ÖZ
Uydu görüntüleri yardımıyla yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretilmesi uzaktan algılama alanında önemli bir araştırma konusudur. Uzaktan algılanmış görüntülerden tematik harita üretiminde en sık kullanılan yöntem sınıflandırmadır. Destek vektör makineleri son yıllarda uydu görüntülerinin sınıflandırılmasında başarıyla kullanılan bir kontrollü sınıflandırma yöntemidir. Yöntem sınıflandırma işleminde, sınıfları birbirinden ayıran optimum hiper düzlemin belirlenmesi esasına dayanmaktadır. Optimum hiper düzlem sınıflar arasındaki sınır teşkil eden pikseller yardımıyla oluşturulan destek vektörleri ile belirlenebilmektedir. Dolayısıyla sınırlı sayıda eğitim verisi olması durumunda da yöntemin yüksek sınıflandırma doğruluğu üreteceği düşünülmektedir. Bu çalışmada, Gebze ilçesini kapsayan 2009 tarihli Landsat TM görüntüsünün destek vektör makineleri ile sınıflandırılması ve bölgeye ait genel arazi kullanımını gösteren tematik haritanın oluşturulması hedeflenmiştir. Destek vektör makinelerinin eğitiminde farklı boyutta altı eğitim seti (her bir sınıf için 100, 250, 500, 1.000, 1.500 ve 2.000 piksel) kullanılmış ve test verisi (her bir sınıf için 5.000 piksel) için hesaplanan genel sınıflandırma doğrulukları analiz edilmiştir. Yöntemin farklı boyuttaki eğitim veri setleri için sınıflandırma performansı en çok benzerlik yöntemi ile karşılaştırılmış ve elde edilen genel sınıflandırma doğrulukları arasındaki farklar istatistiksel olarak analiz edilmiştir. Sınıflandırma sonuçları, eğitim seti boyutundaki artışa paralel olarak destek vektör makinelerinin performansında yaklaşık %1’lik bir iyileşme olduğunu göstermektedir. Diğer taraftan, en çok benzerlik yönteminin performansında ise %2’lik bir değişim olduğu görülmüştür. Her iki yöntemin sınıflandırma performansı karşılaştırıldığında, destek vektör makineleri ile özellikle sınırlı sayıda eğitim piksellerinden oluşan veri setleri için %3 daha doğru sınıflandırma sonucu elde edildiği görülmüştür. Yapılan testler bu performans farklılığının istatistiksel olarak anlamlı olduğunu göstermiştir. Elde edilen sonuçlar, destek vektör makinelerinin sınırlı sayıda eğitim veri seti için sınıflandırma performansının en çok benzerlik yöntemine göre daha iyi olduğunu destekler niteliktedir.
0 yorum:
Yorum Gönder