ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI

Transkript

1 ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü, Jeodez ve Fotogrametr Mühendslğ Bölümü, 41400, Gebze, Kocael, colkesen@gyte.edu.tr 2 Prof. Dr., İstanbul Teknk Ünverstes, Geomatk Mühendslğ Bölümü, 34469, Maslak, İstanbul, tahsn@tu.edu.tr 3 Prof. Dr., Gebze Yüksek Teknoloj Ensttüsü, Jeodez ve Fotogrametr Mühendslğ Bölümü, 41400, Gebze, Kocael, kavzoglu@gyte.edu.tr ÖZET Çok yüksek çözünürlüklü uydu görüntüleme sensörlernn kullanılablrlğnn artması araz kullanımı ve araz örtüsü türler hakkında ayrıntılı blg elde edlmes noktasında yen br ver kaynağı sağlamıştır. Korelasyonlu ve spektral olarak benzer karakterstklere sahp pkseller çeren yen nesl yüksek çözünürlüklü uydu görüntüler üzernden doğruluğu yüksek tematk harta üretm çn lteratürde çeştl gelşmş sınıflandırma teknkler ve sınıflandırıcılar önerlmştr. Brden çok sınıflandırıcının tahmnlernn brleştrlmes esasını temel alan toplu öğrenme algortmaları yüksek çözünürlüklü uydu görüntülernn sınıflandırılmasında yaygın br kullanıma sahptr. Rotasyon orman (RotOR) algortması son yıllarda sınıflandırıcıların performansının arttırılması amacıyla önerlen yen nesl br toplu öğrenme algortmasıdır. Bu çalışmada, RotFOR algortmasının araz örtüsü ve araz kullanımının hartalanmasındak sınıflandırma performansının araştırılmasında temel ver kaynağı olarak sekz spektral banda sahp yüksek çözünürlüklü WorldVew-2 görüntüsü kullanılmıştır. Yöntemn sınıflandırma performansı hızlandırma ve rastgele orman olarak blnen k popüler toplu öğrenme algortması le karşılaştırılmış ve statstksel olarak analz edlmştr. Bununla brlkte toplu öğrenme algortmalarının etknlğnn araştırılması amacıyla en çok benzerlk algortması da sınıflandırma şlemnde değerlendrmeye alınmıştır. Elde edlen sonuçlar hem sınıflandırma doğrulukları hem de McNemar test statstğ sonuçlarına göre RotOR algortmasının dğer toplu öğrenme algortmalarından daha üstün olduğunu göstermektedr. Sınıflandırma performansları karşılaştırıldığında RotOR algortması le %3 e varan yüksek sınıflandırma doğrulukları elde edldğ ve sınıflandırma performansları arasındak farklılıkların statstksel olarak anlamlı olduğu görülmüştür. Sonuç olarak, bu çalışma RotOR algortmasının çok yüksek çözünürlüklü uydu görüntülernn sınıflandırılmasındak etknlğn ortaya koymaktadır. Anahtar Sözcükler: Rotasyon Orman, Hızlandırma, Rastgele Orman, WorldVew-2, McNemar test ABSTRACT CLASSIFICATION OF MULTISPECTRAL HIGH-RESOLUTION SATELLITE IMAGERY USING ROTATION FOREST ALGORITHM Increasng avalablty of very hgh resoluton satellte magng sensors provdes a new data source for gatherng detaled nformaton about land use and land cover types of the Earth s surface. Varous advanced classfcaton technques and classfers have been suggested n the lterature to produce accurate thematc maps from the new generaton of hgh resoluton satellte mageres contanng pxels that of correlated and spectrally smlar characterstcs. Ensemble learnng based on the strateges that the combne the predcton of ndvdual classfers has been most commonly appled for the classfcaton of the hgh resoluton mageres. A novel ensemble learnng algorthm called rotaton forest (RotFor) has been recently suggested to mprove the ndvdual classfer performances. In ths study, WorldVew-2 magery havng hgh spatal resoluton wth eght spectral bands was used as a man data source to nvestgate classfcaton performance of RotFOR algorthm n land use and land cover mappng. The classfcaton performance was compared and statstcally analyzed wth two popular ensemble learnng algorthm namely, boostng and random forest. In addton, maxmum lkelhood algorthm was also utlzed for the classfcaton task to explore the effectveness of the ensemble learnng algorthms. Results showed that RotFor algorthm outperformed the other ensemble learnng algorthms n terms of both classfcaton accuracy and McNemar s test statstcs. When the classfcaton performances were compared, t was observed that hgher classfcaton accuraces up to 3% obtaned wth RotFor algorthm and the dfferences n the classfcaton performances were found to be statstcally sgnfcant. To sum up, ths study verfes the effectveness of RotFor n the classfcaton of very hgh resoluton satellte magery. Keywords: Rotaton Forest, Boostng, Random Forest, WorldVew-2, McNemar's test. 1. GİRİŞ Uydu görüntülernn sınıflandırılması yardımıyla yeryüzünün farklı özellklern temsl eden tematk harta üretm uzaktan algılama alanında öneml br çalışma konusudur. Özellkle son yıllarda uydu teknolojler ve algılama sensörlernn tasarımında yaşanan gelşmelere paralel olarak yüksek konumsal ve spektral çözünürlüğe sahp uydu görüntüler elde edleblmektedr. Yen nesl uydu görüntüler kullanıcılara yeryüzü nesnelerne lşkn gerek konumsal gerekse spektral açıdan daha detaylı blgler sağlamaktadır. Yaşanan teknolojk gelşmeler berabernde uzaktan algılama alanında yen araştırma konularının ortaya çıkmasına neden olmuştur. Kentsel alanlara yönelk gerçekleştrlen çalışmalarda şehrleşmenn zlenmes, bna, betonarme yapılar ve yol gb su geçrmsz yüzeylern hartalanması öne çıkan araştırma konularındandır (Patno et al., 2013; Huang et al., 2014; Me et al., 2014).

