Uydu tekniklerinin gelişmesiyle birlikte, AKAÖ (Arazi Kullanımı ve Arazi Örtüsü) belirlemek amacıyla uydu görüntüleri ve görüntü sınıflandırma algoritmaları daha sık kullanılmaktadır. Bu çalışmanın temel amacı Yedigöze Baraj Gölü çevresinde nesne tabanlı ve piksel tabanlı görüntü sınıflandırma yöntemleri ile sınıflama işlemini gerçekleştirmek ve sınıflama tekniklerinin genel doğruluklarını karşılaştırmaktır. Bu çalışmada Yedigöze Baraj Gölü'nün 24 Haziran 2023 tarihinde alınan Sentinel-2B uydu görüntüsü kullanılmıştır. İlk olarak görüntü, DVM (Destek Vektör Makineleri), YSA (Yapay Sinir Ağları) ve MOS (Maksimum Olabilirlik Sınıflandırması) yöntemiyle piksel tabanlı sınıflandırma yöntemiyle sınıflandırılmıştır. Daha sonra görüntü, KEYK (K-En Yakın Komşuluk) yöntemiyle nesne tabanlı sınıflandırma yöntemiyle sınıflandırılmıştır. Bu algoritmalar kullanılarak su alanı, tarım alanı, orman alanı ve yerleşim alanı olmak üzere dört sınıf belirlenmiştir. Genel doğruluklar DVM yöntemi için %92.92, YSA yöntemi için %92.42, MOS yöntemi için %86.71 ve KEYK yöntemi için %93.18 olarak hesaplanmıştır. Çalışma sonucunda, olarak, tüm yöntemlerin yüksek doğruluk sağladığı ve nesne tabanlı KEYK yönteminin diğer sınıflandırma yöntemlerine göre daha yüksek doğruluk sağladığı tespit edilmiştir.
Destek Vektör Makineleri Yapay Sinir Ağları Maksimum Olabilirlik Sınıflandırması K-en yakın komşuluk Uzaktan Algılama
With the development of satellite techniques, satellite images and image classification algorithms are used more frequently to determine LULC (Land Use and Land Cover). The main purpose of this study is to perform the classification process with object-based and pixel-based image classification methods in the Yedigöze Reservoir area and to compare the general accuracies of the classification techniques. In this study, Sentinel -2B satellite image of Yedigöze Reservoir taken on June 24, 2023 was used. First, the image was classified by pixel-based classification using SVM (Support Vector Machines), ANN (Artificial Neural Networks) and MLC (Maximum Likelihood Classification) method. Then, the image was classified by object-based classification using the KNN (K-Nearest Neighbor) method. Using these algorithms, four classes were determined: water area, agricultural area, forest area and residential area. Overall accuracies were calculated as 92.92% for the SVM method, 92.42% for the ANN method, 86.71% for the MLC method and 93.18% for the KNN method. As a result of the study, it has been determined that all methods provide high accuracy and the object-based KNN method provides higher accuracy than other classification methods.
Support Vector Machines Artificial Neural Networks Maximum Likelihood Classification K-nearest Neighbor Remote Sensing
Primary Language | Turkish |
---|---|
Subjects | Image Processing, Photogrammetry and Remote Sensing |
Journal Section | Research Articles |
Authors | |
Early Pub Date | September 6, 2024 |
Publication Date | October 15, 2024 |
Submission Date | April 26, 2024 |
Acceptance Date | August 29, 2024 |
Published in Issue | Year 2024 Volume: 13 Issue: 4 |