Arazi Örtüsü/Kullanımı haritalamasında farklı makine öğrenmesi algoritmalarının değerlendirilmesi: İzmir ili örneği
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Doğal kaynak yönetimi ve mekânsal planlama süreçlerinde ayrıntılı, güncel ve doğru bilgilere da- yanan arazi örtüsü ve arazi kullanımı (AÖAK) durumunun tespiti önemli rol oynamaktadır. Ancak, bölgesel ölçekte arazi kullanım dinamiklerinin izlenmesini engelleyen veri işleme süreci ve depo- lama gereksinimi gibi bazı sınırlılıklar vardır. Google Eearth Engine (GEE), küresel ölçekte coğrafi verilerin işlenmesine olanak tanıyan açık kaynak kodlu, ücretsiz bir bulut platformdur. Bu araştır- manın amacı GEE üzerinde farklı makine öğrenmesi algoritmaları ile İzmir ili AÖAK haritasını elde etmek ve kullanılan sınıflandırma algoritmaların sonuçlarını karşılaştırmaktır. Araştırmada 2022 yılına ait 10m mekânsal çözünürlüğe sahip Sentinel-2 çok bantlı uydu görüntüleri ile çeşitli uzaktan algılama indeksleri kullanılmıştır. Araştırmada kullanılan geniş ölçekteki AÖAK sınıfları ‘Tarım Alanı’, ‘Orman Alanı’, ‘Beşeri Yüzeyler’, ‘Açık Yüzeyler’ ve ‘Su Yüzeyleri’ şeklinde belirlenmiştir. Çalışmada Sınıflandırma ve Regresyon Ağacı (SRA), Destek Vektör Makinesi (DVM), Rastgele Orman (RO) ma- kine öğrenmesi algoritmaları kullanılmış ve her bir sınıflandırıcının Üretici Doğruluğu (ÜD), Kulla- nıcı Doğruluğu (KD) ve Genel Do ğruluğu (GD) ile Kappa Katsayısı hesaplanmıştır. Sonuç olarak %97,2 GD ve Kappa değeri %95,7 olan RO sınıflandırma algoritması, en yüksek sınıflandırma doğ- ruluğuna sahiptir. %96,1 GD ve %94,9 Kappa değeri ile DVM algoritması ikinci en yüksek sınıflan- dırma doğruluğuna sahip algoritma olmuştur. SRA algoritmasının GD %93,3, Kappa değeri ise %91.4 olarak hesaplanmıştır. Sonuç olarak RO yönteminin SRA ve DVM yöntemlerine göre daha iyi sonuç verdiği tespit edilmiştir. Diğer yandan sınıflandırma modellerinde özellikle açık yüzeyler ile beşeri yüzeyler ve çıplak tarım alanları arasındaki yansıma örtüşmesinin bu sınıfların ayırt edil- mesini güçleştirdiği görülmektedir.
Açıklama
Anahtar Kelimeler
Google Earth Engine, İzmir, Makine Öğrenmesi, Arazi Örtüsü ve Arazi Kullanımı
