Geri Dön

Uydu görüntülerinin sınıflandırılmasında çok değişkenli uyarlanabilir regresyon eğrileri algoritmasına dayalı hibrit modellerin geliştirilmesi

Development of hybrid models based on multivariate adaptive regression splines algorithm for classification of satellite images

PDF İndir

  1. Tez No: 903405
  2. Yazar: AZİZE UYAR
  3. Danışmanlar: PROF. DR. DERYA ÖZTÜRK
  4. Tez Türü: Doktora
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 139

Özet

Uzaktan algılama verilerinin kullanım alanı arttıkça, farklı özelliklere sahip doğal ve yapay nesnelerin tespit edilmesi, arazi örtüsü/kullanımı türlerinin belirlenmesi ve tematik haritaların üretilmesi, mevcut durum ve değişimlerin belirlenmesi, planlama ve modelleme gibi birçok çalışma için kullanılan görüntü sınıflandırma algoritmaları büyük önem kazanmaktadır. Bu amaç doğrultusunda sınıflandırma doğruluğunun arttırılması ve daha güvenilir sonuçların elde edilmesi için yeni yöntem ve yaklaşımlar araştırılmaya devam etmektedir. Bu kapsamda hibrit modelleme yaklaşımlarıyla, farklı yöntemlerin avantajlarının birleştirilerek analizlerin doğruluğunun ve güvenilirliğinin arttırılması amaçlanmaktadır. Bu tez çalışmasında, parametrik olmayan bir sınıflandırma tekniği olan Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Multivariate Adaptive Regression Splines – MARS) algoritmasının yüksek performanslı bir sınıflandırıcı ve optimizasyon teknikleri ile entegre edildiği yeni hibrit modeller önerilmektedir. Çalışma kapsamında MARS algoritmasına dayalı üç model geliştirilmiştir. İlk modelde, görüntü sınıflandırmada yüksek performansa sahip Rastgele Orman (Random Forest – RF) algoritması ile MARS-RF hibrit modeli oluşturulmuştur. İkinci ve üçüncü modellerde ise MARS algoritmasının parametrelerini optimize etmek amacıyla Parçacık Sürü Optimizasyonu (Particle Swarm Optimization – PSO) ve Bayes Optimizasyonu (Bayesian Optimization – BO) algoritmaları ile entegre MARS-PSO ve MARS-BO hibrit modelleri oluşturulmuştur. MARS ve RF tekil algoritmaları ve MARS-RF, MARS-PSO ve MARS-BO hibrit modellerin oluşturulması ve uygulanması MATLAB ve RStudio yazılımları ortamında gerçekleştirilmiştir. MARS, RF ve üç farklı hibrit model (MARS-RF, MARS-PSO, MARS-BO), iki farklı uydu görüntüsü kullanılarak (Landsat-8 OLI ve Sentinel-2A MSI) ve iki farklı çalışma alanında (Samsun-Bafra ve Samsun-Atakum) yapılan arazi örtüsü/kullanımı sınıflandırma sonuçlarıyla test edilmiştir. Sınıflandırma sonuçları, toplam doğruluk, kappa istatistiği ve F1 skor doğruluk ölçütleri ile karşılaştırılmıştır. Sonuçlar karşılaştırıldığında tüm hibrit modellerin tüm uydu görüntüsü ve çalışma alanlarında MARS ve RF yöntemlerinden daha yüksek doğruluk gösterdiği belirlenmiştir. Önerilen hibrit modellerin performansı karşılaştırıldığında ise doğruluk sıralaması MARS-BO, MARS-PSO ve MARS-RF şeklindedir. Elde edilen sonuçlar, hibrit modellerin sınıflandırma performansını arttırmada önemli bir rol oynadığını ve özellikle optimizasyon teknikleriyle entegrasyonun sonuçların iyileştirilmesinde etkisinin yüksek olduğunu göstermiştir. Bu bağlamda çalışmanın sonuçları, hibrit modellerin uydu görüntülerinin sınıflandırılmasında önemli avantajlar sağlayarak daha doğru ve güvenilir sonuçların elde edilmesine katkıda bulunduğunu göstermektedir.Uzaktan algılama verilerinin kullanım alanı arttıkça, farklı özelliklere sahip doğal ve yapay nesnelerin tespit edilmesi, arazi örtüsü/kullanımı türlerinin belirlenmesi ve tematik haritaların üretilmesi, mevcut durum ve değişimlerin belirlenmesi, planlama ve modelleme gibi birçok çalışma için kullanılan görüntü sınıflandırma algoritmaları büyük önem kazanmaktadır. Bu amaç doğrultusunda sınıflandırma doğruluğunun arttırılması ve daha güvenilir sonuçların elde edilmesi için yeni yöntem ve yaklaşımlar araştırılmaya devam etmektedir. Bu kapsamda hibrit modelleme yaklaşımlarıyla, farklı yöntemlerin avantajlarının birleştirilerek analizlerin doğruluğunun ve güvenilirliğinin arttırılması amaçlanmaktadır. Bu tez çalışmasında, parametrik olmayan bir sınıflandırma tekniği olan Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Multivariate Adaptive Regression Splines – MARS) algoritmasının yüksek performanslı bir sınıflandırıcı ve optimizasyon teknikleri ile entegre edildiği yeni hibrit modeller önerilmektedir. Çalışma kapsamında MARS algoritmasına dayalı üç model geliştirilmiştir. İlk modelde, görüntü sınıflandırmada yüksek performansa sahip Rastgele Orman (Random Forest – RF) algoritması ile MARS-RF hibrit modeli oluşturulmuştur. İkinci ve üçüncü modellerde ise MARS algoritmasının parametrelerini optimize etmek amacıyla Parçacık Sürü Optimizasyonu (Particle Swarm Optimization – PSO) ve Bayes Optimizasyonu (Bayesian Optimization – BO) algoritmaları ile entegre MARS-PSO ve MARS-BO hibrit modelleri oluşturulmuştur. MARS ve RF tekil algoritmaları ve MARS-RF, MARS-PSO ve MARS-BO hibrit modellerin oluşturulması ve uygulanması MATLAB ve RStudio yazılımları ortamında gerçekleştirilmiştir. MARS, RF ve üç farklı hibrit model (MARS-RF, MARS-PSO, MARS-BO), iki farklı uydu görüntüsü kullanılarak (Landsat-8 OLI ve Sentinel-2A MSI) ve iki farklı çalışma alanında (Samsun-Bafra ve Samsun-Atakum) yapılan arazi örtüsü/kullanımı sınıflandırma sonuçlarıyla test edilmiştir. Sınıflandırma sonuçları, toplam doğruluk, kappa istatistiği ve F1 skor doğruluk ölçütleri ile karşılaştırılmıştır. Sonuçlar karşılaştırıldığında tüm hibrit modellerin tüm uydu görüntüsü ve çalışma alanlarında MARS ve RF yöntemlerinden daha yüksek doğruluk gösterdiği belirlenmiştir. Önerilen hibrit modellerin performansı karşılaştırıldığında ise doğruluk sıralaması MARS-BO, MARS-PSO ve MARS-RF şeklindedir. Elde edilen sonuçlar, hibrit modellerin sınıflandırma performansını arttırmada önemli bir rol oynadığını ve özellikle optimizasyon teknikleriyle entegrasyonun sonuçların iyileştirilmesinde etkisinin yüksek olduğunu göstermiştir. Bu bağlamda çalışmanın sonuçları, hibrit modellerin uydu görüntülerinin sınıflandırılmasında önemli avantajlar sağlayarak daha doğru ve güvenilir sonuçların elde edilmesine katkıda bulunduğunu göstermektedir.

