Destek vektör makineleri yöntemi ile arazi kullanımı sınıflandırılmasında kernel fonksiyonlarına ait karşılaştırmalı parametre duyarlık analizi: Rapideye ve spot örneği
Comparative sensitivity analysis of kernel parameters for support vector machines on land use classification: A case study of rapideye and spot
- Tez No: 411514
- Danışmanlar: DOÇ. DR. FÜSUN BALIK ŞANLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Jeodezi ve Fotogrametri, Computer Engineering and Computer Science and Control, Geodesy and Photogrammetry
- Anahtar Kelimeler: Destek vektör makineleri, kernel fonksiyonları, karşılaştırmalı duyarlık analizi, RapidEye, SPOT, Support vector machines, kernel functions, comparative sensitivity analysis, RapidEye, SPOT
- Yıl: 2013
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 74
Özet
Ülkelerin gelişmişlik düzeyi ve toplumların refah seviyesi yüksek bir şekilde yaşayabilmesi o ülkedeki sosyal, kültürel ve ekonomik kaynakların etkin kullanımı ve sürdürülebilir yönetimine bağlıdır. 2006 CORINE (Coordination of Information on the Environment) arazi örtüsü verisine göre ülkemiz topraklarının %42.35'i tarım alanlarından, %54.04'ü ise ormanlık ve yarı-doğal bitki örtüsünden oluşmaktadır. Ülke topraklarının stratejik planlaması ve doğal kaynakların sürdürülebilir yönetimi için arazi örtüsü/kullanımına ilişkin detaylı ve güvenilir bilgiler yerel otoriteler ve karar vericiler için önem arz etmektedir. Uzaktan algılama teknolojisi doğal kaynakların (orman, tarım alanı, bitki örtüsü vb.) etkin, doğru planlanması ve yönetiminde önemli bir role sahiptir. Çok bantlı yüksek çözünürlüklü uydu görüntüleri arazi örtüsü ve kullanımına ilişkin tematik haritaların üretilmesinde sağladığı spektral, mekânsal ve zamansal zenginlik nedeniyle tercih edilmekte ve yaygın olarak kullanılmaktadır. Uydu görüntülerinden tematik bilgi elde etmek amacıyla kullanılan en yaygın yöntem uydu görüntülerinin sınıflandırılmasıdır. Elde edilecek tematik bilginin doğruluğu ve kalitesi, kullanılan uydu görüntüsü ve bant kombinasyonunun seçiminin yanı sıra sınıflandırmada kullanılacak algoritmaya da bağlıdır. Bu çalışmada, uydu görüntülerinin sınıflandırılması işleminde son zamanlarda yüksek sınıflandırma kabiliyeti nedeniyle tercih edilen makine öğrenme algoritmalarından birisi olan Destek Vektör Makineleri (DVM) ile geleneksel sınıflandırma yöntemlerinden birisi olan ve literatürde geçerliliği kabul edilmiş En Çok Benzerlik (EÇB) yöntemi tercih edilmiştir. Çalışmada son yıllarda tarım, bitki örtüsü, orman ve sulak alanları haritalanması ve bu alanlara ilişkin bilgi elde etmek amacıyla yaygın olarak kullanılan ve başarılı sonuçlar veren RapidEye ve SPOT çok bantlı yüksek çözünürlüklü uydu görüntüleri kullanılmıştır. Seçilen uydu görüntüleri yüksek çözünürlüklerinin yanı sıra içerdikleri bantlar nedeniyle tercih edilmiştir. Çalışma alanı Aydın ili sınırları içindedir. Tarım arazileri ile kaplı alanda mısır (I,II ve III evre), pamuk (iyi, orta, zayıf), toprak (ıslak, nemli, kuru), çayır ve mera alanı, yerleşim alanı ve su yüzeyi olmak üzere oniki farklı sınıf belirlenmiştir. Çalışmaya ilişkin arazi çalışması görüntü alımı ile eş zamanlı olarak Ege Üniversitesi Ziraat Fakültesi Toprak Bilimi ve Bitki Besleme bölümü tarafından gerçekleştirilmiştir. DVM sınıflandırma işleminde dört farklı kernel ve birbirinden farklı yüzotuzdokuz model kullanılmıştır. Bu modeller kullanılarak DVM sınıflandırma işleminde kernel tipi ve bu kernellere ait parametre seçiminin sınıflandırma doğruluğu üzerindeki etkisi incelenmiş ve en yüksek sınıflandırma doğruluğu veren model (en uygun parametre seti) bulunmuştur. Ayrıca hem sınıflandırma yöntemlerinin hem de uydu görüntülerinin tarımsal amaçlı uygulamalarda kullanılabilirliği ve başarısı da test edilmiştir. DVM yöntemi kullanılarak elde edilen sınıflandırma sonuçları seçilen modele bağlı olarak çoğunlukla EÇB yöntemi kullanılarak elde edilen sonuçlardan yüksek olsa da birkaç modelde ise düşüktür. İki görüntü türü içinde en yüksek sınıflandırma doğruluğunu veren kernel polinom kernelidir ve sınıflandırma doğruluğu RapidEye için %85.6 iken SPOT için %73.3 tür. Üretilen tematik haritaların sınıflandırma doğrulukları kappa katsayısı ve hata matrislerinden (toplam doğruluk) yararlanılarak elde edilmiştir.
