Sürdürülebilir Kalkınma Amaçları
Yayınlar
- ArticleAçık Erişim2026Identifying Agricultural Crops with Similar Spectral Properties Using Machine Learning Classifiers and SenseFly eBee SQ Multispectral UAV Images
Akar, Özlem; Akar, Alper; Bayata, Halim Ferit
This study investigates the use of vegetation indices for accurately identifying crops with similar spectral characteristics as grapes, apricots, tomatoes, wheat, and clover for enhancing crop monitoring and management. A 59-hectare area in Karakaya Village, located in the Üzümlü district of Erzincan Province, Türkiye, was selected as the study area. This area contains crops with varying textures, object height, and spectral characteristics. In the study, multispectral (MS) images were acquired using the SenseFly eBee SQ unmanned aerial vehicle (UAV), and subsequently processed to generate an orthophoto, digital terrain model (DTM), and digital surface model (DSM). Fifteen vegetation indices, Gabor texture features, and object heights were integrated into MS bands. Crop classification was performed using two high-accuracy machine learning algorithms: Random Forest (RF) and Support Vector Machine (SVM). According to the overall classification accuracy results, the use of vegetation indices improved classification accuracy by 9% for RF and 5% for SVM. Incorporating Gabor texture features with the top-performing indices (MACARI1, OSAVI, ADVI, and DVI) further increased accuracy to 20% for RF and 12% for SVM. Additionally, including object height alongside the indices and Gabor features resulted in further accuracy gains of 10% and 11% for RF and SVM, respectively. F1-score, specificity, and accuracy analyses, along with various kappa statistics, also the significant improvements in classification performance. According to the McNemar test, the χ^2 values comparing orthophoto images with those incorporating indices, texture, and object height ranged from 6.353 to 35.556 for RF, and from 7.220 to 11.021 for SVM. Since all χ^2 values exceeded 3.84, the results indicate statistically significant improvements in the classification accuracy at the 95% confidence interval.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2026Scenario-based optimization of humanitarian supply chain distribution channels for a possible earthquake: a case study in Türkiye
Balkar, Oğuz Emre; Akar, Alper; Akar, Özlem
Earthquakes represent a serious risk to societies, economies, and critical infrastructure, highlighting the need for effective disaster preparedness and resilient humanitarian supply chains (HSCs). In seismically active regions such as Erzincan Province, Türkiye, HSC distribution networks must remain functional despite significant disruptions. This study proposes a five-stage mixed-method framework to design and optimize HSC distribution channels for a potential major earthquake in the central district of Erzincan. First, buildings and transportation links were evaluated in terms of seismic suitability to pre-select candidate main distribution centers (MDCs), local distribution points (LDPs), and low-risk routes. Proximity analyses were then conducted using Quantum GIS (QGIS) to identify potential LDPs within a 1–5 km service radius for 69 neighborhoods. These locations were further validated and optimized using Greenfield analyses in anyLogistix under a distance–demand cost minimization criterion. Four distribution channel scenarios were subsequently simulated over a two-month post-earthquake period in line with national and international disaster standards. Finally, the Shortest Path Method was applied to assign primary, secondary, and tertiary LDPs to each neighborhood. The results indicate that supplying nine LDPs (comprising schools and healthcare centers) through four MDCs, including a newly designated sports facility, minimizes transportation cost, travel distance, and lead time, while enabling 63.8% of neighborhoods to access their primary LDP within 3 km. The proposed framework offers a holistic approach by explicitly incorporating seismic compliance into the design of HSC distribution channels in earthquake-prone regions.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2024İmar Barışının Mera ve Yayla Alanlarındaki Yapılaşmaya Etkisinin İncelenmesi
Bayata, Halim Ferit; Akar, Alper; Akar, Özlem