2 Bununla brlkte farklı ağaç ve btk türlernn ayırt edlmes, ekonomk değer olan ağaç türlernn tespt ve ağaç sayımları, bokütle hesabı, ağaç canlılığının zlenmes ve rekolte tahmnler gb ekolojk çevre açısından öneml br çok uygulama da yüksek çözünürlüklü uydu görüntülernden yararlanılmaktadır (Garrty et al., 2013; Waser et al., 2014; Sngh et al., 2014). Yüksek çözünürlüklü uydu görüntülernn kullanılması brçok doğal ve yapay nesnenn br arada değerlendrlerek benzer spektral özellklere sahp nesnelern brbrnden ayırt edlmesn gerekmektedr. Dğer br fadeyle yüksek çözünürlüklü uydu görüntüler yardımıyla araz örtüsü/kullanımının belrlenmesnde benzer spektral özellklere sahp karmaşık yapıdak pksellern değerlendrlmes ve sınıflandırılması söz konusudur. Lteratürde sınıflandırma şlemnn gerçekleştrlmes ve tematk harta üretmne yönelk brçok algortma önerlmştr (Lu and Weng, 2007). Bunlar arasında hesaplama açısından hızlı ve matematksel olarak kolay anlaşılablen en çok benzerlk yöntem yaygın br kullanıma sahptr. Yöntem uygulama açısından pratk olmasına rağmen görüntü üzerndek pksellern normal dağılımda olduğu kabulünü esas almaktadır. Bu nedenle yöntem brbrne benzer spektral özellğe sahp karmaşık ve homojen olmayan yapıdak pksellern ayırt edlmes noktasında yetersz kalmaktadır. Bu problemn çözümüne yönelk olarak son yıllarda ler sınıflandırma teknkler kullanılmaya başlanmıştır. Söz konusu algortmalar çersnde tek br sınıflandırıcı yerne brden çok sınıflandırıcının değerlendrmeye alınması ve sınıflandırıcılardan ede edlen tahmnlerden yola çıkılarak sınıflandırma şlemnn gerçekleştrlmes esasına dayalı toplu öğrenme algortmaları en çok terch edlenler arasındadır. Özellkle yüksek çözünürlüklü uydu görüntülernn sınıflandırılması ve tematk harta üretmnde hızlandırma, torbalama ve rastgele orman olarak blnen toplu öğrenme algortmaları başarıyla kullanılmaktadır (Malnvern et al., 2011; Demarch et al., 2014; Hayes et al., 2014; Ghosh and Josh, 2014). Son yıllarda ana bleşenler analz kullanarak ver setnn yenden oluşturulması prensbn esas alan rotasyon orman algortması uzaktan algılanmış görüntülern sınıflandırılmasında önerlen fakat sınırlı sayıda test edlmş yen nesl toplu öğrenme algortmasıdır (Rodrguez et al., 2006; Kavzoglu and Colkesen, 2013). Bu çalışmada rotasyon orman algortmasıyla 2013 tarhnde kaydedlen WorldVew-2 görüntüsünün sınıflandırılması ve çalışma alanına at araz örtüsü/kullanımını gösteren tematk harta üretlmes amaçlanmıştır. Algortmanın sınıflandırma performansı popüler toplu öğrenme algortmalarından rastgele orman ve hızlandırma algortmaları le karşılaştırılmıştır. Bununla brlkte toplu öğrenme algortmalarının yüksek çözünürlüklü görüntülern sınıflandırılmasındak performansı geleneksel yöntem olarak kabul edlen en çok benzerlk sınıflandırıcısı le karşılaştırılarak analz edlmştr. Elde edlen sınıflandırma doğruluklarının karşılaştırılmasının yanında doğruluklar arasındak farklılıkların statstksel anlamlılığı McNemar test kullanılarak analz edlmştr. 