Arazi Örtüsü/Kullanımı haritalamasında farklı makine öğrenmesi algoritmalarının değerlendirilmesi: İzmir ili örneği

Basit Öğe Kaydı
dc.contributor.authorDanacio[lu, Şevki
dc.date.accessioned2025-03-20T09:41:34Z
dc.date.available2025-03-20T09:41:34Z
dc.date.issued2023
dc.departmentİzmir Bakırçay Üniversitesi
dc.description.abstractDoğal 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.
dc.identifier.doi10.17211/tcd.1296893
dc.identifier.endpage117
dc.identifier.issn1302-5856
dc.identifier.issn1308-9773
dc.identifier.issue84
dc.identifier.startpage105
dc.identifier.trdizinid1252717
dc.identifier.urihttps://doi.org/10.17211/tcd.1296893
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1252717
dc.identifier.urihttps://hdl.handle.net/20.500.14034/1995
dc.indekslendigikaynakTR-Dizin
dc.institutionauthorDanacio[lu, Şevki
dc.language.isotr
dc.relation.ispartofTürk Coğrafya Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TR_20250319
dc.subjectGoogle Earth Engine
dc.subjectİzmir
dc.subjectMakine Öğrenmesi
dc.subjectArazi Örtüsü ve Arazi Kullanımı
dc.titleArazi Örtüsü/Kullanımı haritalamasında farklı makine öğrenmesi algoritmalarının değerlendirilmesi: İzmir ili örneği
dc.typeArticle

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu