Headwall Hyperspec VNIR Kamerası İle Elde Edilen Hiperspektral Hava Fotografı İçin Boyut İndirgeme Yöntemlerinin Performanslarının Analizi

Yıl 2019, Cilt 4, Sayı 3, 200 - 214, 01.12.2019

Esra Tunç GÖRMÜŞ Özlem AKAR

https://doi.org/10.29128/geomatik.538838

Öz

Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının Headwall Hyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır. Bunun için Harita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca (BARKOK) 2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ile elde edilen hiperspektral hava fotoğrafı kullanılmıştır.  Çalışma alanı olarak, çekimin gerçekleştiği Bergama bölgesinde kentsel ve kırsal arazi kullanım sınıflarını barındıran pilot bir bölge seçilmiştir.  Çalışmada öncelikli olarak hiperspektral hava fotoğrafına atmosferik ve radyometrik düzeltmeler yapılmıştır. Ardından bozuk ve kullanılmayan bantların temizlenmesi için yaygın olarak kullanılan Temel Bileşen Analizi (PCA), Ayrık Dalgacık Dönüşümü (DWT), Faktör Analizi, Çok Boyutlu Ölçekleme yöntemi (MDS – Multidimensional Scaling) ve En Fazla Daralan Metrik Öğrenme (MCML-Maximally Collapsing Metric Learning) gibi 5 farklı yöntemle bant indirgeme işlemi uygulanmıştır. Sonrasında tüm görüntülerin geometrik düzeltmeleri yapılarak aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildikten sonra indirgeme yöntemlerinin performanslarının analizi için yaygın olarak kullanılan ve yüksek sınıflandırma doğruluğu sağlayan makine öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi sonucunda elde edilen tematik görüntüler için doğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunu % 91.67 (RO) doğrulukla DWT boyut indirgeme yönteminin sağlandığı gözlemlenmiştir.  Genel olarak bakıldığında RO ile elde edilen sonuçlarda genel sınıflandırma doğrulukları yüksekten düşüğe sırasıyla DWT, MCML, MD, FACTORNAL ve PCA olarak elde edilmiştir. DVM sonuçlarına göre bu sıranın ise DWT, MCML, MD, PCA ve FACTORNAL  olduğu gözlenmiştir. Buna göre her iki sınıflandırma yönteminde de en yüksek doğruluğu DWT' nin, en düşük sınıflandırma doğruluğunu da FACTORNAL ve PCA yöntemlerinin verdiği görülmüştür. Çalışma sonucu göstermektedir ki,  bu hiperspektral hava fotoğrafı için denenen yöntemler arasında en uygun boyut indirgeme yöntemi DWT 'dir.

Anahtar Kelimeler

Hiperspektral hava fotoğrafı, Ayrık Dalgacık Dönüşümü, Destek vektör makineleri, Rastgele Orman, Boyut indirgeme

