TÜRKÇE
ENGLISH
Genel Bilgi
| Birim | FEN BİLİMLERİ ENSTİTÜSÜ |
| UZAKTAN ALGILAMA VE COĞRAFİ BİLGİ SİSTEMLERİ (DR) | |
| Kod | UA606 |
| Ad | Uzaktan Algılamada Sınıflama Yöntemleri-II |
| Dönem | 2025-2026 Eğitim-Öğretim Yılı |
| Dönem | Bahar |
| Süre (T+U) | 3-0 (T-U) (17 Hafta) |
| AKTS | 6 AKTS |
| Yerel Kredi | 3 Yerel Kredi |
| Eğitim Dil | Türkçe |
| Seviye | Belirsiz |
| Tür | Normal |
| Öğretim Şekli | Yüz Yüze Öğretim |
| Bilgi Paketi Koordinatörü | Prof. Dr. TOLGA ÇAN |
| Dersin Öğretim Elemanı |
Güncel dönem ders programı henüz yapılmamıştır.
|
Dersin Amacı / Hedefi
İleri düzey sınıflama tekniklerini, nesne tabanlı analiz yaklaşımlarını ve yapay zekâ destekli sınıflama yöntemlerini ele alınacaktır. ArcGIS Pro ve ilgili ileri düzey araçlar kullanılarak nesne tabanlı sınıflama, makine öğrenmesi ve derin öğrenme algoritmaları ile sınıflama süreçleri farklı konularda uygulamalı olarak işlenecektir.
Dersin İçeriği
Uzaktan algılama alanında ileri sınıflama yöntemleri ve modern analiz tekniklerini uygulama becerisi kazandırmak amacıyla, temel sınıflama bilgilerinin üzerine inşa edilen bu derste, nesne tabanlı görüntü analizi (OBIA), rastgele orman (Random Forest), destek vektör makineleri (SVM), yapay sinir ağları (ANN) ve konvolüsyonel sinir ağları (CNN) gibi güncel makine öğrenmesi ve derin öğrenme algoritmalarına dayalı sınıflama yaklaşımları ele alınmaktadır. Ayrıca çok kaynaklı veri entegrasyonu (örneğin Lidar, SAR, hiperspektral görüntüler), zamansal değişim analizi ve büyük veri platformlarında (Google Earth Engine, ArcGIS Image Server) sınıflama konuları da ders kapsamında yer almaktadır. Ders, öğrencilere yalnızca teknik bilgi sunmakla kalmayıp, aynı zamanda analitik düşünme, algoritma seçimi ve iş akışı tasarlama becerilerini de kazandırmayı hedeflemektedir. Dönem sonunda öğrencilerin, karmaşık ve büyük veri setleri üzerinde etkili sınıflama yöntemlerini uygulayabilmeleri, ileri düzey yazılım araçlarını kullanarak anlamlı mekânsal analizler yapabilmeleri beklenmektedir.
Dersin Ön Koşulu
Ön koşul bulunmamaktadır.
Kaynaklar
Remote Sensing with ArcGIS Pro (second edition) Copyright © 2023 by Tammy Parece and John McGee.
Notlar
Remote Sensing with ArcGIS Pro (second edition) Copyright © 2023 by Tammy Parece and John McGee.
Dersin Öğrenme Çıktıları
| Sıra | Dersin Öğrenme Çıktıları |
|---|---|
| ÖÇ01 | İleri sınıflama yöntemlerinin temel ilkelerini açıklar. |
| ÖÇ02 | Obje tabanlı sınıflamayı uzaktan algılama verilerine uygular. |
| ÖÇ03 | Yapay sinir ağı ve derin öğrenme algoritmalarını kullanır. |
| ÖÇ04 | Zamansal görüntü serilerini sınıflandırır. |
| ÖÇ05 | Çok kaynaklı verilerle sınıflama doğruluğunu artırır. |
Program Öğrenme Çıktıları ile İlişkisi
| Sıra | Tür | Program Öğrenme Çıktıları | Duzey |
|---|---|---|---|
| PÖÇ01 | Bilgi - Kuramsal, Olgusal | İleri düzey Uzaktan algılama ve Coğrafi Bilgi Sistemleri kavramları hakkında altyapı sahibi olur. | 2 |
| PÖÇ02 | Bilgi - Kuramsal, Olgusal | Uzaktan algılama teknolojisi, algılayıcı sistemler ve bu sistemlerin elde ettiği görüntüler hakkında bilgi sahibi olur. | 3 |
| PÖÇ03 | Bilgi - Kuramsal, Olgusal | Uzaktan algılama verisi kullanarak CBS veri tabanları için bilgi üretebilir ve veri tabanı yönetimi konularında bilgi sahibi olur. | 2 |
| PÖÇ04 | Bilgi - Kuramsal, Olgusal | Mühendislik uygulamaları için gerekli olan güncel teknik ve araçları seçme ve kullanma becerisi; bilişim teknolojilerini etkin kullanma becerisi, ile veri toplama, sonuçları analiz etme ve yorumlama becerisi edinir. | 2 |
| PÖÇ05 | Bilgi - Kuramsal, Olgusal | Güncel veri ve yöntemlerin multi-disipliner çalışmalarda kullanılabilmesi için gerekli bilgileri edinir. | 2 |
| PÖÇ06 | Bilgi - Kuramsal, Olgusal | Coğrafi Bilgi Sistemleri ve Uzaktan Algılama alanlarındaki güncel veri ve yazılımları kullanma konularında teknik yeterlilik kazanır. | |
| PÖÇ07 | Bilgi - Kuramsal, Olgusal | Uydu görüntülerinin kullanım alanları hakkında bilgi sahibi olur; bu alanda kuramsal ve uygulamalı bilgileri mesleki alanda çözümleri ile birlikte kullanabilir. | 2 |
| PÖÇ08 | Yetkinlikler - Öğrenme Yetkinliği | Uydu verilerini işleyerek fiziksel ve atmosferik değişkenleri hesaplama ve yorumlama yeteneğine sahip olur. | |
| PÖÇ09 | Yetkinlikler - Öğrenme Yetkinliği | Uzaktan Algılama tekniklerini kullanarak CBS projeleri için veri hazır. | 2 |
| PÖÇ10 | Bilgi - Kuramsal, Olgusal | CBS teknikleri ile coğrafi veriyi analiz etme ve yorumlamaya yeterlilik kazanır. | |
| PÖÇ11 | Bilgi - Kuramsal, Olgusal | Kullanıcı düzeyinin üzerinde sorun belirleme, çözme, çözüme yönelik uygulama geliştirme becerisi kazanır | 2 |
| PÖÇ12 | Yetkinlikler - Öğrenme Yetkinliği | Uydu verilerinden bilgileri elde etme, değerlendirme, kayıt etme ve uygulama yapabilme yeteneğini edinir. |
Haftalık Akış
| Hafta | Konu | Ön Hazırlık | Yöntemler |
|---|---|---|---|
| 1 | İleri sınıflama kavramlarına giriş | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 2 | Obje tabanlı görüntü analizi (OBIA) | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Soru-Cevap, Anlatım |
| 3 | Segmente etme ve obje oluşturma teknikleri | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 4 | Obje tabanlı sınıflamada özellik mühendisliği | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 5 | Yapay sinir ağları (ANN) | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 6 | Derin öğrenme yöntemleri (CNN, RNN) | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 7 | Karışık piksellerin sınıflandırılması | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 8 | Ara Sınavlar | Ön hazırlık gereklidir | Ölçme Yöntemleri: Proje / Tasarım, Portfolyo, Yazılı Sınav, Ödev |
| 9 | Spektral-açılı sınıflama ve doğrusal olmayan sınıflayıcılar | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 10 | Ensembel yöntemleri ve çoğul sınıflayıcılar | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 11 | Zamansal görüntü serileri üzerinde sınıflama | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 12 | Çok kaynaklı veri entegrasyonu | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 13 | Doğruluk artırma stratejileri ve hata kaynakları | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 14 | Uygulamalı sınıflama çalışmaları | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 15 | Proje sunumları ve genel değerlendirme | Ön hazırlık gerekli değildir. | Öğretim Yöntemleri: Anlatım |
| 16 | Yarıyıl Sonu Sınavları | Ön hazırlık gereklidir. | Ölçme Yöntemleri: Ödev, Portfolyo, Proje / Tasarım, Yazılı Sınav |
| 17 | Yarıyıl Sonu Sınavları | Ön hazırlık gereklidir | Ölçme Yöntemleri: Yazılı Sınav, Proje / Tasarım |
Öğrenci İş Yükü - AKTS
| Çalışmalar | Sayısı | Süresi (Saat) | İş Yükü (Saat) |
|---|---|---|---|
| Ders ile İlgili Çalışmalar | |||
| Ders (Sınav haftaları dahil değildir) | 15 | 3 | 45 |
| Sınıf Dışı Ders Çalışma (Ön çalışma, pekiştirme) | 15 | 4 | 60 |
| Değerlendirmeler ile İlgili Çalışmalar | |||
| Ödev, Proje, Diğer | 1 | 20 | 20 |
| Ara Sınavlar (Yazılı, Sözlü, vs.) | 1 | 10 | 10 |
| Yarıyıl/Yıl Sonu/Final Sınavı | 1 | 15 | 15 |
| Toplam İş Yükü (Saat) | 150 | ||
| Toplam İş Yükü / 25 (s) | 6,00 | ||
| AKTS | 6 AKTS | ||