2. ÇALIŞMA ALANI VE KULLANILAN VERİ Rotasyon orman (RotOR) algortmasının yüksek çözünürlüklü uydu görüntüsü üzernden karmaşık yapıdak araz örtüsü/kullanım türlernn sınıflandırılmasındak performansının ortaya koyulması amacıyla Gebze Yüksek Teknoloj Ensttüsü kampüs alanını da çersne alan yaklaşık 300 hektarlık br bölge çalışma alanı olarak belrlenmştr (Şekl 1). Çalışma alanı çersnde temel araz örtüsü olarak blnen bozkır, su ve toprak alanlarına lave olarak benzer spektral özellklere sahp genş ve ğne yapraklı ağaç türler, su geçrmsz yüzey olarak adlandırılan farklı yapıdak bna türler ve asfalt zemnl yollar mevcuttur. Çalışma alanında yapılan detaylı araz çalışmaları sonucunda bölgede 13 temel araz örtüsü/kullanım sınıfı olduğuna karar verlmştr. Araz örtüsü olarak bozkır, su ve toprak sınıflarının yanında genş ve ğne yapraklı ağaç türlern temsl eden 5 farklı araz örtüsü sınıfı tanımlanmıştır. Bu sınıflar genş yapraklı ağaç türlern temslen çınar ve zeytn sınıfları, ğne yapraklı ağaç türlern temsl eden fıstık çamı, kızılçam ve sedr sınıfları olarak adlandırılmıştır. Bölgenn araz kullanım sınıfları olarak yapılaşmış alanlar veya geçrmsz yüzeyler temsl eden 4 farklı araz kullanım sınıfı tanımlanmıştır. Söz konusu araz kullanım sınıfları kırmızı, beyaz ve gr çatıya sahp olan bnalar ve bölgey çevreleyen ara ve ana yolları temsl eden yol sınıfıdır. Belrlenen araz örtüsü/kullanım sınıflarına lave olarak yüksek çözünürlüklü uydu görüntülernde söz konusu olan gölge problemn ve gölge problemnden kaynaklanablecek sınıflandırma hatalarının azaltılması amacıyla gölge sınıfı tanımlanmıştır. Belrlenen 13 farklı araz örtüsü/kullanım türlernn RotOR algortmasıyla sınıflandırılması çn çalışma alanını kapsayan 2013 tarhnde kaydedlmş WorldVew-2 (WV2) uydu görüntüsü kullanılmıştır. WV2 görüntüsünün kırmızı ( nm), yeşl ( nm), mav ( nm) ve yakın kızılötes ( nm) bantlarına lave olarak kıyı ( nm), sarı ( nm), kırmızı-kenar ( nm) ve knc kızılötes ( nm) bantları uygulama da değerlendrmeye alınmıştır. Uydu görüntüsünün geometrk düzeltmes ve UTM koordnat stemne dönüşümünde mevcut hâlhazır hartalar ve bölgeye at yüksek çözünürlüklü görüntülerden yararlanılmıştır. WV-2 görüntüsünün sahp olduğu 0,5m konumsal çözünürlüğe sahp pankromatk bant le 2m konumsal çözünürlüklü multspektral bantlarının kaynaştırılmasında Gram-Schmdt algortması kullanılmıştır. Kaynaştırma sırasında 3x3 boyutlu yumuşatma fltres uygulanmış ve yenden örnekleme şlemnde blneer enterpolasyon algortması kullanılmıştır.

