20425

Kıyı Çizgisinin Makine Öğrenmesi Tabanlı Mean-Shift, Rastgele Orman ve Destek Vektör Makinaları ile Belirlenmesi

Kıyılar kara ve deniz sınırını oluşturan, belirli bir canlı ekosistemini ihtiva eden alanlardır. Suların iklim değişimine bağlı olarak çekilmesi veya yükselmesi, gelgit hareketleri, tropik ekosistemlerde hava olaylarına bağlı olarak meydana gelen fırtına, hortum, kasırga vb. iklim olaylarında, deniz alanlarının karalardan ayrıldığı kıyı çizgisinin belirlenmesi önem arz etmektedir. Bu çalışma kapsamında Sentinel-2A uzaktan algılama görüntüsü üzerinde, makine öğrenmesi tabanlı mean-shift, rastgele orman (RO) ve destek vektör makinaları (DVM) yöntemleri uygulanmış olup, bölütleme sonrası sonuç görüntüleri doğruluk ve IoU metrikleri ile değerlendirilmiştir. Genel doğruluklar, mean-shift, rastgele orman ve destek vektör makinaları için sırasıyla %97.23, %99.15 ve %98.68 bulunmuştur.

Anahtar Kelimeler:

Kıyı çizgisi, Rastgele orman, Mean-shift, Destek vektör makinaları, Bölütleme

Machine Learning Based Segmentation of Shoreline Using Mean-Shift, Random Forest and Support Vector Machine

The coast is an area that forms the boundary between land and sea and contains a certain ecosystem of life. To determine the coastline where sea areas are separated from the land in climatic events such as storms, tornadoes, hurricanes, which occur due to the withdrawal or rise of waters due to climate change, tidal movements, weather events in tropical ecosystems. In this study, machine learning-based mean-shift, random forest (RO), and support vector machines (SVM) methods were used on the Sentinel-2A satellite image, and the results were evaluated by calculating overall accuracy and using IOU metrics. The overall accuracies are 97.23%, 99.15%, and 98.68% for mean-shift, random forest, and support vector machines, respectively.

Keywords:

