KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2025 / Cilt: 40 Sayı: 4

Çok yüksek çözünürlüklü hava fotoğrafları ile nesne tabanlı arazi kullanım ve arazi örtüsü (LULC) haritalarının üretiminde bulanık mantık ve makine öğrenme yöntemlerinin karşılaştırılması

Tolga Kaynak(NİĞDE ÖMER HALİSDEMİR ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, HARİTA MÜHENDİSLİĞİ BÖLÜMÜ)0000-0002-0718-9091
Coşkun Özkan(ERCİYES ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, HARİTA MÜHENDİSLİĞİ BÖLÜMÜ)0000-0001-8222-6780
Sayfa
2553–2566
Yayın Tarihi
2025-12-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Doğruluk analizi aşamasında yapılan istatistiksel analizlere göre SVM yönteminin en iyi sonucu verdiği tespit edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Belirli bir bölgedeki arazi kullanım biçimlerini (tarım, yerleşim, sanayi, orman vb.) ve arazinin mevcut örtüsünü (ormanlar, su kütleleri, çıplak araziler vb.) gösteren arazi kullanımı ve arazi örtüsü (LULC) haritaları doğal kaynakların yönetimi, çevresel planlama, doğal afet yönetimi ve biyoçeşitlilik gibi etmenlerde kullanıldığı için büyük önem taşımaktadır.
📊
Temel Bulgular & Veri:Bu yöntemin segmentasyon, sınıflandırma ve doğruluk değerlendirmesi aşamaları eCognition yazılımında yapılmıştır.
💡
Sonuç & Katkı:Doğruluk analizi aşamasında yapılan istatistiksel analizlere göre SVM yönteminin en iyi sonucu verdiği tespit edilmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Nesne tabanlı sınıflandırma · segmentasyon · k-en yakın komşu

Özet

Belirli bir bölgedeki arazi kullanım biçimlerini (tarım, yerleşim, sanayi, orman vb.) ve arazinin mevcut örtüsünü (ormanlar, su kütleleri, çıplak araziler vb.) gösteren arazi kullanımı ve arazi örtüsü (LULC) haritaları doğal kaynakların yönetimi, çevresel planlama, doğal afet yönetimi ve biyoçeşitlilik gibi etmenlerde kullanıldığı için büyük önem taşımaktadır. LULC haritaları uzaktan algılama ile elde edilen görüntüden sınıflandırılmak istenen sınıfların her biri için ayrı ayrı piksel topluluğu veya obje topluluğu seçilerek ve görüntünün bu sınıfları içeren tematik haritasının üretilmesiyle elde edilmektedir. Bu makale kapsamında çalışma alanının LULC haritaları nesne tabanlı sınıflandırma yaklaşımına bağlı olarak oluşturulmuştur. Bu yöntemin segmentasyon, sınıflandırma ve doğruluk değerlendirmesi aşamaları eCognition yazılımında yapılmıştır. LULC haritaları nesne tabanlı sınıflandırmanın ilk aşaması olan segmentasyon aşamasında tespit edilen objelerin k-en yakın komşu (kNN), rastgele orman (RF) destek vektör makineleri (SVM) ve bulanık mantık (FL) yöntemleri kullanılarak sınıflandırılmasıyla elde edilmiştir. Doğruluk değerlendirmesi aşamasında ise kNN, RF, SVM ve FL yöntemleri karşılaştırılmıştır. Segmentasyon parametrelerinin (ölçek, şekil ve bütünlük) optimum değerleri deneme yanılma yöntemiyle belirlenmiştir. Ayrıca sınıflandırmada kullanılacak özellikler seçilirken de her bir sınıf ayrı ayrı analiz edilerek karar verilmiştir. Doğruluk analizi aşamasında yapılan istatistiksel analizlere göre SVM yönteminin en iyi sonucu verdiği tespit edilmiştir.

