Arazi Kullanım Sınıfları İçin Farklı Kontrollü Sınıflandırma Algoritmalarının Karşılaştırılması

Bu çalışmanın amacı, Landsat 8 uydu görüntüsü kullanarak arazi kullanım sınıflarını farklı kontrollü sınıflandırma algoritmaları ile sınıflandırmak ve en uygun tekniği ortaya koymaktır. Bu amaçla, en yüksek olasılık (maksimum likelihood) ile destek vektör makineleri (DVM) için yaygın bir şekilde kullanılan doğrusal, polinom, radyal ve sigmoid kernel fonksiyonları kullanılmıştır. En iyi sonucu veren en yüksek olasılık metodu ile DVM polinom fonksiyonu çıktıları karşılaştırılmıştır. En yüksek olasılık metodu için kappa değeri ve genel sınıflandırma başarısı sırasıyla 0.81 ve %85'dir. DVM polinom fonksiyonu için ise bu değerler sırasıyla 0.79 ve %84'tür. Ayrıca, her iki yöntemle sınıflandırılmış arazi kullanım sınıflarının konumsal analizi Coğrafi Bilgi Sistemleri kullanılarak yapılmıştır. Konumsal analiz sonuçlarına göre en yüksek olasılık metodu kullanılarak toplam alanın %47.5'i, DVM polinom fonksiyonu ile %43.3'ü doğru bir şekilde sınıflandırılmıştır

Comparison of Different Supervised Classification Algorithms for Land Use Classes

The aim of this study was to classify land use classes using Landsat 8 satellite image with different supervised classification algorithms and demonstrate the most proper technique. For this purpose, the highest probability (maximum likelihood) classification method and linear, polynomial, radial and sigmoid kernel functions for support vector machines (SVM) were used. The SVM method polynomial function and the maximum likelihood method which give better results were compared. The result showed that the maximum likelihood method was estimated with a 0.81 kappa statistic and 85% overall accuracy assessments, respectively. The SVM polynomial function for these values was 0.79 and 84%. Spatial analysis of land use classes that were classified using both methods was also made by Geographical Information System. According to the spatial accuracy assessment results, 47.5% and 43.3% of total area were classified accurately by the maximum likelihood method and the SVM method, respectively

Kaynakça

Anonim 2014. Kastamonu Orman Bölge Müdürlüğü, Samatlar Orman İşletme Müdürlüğü, Kartalsuyu Orman İşletme Şefliği fonksiyonel orman amenajman planı. T.C. Orman ve Su İşleri Bakanlığı, Orman Genel Müdürlüğü, 373 s., Kastamonu.

Ayhan S., Erdoğmuş Ş. 2014. Destek vektör makineleriyle çözümü için çekirdek fonksiyonu seçimi. Eskişehir Osmangazi Üniversitesi, İİBF Dergisi, 9(1):175-198. problemlerinin

Çölkesen İ. 2009. Uzaktan algılamada ileri sınıflandırma tekniklerinin karşılaştırılması ve analizi. Yüksek Lisans Tezi, GYTE Mühendislik ve Fen Bilimleri Enstitüsü, 153 s. Gebze.

Çölkesen İ, Sahin E.K., Kavzoglu T. 2016. Susceptibility mapping of shallow landslides using kernel-based Gaussian process, support vector machines and logistic regression. Journal of African Earth Sciences, 118,53-64.

Günlü A., Sivrikaya F., Başkent E.Z., Keleş S., Çakır G., Kadıoğullari A.İ. 2008. Estimation of stand type parameters and land cover using Landsat-7 ETM image: a case study from Turkey, Sensors 2008, 8, 2509-2525.

Günlü A., Keleş S., Kadıoğullari A.İ., Başkent E.Z. 2011. Landsat 7 ETM+ uydu görüntüsü yardimiyla arazi kullanimi, meşcere gelişim çaği ve meşcere kapaliliğin tahmin edilmesi; Kastamonu-Kızılcasu İşletme Şefliği örneği. I. Ulusal Akdeniz Orman ve Çevre Sempozyumu (26-28 Ekim 2011), 660-667, Kahramanmaraş, Türkiye.

Günlü A. 2012. Landsat TM uydu görüntüsü yardımıyla bazı meşcere parametreleri (gelişim çağı ve kapalılık) ve arazi kullanım sınıflarının belirlenmesi. Kastamonu Üniversitesi, Orman Fakültesi Dergisi, 12(1):71-79.

Hsu C.W., Chang C.C., Lin C.J. 2010. A practical guide to support vector classification. National University. http://ntu.csie.org/~cjlin/papers/guide/ guide.pdf Taiwan

Huang C., Davis L.S., Townshend J.R.G. 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23(4),725-749.

Kavzoğlu T., Çölkesen İ. 2010. Destek vektör uydu kernel sınıflandırılmasında etkilerinin incelenmesi. Harita Dergisi, Temmuz 2010, 144:73-82. görüntülerinin fonksiyonlarının

Kulkarni A.D., Lowe B. 2016. Random forest algorithm for land cover classification. Computer Science Faculty Publications and Presentations. Paper 1. htp://hdl.handle.net/10950/341.

Myung I.J. 2003. Tutorial on maximum likelihood estimation. Journal of Mathematical Psychology, 47:90-100.

Otukei J., Blaschke T. 2010. Land cover change assessment using decision trees, support vector machines and maximum likelihood classification algorithms. Int J Appl Earth Obs Geoinf 12:S27-S31.

Srivastava P.K., Han D., Rico-Ramirez M.A., Bray M., Islam T. 2012. Selection of classification techniques for land use/land cover change investigation. Adv Space Res 50(9):1250-1265.

Taati A., Sarmadian F., Mousavi A., Pour C.T.H., classification using support vector machine and maximum likelihood algorithms by Landsat 5 TM images. Walailak Journal of Science and Technology, 12(8): 681-687. 2014. Land use

Topaloğlu R.H., Sertel E., Musaoğlu N. 2016. Assessment of classification accuracies of Sentinel-2 and Landsat-8 data for land cover / use mapping. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B8, 2016, XXIII ISPRS Congress, 12-19 July 2016, Prague, Czech Republic.

Üstüner M., Şanlı F.B., Dixon B. 2015. Application of support vector machines for landuse RapidEye images: a sensitivity analysis. European Journal of Remote Sensing, 48: 403-422.

Kaynak Göster