Dergiler / Geomatik / 2019 / Cilt: 4 - Sayı: 3

Headwall Hyperspec VNIR Kamerası İle Elde Edilen Hiperspektral Hava Fotografı İçin Boyut İndirgeme Yöntemlerinin Performanslarının Analizi

Sayfa
201–214
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)

Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığı gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının Headwall Hyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır.
📊
Temel Bulgular & Veri:Bunun için Harita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca (BARKOK) 2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ile elde edilen hiperspektral hava fotoğrafı kullanılmıştır.
💡
Sonuç & Katkı:Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığı gözlemlenmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2017 Verileri
⚙️Değişkenler:Hiperspektral hava fotoğrafı · Ayrık Dalgacık Dönüşümü · Destek vektör makineleri

Özet

Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının Headwall Hyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır. Bunun için Harita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca (BARKOK) 2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ile elde edilen hiperspektral hava fotoğrafı kullanılmıştır. Çalışma alanı olarak, çekimin gerçekleştiği Bergama bölgesinde kentsel ve kırsal arazi kullanım sınıflarını barındıran pilot bir bölge seçilmiştir. Çalışmada öncelikli olarak hiperspektral hava fotoğrafına atmosferik ve radyometrik düzeltmeler yapılmıştır. Ardından bozuk ve kullanılmayan bantların temizlenmesi için yaygın olarak kullanılan Temel Bileşen Analizi (PCA), Ayrık Dalgacık Dönüşümü (DWT), Faktör Analizi, Çok Boyutlu Ölçekleme yöntemi (MDS – Multidimensional Scaling) ve En Fazla Daralan Metrik Öğrenme (MCML-Maximally Collapsing Metric Learning) gibi 5 farklı yöntemle bant indirgeme işlemi uygulanmıştır. Sonrasında tüm görüntülerin geometrik düzeltmeleri yapılarak aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildikten sonra indirgeme yöntemlerinin performanslarının analizi için yaygın olarak kullanılan ve yüksek sınıflandırma doğruluğu sağlayan makine öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi sonucunda elde edilen tematik görüntüler için doğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığı gözlemlenmiştir. Genel olarak bakıldığında RO ile elde edilen sonuçlarda genel sınıflandırma doğrulukları yüksekten düşüğe sırasıyla DWT, MCML, MD, FACTORNAL ve PCA olarak elde edilmiştir. DVM sonuçlarına göre bu sıranın ise DWT, MCML, MD, PCA ve FACTORNAL olduğu gözlenmiştir. Buna göre her iki sınıflandırma yönteminde de en yüksek doğruluğu DWT' nin, en düşük sınıflandırma doğruluğunu da FACTORNAL ve PCA yöntemlerinin verdiği görülmüştür. Çalışma sonucu göstermektedir ki, bu hiperspektral hava fotoğrafı için denenen yöntemler arasında en uygun boyut indirgeme yöntemi DWT 'dir.

🔖

Bu Makaleye Atıf Yap

AKAR, Ö., GÖRMÜŞ, E. T. (2022). Headwall Hyperspec VNIR Kamerası İle Elde Edilen Hiperspektral Hava Fotografı İçin Boyut İndirgeme Yöntemlerinin Performanslarının Analizi. Geomatik, Cilt: 4 - Sayı: 3, 201–214. https://ajindex.com/articles/524753

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  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. Battiti, R. (1994). “Using mutual information for selecting features in supervised neural net learning,” IEEE Trans. Neural Networks, vol. 5, no. 4, pp. 537–550,
  5. Jul. 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. Blum A., ve Mitchell T., (1998) “Combining labeled and unlabeled data with co- training,” Proceedings of the 11th Annual Conference on Computational Learning Theory, pp. 92–100, 1998.
  6. Breiman, L. (2001). Random Forests,Machine learning, Kluwer Academic Publishers, 45(1), 5-32.
  7. Breiman, L.,(2002).
  8. 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)
  9. Breiman, L. ve Cutler, A. (2005). Random Forest, http://www.stat.berkeley.edu/~breiman/RandomForests/ cc_home.htm (15.11.2009).
  10. Bruzzone L., Chi M., ve Marconcini M., (2006) “A novel transductive svm for semisupervised classification of remote-sensing images,” IEEE Trans. Geosci. Remote Sens., vol. 44, no. 11, pp. 3363 – 3373. Bulbul S. ve Kose A., (2010). “Türkiye’de bölgelerarası iç göç hareketlerinin çok boyutlu ölçekleme yöntemi ile incelenmesi”, İstanbul Üniversitesi İşletme Fakültesi Dergisi. Cilt/Vol:39, Sayı/No:1, 75-94.
  11. Chang C.-I. ve Ren C.-I. (2000). “An experiment-based quantitative and comparative analysis of target detection and image classification algorithms for hyperspectral imagery,” IEEE Transactions on Geoscience and Remote Sensing, vol. 38, no. 2, pp. 1044–1063. C