Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi

Özlem AKAR, (Erzincan Binali Yıldırım Üniversitesi, Meslek Yüksek Okulu, Mimarlık ve Şehir Planlama Bölümü, Harita ve Kadastro Programı, Erzincan, Türkiye)
Esra Tunç GÖRMÜŞ (Karadeniz Teknik Üniversitesi, Mühendislik Fakültesi, Harita Mühendisliği Bölümü, Trabzon, Türkiye)
Geomatik
14 0
Yıl: 2019 Cilt: 4 Sayı: 1 Sayfa Aralığı: 68 - 81 Metin Dili: Türkçe DOI: 10.29128/geomatik.476668 İndeks Tarihi: 04-03-2020

Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi

Öz:
Çalışmada spektral özellikleri birbirine yakın arazi sınıflarını birbirinden ayırarak, Göktürk-2 uydugörüntülerinden daha doğru bir arazi kullanım haritasının üretilmesi amaçlanmıştır. Bunun için Hyperion EO1hiperspektral uydu görüntüsünün, yüksek spektral çözünürlüğünden yararlanılmıştır. Çalışma alanı olarakspektral özellikleri birbirine yakın arazi sınıflarına sahip olan Trabzon Akçaabat ilçesinin Büyükoba yaylasıseçilmiştir. Çalışmada Göktürk-2 Multispektral (GMS), Göktürk-2 Pankromatik (GPAN) ve Hyperion EO-1hiperspektral uydu görüntüleri kullanılmıştır. Öncelikle Hyperion EO-1 hiperspektral uydu görüntüsü içinatmosferik ve radyometrik düzeltmeler yapılmış, bozuk ve kullanılmayan bantların temizlenmesi için bantindirgeme işlemleri uygulanmıştır. Bant indirgeme işlemi için dalgacık tabanlı Ampirik Kip Ayrıştırma (AKA)yöntemi kullanılmıştır. Sonrasında tüm görüntüler rektifiye edilerek aynı koordinat sisteminde olmasısağlanmıştır. Görüntüler ön işlemden geçirildikten sonra GPAN, GMS ve indirgenmiş Hyperion EO- 1(DHYP) görüntüleri ile Gram Schmidt (GS) ve Principle Component (PC) gibi görüntü kaynaştırmayöntemleri kullanılarak kaynaştırılmıştır. Kaynaştırma yöntemleriyle elde edilen kaynaştırılmış görüntülerüzerinden sınıflandırmada kullanılacak arazi kullanım sınıfları belirlenmiştir. Bu görüntüler yükseksınıflandırma doğruluğu veren Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM) yöntemleriylesınıflandırılmıştır. Her bir sınıflandırma sonucu için doğruluk analizleri yapılmış ve elde edilen doğruluklarkarşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunun, PCkaynaştırma yöntemine göre kaynaştırılmış ve RO sınıflandırıcısı ile sınıflandırılmış görüntülerden eldeedildiği gözlenmiştir. PC ile kaynaştırılmış GPAN ve GMS görüntüsü ile GPAN ve DHYP' nin kaynaştırılmışgörüntüsünün RO ile sınıflandırılması sonucu genel sınıflandırma doğrulukları sırasıyla %72.13 ve %83.06olarak elde edilmiştir. Bu sonuçlara göre sınıflandırma doğruluğu % 11 oranında artırılmıştır. Son olarak enyüksek sınıflandırma doğruluğuna sahip olan tematik görüntü kullanılarak arazi kullanım haritası üretilmiştir.
Anahtar Kelime:

Konular: Orman Mühendisliği

Producing Land Use Maps With Random Forest Classifier and Suport Vector Machines From Göktürk-2 and Hyperion EO-1 Satellite Images

