Dergiler / Geomatik / 2019 / Cilt: 4 - Sayı: 1

Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi

Sayfa
68–81
Yayın Tarihi
2022-10-19
DOI
—
🏛️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)

Son olarak en yüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydu görüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Bunun için Hyperion EO1 hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır.
💡
Sonuç & Katkı:Son olarak en yüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görktürk-2 · Hyperion EO- 1 · Rastgele Orman

Özet

Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydu görüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır. Bunun için Hyperion EO1 hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır. Çalışma alanı olarak spektral özellikleri birbirine yakın arazi sınıflarına sahip olan Trabzon Akçaabat ilçesinin Büyükoba yaylası seçilmiştir. Çalışmada Göktürk-2 Multispektral (GMS), Göktürk-2 Pankromatik (GPAN) ve Hyperion EO-1 hiperspektral uydu görüntüleri kullanılmıştır. Öncelikle Hyperion EO-1 hiperspektral uydu görüntüsü için atmosferik ve radyometrik düzeltmeler yapılmış, bozuk ve kullanılmayan bantların temizlenmesi için bant indirgeme işlemleri uygulanmıştır. Bant indirgeme işlemi için dalgacık tabanlı Ampirik Kip Ayrıştırma (AKA) yöntemi kullanılmıştır. Sonrasında tüm görüntüler rektifiye edilerek aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildikten sonra GPAN, GMS ve indirgenmiş Hyperion EO- 1 (DHYP) görüntüleri ile Gram Schmidt (GS) ve Principle Component (PC) gibi görüntü kaynaştırma yöntemleri kullanılarak kaynaştırılmıştır. Kaynaştırma yöntemleriyle elde edilen kaynaştırılmış görüntüler üzerinden sınıflandırmada kullanılacak arazi kullanım sınıfları belirlenmiştir. Bu görüntüler yüksek sınıflandırma doğruluğu veren Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM) yöntemleriyle sınıflandırılmıştır. Her bir sınıflandırma sonucu için doğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunun, PC kaynaştırma yöntemine göre kaynaştırılmış ve RO sınıflandırıcısı ile sınıflandırılmış görüntülerden elde edildiği gözlenmiştir. PC ile kaynaştırılmış GPAN ve GMS görüntüsü ile GPAN ve DHYP' nin kaynaştırılmış görüntüsünün RO ile sınıflandırılması sonucu genel sınıflandırma doğrulukları sırasıyla %72.13 ve %83.06 olarak elde edilmiştir. Bu sonuçlara göre sınıflandırma doğruluğu % 11 oranında artırılmıştır. Son olarak en yüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.

🔖

Bu Makaleye Atıf Yap

AKAR, Ö., GÖRMÜŞ, E. T. (2022). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, Cilt: 4 - Sayı: 1, 68–81. https://ajindex.com/articles/524743

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Abbak, A. (2007). Jeodezide Zaman Dizilerinin Dalgacık (Wavelet) Analizi. Doktora Semineri. Selçuk üniversitesi, Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Konya. Akar, Ö., ve Güngör, O. (2015). Integrating multiple texture methods and NDVI to the random forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey, International Journal of Remote Sensing, 36, 442– 464. Archer, K. J. (2008). Emprical characterization of random forest variable ımportance measure, EDMputational Statistics & Data Analysis, 52(4), 2249-2260.
  2. Başak, H., Yıldırım, M.A. (2017). Göktürk-2 Uydu Görüntüsünün Otomatik Detay Çıkarımında Kullanılabilirliğinin Araştırılması ”Eskişehir İli Örneği” TMMOB Harita ve Kadastro Mühendisleri Odası, 16. Türkiye Harita Bilimsel ve Teknik Kurultayı, 3-6 Mayıs 2017,
  3. Ankara.
  4. Belward A.S. ve Skoien, J.O. (2015) "Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 103, no. May 2015, 115-128, 2014.
  5. Breiman, L. (2001). Random Forests,Machine learning, Kluwer Academic Publishers, 45(1), 5-32.
  6. Breiman, L.,(2002).
  7. Manual On Setting Up, Using, And Understanding Random Forests V3.1, http://oz.berkeley.edu/users/breiman/Using_random_forests_V3.1.pdf (06.11.2009)
  8. Breiman, L. ve Cutler, A. (2005). Random Forest, http://www.stat.berkeley.edu/~breiman/RandomForests/ cc_home.htm (15.11.2009).
  9. Chen, C. H. (2008).
  10. Image Processing For Remote Sensing, CRS Press, Taylor&Francis Group, USA. Çölkesen, İ. ve Yomralıoğlu, T. (2014). Arazi Örtüsü ve Kullanımının Haritalanmasında WorldView-2 Uydu Görüntüsü ve Yardımcı Verilerin Kullanımı, Harita Dergisi,Temmuz 2014 (152): 12-24.
  11. Immitzer, M., Vuolo, F. ve Atzberger, C. (2016) First Experience With Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe. Remote Sens. 2016, 8, 166. Inglada, J., Arias, M., Tardy, B., Hagolle, O., Valero, S., Morin, D., Dedieu, G., Sepulcre, G., Bontemps, S., Defourny, P., (2015). Assessment of an Operational System for Crop Type Map Production Using High Temporal and Spatial Resolution Satellite Optical Imagery. Remote Sens. 2015, 7, 12356–12379.
  12. Kalkan, K., Orhun, Ö., Filiz, B. ve Teke, M. (2015). Vegetation Discrimination Analysis from Göktürk-2, in Recent Advances in Space Technologies (RAST), 2015 7th International Conference on, 2015.
  13. Kavzoglu, T. ve Colkesen, I. (2009), A kernel functions analy