KaydedilenlerDerginizi ekleyin

Dergiler / Geomatik / 2026 / Cilt: 11 Sayı: 1

Uzaktan algılama verisi tabanlı coğrafi veri küpü teknolojisi: UDENE uygulaması

Nebiye Musaoğlu(İstanbul Teknik Üniversitesi)0000-0002-8022-8755
Bekir Kapukaya(İSTANBUL TEKNİK ÜNİVERSİTESİ)0000-0001-9716-9205
Onur Lenk(İSTANBUL ÜNİVERSİTESİ, DENİZ BİLİMLERİ VE İŞLETMECİLİĞİ ENSTİTÜSÜ)0000-0001-8860-317X
Ayşe Yücel Erbay0009-0004-2763-1408
Seda Nur Kara0009-0003-7823-2442
Sayfa
53–60
Yayın Tarihi
2025-12-16
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular, veri küpü yaklaşımının hem veri saklama verimliliği hem de çok boyutlu sorgulama performansı bakımından geleneksel yöntemlere kıyasla önemli ölçüde avantaj sağladığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde veri hacminin ve çeşitliliğinin hızla artması, çok boyutlu veri yönetimi ve analizi alanında yenilikçi yöntemlerin geliştirilmesini gerekli kılmaktadır.
📊
Temel Bulgular & Veri:Geliştirilen platformda farklı uydu görüntülerinin tek bir veri küpü çatısı altında saklanması ve indekslenmesi sağlanmış; veri ön işleme, sorgu performansı ve sıkıştırma stratejileri açısından elde edilen sonuçlar değerlendirilmiştir.
💡
Sonuç & Katkı:Bulgular, veri küpü yaklaşımının hem veri saklama verimliliği hem de çok boyutlu sorgulama performansı bakımından geleneksel yöntemlere kıyasla önemli ölçüde avantaj sağladığını göstermektedir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Veri küpü · Büyük Veri · Çok Boyutlu Veri Analizi

Özet

Günümüzde veri hacminin ve çeşitliliğinin hızla artması, çok boyutlu veri yönetimi ve analizi alanında yenilikçi yöntemlerin geliştirilmesini gerekli kılmaktadır. Veri küpü teknolojisi bu konuda geliştirilmiş, çözüme yönelik kullanım hızı ve kolaylığı ön gören en güncel yöntemlerden biridir. Çok boyutlu mekânsal ve zamansal verilerin belirgin kullanım senaryoları dahilinde yapılandırılması, analiz edilmesi ve görselleştirilmesi süreçleri, bu teknolojinin “coğrafi veri küpü” tanımına evrilmesiyle anlamlı bir uygulama alanı kazanmıştır. Bu çalışmada, veri küpleri ve veri küpü tasarımının nasıl yapılacağı açıklanmıştır. Ayrıca Doğal Deneyler Kullanarak Kentsel Gelişim Keşifleri (Urban Development Explorations using Natural Experiments-UDENE) projesi kapsamında uydu görüntüleri ve coğrafi veri temelinde geliştirilen coğrafi veri küpü örnek olarak sunulmuştur. Geliştirilen platformda farklı uydu görüntülerinin tek bir veri küpü çatısı altında saklanması ve indekslenmesi sağlanmış; veri ön işleme, sorgu performansı ve sıkıştırma stratejileri açısından elde edilen sonuçlar değerlendirilmiştir. Bulgular, veri küpü yaklaşımının hem veri saklama verimliliği hem de çok boyutlu sorgulama performansı bakımından geleneksel yöntemlere kıyasla önemli ölçüde avantaj sağladığını göstermektedir. Bununla birlikte, gerçek zamanlı veri işleme ve donanım altyapısı gereksinimleri, teknolojinin yaygın olarak benimsenmesi önünde hâlâ çözülmesi gereken bazı sınırlılıklar olarak belirlenmiştir. Çalışmanın sonunda, gelecekteki araştırmalarda makine öğrenimi ve bulut bilişim mimarileriyle bütünleşik veri küpü sistemlerinin geliştirilmesine ve veri analitiği uygulamalarında çok boyutlu veri işleme yeteneklerinin genişletilmesine ilişkin öneriler sunulmuştur.