3 Şekl 1. Çalışma alanının konumu ve uygulamada kullanılan WorldVew-2 görüntüsü. 3. SINIFLANDIRMA ALGORİTMALARI Uzaktan algılanmış görüntüler yardımıyla yeryüzü objelerne lşkn blg çıkarımında en sık kullanılan yöntem görüntü sınıflamasıdır. Sınıflandırma şlem görüntü üzerndek her br pksele at yansıma ve parlaklık değerler kullanılarak pksellern kullanıcı tarafından belrlenen sınıflara ayrılması şlemdr. Sınıflandırma sonucunda farklı araz örtüsü ve kullanımlarını temsl eden tematk hartalar üretlmekte ve elde edlen hartalar yeryüzü özellklernn yorumlanması ve analznde kullanılmaktadır. Bu çalışmada WorldVew-2 uydu görüntüsünün sınıflandırılması ve 13 araz örtüsü/kullanım sınıfını temsl eden tematk harta üretmnde toplu öğrenme algortmalarından hızlandırma, rastgele orman ve rotasyon orman algortmaları kullanılmıştır. Sınıflandırma performanslarının karşılaştırılması amacıyla geleneksel sınıflandırma yöntem olarak blnen en çok benzerlk algortması da sınıflandırmada kullanılmıştır. Kullanılan algortmaların performanslarının değerlendrlmesnde öncelkl olarak sınıflandırma sonucunda elde edlen genel doğruluklar dkkate alınmıştır. Buna laveten hesaplanan sınıflandırma doğrulukları arasındak farklarının statstksel anlamlılığı McNemar test kullanılarak analz edlmştr. K-kare dağılımını esas alan McNemar test statstğ Eştlk 1 yardımıyla hesaplanmaktadır. Eştlktek değşkenler 22boyutlu br hata matrsnn elemanları olup,,. sınıflandırıcı tarafından hatalı j. sınıflandırıcı tarafından doğru sınıflandırılan pksel sayısını, n j n j se j. sınıflandırıcı tarafından hatalı. sınıflandırıcı tarafından doğru sınıflandırılan pksel sayısını fade etmektedr (Foody, 2004). Hesaplanan statstk değer K-kare tablo değernden (%95 güven aralığında ) büyük olduğunda değerlendrmeye alınan k sınıflandırma doğruluğu arasındak farkın statstksel olarak anlamlı olduğu söyleneblr. Dğer br fadeyle, elde edlen bu statstksel sonuç k sınıflandırma doğruluğunun brbrnden farklı olduğunu göstermektedr. 2 3, 84 McNemar ( ) n - n 2 2 j j n j n j (1) 3.1. En Çok Benzerlk Algortması En çok benzerlk (EÇB) algortması uzaktan algılanmış görüntülern sınıflandırılmasında yaygın olarak kullanılan parametrk br kontrollü sınıflandırma algortmasıdır. EÇB algortması sınıflandırma şlemnn gerçekleştrlmesnde ortalama değer, varyans ve kovaryans gb statstk değerler dkkate almakta ve sınıfları oluşturan pksellern normal dağılımda olduğu kabulünü esas aldığından EÇB parametrk br algortma olarak tanımlanmaktadır. EÇB

4 algortması le br pkseln p sayıdak bant değerlern çeren x vektörünün br k sınıfında olma olasılığı Eştlk 2 yardımıyla hesaplanır (Mather, 1999). Eştlkte;, olasılık değern;,. sınıf çn varyans-kovaryans P(x) matrsn;, matrsn determnantını fade etmektedr. S -0.5p -0.5 P(x)=2π S exp -0.5 y ı S -1 y (2) 3.2. Toplu Öğrenme Algortmaları Toplu öğrenme algortmaları tek br sınıflandırıcı yerne brden çok sınıflandırıcıyı çerecek şeklde br sınıflandırıcı kümesnn oluşturulması ve küme çersndek sınıflandırıcıların tahmnlernden yola çıkılarak sınıf etket bell olmayan pksellern sınıflandırılması esasına dayanmaktadır (Detterch, 2000a). Toplu öğrenme veya sınıflandırıcıların brleştrlmes, yenden örneklenen eğtm setler le sınıflandırıcıların ayrı ayrı eğtlmes ve sonuçta ortaya çıkan tahmnler le sınıflandırma şlemnn gerçekleştrlmes şlemlern çermektedr. Lteratürde toplu öğrenme algortmaları kullanımı le sınıflandırma performansında öneml derecede artış olduğu vurgulanmaktadır (Optz and Macln, 1999; Detterch, 2000b, Pal and Mather, 2003). Günümüze kadar toplu öğrenme algortması olarak başta hızlandırma, torbalama ve rastgele orman olmak üzere