Assessment of random forest method in pixel-based snow cover classification in Alpine region, Tatra mountains and Kaçkar mountains
Avrupa Alpleri, Tatra dağları ve Kaçkar dağlarında piksel tabanlı kar örtüsü sınıflandırmasında random forest metodunun değerlendirilmesi
- Tez No: 774732
- Danışmanlar: PROF. DR. SEVDA ZUHAL AKYÜREK, DR. ÖĞR. ÜYESİ SEMİH KUTER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Sentinel-2, Karın Uzaktan Algılaması, Sınıflandırma, Makine Öğrenmesi, Kar Hidrolojisi, Random Forest, Sentinel-2, Remote Sensing of Snow, Classification, Machine Learning, Snow Hydrology, Random Forest
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 256
Özet
Kar miktarı, Kuzey yarımküredeki çoğu ülke için yıl boyunca kullanılabilir su miktarını kabaca belirler. İklim değişikliğinin yanı sıra içme ve sanayi suyuna olan talebin sürekli artmasına sebep olan küresel nüfus artışı, kar örtüsünü izlemeyi geçmişte olduğundan daha önemli hale getirmektedir. Günümüzde kar örtüsü miktarını gözlemlemek için, yerinde veri elde etme tekniklerinin yanı sıra, kar sınıflandırması için uzaktan algılama verileri üzerinde farklı algoritmalar kullanılmaktadır. Bu çalışma, seçilen üç dağlık bölgede (Alpler Bölgesi, Tatra Dağları ve Kaçkar Dağları) uzaktan algılama verileri (Sentinel-2) üzerinde kar örtüsü sınıflandırması için Random Forest (RF) algoritmasının bağımsız değişkenlerle oluşturulmuş farklı girdi kombinasyonları ile performansını değerlendirmesini sunmaktadır. Girdi kombinasyonlarının daha iyi değerlendirilmesi için yılın üç farklı zamanı baz alınmıştır - kar örtüsünün oluşmaya başladığı zaman (Kasım-Aralık), kabaca en fazla karın gözlemlendiği zaman (Ocak'tan Mart'a kadar) ve karın erimeye başladığı zaman (Nisan'dan Haziran'a kadar). Değerlendirme sonuçları için hata matrisleri ile genel doğruluk ve Kappa katsayısı kullanılmıştır. Genel olarak, atmosferik ve topografik düzeltme yapılan bantlardan elde edilen ilk üç temel bileşen bantı ile NDSI, NDVI ve NDWI kombinasyonunun (Pca) en doğru sonuçları verdiği gözlemlenmiştir. Pca yönteminin ayrıca, temel bileşenleri elde etme süreci hariç, tüm kombinasyonlar arasında en kısa hesaplama süresine sahip olduğu tespit edilmiştir. Bu kombinasyon aynı zamanda RF modeli için, diğer kombinasyonlara kıyasla, en az miktarda girdi değişkenine sahiptir. Elde edilen bu sonuçlar, RF'in, dağlık bölgelerdeki karmaşık arazi yapıları söz konusu olduğunda, NDSI, NDVI ve NDWI indisleri ile uygun sayıda temel bileşen girdisi ile iyi şekilde çalıştığını göstermektedir.
Özet (Çeviri)
For most countries in the Northern Hemisphere, the amount of usable water throughout the year is roughly determined by the amount of snow. Climate change and increasing demand on drinking and industrial water due to population growth make the monitoring of snow cover even more crucial than it was in the past. Today, to observe the amount of snow cover, different algorithms are being used on remote sensing data for classification of snow, aside from in-situ data collection techniques. This study presents the evaluation of the performance of Random Forest (RF) algorithm for snow cover classification on Sentinel-2 imagery over three selected mountainous regions: Alpine Region, Tatra Mountains, and Kaçkar Mountains, with different input combinations as independent variables (i.e., predictors). The combinations have been evaluated for three different times of the year for a much better assessment – to observe the differences in when snow cover starts to form (November to December), the time with roughly the maximum amount of snow is observed (January to March), and the time when it starts to melt (April to June). The confusion matrices, overall accuracy (OA) and Kappa coefficient were used for accuracy assessment. Overall, principle component bands combination (Pca) yielded the most accurate results. Pca combination also provided the shortest computation time out of all combinations, excluding the process of obtaining principal components, as the combination has the least amounts of input to the RF model, as compared to the other combinations. The overall results revealed that RF algorithm works well with appropriate numbers of principal component bands with NDSI, NDVI and NDWI indices for complex terrains over mountainous areas.
Benzer Tezler
- Assessment of classification methods and elaboration of the potential of coarse resolution satellite ımagery for forest cover mapping at the continental region
Başlık çevirisi yok
EYLÜL MALKOÇ
Yüksek Lisans
İngilizce
2011
Ormancılık ve Orman MühendisliğiThe International Centre for Advanced Mediterranean Agronomic Studies (CIHEAM)PROF. DR. IOANNIS GITAS
- Navigason haritalarında yol ağı verisinin güncellenmesi için uydu verilerinin kullanılabilirliğinin araştırılması
A study on the usability of satellite images for updating road network data of navigation maps
SELİN YAZICI
Yüksek Lisans
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR ALGANCI
- Farklı sayısal yüzey modellerinin doğruluk değerlendirmesi
Accuracy assessment of different digital surface models
BARIŞ BEŞOL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- İstanbul'da kentsel büyümenin senaryo tabanlı modellenmesi ve ekolojik açıdan değerlendirilmesi
Scenario-based modeling and evaluation of urban growth in Istanbul
ALİYE GONCA BOZKAYA KARİP
Doktora
Türkçe
2024
Şehircilik ve Bölge PlanlamaMimar Sinan Güzel Sanatlar ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. FATMA ÜNSAL
- Application of remote sensing, GIS, and GPS in precision forestry practices
Başlık çevirisi yok
ZENNURE UÇAR