Arazi örtüsü sınıflandırması için makine öğrenmesi yaklaşımı

Abstract

Dünya yüzeyindeki arazi kullanımı ve arazi örtüsünün tespit edilmesi ve bu alanlar hakkında doğru ve kesin bilgiler elde edilmesi, insanların yaşadığı çevreyle nasıl bir etkileşimde olduğu hakkında önemli bilgiler sağlar. Uzaktan algılama verileri, arazi kullanımı / arazi örtüsü uygulamalarında hayati bir rol oynamıştır. Teknolojinin gelişmesiyle birlikte uzaktan algılama sistemleri tarafından alınan görüntülerin kalitesi de artmıştır. Bu görüntülerden yararlı bilgiler elde etmek için titiz bir şekilde işlenmesi gerekmektedir. Bu tezde, Türkiye'nin Doğu Karadeniz Bölgesi'nde yer alan ve çay üretiminde dünyanın önemli üretim yerlerinden biri olan Rize ilinin uzaktan algılanmış multispektral görüntülerinden arazi örtüsü sınıflandırılması yapılmıştır. Çalışmanın temel amacı makine öğrenmesi yöntemleri kullanılarak uzaktan algılanmış yüksek çözünürlüklü multispektral görüntülerden arazi örtüsü sınıflandırması yapmaktır. Bunun için nesne tabanlı bölümleme ile Maksimum Olasılık, Destek Vektör Makinesi (DVM) ve Yapay Sinir Ağları (YSA) olmak üzere üç tane denetimli makine öğrenmesi sınıflandırıcısının yetenekleri araştırılmıştır. İlk olarak, orijinal görüntü piksellerini nesnelere ayırmak için grafik tabanlı minimal genişleyen ağaç segmentasyonu uygulandı. Her nesneden bir dizi spektral, uzamsal ve doku özelliği çıkarıldı. Bu özellikler daha sonra, Maksimum Olasılık, YSA ve DVM sınıflandırıcılarını eğitmek ve test etmek için kullanıldı. Önerilen yöntem, dört sınıflı (çay alanı, diğer ağaçlar, yollar ve yapılar, çıplak arazi) yüksek çözünürlüklü çoklu spektral görüntülerden oluşan bir veri seti üzerinde değerlendirilmiştir. Yapılan deneyler sonucunda ortalama doğruluk oranı YSA için 82,60%, DVM için 78,67% ve Maksimum Olasılık için 73,90% olarak elde edildi. Genel sonuçlar, YSA'nin arazi örtüsü sınıflandırması için DVM ve Maksimum Olasılık sınıflandırıcısına kıyasla daha etkili olduğunu göstermektedir. Benzer şekilde, her sınıf için YSA için elde edilen doğruluk daha iyiydi. Bunun yanında sınıflandırılmış haritanın niteliklerini iyileştirmek için son işlem olarak Çoğunluk analizi uygulanmıştır. Çoğunluk analizinin temel amacı sınıflandırılmış haritadaki gürültüleri ortadan kaldırmaktır. Çoğunluk Analizi ortalama doğruluk oranını 86,18%'e çıkarmıştır.

Identifying land use and land cover on the earth's surface and obtaining accurate and precise information about these areas provides important information about how people interact with the environment they live in. Remote sensing data has played a vital role in land use / land cover applications. With the development of technology, the quality of images taken by remote sensing systems has also increased. These images must be handled meticulously in order to obtain useful information. In this thesis, land cover classification has been made from remotely perceived multispectral images of Rize, which is located in the Eastern Black Sea Region of Turkey and is one of the important production places in the world in tea production. The main purpose of the study is to classify land cover from high-resolution multispectral images that are remotely sensed using machine learning methods. For this, the capabilities of three controlled machine learning classifiers, namely, Maximum Probability with Object-based segmentation, Support Vector Machine (SVM) and Artificial Neural Networks (ANN) were investigated. First, graphics-based minimal expanding tree segmentation was applied to separate the original image pixels into objects. A number of spectral, spatial, and texture features were extracted from each object. These features were later used to train and test Maximum Probability, ANN and DVM classifiers. The proposed method has been evaluated on a data set consisting of high resolution multi-spectral images with four classes (tea field, other trees, roads and structures, bare land). As a result of the experiments, average accuracy rate was obtained as 82,60% for ANN, 78,67% for DVM and 73,90% for Maximum Probability. Overall results show that ANN is more effective for land cover classification compared to DVM and Maximum Likelihood classifier. Similarly, the accuracy obtained for ANN was better for each class. In addition, Majority analysis was applied as a final process to improve the qualities of the classified map. The main purpose of majority analysis is to remove the noise in the classified map. Majority Analysis increased the average accuracy rate to 86.18%.