Deep Learning Analysis of Forest Areas in UAV-Based Orthophotos

Öz

In recent years, with the advancement of unmanned aerial vehicle (UAV) technologies, it has become easier to acquire high-resolution orthophotos, and the use of these data in land cover analysis has become increasingly widespread. Deep learning-based methods, in particular, provide effective results in the classification of high-resolution imagery due to their ability to learn complex spatial patterns. In this study, deep learning-based approaches were evaluated for the classification of forest areas using orthophoto images obtained from UAVs. Within the scope of the study, a pixel-based classification approach was adopted, and the dataset consisted of three main classes: tree, shadow, and soil. Training and testing processes were carried out using ground truth data. Model performance was analyzed using accuracy, loss, and class-based evaluation metrics. A general accuracy of 96.36% was achieved using the MobileNet architecture on the forest dataset. The findings demonstrate that deep learning methods provide high accuracy and computational efficiency in land cover classification of forest areas. Furthermore, the study reveals that UAV-based orthophotos can be effectively used for automatic thematic map production.

Anahtar Kelimeler

• UAVs
• Orthophotos
• Deep learning
• Classification

İHA Tabanlı Ortofotolarda Orman Alanlarının Derin Öğrenme İle Analizi

Öz

Son yıllarda, insansız hava aracı (İHA) teknolojilerinin gelişmesiyle birlikte yüksek çözünürlüklü ortofotoların elde edilmesi kolaylaşmış ve bu verilerin arazi örtüsü analizlerinde kullanımı yaygınlaşmıştır. Özellikle derin öğrenme tabanlı yöntemler, karmaşık mekânsal görüntüleri öğrenebilme yetenekleri sayesinde yüksek çözünürlüklü görüntülerin sınıflandırılmasında etkin sonuçlar sunmaktadır. Bu çalışmada, İHA ile elde edilen ortofoto görüntüleri kullanılarak orman alanlarının sınıflandırılmasında derin öğrenme tabanlı yaklaşımlar değerlendirilmiştir. Çalışma kapsamında, orman veri seti üzerinde piksel tabanlı sınıflandırma yaklaşımı benimsenmiş olup, ağaç, gölge ve toprak olmak üzere üç temel sınıftan oluşmaktadır. Yer doğruluğu verileri kullanılarak eğitim ve test süreçleri gerçekleştirilmiştir. Model performansı doğruluk (accuracy), kayıp (loss) ve sınıf bazlı değerlendirme ölçütleri kullanılarak analiz edilmiştir. Orman veri seti üzerinde uygulanan MobileNet mimarisi ile %96,36 genel doğruluk elde edilmiştir. Elde edilen bulgular, derin öğrenme yöntemlerinin orman alanlarında arazi örtüsü sınıflandırmasında yüksek doğruluk ve hesaplama verimliliği sağladığını göstermektedir. Ayrıca çalışma, İHA tabanlı ortofotoların otomatik tematik harita üretiminde etkin bir şekilde kullanılabileceğini ortaya koymaktadır. 

Anahtar Kelimeler

• İHA
• Ortofoto
• Derin öğrenme
• Sınıflandırma

Kaynakça

1. Agarap, A. F. (2017). An architecture combining convolutional neural network (CNN) and support vector machine (SVM) for image classification. arXiv preprint arXiv:1712.03541.
2. Aslan, İ., & Polat, N. (2024). Deep learning-based classification of mature and immature lavender plants using UAV orthophotos and a hybrid CNN approach. Earth Science Informatics, 17(2), 1713-1727. Aslan, İ., & Polat, N. (2026). Deep Learning-Based Classification of UAV Orthophotos Using MIDNet Architecture. Turkish Journal of Applied Geoinformation Sciences, 8(1), 15-27.
3. Blaschke, T. (2010). Object-based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2–16. https://doi.org/10.1016/j. isprsjprs.2009.06.004
4. Cheng, G., Han, J., & Lu, X. (2024). Remote sensing image scene classification: Benchmark and state of the art. Proceedings of the IEEE, 112(4), 1–20.
5. Chowdhury, M. E. H., Rahman, T., Khandakar, A., Mazhar, R., Kadir, M. A., Mahbub, Z. B., Islam, M. T., & Reaz, M. B. I. (2021). Can AI help in screening viral and COVID-19 pneumonia? IEEE Access, 8, 132665–132676. https://doi. org/10.1109/ACCESS.2020.3010287
6. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi. org/10.1177/001316446002000104
7. Colomina, I., & Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79–97. https://doi. org/10.1016/j.isprsjprs.2014.02.013
8. Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: Principles and practices (3rd ed.). Boca Raton, FL: CRC Press.

9. Fırat, A., & Hanbay, D. (2023). Derin öğrenme mimarileri ile arazi örtüsü sınıflandırılması. Journal of Intelligent Systems, 34(2), 153–166.
10. Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1), 185–201. https://doi. org/10.1016/S0034-4257(01)00295-
11. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
12. Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., & Adam, H. (2019). Searching for MobileNetV3. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) (pp. 1314–1324).
13. James, M. R., & Robson, S. (2012). Straightforward reconstruction of 3D surfaces and topography with a camera: Accuracy and geoscience application. Journal of Geophysical Research: Earth Surface, 117(F3), F03017. https://doi. org/10.1029/2011JF002289
14. Kraus, K. (2007). Fotogrametri Cilt 1 (O. Altan, S. Külür, G. Toz, H. Demirel, Z. Duran, & M. Çelikoyan, Trans.). İstanbul Teknik Üniversitesi: Nobel Yayın Dağıtım.
15. Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159–174. https://doi. org/10.2307/2529310
16. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https:// doi.org/10.1038/nature14539
17. Nex, F., & Remondino, D. (2014). UAV for 3D mapping applications: A review. Applied Geomatics, 6(1), 1–15. https://doi.org/10.1007/s12518-013- 0120-x
18. Osco, L. P., Arruda, M. S., Marcato Junior, J., Gonçalves, W. N., Ramos, A. P. M., Li, J., & Junior, J. M. (2021). A review on deep learning in UAV remote sensing. Remote Sensing, 13(4), 1–25. https://doi.org/10.3390/rs13040789
19. Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63 Richards, J. A., & Jia, X. (2006). Remote sensing digital image analysis: An introduction (4th ed.). Berlin, Germany: Springer.
20. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4510–4520).
21. Snavely, N., Seitz, S. M., & Szeliski, R. (2008). Modeling the world from internet photo collections. International Journal of Computer Vision, 80(2), 189–210. https://doi.org/10.1007/ s11263-007-0107-3