Shoreline, Random forest, Mean-shift, Support vector machine, segmentation,

PDF

___

1. Doğan, E., Burak, S., Akkaya, M.A., 2005. Türkiye Kıyıları; Kavramsal Tanımlama, Planlama, Kullanım. Beta Basım Dağ. Şti., İstanbul. 238. ISBN 978-975-295-495-3.
2. Akengin, H., Dölek, İ., Özdemir, Y., 2016. Türkiye’nin Denizleri ve Kıyıları. 345. ISBN: 975-295-495-2.
3. Şatıroğlu, E., Yıldızcı, A.C., 2015. İstanbul’un Doğu Karadeniz Kıyı Alanları Kullanımlarındaki Değişimin Saptanması. Akademik Ziraat Dergisi, 3(1), 33-40.
4. Ünel, B.F., Kuşak, L., Çelik, M., Alptekin, A. Yakar, M., 2020. Kıyı Çizgisinin Belirlenerek Mülkiyet Durumunun İncelenmesi. Türkiye Arazi Yönetimi Dergisi, 2(1), 33-40.
5. Erdem, F., Derinpınar, M. A., Nasırzadehdızajı, R., Oy, S., Şeker, D.Z.,Bayram, B., 2018. Rastgele Orman Yöntemi Kullanılarak Kıyı Çizgisi Çıkarımı İstanbul Örneği. Geomatik, 3(2), 100-107. DOI: 10.29128/geomatik.362179.
6. Çoban, H., Koç, Ş., Kale, M.M., 2020. Çoruh Deltası (Gürcistan/Batum) Kıyı Çizgisi Değişimi (1984-2019). lnternational Journal of Geography and Geography Education, (42), 589-601. DOI: 10.32003/igge.741573.
7. Aykut, N.O., 2019. İnsansız Hava Araçlarının Kıyı Çizgisinin Belirlenmesinde Kullanılabilirliğinin Araştırılması. Geomatik, 4(2), 141-146. DOI: 10.29128/geomatik.503055.
8. Kılar, H. Çiçek, İ., 2019. Kıyı Çizgisinin Gelecekteki Konumunun Belirlenmesinin Önemi: Göksu Deltası Örneği, Mersin (Türkiye). Coğrafi Bilimler Dergisi, 17(1), 193-216. DOI: 10.33688/aucbd.559328.
9. Kaplan, G., Avdan, U., 2017. Object-based Water Body Extraction Using Sentinel-2 Satellite Imagery, European Journal of Remote Sensing, 50(1), 137-143. DOI:10.1080/ 22797254.2017.1297540.
10. Comaniciu D., Meer, P., Mean Shift: A Robust Approach Toward Feature Space Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5), 603-619, May 2002. DOI: 10.1109/34.1000236.
11. Breiman, L., 2001. Random Forests. Machine Learning, 45, 5-32.
12. Cortes, C., Vapnik, V., 1995. Support-vector Networks. Machine Learning, 20(3), 273–297.
13. Demirci M., 2019. Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini, Dicle Üniversitesi, Mühendislik Fakültesi Dergisi, 10(3), 1113-1124.
14. Uslu E., Bilgin, G., 2008. Classification of Heart Arrthymias by Using Wavelet and Merged Wavelet Packet Transforms, 2008 IEEE 16th Signal Processing, Communication and Applications Conference, 2008, 1-4. DOI: 10.1109/SIU.2008.4632600.
15. Congalton, R.G., Green, K., 1999. Assessing the Accuracy of Remotely Sensed Data Principles and Practices. Lewis Publishers, Boca Raton, 348.
16. Van Beers, F., Lindström, A., Okafor, E., Wiering, M.A., 2019. February. Deep Neural Networks with Intersection over Union Loss for Binary Image Segmentation. In ICPRAM (438-445).
17. Di, K., Wang, J., Ma, R., Li, R. 2003. May. Automatic Shoreline Extraction From High- Resolution IKONOS Satellite Imagery. In Proceeding of ASPRS 2003 Annual Conference, 3.
18. Bamdadinejad, M., Ketabdari, M.J., Chavooshi, S.M.H., 2021. Shoreline Extraction Using Image Processing of Satellite Imageries. Journal of the Indian Society of Remote Sensing, 49(10), 2365-2375.
19. Billa, L., Pradhan, B., 2011. Semi-automated Procedures for Shoreline Extraction Using Single RADARSAT-1 SAR Image. Estuarine, Coastal and Shelf Science, 95(4), 395-400.
20. Rishikeshan, C.A., Ramesh, H., 2017. A Novel Mathematical Morphology Based Algorithm for Shoreline Extraction from Satellite Images. Geo-spatial Information Science, 20(4), 345-352.
21. El Kafrawy, S.B., Basiouny, M.E., Ghanem, E.A., Taha, A.S., 2017. Performance Evaluation of Shoreline Extraction Methods Based on Remote Sensing Data. Journal of Geography, Environment and Earth Science International, 11(4), 1-18.
22. Kumar, L., Afzal, M.S., Afzal, M.M., 2020. Mapping Shoreline Change Using Machine Learning: A Case Study from the Eastern Indian Coast. Acta Geophysica, 68(4), 1127-1143.
23. Erdem, F., Bayram, B., Bakirman, T., Bayrak, O.C., Akpinar, B., 2021. An Ensemble Deep Learning Based Shoreline Segmentation Approach (WaterNet) from Landsat 8 OLI Images. Advances in Space Research, 67(3), 964-974.
24. Dang, K.B., Vu, K.C., Nguyen, H., Nguyen, D.A., Nguyen, T.D.L., Pham, T.P.N., Do, T.H., 2022. Application of Deep Learning Models to Detect Coastlines and Shorelines. Journal of Environmental Management, 320, 115732.