brçok algortma gelştrlmştr (Kavzoglu and Colkesen, 2013). Hızlandırma algortmasının temel br dz sınıflandırıcı sers oluşturulmasına dayanmaktadır (Freund and Schapre, 1996; Schapre, 1999; Nann and Lumn, 2006; Çölkesen ve Kavzoğlu, 2009). Sernn üyes olan her br sınıflandırıcı çn kullanılan eğtm set, serdek br öncek sınıflandırıcı veya sınıflandırıcıların performansına göre belrlenr. Bu amaçla br öncek sınıflandırıcı tarafından hatalı tahmn edlen pkseller br sonrak sınıflandırıcı çn oluşturulacak eğtm setnde doğru tahmn edlen pksellere göre daha fazla tekrar edlr. Dğer br fadeyle hatalı sınıflandırılan pksellern eğtm ver set çersndek ağırlıkları arttırılır. Hızlandırma algortması bu teratf yaklaşımla eğtm ver set çersnde doğru sınıflandırılan pkseller yerne hatalı sınıflandırılan pksellere yoğunlaşarak sınıflandırma doğruluğunu arttırılmasını amaçlamaktadır. Popüler toplu öğrenme algortması olarak blnen rastgele orman (RO) algortması temel sınıflandırıcı olarak karar ağaçlarını kullanmaktadır. Temelde br çeşt karar ağacı algortması olan RO algortması eğtm aşamasında brden çok karar ağacını kullanmakta ve bu yapısıyla karar ağacı ormanı olarak tanımlanablmektedr (Breman, 2001). Eğtm şlem sırasında ormandak her br karar ağacı çn eğtm ver set çersnden rastgele alt kümeler oluşturulur. Söz konusu alt kümelern 2/3 ü karar ağacı yapısını oluşturmak çn kullanılırken, dğer kısmı ağaç yapısının geçerllğn test etmek çn kullanılır. Ormandak her br karar ağacı sınıflandırma sonucu br oy alır ve orman çersndek tüm ağaçlardan en çok oy alan (en düşük hata oranına sahp) belrlenerek sınıflandırmaya esas ağaç yapısı tespt edlr. Sınıf etket blnmeyen herhang br örnek (pksel), tüm ağaç tahmnlernde en fazla oy alan sınıfa atanması suretyle sınıflandırılır. Son yıllarda lteratürde kullanılmaya başlanan yen nesl topluluk öğrenme algortması olarak ortaya koyulan rotasyon orman (RotOR) algortması, br özellk çıkarma teknğ (ana bleşenler analz) kullanarak sınıflandırıcı topluluğunun oluşturmasını esasına dayanmaktadır (Rodrquez et al., 2006; Kavzoglu and Colkesen, 2013). RotOR algortmasının temel çalışma prensb rastgele orman algortmasına benzer şeklde olup brden fazla ağaç kullanılmaktadır. Ancak ormandak her br karar ağacının eğtmnde kullanılacak ver set ana bleşen analz yardımıyla belrlenmektedr. RotOR algortması le ormandak karar ağaçlarının eğtm aşamasında eğtm ver set rastgele alt kümelere bölünür ve her br alt kümeye ana bleşenler analz uygulanarak özellk çıkarımı gerçekleştrlr. Özellk çıkarımı netcesnde ayırt edclğ en yüksek olan özellkler (bantlar) belrlenmektedr. Ver setndek değşkenlk blgsn korumak çn tüm bleşenler dkkate alınır. Özellk çıkarımı le sınıflandırıcı kümesndek her br sınıflandırıcı çn çeştllk korunmuş olur. RotOR algortmasının temel çalışma prensb aşağıda verlmştr (Rodrguez et al., 2006): X n eğtm ver setn, Y nn ver setndek sınıf etketlern, F de özellk (bant) sayısını gösterdğ göz önüne alınsın. Eğtm ver setnn N sayıda pkselden oluştuğu ve n sayıda araz örtüsü/kullanım sınıfı olduğu düşünülürse, eğtm ver set (X), N n boyutunda br matrs formundadır. Sınıf etketlern fade eden Y vektörünün y 1,y n şeklnde olduğu düşünülsün. RotOR algortmasının çalışma prensbne uygun olarak, ver setnn yaklaşık olarak aynı boyutta K sayıda alt kümeye ayrıldığı, rotasyon ormanda D 1,...,D L şeklnde gösterlen L sayıda karar ağacının olduğu göz önüne alınsın. Bu durumda rotasyon ormanındak her br karar ağacı D çn eğtm ver set sırasıyla aşağıdak şlem adımları le belrlenr: 1. Adım: F rastgele şeklde K sayıda bağımsız altkümeye bölünür. Her br bağımsız alt küme M n K sayıda özellğ (bandı) çermeldr.

