Dilimleme destekli hiper çıkarım ile hava fotoğraflarından bireysel ağaç segmentasyonunun iyileştirilmesi ve ağaç metriklerinin türetimi

Ağaçlar; karbon depolama, mikro iklimin düzenlenmesi ve ekolojik dengenin korunması açısından kentsel ile orman ekosistemlerinin temel bileşenleri arasında yer almaktadır. Bu nedenle kentsel alanlarda, orman meşcerelerinde ve orman dışı ağaç topluluklarında ağaçların tekil düzeyde doğru biçimde çıkarılması; biyokütle tahmini, karbon stoklarının izlenmesi, orman envanterinin güncellenmesi ve sürdürülebilir kent ve arazi yönetimi açısından önem taşımaktadır. Bununla birlikte hava fotoğraflarından ağaçların semantik segmentasyonu, tekil ağaçların örnek düzeyinde ayrıştırılması ve elde edilen bölütler üzerinden ağaç metriklerinin türetilmesi; tepe taçlarının birbiriyle örtüşmesi, gölge ve aydınlatma koşullarındaki değişimler ile arka plan karmaşıklığı nedeniyle otomatikleştirilmesi güç bir süreçtir. Bu tez çalışmasında, Dilimleme Destekli Hiper Çıkarım (Slicing Aided Hyper Inference-SAHI) yöntemini görsel temel modellerden Segment Anything Model (SAM) ailesinin son sürümü olan SAM 3 ile birleştiren bir yaklaşım önerilmiştir. Öncelikle ağaçların semantik segmentasyonu gerçekleştirilmiş, ardından bireysel ağaç ve kanopi segmentasyonu örnek düzeyinde yapılmış, son aşamada ise elde edilen bölütlerden ağaç metrikleri türetilmiştir. Bu aşamalar, SAM 3’ün tek başına ve SAHI ile birlikte kullanıldığı iki ayrı yapılandırmada yürütülmüş; böylece SAHI yönteminin segmentasyon başarımına katkısı doğrudan karşılaştırılarak OAM-TCD veri seti üzerinde değerlendirilmiştir. Elde edilen sonuçlar kesinlik, duyarlılık, F1 skoru ve kesişimin birleşime oranı (IoU) ölçütleri üzerinden değerlendirilmiştir. Ağaç örtüsü semantik segmentasyon sonuçları incelendiğinde SAM 3 modeline SAHI dilimli çıkarım mekanizmasının entegre edilmesinin; IoU değerini %67,2’den %72,5’e, F1 skorunu %80,4’ten %84,1’e ve duyarlılık oranını %74,6’dan %86,5’e yükselttiği gözlemlenmiştir. Bireysel ağaç tacı tespitinde ise kanopi bölgeleri dışında duyarlılık %23,4’ten %63,2’ye, F1 skoru %36,0’dan %52,8’e, mAP50 değeri ise 20,84'ten 47,90'a yükselmiştir.

Trees are among the fundamental components of urban and forest ecosystems, contributing to carbon storage, microclimate regulation and the maintenance of ecological balance. Accurate extraction of individual trees in urban areas, forest stands and trees outside forests is therefore important for biomass estimation, carbon stock monitoring, forest inventory updating, and sustainable urban and land management. However, semantic segmentation of trees, instance-level delineation of individual trees and derivation of tree metrics from the resulting segments remain difficult to automate from aerial imagery because of overlapping crowns, variations in shadow and illumination, and background complexity. This thesis proposes an approach that combines Slicing Aided Hyper Inference (SAHI) with SAM 3, the latest version of the Segment Anything Model (SAM) family of vision foundation models. Semantic segmentation of trees was performed first, followed by instance-level segmentation of individual trees and tree canopies, and tree metrics were finally derived from the resulting segments. These stages were carried out in two separate configurations, with SAM 3 used alone and in combination with SAHI, so that the contribution of SAHI to segmentation performance could be assessed through direct comparison on the OAM-TCD dataset. The results were evaluated using precision, recall, F1 score and Intersection over Union (IoU). For semantic segmentation of tree cover, integrating SAHI sliced inference into SAM 3 increased IoU from 67.2% to 72.5%, the F1 score from 80.4% to 84.1% and recall from 74.6% to 86.5%. For individual tree crown detection outside canopy regions, recall increased from 23.4% to 63.2%, the F1 score from 36.0% to 52.8% and mAP50 from 20.84 to 47.90.