Geri Dön

Rastgele orman sınıflandırıcısına doku özellikleri entegre edilerek benzer spektral özellikteki tarımsal ürünlerin sınıflandırılması

Integrating multiple texture methods with random forest classifiication algorithm to classify spectrally smillar agricultural crops

PDF İndir

  1. Tez No: 332065
  2. Yazar: ÖZLEM AKAR
  3. Danışmanlar: DOÇ. DR. OĞUZ GÜNGÖR
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Mühendislik Bilimleri, Geodesy and Photogrammetry, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2013
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 180

Özet

Trabzon Sürmene'de yetiştirilen iki ana ürün fındık ve çaydır. Bundan dolayı, tez çalışması Trabzon-Sürmene bölgesine ait uydu görüntülerini kullanarak yetiştirilen fındık ve çay alanlarının dağılımlarını ve bu ürünlerin ekili olduğu alanların doğru ve hızlı bir şekilde belilenmesini amaçlamaktadır. Çalışmada 8 adet spektral banda (MS:2m) ve 1 adet yüksek konumsal çözünürlüklü pankromatik banda (PAN:0.5m) sahip WorldView-II uydu görüntüsü kullanılmıştır. Çalışma bölgesi farklı dönemlerde gelişim gösteren tarımsal ürünleri bünyesinde barındırdığı için hem yaz hem de kış dönemlerine ait uydu görüntüleri kullanılmıştır. Bu görüntüler Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Gentle AdaBoost (GAB) gibi makine öğrenme tabanlı yöntemler yanında klasik istatistik tabanlı En Çok Benzerlik (EÇB) yöntemiyle de sınıflandırılmış ve sonuçlar irdelenmiştir. Yaz dönemi için sadece spektral değerler kullanılarak elde edilen sınıflandırma sonuçları %79.05 genel doğrulukla RO' nun, GAB? den ~%7, DVM? den ~%10 ve EÇB? den de ~%19 daha yüksek sınıflandırma doğruluğu verdiğini göstermiştir. Kış dönemi için ise %71.84 genel doğrulukla RO, GAB? den ~%7, DVM? den ~%6 ve EÇB? den de ~%8 daha başarılı olmuştur. Ayrıca Eş Dizimlilik Matrisi (EDM), gabor ve curvelet gibi farklı özellik çıkarım yöntemleri ve NDVI bitki indeksi ve Sayısal Yükseklik Modeli (SYM) de RO' ya katılmış ve bu özelliklerin sınıflandırma başarısına katkıları irdelenmiştir. Bu yöntemler arasında en başarılı olan Gabor filtresi ve NDVI indeksi, RO? nun sınıflandırma doğruluğunu yaz dönemi için %9 oranında, kış dönemi için ise %8 oranında artırmıştır. Sonraki aşamada sınıflandırılmış görüntülerden ürün tematik haritaları ve veri tabanı oluşturulmuştur. Son olarak üretilen tematik haritalar mevcut durum ve güncel kadastral haritalar ile karşılaştırılmış ve yersel verilerle sınıflandırma sonuçları doğrulanmıştır.

Özet (Çeviri)

Hazelnut and tea are two main crop types cultivated in Trabzon, Sürmene. This dissertation aims to determine extent and distribution of hazelnut and tea grown areas, fast and accurately using satellite images taken over Trabzon, Sürmene region. In this study, Worldview-2 satellite images , which have eight multi spectral bands (MS:2m) and one high spatial resolution panchromatic band (PAN:0.5m) were used. Since the study area contains agricultural products, which are grown in different seasons, satellite images belonging both summer and winter periods were used. These images were classified with machine learning based algorithms such as Random Forest (RF), Support Vector Machine (SVM) and Gentle AdaBoost (GAB) as well as classical statistical based Maximum Likelihood Classification (MLC) method, and the results were evaluated. For summer period, preliminary results acquired using only spectral values indicated that RF with 79.05% overall accuracy gives higher classification accuracy than other methods, that is ~7%, ~10% and ~19% better accuracy than GAB, SVM and MLC, respectively. For winter period, results indicated that RF, with 71.84 % overall accuracy, is also more successful other methods, that is ~7%, ~%6 and ~%8 better accuracy than GAB, SVM and MLC, respectively. Furthermore, integration of different feature extraction methods such as co-occurrence matrix, gabor, curvelet, NDVI vegetation index and Digital Elevation Model (DEM) and their contributions to success of RF classification method was examined. Gabor filter and NDVI index, which are the most successful ones among these methods, improved the overall accuracies of the RF around 9% for summer period and around 8% for winter period. Then, thematic crop maps and a data base were generated using classified images. Finally, produced thematic maps were compared with up to date and cadastral maps to validate classification results with ground truth data.

Benzer Tezler

  1. Tez No

    525858

    Benign ve malign renal kitlelerin bilgisayarlı tomografi kantitatif yapısal analiz ile ayrımı

    Differentiation of benign and malign renal masses by quantitative computed tomography texture analysis

    ÇAĞRI ERDİM

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. NURİ ÖZGÜR KILIÇKESMEZ

  2. Tez No

    824771

    Identification of key biomolecules in adrenocortical cancer progression via bioinformatics and machine learning approaches

    Adrenokortikal kanser ilerlemesinde anahtar biyomoleküllerin biyoinformatik ve makine öğrenimi yaklaşımları ile tanımlanması

    AYŞE SAVAŞ ÖZMENOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    BiyomühendislikAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    DOÇ. DR. ESRA GÖV

  3. Tez No

    856355

    Integration of machine learning and deep learning methods for the enhancement of rheumatoid arthritis diagnosis

    Romatoid artrit tanısının iyileştirilmesi için makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu

    KEMAL ÜRETEN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya Üniversitesi

    Mühendislik Bilimleri Ana Bilim Dalı

    PROF. DR. HADİ HAKAN MARAŞ

  4. Tez No

    859488

    A new data management system in IOT system

    IOT sisteminde yeni bir veri yönetimi

    ADHAM MADROOJ KHALEEFAH AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Gedik Üniversitesi

    Mühendislik Yönetimi Ana Bilim Dalı

    Assist. Prof. Dr. TUĞBAY BURÇİN GÜMÜŞ

  5. Tez No

    757191

    Liquidity risk in Islamic banks: A machine learning approach

    İslam bankalarında likidite riski: Bir makine öğrenme yaklaşımı

    HALAH AHMED BAHANSHAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    Assist. Prof. Dr. RUSTU MURAT DEMIRER

Geri Dön