixels. Among the artificial neural networks trained by user - collected training data, the TRAINSCG - TANSIG combination gave the best result with an average error of 0,61 pixels. In the results of the RF method using the same training data, which consists of 50 trees, average shoreline extraction error was 0,45 pixels. Based on the clustering results of the SOM Method at the second step, shoreline extraction error was calculated as 0,22 pixels by using TRAINSCG - TANSIG combination. The same training data were used for RF method and created 250 trees. As a result, average error was calculated as 0,79 pixels.In the third step, the best resultant network from the user-collected training data provided 10 hidden layers and 1000 iterative artificial neural networks was used and average shoreline extraction error was calculated as 0,36 pixels. The use of SOM results and by selecting of randomly training data, the ANN configuration with 5 hidden layers and 1000 iteration, the shoreline extraction error was calculated as 0.20 pixels.After this step, by considering of best combinations of proposed methods, using additional 6 images, methods were tested again. For each image accuracy assessment was realized by comparison of manual digitizing results with obtained results. The shoreline was extracted with an average error of 0,47 pixels from the LANDSAT 8 image of the Terkos region in the year of 2013. In the same way the shoreline extracted with an average error of 0,36 pixels from the LANDSAT 8 image of the Terkos region in the year of 2015. For Istanbul-Terkos, 2017 Landsat 8 image, average extraction error was calculated as 0.22 pixels. The shorelines were extracted with an average error of 0.57 pixels from the LANDSAT 8 image of Ercek Lake in the year of 2017, an average error of 0.31 pixels from the LANDSAT 8 image of the Izmir region in the year of 2017 and an average error of 1.31 pixels from the LANDSAT 8 image of the Antalya region in the year of 2017.