Yayla ve meralar genellikle doğal yollarla oluşan bitki topluluklarıdır. Yapılan tahmini hesaplamalara göre, mera ekosistemleri dünya topraklarının yaklaşık %50' sini kapsamakta ve dünyadaki hayvanların yem ihtiyacının büyük bir kısmını karşılamaktadır. Yapılan çalışma ile, 2018 yılında yürürlüğe giren ve halk arasında imar barışı olarak adlandırılın 7143 sayılı yasanın, mera ve yayla alanlarında oluşabilecek kaçak yapılaşmaya olan etkisi araştırılmıştır. Çalışma alanı olarak Trabzon ili Akçaabat ilçesi sınırları içerisinde yer alan mera ve yaylalar seçilmiştir. Çalışmada Google Earth Pro programından elde edilen uydu görüntüleri ile Triplesat uydu görüntüleri kullanılarak zaman içerisinde meydana gelen kontrolsüz yapılaşma tespit edilmiştir. 1. çalışma bölgesinde 33 ve 2. çalışma bölgesinde 50 olmak üzere toplam 83 yeni yapının bu süre içerisinde yapıldığı belirlenmiştir. Elde edilen sonuçlar halen bu alanlarda kaçak yapılaşmanın devam ettiğini, denetlenme sürecinin hızlı ve etkili bir suretle yapılamadığını ve çıkarılan bu af niteliğindeki yasaların kaçak yapılaşmayı teşvik ettiğini göstermektedir.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2024Semantic segmentation of very-high spatial resolution satellite images: A comparative analysis of 3D-CNN and traditional machine learning algorithms for automatic vineyard detection
Akar, Özlem; Saralioğlu, Ekrem; Güngör, Oğuz; Bayata, Halim Ferit
The Erzincan (Cimin) grape, which is an endemic product, plays a significant role in the economy of both the region it is cultivated in and the overall country. Therefore, it is crucial to closely monitor and promote this product. The objective of this study was to analyze the spatial distribution of vineyards by utilizing advanced machine learning and deep learning algorithms to classify high-resolution satellite images. A deep learning model based on a 3D Convolutional Neural Network (CNN) was developed for vineyard classification. The proposed model was compared with traditional machine learning algorithms, specifically Support Vector Machine (SVM), Random Forest (RF), and Rotation Forest (ROTF). The accuracy of the classifications was assessed through error matrices, kappa analysis, and McNemar tests. The best overall classification accuracies and kappa values were achieved by the 3D CNN and RF methods, with scores of 86.47% (0.8308) and 70.53% (0.6279) respectively. Notably, when Gabor texture features were incorporated, the accuracy of the RF method increased to 75.94% (0.6364). Nevertheless, the 3D CNN classifier outperformed all others, yielding the highest classification accuracy with an 11% advantage (86.47%). The statistical analysis using McNemar's test confirmed that the χ2 values for all classification outcomes exceeded 3.84 at the 95% confidence interval, indicating a significant enhancement in classification accuracy provided by the 3D CNN classifier. Additionally, the 3D CNN method demonstrated successful classification performance, as evidenced by the minimum-maximum F1-score (0.79-0.97), specificity (0.95-0.99), and accuracy (0.91-0.99) values.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2024Analysis of emergency assembly points for post-earthquake disaster management: a case study of Erzincan, Türkiye
Akar, Alper; Akar, Özlem; Konakoğlu, Berkant
The selection of emergency assembly points within the urban area holds significant importance for ensuring swift and effective intervention in the aftermath of a potential disaster until temporary shelter areas are prepared. In both historical and instrumental periods, Erzincan (Türkiye) has experienced major earthquakes resulting in significant loss of life and property. The likelihood of similar earthquakes occurring in Erzincan in the future remains high. Therefore, it is necessary to identify safe areas where people can assemble after an earthquake, moving away from hazardous zones. The aim of this study is to analyse the capacities and adequacies of emergency assembly points, which constitute a step in disaster management and enhance the earthquake resilience of the city, using Geographic Information Systems (GIS) based on selected criteria (accessibility, spatial distribution, proximity to healthcare facilities, size, capacity adequacy, and proximity to fault avoidance zones), and to propose solutions. The assessment revealed that the available assembly points are not homogeneously distributed throughout the city and are inadequate to meet the available building and population density. Therefore, in addition to the available 38 emergency assembly points, 67 new alternative emergency assembly points have been identified. The proposed emergency assembly points (in the 75–100% range) increased the number of neighborhoods within the 250 m service area by 43.75% and 42.5% for 500 m.The findings underscore the necessity for more comprehensive and effective planning for Erzincan in the event of a potential disaster or emergency.