🔖

Bu Makaleye Atıf Yap

Kaynak, T., Özkan, C. (2025). Çok yüksek çözünürlüklü hava fotoğrafları ile nesne tabanlı arazi kullanım ve arazi örtüsü (LULC) haritalarının üretiminde bulanık mantık ve makine öğrenme yöntemlerinin karşılaştırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 40 Sayı: 4, 2553–2566. https://doi.org/10.17341/gazimmfd.1585980

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (38)

  1. Lu, D., Weng, Q., A survey of image classification methods and techniques for improving classification performance, Int. J. Remote Sens., 28 (5), 823-870, 2007.
  2. Blaschke, T., Object based image analysis for remote sensing, ISPRS J. Photogramm. Remote Sens., 65 (1), 2-16, 2010.
  3. Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S., Weng, Q., Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery, Remote Sens. Environ., 115 (5), 1145-1161, 2011.
  4. Matejčíková, J., Vébrová, D., Surový, P., Comparative Analysis of Machine Learning Techniques and Data Sources for Dead Tree Detection: What Is the Best Way to Go?, Remote Sensing, 16 (16), 3086, 2024.
  5. Nasiri, V., Hawryło, P., Janiec, P., Socha, J., Comparing object-based and pixel-based machine learning models for tree-cutting detection with planetscope satellite images: exploring model generalization, Int. J. Appl. Earth Obs. Geoinf., 125, 103555, 2023.
  6. Jovanović, D., Gavrilović, M., Sladić, D., Radulović, A., Govedarica, M., Building change detection method to support register of identified changes on buildings, Remote Sensing, 13 (16), 3150, 2021.
  7. Riggan Jr, N., Weih Jr, R. C., Comparison of pixel-based versus object-based land use/land cover classification methodologies, Journal of the Arkansas Academy of Science, 63 (1), 145-152, 2009.
  8. Li, X., Shao, G., Object-based land-cover mapping with high resolution aerial photography at a county scale in midwestern USA, Remote Sensing, 6 (11), 11372-11390, 2014.
  9. Qu, L. a., Chen, Z., Li, M., Zhi, J., Wang, H., Accuracy improvements to pixel-based and object-based LULC classification with auxiliary datasets from Google Earth Engine, Remote Sensing, 13 (3), 453, 2021.
  10. Tassi, A., & Vizzari, M., Object-oriented LULC classification in google earth engine combining snic, glcm, and machine learning algorithms, Remote Sensing, 12 (22), 3776, 2020.
  11. Kasahun, M., & Legesse, A., Machine learning for urban land use/cover mapping: Comparison of artificial neural network, random forest and support vector machine, a case study of Dilla town, Heliyon, 10(20), 2024.
  12. Balha, A., Mallick, J., Pandey, S., Gupta, S., & Singh, C. K., A comparative analysis of different pixel and object-based classification algorithms using multi-source high spatial resolution satellite data for LULC mapping, Earth Science Informatics, 14 (4), 2231-2247, 2021.
  13. Selvaraj, R., Amali, D., & Bessie, G., Assessment of object-based classification for mapping land use and land cover using google earth, Global Nest Journal, 25 (7), 131-138, 2023.
  14. Luo, X., Tong, X., & Pan, H., Integrating multiresolution and multitemporal Sentinel-2 imagery for land-cover mapping in the Xiongan New Area, China, IEEE Transactions on Geoscience and Remote Sensing, 59 (2), 1029-1040, 2020.
  15. Li, M., Ao, Y., Peng, W., He, J., Research of status recognition of fiber transfer box based on machine vision and deep learning, Multimedia Tools Appl., 79 (39), 28695-28709, 2020.
  16. Peyvandi, K., Yaghmaee, F., Improving image inpainting based on structure and texture information using quadtree, Int. J. Eng., 33 (5), 940-948, 2020.
