Konum Tabanlı Tahminde Makine Öğrenme Yöntemlerinin Performansları

Year 2022, , 793 - 802, 17.10.2022

Nuh Mehmet Özmerdivenli Murat Taşyürek Serhat Hızlısoy , Bahatdin Daşbaşı

https://doi.org/10.21605/cukurovaumfd.1190438

Abstract

Son yıllarda meydana gelen teknolojik gelişmeler sayesinde IoT (nesnelerin interneti) sensörleri kullanılarak elde edilen verilerin sayısı, çeşitliliği ve niteliği artmaktadır. IoT sensörlerinden elde edilen bu veriler arazi kullanımı, iklim değişikliği, bitki örtüsünün incelemesi ve hava kalitesi tahmini gibi birçok bilimsel alanda kullanılmaktadır. Bu çalışmada, IoT sensörleri üzerinden elde edilen verileri makine öğrenmesi yöntemi ile kullanılarak konum bazlı mekânsal analiz uygulaması gerçekleştirilmiştir. Bu uygulama ile Meteoroloji Genel Müdürlüğü’nden alınan gerçek veriler içerisinden Kayseri ilinet ait günlük ortalama nem, ortalama basınç ve istasyon rakım bilgisi kullanılarak istasyonun ortalama sıcaklık bilgileri Yapay sinir ağı (ANN), Rasgele orman (RF) ve Destek vektör Makineleri (SVM) algoritmaları ile tahmin edilerek yöntemlerin performansları karşılaştırılmıştır. Deneysel değerlendirmelerde ANN, RF ve SVM yöntemleri ortalama 0,83, 0,75 ve 0,50 R2 değeri elde etmiştir. ANN yöntemi konum bazlı sıcaklık tahmininde RF ve SVM yöntemlerine göre daha üstün performans göstermiştir.

Keywords

Konum tabanlı tahmin, Mekansal veri, Makine öğrenmesi

Performance of Machine Learning Methods in Location-Based Prediction

Abstract

Thanks to the technological developments that have taken place in recent years, the number, variety and quality of the data obtained using IoT (Internet of Things) sensors have been increasing. Data obtained from IoT sensors have been used in many scientific fields such as land use, climate change, vegetation analysis and air quality forecasting. In this study, a location-based spatial analysis application was carried out using the data obtained from IoT sensors with machine learning. With this application, the average temperature information of the station was estimated with Artificial Neural Network (ANN), Random Forests (RF), and Support Vector Machines (SVM) methods using daily average humidity, average pressure, and station altitude information on real datas of Kayseri acquired from the Turkish State Meteorological Service, and then performances of the methods were compared. In the experimental evaluations, the ANN, RF and SVM methods obtained an average of 0.83, 0.75 and 0.50 R2 values. The ANN method outperformed the RF and SVM methods in location-based temperature estimation.

