Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi

Yıl 2019, Cilt: 4 Sayı: 1, 68 - 81, 01.02.2019

Özlem Akar , Esra Tunç Görmüş

https://doi.org/10.29128/geomatik.476668

Cited By: 8

Öz

Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydu görüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır. Bunun için Hyperion EO1 hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır. Çalışma alanı olarak spektral özellikleri birbirine yakın arazi sınıflarına sahip olan Trabzon Akçaabat ilçesinin Büyükoba yaylası seçilmiştir. Çalışmada Göktürk-2 Multispektral (GMS), Göktürk-2 Pankromatik (GPAN) ve Hyperion EO-1 hiperspektral uydu görüntüleri kullanılmıştır. Öncelikle Hyperion EO-1 hiperspektral uydu görüntüsü için atmosferik ve radyometrik düzeltmeler yapılmış, bozuk ve kullanılmayan bantların temizlenmesi için bant indirgeme işlemleri uygulanmıştır. Bant indirgeme işlemi için dalgacık tabanlı Ampirik Kip Ayrıştırma (AKA) yöntemi kullanılmıştır. Sonrasında tüm görüntüler rektifiye edilerek aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildikten sonra GPAN, GMS ve indirgenmiş Hyperion EO- 1 (DHYP) görüntüleri ile Gram Schmidt (GS) ve Principle Component (PC) gibi görüntü kaynaştırma yöntemleri kullanılarak kaynaştırılmıştır. Kaynaştırma yöntemleriyle elde edilen kaynaştırılmış görüntüler üzerinden sınıflandırmada kullanılacak arazi kullanım sınıfları belirlenmiştir. Bu görüntüler yüksek sınıflandırma doğruluğu veren Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM) yöntemleriyle sınıflandırılmıştır. Her bir sınıflandırma sonucu için doğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunun, PC kaynaştırma yöntemine göre kaynaştırılmış ve RO sınıflandırıcısı ile sınıflandırılmış görüntülerden elde edildiği gözlenmiştir. PC ile kaynaştırılmış GPAN ve GMS görüntüsü ile GPAN ve DHYP' nin kaynaştırılmış görüntüsünün RO ile sınıflandırılması sonucu genel sınıflandırma doğrulukları sırasıyla %72.13 ve %83.06 olarak elde edilmiştir. Bu sonuçlara göre sınıflandırma doğruluğu % 11 oranında artırılmıştır. Son olarak en yüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.

Anahtar Kelimeler

Görktürk-2, Hyperion EO- 1, Rastgele Orman, Ampirik Kip Ayrıştırma, Arazi Kullanım Haritası

Kaynakça

• 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.
• 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, Ankara.
• 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.
• Breiman, L. (2001). Random Forests,Machine learning, Kluwer Academic Publishers, 45(1), 5-32.
• Breiman, L. ,(2002). 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)
• Breiman, L. ve Cutler, A.. (2005). Random Forest, http://www.stat.berkeley.edu/~breiman/RandomForests/ cc_home.htm (15.11.2009).
• Chen, C. H. (2008). Image Processing For Remote Sensing, CRS Press, Taylor&Francis Group, USA.
• Çölkesen, İ. ve Yomralıoğlu, T. (2014). Arazi Örtüsü ve Kullanımının Haritalanmasında WorldView-2 Uydu Görüntüsü ve Yardımcı Verilerin Kullanımı, Harita Dergisi ,Temmuz 2014 (152): 12-24.
• Immitzer, M., Vuolo, F. ve Atzberger, C. (2016) First Experience With Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe. Remote Sens. 2016, 8, 166.
• Inglada, J., Arias, M., Tardy, B., Hagolle, O., Valero, S., Morin, D., Dedieu, G., Sepulcre, G., Bontemps, S., Defourny, P., (2015). Assessment of an Operational System for Crop Type Map Production Using High Temporal and Spatial Resolution Satellite Optical Imagery. Remote Sens. 2015, 7, 12356–12379.
• Kalkan, K., Orhun, Ö., Filiz, B. ve Teke, M. (2015). Vegetation Discrimination Analysis from Göktürk-2, in Recent Advances in Space Technologies (RAST), 2015 7th International Conference on, 2015.
• Kavzoglu, T. ve 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.
• Lahat, D., Adali, T. ve Jutten, C., (2015). Multimodal Data Fusion: An Overview of Methods, Challenges, and Prospects, in Proceedings of the IEEE, vol. 103, no. 9, pp. 1449-1477, Sept..
• Liaw, A. ve Wiener, M. (2002). Classification And Regression By Random Forest, R News, Vol.2/3, December.
• Lillesand, T. M., Kiefer R. W. ve Chipman J. W., 2004. Remote Sensing and Image Interpretation, Wiley, United States of America, 804.
• Mather, P. M. (2004). EDMputer Processing of Remotely-Sensed Images: An Introduction, Third edition, Wiley, USA, ISBN 0-470-84918-5.
• Özkan, Y. (2008). Veri Madenciliği Yöntemleri, Papatya Yayıncılık, İstanbul.
• Pal, M. (2005). Random Forest Classifier For Remote Sensing Classification, International Journal of Remote Sensing, 26(1) , 217-222.
• Richards, J.A. ve Jia, X. (2006). Remote Sensing Digital Image Analysis: An Introduction 4th Edition, Springer-Verlag, Germany, ISBN-10: 3-540-25128-6.
• Srivastava, P.K., Han, D., Rico-Ramirez, M.A., Bray, M. ve Islam, T. (2012) Selection of Classification Techniques for Land Use/land Cover Change Investigation. Adv. Space Res., 50, 1250–1265.
• Stephens, D. ve Diesing, M. (2014). A Comparison of Supervised Classification Methods for the Prediction of Substrate Type Using Multibeam Acoustic and Legacy GrainSize Data. Magar V, ed. PLoSONE.;9(4):e93950.
• Tardy, B., Inglada, J. ve Michel, J. (2017). Fusion Approaches for Land Cover Map Production Using High Resolution Image Time Series without Reference Data of the Corresponding Period, Remote Sensing, 9, 1151.
• Teke, M. (2016). Satellite Image Processing Workflow for Rasat and Göktürk-2, Journal of Aeronautics and Space Technologies, Volume 9 Number 1.
• Thanh Noi, P. ve Kappas, M. (2018). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery, Sensors (Basel, Switzerland). 2018;18(1):18.
• Vapnik, V.N. (1995). The Nature of Statistical Learning Theory, Springer-Verlag, New York.
• Watts, J. D., Powell, S.L., Lawrence, R. L. ve Hilker, T. (2011). Improved Classification of Conservation Tillage Adoption Using High Temporal And Synthetic Satellite Imagery, Remote Sensing of Environment 115 (2011) 66–75