Hafif Gradyan Artırma Makineleri ile Tarımsal Ürünlerin Sınıflandırılması
Abstract
Son yıllarda, makine öğrenmesi ve veri bilimi alanındaki araştırmacılar özgün ve de özellikle topluluk öğrenmesi alanında yeni algoritmalar geliştirmeye başlamışlardır. Bu yeni nesil topluluk öğrenme algoritmalarından olan aşırı gradyan artırma (XGBoost) ve hafif gradyan artırma makineleri (LightGBM) yöntemleri, mevcut ve aynı zamanda sık kullanılan makine öğrenme algoritmalarına kıyasla daha yüksek performans gösterdiklerinden dolayı veri bilimindeki araştırmacıların ilgisini çekmiştir. Ancak uzaktan algılama görüntülerinin sınıflandırılması amacıyla henüz yeterli düzeyde test edilmemiştir. Bu çalışma kapsamında, XGBoost ve LightGBM algoritmalarının çok zamanlı polarimetrik sentetik açıklıklı radar (PolSAR) görüntüleri kullanılarak tarımsal ürünlerin sınıflandırılmasındaki performansları, hem işlem hızı hem de elde edilen sınıflandırma doğrulukları açısından karşılaştırılmıştır. Çalışma kapsamında, tam polarimetrik RADARSAT-2 uydu görüntülerine ait doğrusal geri saçılım değerleri kullanılmıştır. Tarımsal ürünlerin zamana bağlı dinamik olarak değişen yapılarından dolayı çalışmamızda çok zamanlı bir veri seti kullanılmıştır. Deneysel sonuçlarımız, LightGBM yönteminin hem işlem hızı hem de sınıflandırma performansı açısından XGBoost yöntemine göre daha üstün olduğunu göstermiştir, bu iki yöntem için elde edilen doğruluklar sırası ile 0.860 ve 0.845’dir. Sınıflandırma sonuçlarının elde edilmesinde k-katlamalı (k=5) çapraz doğrulama tekniği kullanılmıştır.
Keywords
Uzaktan algılama, Sentetik açıklıklı radar, Hafif gradyan artırma makineleri
References
- Abdi, A. M. (2020). Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data. GIScience & Remote Sensing, 57(1), 1-20, doi: 10.1080/15481603.2019.1650447.
- Abdikan, S., Bilgin, G., Sanli, F. B., Uslu, E., & Ustuner, M. (2015). Enhancing land use classification with fusing dual-polarized TerraSAR-X and multispectral RapidEye data. Journal of Applied Remote Sensing, 9(1), 096054, doi: 10.1117/1.JRS.9.096054.
- Akar, Ö., & Güngör, O. (2012). Classification of multispectral images using Random Forest algorithm. Journal of Geodesy and Geoinformation, 1(2), 105-112.
- Atzberger, C. (2013). Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote Sensing, 5(2), 949-981.
- Ayhan, S., & Erdoğmuş, Ş. (2014). Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
- Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31.
- Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016. Proceedings. (pp. 785–794).
- Conrad, C., Dech, S., Dubovyk, O., Fritsch, S., Klein, D., Löw, F., ... & Zeidler, J. (2014). Derivation of temporal windows for accurate crop discrimination in heterogeneous croplands of Uzbekistan using multitemporal RapidEye images. Computers and Electronics in Agriculture, 103, 63-74.
- Dey, S., Mandal, D., Robertson, L. D., Banerjee, B., Kumar, V., McNairn, H., Bhattacharya, A. & Rao, Y. S. (2020). In-season crop classification using elements of the Kennaugh matrix derived from polarimetric RADARSAT-2 SAR data. International Journal of Applied Earth Observation and Geoinformation, 88, 102059, doi: 10.1016/j.jag.2020.102059.
- Georganos, S., Grippa, T., Vanhuysse, S., Lennert, M., Shimoni, M., Kalogirou, S., & Wolff, E. (2018). Less is more: Optimizing classification performance through feature selection in a very-high-resolution remote sensing object-based urban application. GIScience & Remote Sensing, 55(2), 221-242.
