Tez No	İndirme	Tez Künye	Durumu
509875		Orta çözünürlüklü uydu görüntüleri kullanarak yanmış orman alanlarının farklı sınıflandırma yöntemleri ile haritalanması / Mapping with different classification methods of burnt forest areas by using medium resolution satellite images Yazar:İBRAHİM TAŞCI Danışman: DR. ÖĞR. ÜYESİ ZEHRA YİĞİT AVDAN Yer Bilgisi: Anadolu Üniversitesi / Fen Bilimleri Enstitüsü / Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı Konu:Jeodezi ve Fotogrametri = Geodesy and Photogrammetry Dizin:Orman yangınları = Forest fires	Onaylandı Yüksek Lisans Türkçe 2018 110 s.
Yangınlardan dolayı her yıl on binlerce hektar orman alanı yok olmaktadır. Yanmış orman alanlarının hızlı bir şekilde haritalanması hem hasar tespiti hem de alana yönelik yapılacak müdahalelerin planlanması açısından önemlidir. Günümüzde ücretsiz sunulan orta çözünürlüklü uydu görüntüleri birçok alanda olduğu gibi yanmış alanların haritalanmasında önemli avantajlar sunmaktadır. Bu çalışmada ilk olarak olay öncesi ve sonrasına ait orta çözünürlüklü Sentinel 2A uydu görüntüsü bantlarından faydalanılarak üretilen farklı bant indislerinin değişim saptama ile yanmış alanların haritalanmasındaki başarısı incelenmiştir. Bu kapsamda bant indisi olarak Fark Bitki indeksi (DVI), Normalize Edilmiş Fark Bitki İndeksi (NDVI), Normalize Edilmiş Yanmış Alan İndeksi (NBR) ve Ham Normalize Edilmiş Yanmış Alan İndeksi (NBR-Raw) kullanılmıştır. Değişim saptama işlemi hem piksel tabanlı hem de nesne tabanlı sınıflandırma yaklaşımları ile gerçekleştirilmiştir. İkinci olarak, test sahası olarak kullanılan yanmış orman alanlarının haritalanması için nesne tabanlı ve piksel tabanlı sınıflandırma yöntemi uygulanmıştır. Bu kapsamda iki sınıflandırma yaklaşımı arasında karşılaştırma işlemi yapılacağından, sınıflandırma algoritması, eğitim veri seti ve sınıflandırma için kullanılan parametreler aynı olarak seçilmiştir. Elde edilen tüm sonuçların değerlendirilmesi için çalışma alanında 2400 adet rastgele kontrol noktası üretilerek üretici doğruluğu, kullanıcı doğruluğu, genel doğruluk ve kappa değerleri hesaplanmıştır. Doğruluk analizi sonuçlarına göre en iyi sonuç %92 doğruluk oranı ile nesne tabanlı DVI indisine göre yapılan değişim saptama ile elde edilmiştir. En düşük doğruluk değeri ise %66,98 ile indislere göre yapılan nesne tabanlı sınıflandırma işlemi sonucunda elde edilmiştir. Ayrıca piksel tabanlı ve nesne tabanlı sınıflandırma yaklaşımları karşılaştırıldığında, nesne tabanlı değişim saptama piksel tabanlı değişim saptamaya göre tüm indislerde daha yüksek doğruluk değerleri vermiştir. Piksel ve Nesne tabanlı sınıflandırmada ise tüm indekslerde piksel tabanlı sınıflandırma daha yüksel doğruluk değeri vermiştir.
Every year tens of thousands of hectares of forest are being destroy due to fires. The regular mapping of burnt forest areas is essential for damage assessment and interventions. Nowadays, the free availability of medium-resolution satellite imagery offers significant advantages in mapping burnt areas. Firstly, the change detection of burnt forest areas with the different band indices were successfully mapped by using the bands of medium resolution Sentinel 2A imagery before and after the fires. Difference Vegetation Index (DVI), Normalized Difference Vegetation Index (NDVI), Normalized Burn Area Index (NBR), and Raw Normalized Burn Area Index (NBR-Raw) were used in this study. Change detection has been performed by using both pixel-based and object-based classification approaches. Secondly, using the test fields, the object-based and pixel-based classification methods are applied to map the burnt forest areas. In this study, the same algorithm, training data set and parameters were used for the comparison of the two classification approaches. To evaluate all the results obtained, 2400 randomly generated control points in the study area were used to calculate the user accuracy, the producer accuracy, overall accuracy and kappa values. According to the accuracy results analysis, the best change detection result was the object-based DVI index with 92% accuracy. The lowest accuracy value of 66.98%. was obtained from the object-based classification without indices. Furthermore, when pixel-based and object-based classification approaches are compared, object-based change detection yields higher accuracy values than the pixel-based and all indexes.