Uydu görüntülerinin işlenmesinde kullanılan yardımcı veriler ve sınıflandırma doğruluğuna etkileri

Abstract

Gelişen uydu teknolojileri sayesinde uzaktan algılama teknikleriyle toplanan verinin sayısı, türü ve hacmi önemli ölçüde artmıştır. Bu veriler çevre kirliliğinin belirlenmesi, su kalitesi değişim analizinin yapılması, tarımsal alanların izlenilmesi, kaçak yapıların belirlenmesi ve arazi kullanım/arazi örtüsü haritalarının üretilmesi gibi birçok farklı uygulamada kullanılmaktadır. Tez çalışması kapsamında orta çözünürlüklü (10 m) ve ücretsiz olarak kullanıcılara sağlanan Sentinel-2A uydu görüntüsü kullanılarak yardımcı verilerin piksel tabanlı sınıflandırma doğruluğu üzerindeki etkileri araştırılmıştır. Bu amaç doğrultusunda yüksek doğrulukta arazi kullanım/arazi örtüsü haritaların üretilmesi için söz konusu uydu görüntüsüyle beraber birçok yardımcı veri değerlendirilmiştir. Bu yardımcı veriler uydu görüntüsünün spektral bantları kullanılarak üretilen doku özellikleri, morfolojik filtreler ile elde edilen özellikler, çeşitli spektral bantlar, temel bileşen analizi ile belirlenen bileşenler, ton-doygunluk-yoğunluk renk uzay dönüşümü ile elde edilen özelliklerdir. Dış kaynaklı yardımcı veriler ise küresel kentsel ayak izi haritası, nüfus haritası, eğim, bakı ve yükseklik haritaları, yeryüzüne ait toprak türü haritası, yağış miktarı ve toprak sıcaklığını temsil eden haritalardır. Yardımcı veriler ve uydu görüntüsünün beraber değerlendirilmesiyle 170 banda sahip yüksek boyutlu bir görüntü elde edilmiştir. Yüksek boyutlu görüntüler, tanımlamayı güçleştiren bantlar içerebildiğinden sınıflandırma işlemi aşamasında doğruluğu düşürmekte ve daha yüksek sayıda örnek sayısı ve işlem süresi gibi olumsuz etkileri beraberinde getirebilmektedir. Bu sorunu aşmak için filtre tabanlı, sarmal tabanlı ve gömülü özellik seçim yöntemleri uzaktan algılanmış veriye uygulanarak farklı boyutlarda alt kümeler belirlenmiştir. Belirlenen alt kümelerin, rastgele orman, destek vektör makineleri ve aşırı gradyan artırma makineleri (XGBoost) algoritmalarıyla ve bunların bir arada değerlendirildiği oylama tekniğiyle sınıflandırma analizleri yapılmıştır. Sınıflandırma sonuçları McNemar's doğruluk testi ile analiz edilerek istatistiksel olarak sonuçlar arasındaki farklılıklarının anlamlı olup olmadıklarının analizi yapılmıştır.Thanks to recent developments in satellite technologies, number, type and volume of data provided by remote sensing techniques has increased significantly. These data are used in many applications, such as environmental pollution determination, water quality change analysis, monitoring of agricultural areas, determination of unlicensed construction and production of land use/land cover maps. As part of the dissertation, the effects of auxiliary data on pixel-based classification accuracy were investigated using a medium-resolution (10 m) Sentinel-2A satellite image provided to users for free. For this purpose, many auxiliary data were evaluated along with the satellite image in question to produce high-accuracy land use/land cover maps. These ancillary data are texture features, properties obtained by morphological filters, several spectral bands, components determined by principal component analysis, properties obtained by hue–saturation-intensity color space transformation. On the other hand, auxiliary data include global urban footprint map, population map, slope, aspect and elevation maps, soil type map of the Earth cover, precipitation, and soil temperature maps. A hyperspectral image consisting of 170 spectral bands was obtained by evaluating the ancillary and auxiliary data together with the satellite image. Hyperspectral images can cause problems during the classification process due to containing bands that make it difficult to identify. In order to overcome this problem, filter, wrapper and embedded feature selection methods were applied to obtain subsets. The subsets were classified by random forest (RF), support vector machines (SVM) and extreme gradient boosting machines (XGBoost) algorithms and then the results are combined by voting technique. The classification results were examined using McNemar's statistical test to validate whether differences results are significant or not.