Object detection and classification are among the most popular topics in Photogrammetry and Remote Sensing studies. With technological developments, a large number of high-resolution satellite images have been obtained and it has become possible to distinguish many different objects. Despite all these developments, the need for human intervention in object detection and classification is seen as one of the major problems. Machine learning has been used as a priority option to this day to reduce this need. Although success has been achieved with this method, human intervention is still needed. Deep learning provides a great convenience by eliminating this problem. Deep learning methods carry out the learning process on raw data unlike traditional machine learning methods. Although deep learning has a long history, the main reasons for its increased popularity in recent years are; the availability of sufficient data for the training process and the availability of hardware to process the data. In this study, a performance comparison was made between two different convolutional neural network architectures (SegNet and Fully Convolutional Networks (FCN)) which are used for object segmentation and classification on images. These two different models were trained using the same training dataset and their performances have been evaluated using the same test dataset. The results show that, for building segmentation, there is not much significant difference between these two architectures in terms of accuracy, but FCN architecture is more successful than SegNet by 1%. However, this situation may vary according to the dataset used during the training of the system.

Obtaining the shoreline of a water body and spatial changes on it provide valuable information regarding the fact that freshwater resources constitute a small fraction of available water resources in the world. Nowadays, various types of image are used to extract shoreline details with the contribution of near infrared response (NIR) band. In this study, the potential utility of light-detection-and-ranging LIDAR-derived intensity image (LDII) as an infrared band in shoreline extraction was investigated. Study area was Kestel Dam operated in Izmir province of Turkey. Orthophoto, multispectral Pléiades image (PI), and LDII were processed and evaluated to obtain the shoreline of the dam lake. Mean-shift segmentation was applied on the LDII as smoothing to maintain the edge details while eliminating noise. Noise-free LDII was then added to red, green and blue (RGB) bands of PI instead of NIR band to obtain layer stacked image. Two shorelines were extracted from these two imageries by means of rule-based object-oriented classification. Implemented rules were directly based on threshold values of normalized difference water indexes derived from imageries. Areal-based change detection analysis was carried out with reference to the occupancy rates at the minimum and maximum operating volumes of the dam lake. Also, change detection analysis based on minimum distance differences between extracted and digitized shorelines was performed to examine the subpixel values. Both analyses proved that LDII created from point cloud produced by a beam of 1064 nm can be used as an infrared band in object-based shoreline extraction and may provide better distinction between water and nonwater objects.

Çevrenin korunması ve sürdürülebilir kıyı geliştirme hedeflerine ulaşmak için kıyı alanlarının izlenmesi gerekmektedir. Doğal çevre yönetimi, afet yönetimi, kıyı erozyonu incelemeleri, katı madde taşınımı ve kıyı morfodinamiklerinin modellemesi gibi farklı alanlarda kıyı çizgisi yaygın olarak kullanıldığından, kıyı çizgilerinin özellikle uydu görüntülerinden çıkarılması için çeşitli teknikler geliştirilmiştir. Rastgele Orman algoritması geliştirilen bu tekniklerden bir tanesidir. Rastgele Orman Algoritması, karar ağaçlarına dayanan bir makine öğrenme metodudur. Karar ağaçları, eğitim verilerinin sınıflarını analiz eder ve test verilerinin hangi sınıfa ait olduğunu eğitim verilerinden çıkarttığı kurallara göre belirler. Sunulan çalışmada Terkos bölgesi, “Sürdürülebilir Kıyı Alanı İzleme Modeli İçin İnsansız Hava Araçları-LIDAR Teknolojilerinin Entegrasyonu- Üç Boyutlu Otomatik Kıyı Çizgisi Çıkartılması ve Analizi: İstanbul-Terkos Örneği” başlıklı TÜBİTAK Projesi (Proje No: 115Y718) kapsamında önerilen yöntemin kullanılması amacıyla çalışma alanı olarak seçilmiştir. Bu çalışmada, Terkos Gölü ve gölün hemen yakınında yer aldığı bölgedeki Karadeniz sahilindeki kıyı çizgileri, 22 Temmuz 2016 tarihinde alınan Landsat-8 uydu görüntüsüne Rastgele Orman sınıflandırma yöntemi kullanılarak çıkarılmıştır. Uygulamada öncelikle uydu görüntüsüne ön işleme uygulanmıştır. Rastgele Orman algoritması ile sınıflandırma işlemi için MATLAB platformu kullanılmıştır. Rastgele Orman algoritması çalışma bölgelerine ait görüntülerin farklı bant setlerine uygulanarak, sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma sonucunda kara ve su sınıfları olmak üzere ikili görüntüler elde edilmiştir. Uygulanan bant setleri NIR, R-G-B ve R-G-B-NIR'dir. Terkos Gölü’ne ait elde edilen kıyı çizgilerinin doğruluklarını analiz etmek için elle sayısallaştırılan kıyı çizgileri referans alınarak alansal ve kıyı çizgisi bazında karşılaştırılmıştır. Sonuçlara bakıldığında, kıyı çizgisi çıkarımında yakın kızıl ötesi bandını içeren görüntülerin en az hatalı sonucu verdiği görülmüştür.