5 2. Adım: setnde F j nn D sınıflandırıcısının eğtmnde kullanılan j sayıda özellğ çeren alt kümes ve X j nn X ver F j dek özellkler çeren ver set olduğu düşünülsün. Bu durumda yen br eğtm ver set bootstrap yaklaşımı le ver setnn %75 eğtm %25 test ver set olarak belrlenr. Daha sonra yen oluşturulan ver setne ana bleşen dönüşümü uygulanarak kovaryans matrs hesaplanır. 3. Adım: Hesaplanan kovaryans değerler kullanılarak Eştlk 3 dek C j R dönüşüm matrs oluşturulur. R a ( 1) 1,, a ( M 1 ) 1 a ( 1) 2,, a ( M 2 ) 2 a ( 1) K,, a ( M K ) K (3) R matrsnn her br sütunu orjnal özellk (bant) dzlmne göre yenden düzenlenr ve yenden düzenlenen rotasyon matrs a R elde edlr. Sonuç olarak D sınıflandırıcının eğtmnde kullanılacak dönüştürülmüş ver set a XR olacaktır. Bu şlem adımları rotasyon ormanındak tüm sınıflandırıcılar çn tekrar edlr. Dönüştürülmüş ver setler kullanılarak ormandak her br karar ağacına at sınıflandırma sonucu br oy alır. Sınıf etket blnmeyen herhang br örnek (pksel), tüm ağaç tahmnlernde en fazla oy alan sınıfa atanması suretyle sınıflandırılır. 4. UYGULAMA Çalışma alanını kapsayan WorldVew-2 görüntüsünün sınıflandırılması çn öncelkl olarak 13 araz örtüsü/kullanım sınıfını temsl eden örnekleme alanları belrlenmştr. Söz konusu örnekleme alanları çersnden rastgele örnekleme prensbnden hareketle her br sınıf çn eşt sayıda pksel çerecek şeklde eğtm vers olarak toplam pksel ve test ver set olarak toplam pksel belrlenmştr. Rotasyon orman algortmasının söz konusu ver setler çn sınıflandırma performansı hızlandırma ve rastgele orman algortmalarının performansı le karşılaştırılarak sonuçlar statstksel olarak analz edlmştr. Bunun yanında eğtm ve test ver setler geleneksel sınıflandırıcı alarak blnen en çok benzerlk algortması le de sınıflandırılarak topluluk öğrenme algortmalarının sınıflandırma doğruluğu üzerndek etkler ncelenmştr. En çok benzerlk (EÇB) yöntemyle sınıflandırma şlem MATLAB yazılımında hazırlanan br program le gerçekleştrlmştr. Sınıflandırma sonucunda EÇB algortmasıyla hesaplanan genel doğruluk Tablo 1 den de görüleceğ üzere %83,42 ve Kappa staststk değer 0,82 dr. Tablo 1. En çok benzerlk ve toplu öğrenme algortmaları çn hesaplanan sınıflandırma sonuçları. Algortma Genel doğruluk (%) Kappa değer En çok benzerlk 83,42 0,82 Hızlandırma 84,38 0,83 Rastgele orman 85,08 0,83 Rotasyon orman 86,17 0,85 Hızlandırma, rastgele orman ve rotasyon orman algortmaları le gerçekleştrlen sınıflandırma şlemnde temel sınıflandırıcı olarak karar ağacı algortmalarından C4.5 algortması kullanılmıştır. Uygulamada dkkate alınan topluluk algortmaları kullanıcı tarafından belrlenmes gereken br takım parametrelere sahptr. Hızlandırma algortması çn ağırlıklı eşk değer ve terasyon sayısı en öneml k parametre ken, rastgele orman algortması çn her br düğümde kullanılan değşkenlern sayısı ve ormandak ağaç sayısı parametreler mevcuttur. Rotasyon orman algortması le sınıflandırma şlemnde se alt küme sayısı ve ormandak ağaç sayısı olarak adlandırılan k parametre mevcuttur. Söz konusu parametre değerler her br algortma çn ayrı ayrı belrlenmş ve hesaplanan sınıflandırma doğrulukları Tablo 1 de gösterlmştr. Hızlandırma yöntemnde ağırlıklı eşk değer 100 ve optmum terasyon sayısı 30 olarak tespt edlmş ve bu değerler kullanılarak hesaplanan sınıflandırma doğruluğu tablodan da görüleceğ üzere %84,38 ve Kappa değer 0,83 dr. Rastgele orman (RO) algortması her br düğümdek değşken sayısının 2 ve ormandak ağaç sayısının 60 olarak seçldğ model le en yüksek sınıflandırma doğruluğuna (%85,08)

6 ulaşmıştır. Rotasyon orman (RotOR) algortmasının parametrelernden alt küme sayısı 3 ve ormandak ağaç sayısı 25 olarak belrlenmş ve genel sınıflandırma doğruluğu %86,17 olarak hesaplanmıştır. Çalışmada kullanılan en çok benzerlk (EÇB) ve toplu öğrenme algortmalarının sınıflandırma performansları karşılaştığında, değerlendrmeye alınan toplu öğrenme algortmaları le elde edlen sınıflandırma doğruluklarının EÇB le elde edlen genel doğruluktan daha yüksek olduğu görülmektedr. Sınıflandırma doğrulukları arasındak farklılıklar hızlandırma algortması le %0,96, RO algortması le %1,66 ve RotOR algortması le %2,75 olarak hesaplanmıştır. Doğrulukları arasındak farklılıkların statstksel anlamlılığı McNemar test kullanılarak analz edldğnde tüm farklılıkların %95 güven aralığında krtk tablo değer 3,84 den büyük olduğu Tablo 2 de görülmektedr. Elde edlen bu sonuç sınıflandırma doğrulukları arasındak farklılıkların statstksel olarak anlamlı olduğunu, dolayısıyla toplu öğrenme algortmalarının sınıflandırma performansının EÇB ye göre daha yüksek olduğunu desteklemektedr. Tablo 2. En çok benzerlk ve toplu öğrenme algortmalarının performans analz çn hesaplanan statstk değerler. İstatstksel Karşılaştırma