Öz:
In this study it is aimed to produce a more accurate land use map from Gokturk-2 by separating the land classes with very similar spectral properties. Hyperion EO-1 hyperspectral satellite image with high spectral resolution was exploited in order to do that.. Büyükoba highland in Akcaabat which has land classes with very similar spectral properties was chosen as working field. Göktürk-2 Multispectral (MS), Göktürk-2 Pancromatik(PAN) and Hyperion EO-1 hyperspectral satellite images were used in this study. First of all atmospheric and radiometric corrections of hyperspectral images were done together with dimensionality reduction of unused and irrelevant bands. Wavelet based empirical mode decomposition method was used for dimensionality reduction. Then all the images were synchronized in the same coordinate system by rectification. After preprocessing steps Gokturk-2 MS and reduced Hyperion EO-1 (DHYP) were fused with Gokturk-2 Pan image by methods like Gram Schmidt (GS) and Principle Component (PC). Land classes were determined on the fused images. Then these images were classified by Random Forest (RF) and Support Vector Machine (SVM). Accuracy analysis were done for each classification results and then compared with each other. In the end it was seen that, the best classification accuracy was obtained by using RF classification method and PC fusion method. RF overall classification accuracies obtained from both fusing GPAN and GMS image with PC, and fusing GPAN and DHYP image with PC were 72.13 % and 83.06%, respectively. According to these results, the overall classification accuracy was increased by 11%. Finally, a land use map was produced using the thematic image with the highest classification accuracy.
Anahtar Kelime:

Konular: Orman Mühendisliği
Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • 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.
  • 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.
  • 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/Ran domForests/ cc_home.htm (15.11.2009).
  • 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.
  • 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.
  • 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.
  • 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..
  • 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.
  • 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.
  • 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.
  • 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 GrainSize Data. Magar V, ed. PLoS ONE.;9(4):e93950.
  • 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
APA AKAR Ö, TUNÇ GÖRMÜŞ E (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. , 68 - 81. 10.29128/geomatik.476668
Chicago AKAR ÖZLEM,TUNÇ GÖRMÜŞ ESRA Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. (2019): 68 - 81. 10.29128/geomatik.476668
MLA AKAR ÖZLEM,TUNÇ GÖRMÜŞ ESRA Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. , 2019, ss.68 - 81. 10.29128/geomatik.476668
AMA AKAR Ö,TUNÇ GÖRMÜŞ E Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. . 2019; 68 - 81. 10.29128/geomatik.476668
Vancouver AKAR Ö,TUNÇ GÖRMÜŞ E Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. . 2019; 68 - 81. 10.29128/geomatik.476668
IEEE AKAR Ö,TUNÇ GÖRMÜŞ E "Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi." , ss.68 - 81, 2019. 10.29128/geomatik.476668
ISNAD AKAR, ÖZLEM - TUNÇ GÖRMÜŞ, ESRA. "Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi". (2019), 68-81. https://doi.org/10.29128/geomatik.476668
APA AKAR Ö, TUNÇ GÖRMÜŞ E (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68 - 81. 10.29128/geomatik.476668
Chicago AKAR ÖZLEM,TUNÇ GÖRMÜŞ ESRA Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik 4, no.1 (2019): 68 - 81. 10.29128/geomatik.476668
MLA AKAR ÖZLEM,TUNÇ GÖRMÜŞ ESRA Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, vol.4, no.1, 2019, ss.68 - 81. 10.29128/geomatik.476668
AMA AKAR Ö,TUNÇ GÖRMÜŞ E Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik. 2019; 4(1): 68 - 81. 10.29128/geomatik.476668
Vancouver AKAR Ö,TUNÇ GÖRMÜŞ E Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik. 2019; 4(1): 68 - 81. 10.29128/geomatik.476668
IEEE AKAR Ö,TUNÇ GÖRMÜŞ E "Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi." Geomatik, 4, ss.68 - 81, 2019. 10.29128/geomatik.476668
ISNAD AKAR, ÖZLEM - TUNÇ GÖRMÜŞ, ESRA. "Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi". Geomatik 4/1 (2019), 68-81. https://doi.org/10.29128/geomatik.476668
Sayfa Oluşturulma Tarihi
25-04-2024 23:31

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları