Generating land use and land cover maps with open data using open source tools: Forecariah, Guinea case study Açık görüntü verilerinden açık araçlar kullanılarak arazi kullanım ve arazi örtüsü haritalarının üretilmesi: Forecariah, Gine örnegi

xiv, 45 pages29 cm. CDÖZETAntropolojik eylemler nedeniyle arazi kullanımı zaman içinde değişmektedir. Bu değişiklikler hem arazi yönetimini hem de çevre koruma düzenlemelerini etkiler ve dolayısıyla yaşam koşullarını olumsuz yönde değiştirir. Bu değişiklikleri izlemek, devasa mühendislik projeleri ve sermaye karar verme süreçleri geliştirmenin bel kemiği haline gelmiştir. Özellikle finansal kaynakların çok sınırlı olduğu gelişmekte olan ülkelerde. Uzaktan algılayıcı sensörler ve açık erişim programları aracılığıyla, AKAÖ özellikleri bu tür ülkeler için bir miktar kolaylıkla gerçekleştirilebilir. Sentinel 2 MSI, 10m yer örnekleme aralığı ve 5 günlük zamasal çözünürlük ile bu tür bir çalışmayı gerçekleştirmek için kullanılabilir. Ülkenin göç merkezi olarak kabul edilen Gine'nin başkenti Conakry'ye yakın bir yerde bulunan 585 km2'lik ve 240000 civarında nüfusa sahip bir bölge olan Forecariah'ın Sentinel 2 görüntüsü kullanılmıştır. Globeland30, su, sulak alan, tarım, bitki örtüsü, çıplak arazi, yapılaşma gibi alan AKAÖ özelliklerini sınıflandırmak için kullanılmıştır. Amacımıza en uygun ve ücretsiz olarak kullanılabilecek kümeleme algoritmasını bulmak için denetimsiz yöntem olarak K-means, denetimli yöntem olarak RF, SVM, DL4J kullanıldı. Denetimsiz yöntem için yineleme sayısı 30 ve sınıf sınırı 6 olarak ayarlandı. Çalışmada 10 kat çapraz doğrulama ile yapılmış, eğitim ve test poligonlarını seçmek için Google Earth görüntüsü kullanılmıştır. Bunun sonucunda tematik haritalar elde edilmiştir. K-means, Sentinel veri işleme yazılımı SNAP altında çalıştırılmıştır, RF ve SVM için EnMAP-Box ve DL için WEKA kullanılmıştır. Genel doğruluk olarak K-means, RF, SVM ve DL4J için sırasıyla 78, 83, 86 ve 91 elde edilmiştir. Diğer 3 sınıflandırıcıya kıyasla DL ile ilgili olduğu için beklendiği gibi en iyi sonucu vermiştir. Bu nedenle, mühendislik ve çevre koruma projelerinde ve güçlü karar verme sistemlerinin oluşturulmasında DL algoritmalarının kullanılmasını önerebiliriz. Özellikle, gelecek nesillerin yaşamını etkileyebilecek ve çoğunlukla düşük gelirli bölgelerde LULC özelliklerinin değişmesinin izlenmesi söz konusu olduğunda açık kaynak veri ve yazılımlardan yararlanılması tavsiye edilmektedir.ABSTRACTDue to anthropological actions, land usage changes within time. Those changes impact both land management and environment safe keeping regulations which therefore adverse living conditions. Tracking those changes have become the backbone for developing huge engineering projects and capital decision making processes. Especially in developing countries, where financial resources are very limited. Through remote sensors and open access programs, LULC features motoring can be performed with some ease for such countries. Sentinel 2 MSI with its 10m ground sampling and 5 days revisit frequency can be used to perform such study. We used Sentinel 2 image of Forecariah, a region with 585 sqkm and a population around 240000, located in a close proximity to Conakry the capital city of Guinea recognized to be the most mass migration center of the country. Globeland30 was used to classify the area LULC features such as water, wetland, agriculture, vegetation, bare-land, built-up. K-means was performed as unsupervised method and RF, SVM, DL4J were used as supervised method for finding the clustering algorithm that best fit our purpose and can be used free of charge. Iteration number was set to 30 and class limit to 6 for the unsupervised method. For the supervised case, Google Earth image of data were used to set train and test polygons, assessed with 10-fold cross validation. As a result, thematic maps were obtained. K-means was run under SNAP, the sentinel data processing software, RF and SVM under EnMAP-Box a python plugin for QGIS and DL4J under WEKA which provides access to both SQL database and DL through DL4J. As overall accuracies, we obtained 78, 83, 86 and 91 respectively for K-means, RF, SVM and DL4J. DL4J gave best result as expected because relevant to DL compared to other 3 classifiers. Therefore, we can advise the usage of DL algorithms in engineering and environment protecting projects as well as in the building of a decision making systems. Especially, when it comes to monitoring LULC features change that can impact the life of future generations and mostly in low-income regions