McNemar değer En çok benzerlk - Hızlandırma 3,95 En çok benzerlk - Rastgele orman 12,03 En çok benzerlk - Rotasyon orman 36,45 Çalışmada değerlendrmeye alınan toplu öğrenme algortmalarının sınıflandırma performansları brbrler le karşılaştırıldığında en yüksek sınıflandırma doğruluğunun %86,17 le RotOR algortması le elde edldğ görülmüştür. Yen nesl toplu öğrenme algortması olarak fade edlen rotasyon orman algortmasının sınıflandırma performansı hızlandırma ve rastgele orman algortmalarının performansları le karşılaştırıldığında, hızlandırma algortmasından %1,79 rastgele orman algortmasından %1,09 daha yüksek genel doğruluğa ulaşıldığı belrlenmştr. Sınıflandırma doğrulukları arasındak bu farklılıklar McNemar test kullanılarak analz edldğnde %95 güven aralığında krtk k-kare tablo değernden (3,84) büyük olduğu tespt edlmş, dolayısıyla söz konusu farklılıkların statstksel olarak anlamlı olduğu sonucuna ulaşılmıştır (Tablo 3). Dğer br fadeyle uygulamada dkkate alınan ver set çn RotOR algortması dğer toplu öğrenme algortmalarından statstksel olarak daha yüksek sınıflandırma performansı serglemştr. Tablo 3. Toplu öğrenme algortmalarının performans analz çn hesaplan statstk değerler. İstatstksel Karşılaştırma McNemar değer Rotasyon Orman - Hızlandırma 20,28 Rotasyon Orman - Rastgele orman 8,77 Hızlandırma - Rastgele orman 4,14 Toplu öğrenme algortmaları çersnde hesaplanan en düşük doğruluk %84,38 le hızlandırma algortması le elde edlmştr. Rastgele orman algortmasının performansı le karşılaştırıldığında genel doğruluklar arasında %0,70 lk br fark olduğu görülmektedr. Söz konusu performans farklılığı Tablo 3 de verlen McNemar sonuçlarına göre statstksel olarak anlamlı br fark olup, rastgele orman algortmasının hızlandırma algortmasından daha yüksek sınıflandırma performansı sergledğn göstermektedr. EÇB ve toplu öğrenme algortmalarına at elde edlen sınıflandırma modeller kullanılarak WorldVew-2 görüntüsü sınıflandırılmış ve çalışma alanına at araz örtüsü ve kullanımını gösteren tematk hartalar üretlmştr. Söz konusu tematk hartalardan rotasyon orman algortması le üretlen Şekl 2 de gösterlmştr. Şekl ncelendğnde özellkle toprak ve bna-kırmızı çatı olarak smlendrlen sınıflara at pksellern çalışma alanının bazı bölgelernde brbrlerne karıştığı görülmektedr. Bununla brlkte benzer spektral özellklere sahp su ve gölge sınıflarına at pkseller arasında da hatalı sınıflandırmalar olduğu görülmektedr. Ağaç türlernn büyük oranda doğru sınıflandırıldığı, çalışma alanının belrl kesmlernde canlı btk örtüsünü çersnde barındıran bozkır sınıfına at pksellern genş yapraklı ağaç türlern temsl eden araz örtüsü sınıfları çersne dahl edldğ tespt edlmştr.

7 Şekl 2. WorldVew-2 görüntüsünün RotOR algortması le sınıflandırılması sonucu elde edlen tematk harta. 5. SONUÇLAR Uzaktan algılama teknolojlernde yaşanan yenlkler kullanıcıları yen nesl uydu görüntülernn analz noktasında güçlü ve etkl alternatf yöntemlern gelştrlmes arayışına tmştr. Özellkle uydu görüntülernn sınıflandırılması ve tematk harta üretmnde son yıllarda statstksel algortmalar yerne parametrk olmayan, karmaşık yapıdak pksellern sınıflandırılmasında hızlı ve etkl sınıflandırma algortmaları gelştrlmştr. Bunlar arasında toplu öğrenme algortmaları başta uzaktan algılama olmak üzere brçok alanda başarıyla kullanılmaktadır. Son yıllarda rotasyon algortması (RotOR) olarak smlendrlen toplu öğrenme algortması uzaktan algılanmış görüntülern sınıflandırılması problemn de çersne alan brçok uygulama problemnn çözümünde kullanılan etkl br sınıflandırma algortması olarak önerlmektedr. Bu çalışmada RotOR algortmasının yüksek çözünürlüklü WV-2 uydu görüntüsünün sınıflandırılmasındak performansı ncelenmş ve elde edlen sonuçlar popüler toplu öğrenme algortmalarından hızlandırma ve rastgele orman algortmaları le karşılaştırılarak analz edlmştr. RotOR ve dğer toplu öğrenme algortmalarının statstksel br metot olan en çok benzerlk (EÇB) yöntem le karşılaştırılarak algortmaların geleneksel yöntemlere göre performansları da analz edlmştr. Çalışma sonucunda yen nesl toplu öğrenme algortması olarak önerlen RotOR algortması kullanılarak popüler toplu öğrenme algortmalarına göre %2 lere varan sevyelerde daha doğru sınıflandırma sonuçlarına ulaşıldığı görülmüştür. Elde edlen bu sonuç McNemar test kullanılarak analz edlmş ve RotOR algortması le sınıflandırma performansında statstksel olarak anlamlı artışlar olduğu tespt edlmştr. Dğer taraftan hızlandırma ve rastgele orman algortmaları çn elde edlen sınıflandırma doğrulukları arasındak farklılık statstksel olarak anlamlı bulunmuş ve uygulamada dkkate alınan ver set çn rastgele orman algortmasının hızlandırma algortmasından daha yüksek sınıflandırma doğruluğu ürettğn desteklemektedr.