  17. Jawak, S. D., Wankhede, S. F., Luis, A. J., Balakrishna, K., Multispectral characteristics of glacier surface facies (Chandra-Bhaga Basin, Himalaya, and Ny-Ålesund, Svalbard) through investigations of pixel and object-based mapping using variable processing routines, Remote Sensing, 14 (24), 6311, 2022.
  18. Cover, T., Hart, P., Nearest neighbor pattern classification, IEEE Trans. Inf. Theory, 13 (1), 21-27, 1967.
  19. Cunningham, P., Delany, S. J., k-Neighbour classifiers, Technical Report UCD-CSI-2007-4, School of Computer Science & Informatics, University College Dublin, 2007.
  20. Liu, H., Zhang, S., Noisy data elimination using mutual k-nearest neighbor for classification mining, J. Syst. Software, 85 (5), 1067-1074, 2012.
  21. Weinberger, K. Q., Saul, L. K., Distance metric learning for large margin nearest neighbor classification, J. Mach. Learn. Res., 10 (2), 207-244 2009.
  22. Haapanen, R., Ek, A. R., Bauer, M. E., Finley, A. O., Delineation of forest/nonforest land use classes using nearest neighbor methods, Remote Sens. Environ., 89 (3), 265-271, 2004.
  23. Breiman, L., Random forests, Mach. Learn., 45, 5-32, 2001.
  24. Belgiu, M., Drăguţ, L., Random forest in remote sensing: A review of applications and future directions, ISPRS J. Photogramm. Remote Sens., 114, 24-31, 2016.
  25. Melville, B., Lucieer, A., Aryal, J., Object-based random forest classification of Landsat ETM+ and WorldView-2 satellite imagery for mapping lowland native grassland communities in Tasmania, Australia, Int. J. Appl. Earth Obs. Geoinf., 66, 46-55, 2018.
  26. Ding, S., Hua, X., Recursive least squares projection twin support vector machines for nonlinear classification, Neurocomputing, 130, 3-9, 2014.
  27. Liu, T., Chen, J., Kong, L., Li, X., Chen, X., Utilization of a portable Raman spectrometer combined with a PCA-SVM model for starch type differentiation, Food Biosci., 57, 103465, 2024.
  28. Zadeh, L. A., Fuzzy sets, Information and Control, 8, 338-353, 1965.
  29. Özdemir, O., Kalınkara, Y., Bulanık mantık: 2000-2020 yılları arası tez ve makale çalışmalarına yönelik bir içerik analizi, Acta Infologica, 4 (2), 155-174, 2020.
  30. Mountrakis, G., Im, J., Ogole, C., Support vector machines in remote sensing: A review, ISPRS J. Photogramm. Remote Sens., 66 (3), 247-259, 2011.
  31. Kavitha, K., Arivazhagan, S., Kanaga Sangeetha, I., Hyperspectral image classification using support vector machine in Ridgelet domain, Natl. Acad. Sci. Lett., 38, 475-478, 2015.
  32. Jozdani, S. E., Johnson, B. A., Chen, D., Comparing deep neural networks, ensemble classifiers, and support vector machine algorithms for object-based urban land use/land cover classification, Remote Sensing, 11 (14), 1713, 2019.
  33. Arfa, A., Minaei, M., Utilizing multitemporal indices and spectral bands of Sentinel-2 to enhance land use and land cover classification with random forest and support vector machine, Adv. Space Res., 2024.
  34. Huang, C. L., & Wang, C. J., A GA-based feature selection and parameters optimizationfor support vector machines, Expert Systems with applications, 31 (2), 231-240, 2006.
  35. Kavitha, K., Arivazhagan, S., & Kanaga Sangeetha, I., Hyperspectral image classification using support vector machine in Ridgelet domain, National Academy Science Letters, 38, 475-478, 2015.
  36. Qian, Y., Zhou, W., Yan, J., Li, W., & Han, L., Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery, Remote Sensing, 7 (1), 153-168, 2014.
  37. Thanh Noi, P., Kappas, M., Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery, Sensors, 18 (1), 18, 2017.
  38. Keshtkar, H., Voigt, W., Alizadeh, E., Land-cover classification and analysis of change using machine-learning classifiers and multi-temporal remote sensing imagery, Arabian J. Geosci., 10, 1-15, 2017.