Pankromatik Bandın Piksel Tabanlı Sınıflandırmaya Etkisi
Öz
Bu çalışmada, pankromatik bandın çok bantlı uydu görüntülerinin piksel tabanlı sınıflandırma doğruluğuna etkisi deneysel olarak araştırılmıştır. Çok yüksek uzamsal çözünürlüklü multispektral uydu görüntüleri multispektral bantlar yanında daha yüksek uzamsal çözünürlükte bir pankromatik bant içermektedir. Bu nedenle sınıflandırma aşamasında çeşitli seçenekler oluşmaktadır.Örneğin, sınıflandırma yapıldığında bu bant kullanılmalı mı? Kullanılacaksa nasıl kullanılmalı? Sınıflandırma doğrulukları arasında ne kadar fark olur? Pankromatik bandın sınıflandırma sonuçlarına etkisini incelemek amacıyla 4 adet senaryo oluşturulmuştur. İlk senaryoda pankromatik bant görüntü kaynaştırma yapılarak sınıflandırmada kullanılmıştır. İkinci senaryoda sadece multispektral bantlar üzerinden sınıflandırma yapılmıştır. Üçüncü senaryoda, multispektral bantların boyutu en yakın komşuluk algoritması kullanılarak pankromatik bant boyutuna getirilmiştir. Daha sonra tüm bantların arkasına pankromatik bant eklenerek sınıflandırma yapılmıştır. Son senaryoda ise sadece pankromatik bant sınıflandırılmıştır. En yüksek sınıflandırma doğruluğu pan-keskinleştirme yapılan görüntülerde elde edilmiştir. WorldView-2 görüntüsünün kendi pankromatik bandı ile kaynaştırılması sonucu elde edilen görüntünün destek vektör makineleri ve rastgele orman ile sınıflandırma sonuçları sırasıyla %78 ve %75 olarak bulunmuştur. IKONOS görüntüsü için pan-keskinleştirme yapılmış görüntüde sınıflandırma doğrulukları ise aynı sırada %70 ve %66 olarak bulunmuştur.
Anahtar Kelimeler
Multispektral uydu görüntüleri, Görüntü sınıflandırma, Pan-keskinleştirme
Kaynakça
- Abou EL-Magd, I., & Tanton, T. W. (2003). Improvements in land use mapping for irrigated agriculture from satellite sensor data using a multi-stage maximum likelihood classification. International Journal of Remote Sensing, 24(21), 4197-4206.
- Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
- Carranza-García, M., García-Gutiérrez, J., & Riquelme, J. C. (2019). A framework for evaluating land use and land cover classification using convolutional neural networks. Remote Sensing, 11(3), 274.
- Civco, D. L. (1993). Artificial neural networks for land-cover classification and mapping. International journal of geographical information science, 7(2), 173-186.
- Du, Q., & Chang, C. I. (2001). A linear constrained distance-based discriminant analysis for hyperspectral image classification. Pattern Recognition, 34(2), 361-373.
- Gomariz-Castillo, F., Alonso-Sarría, F., & Cánovas-García, F. (2017). Improving classification accuracy of multi-temporal Landsat Images by Assessing the Use of different algorithms, textural and ancillary information for a mediterranean semiarid area from 2000 to 2015. Remote Sensing, 9(10), 1058.
- Huang, X., Wang, C., & Li, Z. (2018). A near real-time flood-mapping approach by integrating social media and post-event satellite imagery. Annals of GIS, 24(2), 113-123.
- Khatami, R., Mountrakis, G., & Stehman, S.V. (2016). A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: General guidelines for practitioners and future research. Remote Sensing of Environment, 177, 89-100.
- Laben, C.A., & Brower, B.V., (2000). Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening, United States Eastman Kodak Company (Rochester, NY). US Patent 6011875.
- Li, C., Liu, L., Wang, J., Zhao, C., & Wang, R. (2004, September). Comparison of two methods of the fusion of remote sensing images with fidelity of spectral information. In IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium (Vol. 4, pp. 2561-2564). IEEE.