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.
• Battiti, R. (1994). “Using mutual information for selecting features in supervised neural net learning,” IEEE Trans. Neural Networks, vol. 5, no. 4, pp. 537–550, Jul.
• 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.
• Blum A., ve Mitchell T., (1998) “Combining labeled and unlabeled data with co- training,” Proceedings of the 11th Annual Conference on Computational Learning Theory, pp. 92–100, 1998.
• 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).
• Bruzzone L., Chi M., ve Marconcini M., (2006) “A novel transductive svm for semisupervised classification of remote-sensing images,” IEEE Trans. Geosci. Remote Sens., vol. 44, no. 11, pp. 3363 – 3373.
• Bulbul S. ve Kose A., (2010). “Türkiye’de bölgelerarası iç göç hareketlerinin çok boyutlu ölçekleme yöntemi ile incelenmesi”, İstanbul Üniversitesi İşletme Fakültesi Dergisi. Cilt/Vol:39, Sayı/No:1, 75-94.
• Chang C.-I. ve Ren C.-I. (2000). “An experiment-based quantitative and comparative analysis of target detection and image classification algorithms for hyperspectral imagery,” IEEE Transactions on Geoscience and Remote Sensing, vol. 38, no. 2, pp. 1044–1063.
• 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.
• Filiz Z., Çemrek F.,(2005). Avrupa Birliğine Üye Ülkeler ile Türkiye’nin Karşılaştırılması, İstanbul Üniversitesi VII.Ulusal Ekonometri ve İstatistik Sempozyumu.
• Ghamisi P. vd. (2017), "Advances in Hyperspectral Image and Signal Processing: A Comprehensive Overview of the State of the Art," in IEEE Geoscience and Remote Sensing Magazine, vol. 5, no. 4, pp. 37-78.
• Globerson, A., Roweis, S., (2005). ‘Metric learning by collapsing classes’. In: Advances in Neural Information Processing Systems (NIPS).
• Green A., Berman M., Switzer P., and Craig M.,(1988). “A transformation for ordering multispectral data in terms of image quality with implications for noise removal,” IEEE Trans. Geosci. and Remote Sens., vol. 26, no. 1,pp. 65–74, Jan.
• Hotelling H., (1933). Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, 24:417–441.
• Hyvrinen A., Karhunen J., and Oja E., (2001).Independent Component Analysis. New York: Wiley.
• 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.
• Jia X.,. Kuo B, and Crawford M., ( 2013). “Feature mining for hyperspectral image classification,” Proceedings of the IEEE, vol. 101, no. 3, pp. 676–697, March.
• Jlliffe I., (1986). Principal Component Analysis. New York:Springer-Verlag,.
• 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.
• Kuo B. ve Landgrebe D.,( 2004) “Nonparametric weighted feature extraction for classification,” IEEE Trans. Geosci. and Remote Sens., vol. 42, no. 5, pp. 1096–1105, May.
• Kuybeda D. M. O and Barzohar M., (2007). “Rank estimation and redundancy reduction of high dimensional noisy signals with preservation of rare vectors,” IEEE Trans. on Signal Processing, vol. 55, no. 12, pp. 5579–5592.
• 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..
• Li W, Prasad S,, Fowled J. E., ve Bruce L. M., (2012).“Locality-preserving dimensionality reduction and classification for hyperspectral image analysis,” IEEE Trans. Geosci. Remote Sens., vol. 50, no. 4, pp. 1185–1198.
• 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.
• Liu N. W. A. L., Coops N. C. and Pang Y., (2017). “Mapping urban tree species using integrated airborne hyperspectral and lidar remote sensing data,” Remote Sensing of Environment, vol. 200, pp. 170–182.
• Maaten L.J.P. van der (2007). An introduction to dimensionality reduction using Matlab. Technical Report 07-06, MICC-IKAT, Maastricht University, Maastricht, The Netherlands.
• Maaten, L.J.P. van der, Postma E.O., and Herik H.J. van den (2007). Dimensionality reduction: A comparative review. Preprint.
• 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.
• Pal M. ve. Foody G. M. (2010), "Feature Selection for Classification of Hyperspectral Data by SVM," in IEEE Transactions on Geoscience and Remote Sensing, vol. 48, no. 5, pp. 2297-2307, May.
• Ren J., Zabalza J., Marshall S., and Zheng J.,(2014). “Effective feature extraction and data reduction in remote sensing using hyperspectral imaging,” IEEE Signal Processing Magazine, vol. 31, no. 4, pp. 149–154, June.
• 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.
• Saralioğlu E., Tunç Görmüş E.,(2018). "Doku Bilgisinin Hiperspektral Görüntülerin Sınıflandırılmasına Olan Etkisinin Araştırılması", 26. IEEE Sinyal İşleme Ve İletişim Uygulamaları Kurultayı, İzmir, Türkıye, 2-5 Mayıs, pp.1-4
• Somers G. P. B., (2013). “Multi-temporal hyperspectral mixture analysis and feature selection for invasive species mapping in rainforests,” Remote Sensing of Environment, vol. 136, pp. 14–27.
• 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 Grain-Size Data. Magar V, ed. PLoS ONE.;9(4):e93950.
• Swain, P. H. ve Davis S. M., (1978) Remote Sensing: The Quantitative Approach. New York: McGraw-Hill.
• 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
• Web1 (2019), http://lvdmaaten.github.io/drtoolbox/
• Web2 (2019), https://www.harita.gov.tr/images/kurumsal/ec160682cb3586d.pdf