🔖

Bu Makaleye Atıf Yap

Musaoğlu, N., Kapukaya, B., Lenk, O., Erbay, A. Y., Kara, S. N. (2025). Uzaktan algılama verisi tabanlı coğrafi veri küpü teknolojisi: UDENE uygulaması. Geomatik, Cilt: 11 Sayı: 1, 53–60. https://doi.org/10.29128/geomatik.1659359

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (33)

  1. Harinarayan, V., Rajaraman, A., & Ullman, J. D. (1996). Implementing data cubes efficiently. Acm Sigmod Record, 25(2), 205-216. https://doi.org/10.1145/235968.233333
  2. Gray, J., Chaudhuri, S., Bosworth, A., Layman, A., Reichart, D., Venkatrao, M.,. & Pirahesh, H. (1997). Data cube: A relational aggregation operator generalizing group-by, cross-tab, and sub-totals. Data mining and knowledge discovery, 1, 29-53. https://doi.org/10.1023/A:1009726021843
  3. Vitter, J. S., Wang, M., & Iyer, B. (1998). Data cube approximation and histograms via wavelets. In Proceedings of the seventh international conference on Information and knowledge management, 96-104. https://doi.org/10.1145/288627.288645
  4. Lewis, A., Oliver, S., Lymburner, L., Evans, B., Wyborn, L., Mueller, N.,. & Wang, L. W. (2017). The Australian geoscience data cube—foundations and lessons learned. Remote Sensing of Environment, 202, 276-292. https://doi.org/10.1016/j.rse.2017.03.015
  5. Mišev, D., Baumann, P., Bellos, D., & Wiehle, S. (2019). BigDataCube: A scalable, federated service platform for Copernicus. In 2019 IEEE International Conference on Big Data (Big Data), IEEE 4103-4112. https://doi.org/10.1109/BigData47090.2019.9006222
  6. Baumann, P., Misev, D., Merticariu, V., & Huu, B. P. (2019). Datacubes: Towards space/time analysis-ready data. Service-Oriented Mapping: Changing Paradigm in Map Production and Geoinformation Management, 269-299. https://doi.org/10.1007/978-3-319-72434-8_14
  7. Dhu, T., Giuliani, G., Juárez, J., Kavvada, A., Killough, B., Merodio, P.,. & Ramage, S. (2019). National open data cubes and their contribution to country-level development policies and practices. Data, 4(4), 144. https://doi.org/10.3390/data4040144
  8. Ferreira, K. R., Queiroz, G. R., Vinhas, L., Marujo, R. F., Simoes, R. E., Picoli, M. C.,. & Fonseca, L. M. (2020). Earth observation data cubes for Brazil: Requirements, methodology and products. Remote Sensing, 12(24), 4033. https://doi.org/10.3390/rs12244033
  9. Killough, B., Rizvi, S., & Lubawy, A. (2021, July). Advancements in the open data cube and the use of analysis ready data in the cloud. In 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 1793-1795. https://doi.org/10.1109/IGARSS47720.2021.9553063
  10. Gao, F., Yue, P., Cao, Z., Zhao, S., Shangguan, B., Jiang, L.,. & Liang, Z. (2022). A multi-source spatio-temporal data cube for large-scale geospatial analysis. International Journal of Geographical Information Science, 36(9), 1853-1884. https://doi.org/10.1080/13658816.2022.2087222
  11. Caetano, A. F. M., Hirata, C. M., & Silva, R. R. (2022). A comparative study of cluster-based Big Data Cube implementations. Future Generation Computer Systems, 133, 240-253. https://doi.org/10.1016/j.future.2022.03.024
  12. Wang, Z., & Gao, Z. (2022). Dynamic monitoring of flood disaster based on remote sensing data cube. Natural Hazards, 114(3), 3123-3138. https://doi.org/10.1007/s11069-022-05508-3
  13. Montero, D., Kraemer, G., Anghelea, A., Aybar, C., Brandt, G., Camps-Valls, G.,. & Mahecha, M. D. (2024). Earth system data cubes: Avenues for advancing earth system research. Environmental Data Science, 3, e27. https://doi.org/10.1017/eds.2024.22
  14. Nabibayova, G., & Sukhostat, L. (2024). Neural networks as an intellectualization tool of OLAP technology. 14th International scientific and practical conference from programming UkrPROGР’2024, May 14-15, 2024, Kyiv, Ukraine.
  15. Munteanu, A. (2024). Data Cubes and Cloud-Native Environments for Earth Observation: An Overview. Scalable Computing: Practice and Experience, 25(6), 5745-5759. https://doi.org/10.12694/scpe.v25i6.4999
  16. Fotakidis, V., Roustanis, T., Panayiotou, K., Chrysafis, I., Fitoka, E., & Mallinis, G. (2024). The EL-BIOS earth observation data cube for supporting biodiversity monitoring in Greece. Remote Sensing, 16(20), 3771. https://doi.org/10.3390/rs16203771