Keywords

Location based prediction, Spatial data, Machine learning

References

• 1. Yan, X., Ai, T., 2018. Analysis of Irregular Spatial Data with Machine Learning: Classification of Building Patterns with a Graph Convolutional Neural Network. ArXiv Preprint ArXiv:1809.08196.
• 2. Torunlar, H.M.G., Tuğaç, M.G., Duyan, K., 2021. Nesne Tabanlı Sınıflandırma Yönteminde Sentinel-2A Uydu Görüntüleri Kullanılarak Tarımsal Ürün Desenlerinin Belirlenmesi; Konya - Karapınar Örneği. Türkiye Uzaktan Algılama Dergisi, 3(2), 36-46.
• 3. Li, L., Zheng, X., Zhao, K., Li, X., Meng, Z., Su, C., 2020. Potential Evaluation of High Spatial Resolution Multi-spectral Images Based on Unmanned Aerial Vehicle in Accurate Recognition of Crop Types. Journal of the Indian Society of Remote Sensing, 48(11), 1471-1478.
• 4. Kavzoğlu, T., Çölkesen, İ., Şahin, E.K., 2015. Obje Tabanlı Yaklaşımda Makine Öğrenme Algoritmalarının Sınıflandırma Performansının Analizi. TUFUAB VIII. Teknik Sempozyumu, 344-349.
• 5. Sabek, I., Mokbel, M.F., 2020. Machine Learning Meets Big Spatial Data. In 2020 IEEE 36th International Conference on Data Engineering (ICDE), 1782-1785.
• 6. Shang, X., Chisholm, L.A., 2013. Classification of Australian Native Forest Species Using Hyperspectral Remote Sensing and Machine-Learning Classification Algorithms. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6), 2481-2489.
• 7. Cracknell, M.J., Reading, A.M., 2014. Geological Mapping Using Remote Sensing Data: A Comparison of Five Machine Learning Algorithms, Their Response to Variations in the Spatial Distribution of Training Data and the Use of Explicit Spatial Information. Computers & Geosciences, 63, 22-33.
• 8. Pal, M., Mather, P.M., 2005. Support Vector Machines for Classification in Remote Sensing. International Journal of Remote Sensing, 26(5), 1007-1011.
• 9. Dilek, K.S., 2013. Kentsel Alanların WorldView-2 Uydu Görüntülerinden Makine Öğrenme Algoritmaları Kullanılarak Tematik Haritalanması. Jeodezi ve Jeoinformasyon Dergisi, (107), 71-80.
• 10. Özdarıcı, O.A., Akar, Ö., Güngör, O., 2011. Rastgele Orman Sınıflandırma Yöntemi Yardımıyla Tarım Alanlarındaki Ürün Çeşitliliğinin Sınıflandırılması. TUFUAB 2011 VI. Teknik Sempozyumu, 1-7.
• 11. Ntouros, K.D., Gitas, I.Z., Silleos, G.N., 2009. August. Mapping Agricultural Crops with EO- 1 Hyperion Data. In 2009 First Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing. IEEE, 1-4.
• 12. Tunca, E., Köksal, E., 2021. Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9(1), 189-200.
• 13. Zolfaghari, Z., Mosaddeghi, M.R., Ayoubi, S., 2015. ANN-based Pedotransfer and Soil Spatial Prediction Functions for Predicting Atterberg Consistency Limits and Indices from Easily Available Properties at the Watershed Scale in Western Iran. Soil Use and Management, 31(1), 142-154.
• 14. Hong, H., Pradhan, B., Jebur, M.N., Bui, D.T., Xu, C., Akgun, A., 2016. Spatial Prediction of Landslide Hazard at the Luxi Area (China) Using Support Vector Machines. Environmental Earth Sciences, 75(1), 1-14.
• 15. Dharumarajan, S., Hegde, R., Singh, S.K., 2017. Spatial Prediction of Major Soil Properties Using Random Forest Techniques-A Case Study in Semi-arid Tropics of South India. Geoderma Regional, 10, 154-162.
• 16. Üstüner, M., Şanlı, F.B., 2019. Çok Zamanlı Polarimetrik SAR Verileri ile Tarımsal Ürünlerin Sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 7(1), 1-10.
• 17. Watts, J.D., Lawrence, R.L., 2008. Merging Random Forest Classification with an Object- oriented Approach for Analysis of Agricultural Lands. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(B7).
• 18. Breiman, L., 2001. Random forests. Machine learning. Kluwer Academic Publishers, 45(1), 5-32.
• 19. Erdem, F., Derinpınar, M.A., Nasirzadehdizaji, R., Selen, O.Y., Şeker, D.Z., Bayram, B., 2018. Rastgele Orman Yöntemi Kullanılarak Kıyı Çizgisi Çıkarımı İstanbul Örneği. Geomatik, 3(2), 100-107.
• 20. Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random Forests for Land Cover Classification. Pattern Recognition Letters, 27(4), 294-300.
• 21. Kumar, P., Gupta, D.K., Mishra, V.N., Prasad, R., 2015. Comparison of Support Vector Machine, Artificial Neural Network, and Spectral Angle Mapper Algorithms for Crop Classification Using LISS IV Data. International Journal of Remote Sensing, 36(6), 1604-1617.
• 22. Yu, J.H., Ge, L., Rizos, C., 2011. Digital Elevation Model Generation Using Multibaseline Advanced Land Observing Satellite/phased Array Type L-band Synthetic Aperture Radar Imagery. Journal of Applied Remote Sensing, 5(1), 053510.
• 23. Kavzoglu, T., Colkesen, I., 2009. A Kernel Functions Analysis for Support Vector Machines for Land Cover Classification. International Journal of Applied Earth Observation and Geoinformation, 11(5), 352-359.
• 24. Atasever, Ü.H., Özkan, C., 2012. Arazi Örtüsünün Belirlenmesinde Torbalama Karar Ağaçları Yönteminin Kullanılması. UZAL- CBS, Zonguldak.
• 25. Rokach, L., 2010. Pattern Classification Using Ensemble Methods. Series in Machine Perception and Artificial Intelligence, World Scientific, 75.