RDL Kalıcı Kaydıİncele - ArticleYalnız künye2022Prediction of geoid undulations: Random forest versus classic interpolation techniques
Akar, Alper; Konakoğlu, Berkant; Akar, Özlem
Local geoid determination studies are commonly carried out today to establish the relationship between the ellipsoidal height (Formula presented.) determined by satellite geodesy methods and the orthometric height (Formula presented.) found using geoid undulation (Formula presented.). The aim of this study was to determine a local geoid using the kriging, local polynomial (LP), and inverse distance to a power (IDP) interpolation methods along with the random forest (RF) regression method and to compare the performance. For the application, 193 Global Navigation Satellite System (GNSS)/leveling points homogeneously distributed over the study area were selected as reference data, and 70 GNSS/leveling points were selected as test data. The results were compared in terms of accuracy using well-known performance metrics, namely, the root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2) values. According to the results, the highest R2 and the lowest RMSE and MAE values were obtained with the RF regression method. These findings demonstrated the superiority of the RF regression over the classic interpolation methods applied in the local geoid determination for the study area.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2019Göktürk-2 ve Worldview-2 Uydu Görüntüleri için Görüntü Keskinleştirme Yöntemlerinin Değerlendirilmesi
Akar, Özlem
Bu çalışmada, Göktürk-2 keskinleştirme yapılmış görüntüsünün kırsal ve kentsel bölgelerdeki başarısınındeğerlendirilmesi amaçlanmıştır. Çalışma alanı olarak Trabzon ilinin Sürmene ilçesi seçilmiştir.Görüntükeskinleştirmesi için 5m konumsal çözünürlüklü dört adet Multispektral(MS) banda ve bir adet 2.5 m konumsalçözünürlüklü Pankromatik (PAN) banda sahip Göktürk-2 uydu görüntüsü ve 0.5 m konumsal çözünürlüklüWorldview-2 PAN bandı kullanılmıştır. İlk olarak, görüntülerin ön işlemesi için Göktürk-2 MS ve PANgörüntüleri, Worldview-2 PAN görüntüsüne göre piksel altı Root Mean Square (RMS) değeriyle geometrik olarakdüzeltilmiştir. Ardından Göktürk-2 MS ile Göktürk-2 PAN görüntüleri, ve Göktürk-2 MS ile Worldview-2 PANgörüntülerinin sekiz farklı yöntem ile keskinleştirme işlemi gerçekleştirilmiştir. Görüntü keskinleştirme işlemiiçin Ehler's, Gram–Schimdt (GS), Hyperspherical Colour Sphere (HCS), High-Pass Filter (HPF), Intensity HueSaturation (IHS), Principal Component (PC), Color Normalized (CN) ve Wavelet tabanlı yöntemlerikullanılmıştır. Keskinleştirme yapılmış görüntülerin kalitesi yaygın olarak kullanılan ve, spektral ve konumsalkaliteyi ölçen metrikler ile değerlendirilmiştir. Ayrıca doku bilgisini çıkaran Gabor filtresi de bu çalışmada metrikolarak kullanılmıştır. Bunun yanında keskinleştirme yapılmış görüntülerin değerlendirilmesi için bitki ve suindisleri çıkarılmıştır. Orijinal ve keskinleştirme yapılmış görüntülerin indisleri arasındaki korelâsyon katsayılarıhesaplatılmıştır. Değerlendirme sonucuna göre, kentsel alan için CN , kırsal alanda ise HPF ve HCS görüntükeskinleştirme yöntemleri ile elde edilen sonuçların spektral ve konumsal anlamda daha az bozulmaya sahipolduğu görülmüştür. Genel olarak kentsel ve kırsal alan için CN yönteminin doku bilgisini daha iyi yansıttığı veindisler yönünden de daha yüksek korelâsyona sahip olduğu gözlenmiştir.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2019Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi
Akar, Özlem; Görmüş, Esra Tunç
Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydugörüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır. Bunun için Hyperion EO1hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır. Çalışma alanı olarakspektral özellikleri birbirine yakın arazi sınıflarına sahip olan Trabzon Akçaabat ilçesinin Büyükoba yaylasıseçilmiştir. Çalışmada Göktürk-2 Multispektral (GMS), Göktürk-2 Pankromatik (GPAN) ve Hyperion EO-1hiperspektral uydu görüntüleri kullanılmıştır. Öncelikle Hyperion EO-1 hiperspektral uydu görüntüsü içinatmosferik ve radyometrik düzeltmeler yapılmış, bozuk ve kullanılmayan bantların temizlenmesi için bantindirgeme işlemleri uygulanmıştır. Bant indirgeme işlemi için dalgacık tabanlı Ampirik Kip Ayrıştırma (AKA)yöntemi kullanılmıştır. Sonrasında tüm görüntüler rektifiye edilerek aynı koordinat sisteminde olmasısağlanmıştır. Görüntüler ön işlemden geçirildikten sonra GPAN, GMS ve indirgenmiş Hyperion EO- 1(DHYP) görüntüleri ile Gram Schmidt (GS) ve Principle Component (PC) gibi görüntü kaynaştırmayöntemleri kullanılarak kaynaştırılmıştır. Kaynaştırma yöntemleriyle elde edilen kaynaştırılmış görüntülerüzerinden sınıflandırmada kullanılacak arazi kullanım sınıfları belirlenmiştir. Bu görüntüler yükseksınıflandırma doğruluğu veren Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM) yöntemleriylesınıflandırılmıştır. Her bir sınıflandırma sonucu için doğruluk analizleri yapılmış ve elde edilen doğruluklarkarşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunun, PCkaynaştırma yöntemine göre kaynaştırılmış ve RO sınıflandırıcısı ile sınıflandırılmış görüntülerden eldeedildiği gözlenmiştir. PC ile kaynaştırılmış GPAN ve GMS görüntüsü ile GPAN ve DHYP' nin kaynaştırılmışgörüntüsünün RO ile sınıflandırılması sonucu genel sınıflandırma doğrulukları sırasıyla %72.13 ve %83.06olarak elde edilmiştir. Bu sonuçlara göre sınıflandırma doğruluğu % 11 oranında artırılmıştır. Son olarak enyüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2019Headwall Hyperspec VNIR Kamerası İle Elde Edilen Hiperspektral Hava Fotografı İçin Boyut İndirgeme Yöntemlerinin Performanslarının Analizi