  17. Afham, A., Silva, P., Ghosh, S., Kiala, Z., Retief, H., Dickens, C., & Garcia Andarcia, M. (2024). limpopo river basin digital twin open data cube catalog.
  18. Khiripet, N., Khantuwan, W., Chang, L. Y., & Hsu, Y. Y. (2024, December). Thai crops detection using the integration of multi-sensor remote sensing data and an RNN hierarchical algorithm. In multispectral, hyperspectral, and ultraspectral remote sensing technology, techniques, and applications, SPIE, 13266, 103-106.
  19. Yu, J., Mi, P., Wei, D., Cui, Z., Tong, R., Zhong, X., & Fan, Y. (2024). Thematic tile set organization and updating based on global subdivision gridmodel. Journal of Imaging Science & Technology, 68(5). https://doi.org/10.2352/J.ImagingSci.Technol.2024.68.5.050402
  20. Aetesam, H., Maji, S. K., & Prasath, V. S. (2025). Hyperspectral image restoration using noise gradient and dual priors under mixed noise conditions. CAAI Transactions on Intelligence Technology, 10(1), 72-93. https://doi.org/10.1049/cit2.12355
  21. Li, S. (2025). Self-supervised machine learning algorithms for hyperspectral image inpainting. https://doi.org/10.7488/era/5522
  22. Çolak, E., & Memişoğlu, T. (2021). Thornthwaite iklim sınıflandırma yöntemine göre Karadeniz Bölgesi iklim sınır haritasının CBS ile üretilmesi. Geomatik, 6(1), 31-43. https://doi.org/10.29128/geomatik.651702
  23. Aslantas, N., Bakirman, T., Selbesoğlu, M.O. & Bayram, B. (2025). The role of ensemble deep learning for building extraction from VHR imagery. International Journal of Engineering and Geosciences, 10(3), 352-363. https://doi.org/10.26833/ijeg.1587798
  24. Berberoğlu, S., Şahingöz, M., Erdoğan, M. A., Dönmez, C., & Çilek, A. (2018). Doğu Akdeniz’de web-tabanlı turunçgil bilgi sistemi oluşturulması. Geomatik, 3(2), 137-144. https://doi.org/10.29128/geomatik.376662
  25. Karakoca, E., & Ünver, A. (2024). Analitik hiyerarşi süreci ve coğrafi bilgi sistemleri kullanarak Eşen Çayı Havzası’nda taşkın riski değerlendirmesi ve haritalandırılması. Geomatik, 10(1), 124-139. https://doi.org/10.29128/geomatik.1542251
  26. Yordanov, V., et al. (2025). Urban development through EO and natural experiments: The UDENE project and its case studies. Living Planet Symposium, 23–27 June 2025, Vienna.
  27. Eler, (2010), Earthquake loss estimation routine, technical manual and users guide, Bogazici University, Department of Earthquake Engineering, Istanbul.
  28. Gray, J., Chaudhuri, S., Bosworth, A., Layman, A., Reichart, D., Venkatrao, M.,. & Pirahesh, H. (1997). Data cube: A relational aggregation operator generalizing group-by, cross-tab, and sub-totals. Data mining and knowledge discovery, 1, 29-53. https://doi.org/10.1023/A:1009726021843
  29. Lewis, A., Oliver, S., Lymburner, L., Evans, B., Wyborn, L., Mueller, N.,. & Wang, L. W. (2017). The Australian geoscience data cube—foundations and lessons learned. Remote Sensing of Environment, 202, 276-292. https://doi.org/10.1016/j.rse.2017.03.015
  30. Dhu, T., Giuliani, G., Juárez, J., Kavvada, A., Killough, B., Merodio, P.,. & Ramage, S. (2019). National open data cubes and their contribution to country-level development policies and practices. Data, 4(4), 144. https://doi.org/10.3390/data4040144
  31. Ferreira, K. R., Queiroz, G. R., Vinhas, L., Marujo, R. F., Simoes, R. E., Picoli, M. C.,. & Fonseca, L. M. (2020). Earth observation data cubes for Brazil: Requirements, methodology and products. Remote Sensing, 12(24), 4033. https://doi.org/10.3390/rs12244033
  32. Gao, F., Yue, P., Cao, Z., Zhao, S., Shangguan, B., Jiang, L.,. & Liang, Z. (2022). A multi-source spatio-temporal data cube for large-scale geospatial analysis. International Journal of Geographical Information Science, 36(9), 1853-1884. https://doi.org/10.1080/13658816.2022.2087222
  33. Montero, D., Kraemer, G., Anghelea, A., Aybar, C., Brandt, G., Camps-Valls, G.,. & Mahecha, M. D. (2024). Earth system data cubes: Avenues for advancing earth system research. Environmental Data Science, 3, e27. https://doi.org/10.1017/eds.2024.22