Dergiler / Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2023 / Cilt: 6 Sayı: 2
Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması
- Sayfa
- 1243–1260
- DOI
- —
Özet
Son yıllarda, uydu teknolojisinde hızlı gelişmeler yaşanmaktadır. Bu gelişmeler doğrultusunda uzaktan algılama alanında yapay zekâ, makine öğrenmesi gibi yeni ve farklı araştırma konularının ortaya çıkmasına sebep olmuştur. Yeryüzüne ait bilgilerin toplanmasında sınıflandırma yöntemleri sıkça kullanılmaktadır. Çünkü göl, nehir gibi sulak alanlar veya kentsel bölgeler, ekolojik denge için önemlidir. Uzaktan algılama sayesinde yeryüzündeki mevcut durumun tespiti, zamanla olan değişimin izlenmesi gerçekleştirilebilmektedir. Bu çalışmanın amacı Sentinel-2 MSI uydu verileri kullanılarak Konya ili merkezinde yer alan tarım arazilerinin bir kısmı sınıflandırılmıştır. Piksel tabanlı sınıflandırma yöntemi ve destek vektör makinesi (DVM) ve rastgele orman (RO) algoritmaları kullanılmıştır. Python dilinde kodlanmış algoritmalardan elde edilmiş sonuç ürünlerin genel doğrulukları karşılaştırılmış ve yorumlanmıştır. Yapılan çalışma sonucunda DVM algoritmasından elde edilen genel doğruluk değeri %96,7 iken, RO’da %86,67 ve kappa değerleri DVM ve RO algoritmaları için sırasıyla 0.9535 ve 0.8148 bulunmuştur.
Abstract
In recent years, there have been rapid advances in satellite technology. In line with these developments, new and different research topics such as artificial intelligence and machine learning have emerged in the field of remote sensing. Classification methods are frequently used in collecting Earth information because wetlands such as lakes, rivers or urban areas are essential for the environment and ecological balance. It is possible to detect the current situation on the Earth with remote sensing and monitor change in time. The purpose of this study is to classify some of the agricultural lands in the city center of Konya using Sentinel-2 MSI satellite data. Pixel-based classification method and support vector machine (SVM) and random forest (RF) algorithms are used. The general accuracy of the resulting products obtained from algorithms coded in Python language was compared and interpreted.As a result of the study, the overall accuracy value obtained from the SVM algorithm was 96.7%, while the RF was 86.67% and the kappa values were 0.9535 and 0.8148 for the SVM and RF algorithms, respectively.