Özet (Çeviri)

With the expanding scope of remote sensing applications, image classification algorithms are becoming increasingly essential across diverse research areas, including the detection of natural and artificial objects, land cover/use classification, thematic map production, monitoring of current conditions and changes, and applications in planning and modeling. To enhance classification accuracy and yield more reliable results, there is a continuous focus on developing novel methods and approaches. In this context, hybrid modeling approaches are particularly significant as they combine the strengths of various methods to improve the accuracy and reliability of analyses. This thesis proposes innovative hybrid models that integrate the Multivariate Adaptive Regression Splines (MARS) algorithm, a non-parametric classification technique, with high-performance classifiers and optimization strategies. Three MARS-based models were developed as part of this study. The first model combines MARS with the Random Forest (RF) algorithm—recognized for its robust performance in image classification—resulting in the MARS-RF hybrid model. The second and third models enhance the MARS algorithm by optimizing its parameters using Particle Swarm Optimization (PSO) and Bayesian Optimization (BO), leading to the development of the MARS-PSO and MARS-BO hybrid models, respectively. The standalone MARS and RF algorithms, along with the MARS-RF, MARS-PSO, and MARS-BO hybrid models, were implemented and tested within MATLAB and RStudio environments. These models were evaluated on land cover/use classification tasks using two distinct satellite datasets (Landsat-8 OLI and Sentinel-2A MSI) and two geographic study areas (Samsun-Bafra and Samsun-Atakum). Classification performance was assessed through overall accuracy, kappa statistics, and F1-score metrics. Comparative analysis revealed that all hybrid models exhibited superior accuracy across all satellite images and study areas relative to the standalone MARS and RF methods. Among the hybrid models, the MARS-BO model achieved the highest accuracy, followed by MARS-PSO and MARS-RF. The findings underscore the effectiveness of hybrid models in substantially enhancing classification performance, particularly through the integration of optimization techniques. Overall, the study demonstrates that hybrid models significantly advance satellite image classification, contributing to the generation of more accurate and dependable results.

Benzer Tezler

  1. Tez No

    855042

    Investigating olive trees by monitoring phenological stages using multi-modal satellite sensor data

    Çok-modlu uydu sensör verileri kullanılarak fenolojik aşamalarının izlenmesiyle zeytin ağaçlarının araştırılması

    HAYDAR MUHAMMED AKÇAY

    Doktora

    İngilizce

    İngilizce

    2024

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞİNASİ KAYA

  2. Tez No

    676756

    Land cover classification using cloud-based machine learning techniques: A case study from Istanbul Metropolitan City

    Bulut tabanlı makine öğrenmesi teknikleri kullanılarak arazi örtüsü sınıflandırması: İstanbul Metropol örneği

    ŞEVVAL DURMAZBİLEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  3. Tez No

    112262

    Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu

    Analysis and optimization of artificial neural networks for image classification

    OZAN ARSLAN

    Doktora

    Türkçe

    Türkçe

    2001

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    PROF. DR. OĞUZ MÜFTÜOĞLU

    PROF. DR. CANKUT ÖRMECİ

  4. Tez No

    637631

    Random forest classification of tomato fields with planet satellite image data and accuracy assessment

    Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi

    BETÜL ŞALLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  5. Tez No

    276782

    Uydu görüntülerinin sınıflandırılmasında hızlandırma (boosting), destek vektör makineleri, rastgele orman (random forest) ve regresyon ağaçları yöntemlerinin kullanılması

    The use of boosting, support vector machines, random forest and regression tree methods in satellite images classification

    ÜMİT HALUK ATASEVER

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Jeodezi ve FotogrametriErciyes Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. COŞKUN ÖZKAN

Geri Dön