Akar, Özlem; Görmüş, Esra Tunç
Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının HeadwallHyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır. Bunun içinHarita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca (BARKOK)2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ileelde edilen hiperspektral hava fotoğrafı kullanılmıştır. Çalışma alanı olarak, çekimin gerçekleştiği Bergamabölgesinde kentsel ve kırsal arazi kullanım sınıflarını barındıran pilot bir bölge seçilmiştir. Çalışmada öncelikliolarak hiperspektral hava fotoğrafına atmosferik ve radyometrik düzeltmeler yapılmıştır. Ardından bozuk vekullanılmayan bantların temizlenmesi için yaygın olarak kullanılan Temel Bileşen Analizi (PCA), AyrıkDalgacık Dönüşümü (DWT), Faktör Analizi (FACTORNAL), Çok Boyutlu Ölçekleme yöntemi (MDS –Multidimensional Scaling) ve En Fazla Daralan Metrik Öğrenme (MCML-Maximally Collapsing MetricLearning) gibi 5 farklı yöntemle bant indirgeme işlemi uygulanmıştır. Sonrasında tüm görüntülerin geometrikdüzeltmeleri yapılarak aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildiktensonra indirgeme yöntemlerinin performanslarının analizi için yaygın olarak kullanılan ve yüksek sınıflandırmadoğruluğu sağlayan makine öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman(RO) sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi sonucunda elde edilen tematik görüntüler içindoğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde,en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığıgözlemlenmiştir. Genel olarak bakıldığında RO ile elde edilen sonuçlarda genel sınıflandırma doğruluklarıyüksekten düşüğe sırasıyla DWT, MCML, MDS, FACTORNAL ve PCA olarak elde edilmiştir. DVMsonuçlarına göre bu sıranın ise DWT, MCML, MDS, PCA ve FACTORNAL olduğu gözlenmiştir. Buna göreher iki sınıflandırma yönteminde de en yüksek doğruluğu DWT' nin, en düşük sınıflandırma doğruluğunu daFACTORNAL ve PCA yöntemlerinin verdiği görülmüştür. Çalışma sonucu göstermektedir ki, bu hiperspektralhava fotoğrafı için denenen yöntemler arasında en uygun boyut indirgeme yöntemi DWT 'dir.
RDL Kalıcı Kaydıİncele - ArticleYalnız künye2018The Rotation Forest algorithm and object-based classification method for land use mapping through UAV images
Akar, Özlem
This study aims to test the performance of the Rotation Forest (RTF) algorithm in urban and rural areas that have similar characteristics using unmanned aerial vehicle (UAV) images to produce the most up-to-date and accurate land use maps. The performance of the RTF algorithm was compared to other ensemble methods such as Random Forest (RF) and Gentle AdaBoost (GAB) for object-based classification. RGB bands and other variables (i.e. ratio, mean, standard deviation,.. etc.) were also used in classification. The accuracy assessments showed that the RTF method, with 92.52 and 91.29% accuracies, performed better than the RF (2 and 4%) and GAB (5 and 8%) methods in urban and rural areas, respectively. The significance of differences in classification methods was also analysed using the McNemar test. Consequently, this study shows the success of the RTF algorithm in the object-based classification of UAV images for land use mapping.
RDL Kalıcı Kaydıİncele - ArticleAçık Erişim2017Mapping land use with using Rotation Forest algorithm from UAV images
Akar, Özlem
The aim of this study is to test the performance of the Rotation Forest (RTF) algorithm in areas that have similar characteristics by using Unmanned Aerial Vehicle (UAV) images for the production of most up-to-date and accurate land use maps. The performance of the RTF algorithm was compared to other ensemble methods such as Random Forest (RF) and Gentle AdaBoost (GAB). The accuracy assessments showed that the RTF with 84.90% and 93.33% accuracies provided better performance than RF (7% and 4%) and GAB (15% and 11%) in urban and rural areas, respectively. Subsequently, in order to increase the classification accuracy, a majority filter was applied to post-classification images and the overall classification accuracy of the RFT was increased approximately up to 3%. Also, the results of classification were also analysed using the McNemar test. Consequently, this study shows the success of the RTF algorithm in the classification of UAV images for land use mapping.
RDL Kalıcı Kaydıİncele