Özet (Çeviri)
The development level of countries and living of societies in a high welfare level are based on efficient use and sustainable management of their social, cultural and economical resources. Based on CLC 2006 data, the land in Turkey consists of 42.35% agricultural areas and 54.04% forest and semi natural vegetation.Therefore, reliable and detailed information regarding LULC are critical important for environmental decision makers and local authorities on strategic planning and sustainable resource management of country's land. Remote sensing technology has an important role in efficient and proper planning and management of natural resources. Multispectral high resolution images are preferred and commonly used since providing the spectral, spatial and temporal information while producing thematic maps. Image classification is the most common way to gather thematic information, among the all collateral methods. The quality and accuracy of the thematic information are based on algorithm used as well as satellite image and its band combination. One of the machine learning algorithms SVMs which are commonly used in recently since its high classification capability and one of the conventional classification algorithms MLC whose validity has been accepted in literature are preferred in this study. Multispectral high resolution RapidEye and SPOT images are used in this study since they have been effectively used for vegetation, forest and wetland mapping and gave successful results. These images has been preferred since their band features obtained besides their high resolution The study area is located Aydin province and covered by agricultural lands. Study area has 12 land use classes as they are corn (I.crop, II.crop, III.crop), cotton (well-developed, moderate-developed, weak-developed), soil ( wet, moist, dry), pasture and brush land mixed area,settlement area and water body. In-situ data was collected at the acquisition date of satellite images by experts from Department of Soil Science and Plant Nutrition in Ege University, İzmir. Four different types of kernel and 139 different models have been used for SVM classification.The effects on choice of kernel and its internal parameters have been investigated and optimum parameters having highest classification accuracy have been determined.Moreover, the success and efficient use of satellite images and classification algorithms on agricultural lands have been examined. SVM classification results based on selected various model have superior performance than MLC in most cases, however MLC is better than SVM rarely in a few cases. For both type of satellite images, the polynomial kernel had the highest classification accuracies which are 85.6% and 73.3% for RapidEye and SPOT, respectively.
Benzer Tezler
- Semantic land cover and land use classification using deep convolutional neural networks
Derin evrişimsel sinir ağları ile arazi kullanımı ve arazi örtüsünün anlamsal sınıflandırılması
BERK GÜNEY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Akgöl Sulak Alanı'nın yüksek çözünürlüklü uydu görüntüleri ile incelenmesi
Observation of Akgol Wetland with high spatial resolution satellite images
AYLİN TUZCU
Yüksek Lisans
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Uzaktan algılamada ileri sınıflandırma tekniklerinin karşılaştırılması ve analizi
Comparing and analyzing of advanced classifier techniques in remote sensing
İSMAİL ÇÖLKESEN
Yüksek Lisans
Türkçe
2009
Jeodezi ve FotogrametriGebze Yüksek Teknoloji EnstitüsüJeodezi ve Fotogrametri Ana Bilim Dalı
DOÇ. DR. TAŞKIN KAVZOĞLU
- Aşağı Kelkit Havzası'nda arazi kullanımı haritalarının makine öğrenme algoritmalarıyla hazırlanması ve gelecek (2030-2050) arazi kullanım projeksiyonlarının oluşturulması
Preparation of land use maps using machine learning algorithms and generation of future (2030-2050) land use projections in the Aşağı Kelkit Basin
NESİBE İSAK
Yüksek Lisans
Türkçe
2023
CoğrafyaTokat Gaziosmanpaşa ÜniversitesiCoğrafya Ana Bilim Dalı
DOÇ. DR. ORHAN METE KILIÇ
- Yüksek çözünürlüklü uydu görüntüleri kullanarak benzer spektral özelliklere sahip doğal nesnelerin ayırt edilmesine yönelik bir metodoloji geliştirme
Developing a methodology for discriminating natural objects having spectrally similar features using very high resolution satellite imagery
İSMAİL ÇÖLKESEN
Doktora
Türkçe
2015
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. TAHSİN YOMRALIOĞLU