8 Çalışmada değerlendrmeye alınan toplu öğrenme algortmalarının sınıflandırma performansı statstksel kabullere dayanan EÇB algortması le karşılaştırıldığında, toplu öğrenme yaklaşımıyla %3 e varan ve statstksel olarak anlamlı performans farklılıkları elde edldğ tespt edlmştr. Yapılan performans analzler ve elde edlen statstksel test sonuçları rotasyon orman algortmasının yüksek çözünürlüklü uydu görüntülernn sınıflandırılması ve karmaşık yapıdak araz örtüsü/kullanımına lşkn tematk harta üretmnde kullanılablecek etkl ve alternatf br yöntem olduğunu destekler ntelktedr. KAYNAKLAR Breman, L., 2001, Random Forests, Machne Learnng, 45(1), Çölkesen, İ., Kavzoğlu, T., 2009, İyleştrlmş Karar Ağaçları le Uydu Görüntülernn Sınıflandırılması, TMMOB Harta ve Kadastro Mühendsler Odası 12. Türkye Harta Blmsel ve Teknk Kurultayı, Mayıs 2009, Ankara. Demarch, L., Canters, F., Carou, C., Lccard, G., Chan, J.C.W., 2014, Assessng The Performance of Two Unsupervsed Dmensonalty Reducton Technques on Hyperspectral APEX Data For Hgh Resoluton Urban Land-Cover Mappng, ISPRS Journal of Photogrammetry and Remote Sensng, 87, Detterch, T.G., 2000a, Ensemble Methods n Machne Learnng. In J. Kttler and F. Rol (Ed.) Frst Internatonal Workshop on Multple Classfer Systems, Lecture Notes n Computer Scence (pp. 1-15). New York: Sprnger Verlag. Detterch, T.G., 2000b, An Expermental Comparson of Three Methods for Constructng Ensembles of Decson Trees: Baggng, Boostng, and Randomzaton, Machne Learnng, 40(2), Foody, G.M., 2004, Thematc Map Comparson: Evaluatng The Statstcal Sgnfcance of Dfferences n Classfcaton Accuracy, Photogrammetrc Engneerng and Remote Sensng, 70(5), Freund, Y., Schapre, R.E., 1996, Experments wth A New Boostng Algorthm, In: Satta, L. (Ed.), Proceedngs of the Thrteenth Internatonal Conference on Machne Learnng (ICML-96), Morgan Kaufmann, pp Garrty, S.R., Allen, C.D., Brumby, S.P., Gangodagamage, C., McDowell, N.G., Ca, D.M., 2013, Quantfyng Tree Mortalty n A Mxed Speces Woodland Usng Multtemporal Hgh Spatal Resoluton Satellte Imagery, Remote Sensng of Envronment, 129, Ghosh, A., Josh, P.K., 2014, A Comparson of Selected Classfcaton Algorthms for Mappng Bamboo Patches In Lower Gangetc Plans Usng Very Hgh Resoluton Worldvew 2 Imagery, Internatonal Journal of Appled Earth Observaton and Geonformaton, 26, Hamedanfar, A., Shafr, H.Z.M., Mansor, S., Ahmad, N., 2014, Improvng Detaled Rule-Based Feature Extracton of Urban Areas from Worldvew-2 Image and Ldar Data. Internatonal Journal Of Remote Sensng, 35(5), Hayes, M.M., Mller, S.N., Murphy, M.A., 2014, Hgh- resoluton Land Cover Classfcaton Usng Random Forest. Remote Sensng Letters, 5, Huang, X., Lu, Q.K., Zhang, L.P., 2014, A Mult-Index Learnng Approach for Classfcaton of Hgh-Resoluton Remotely Sensed Images Over Urban Areas, ISPRS Journal of Photogrammetry and Remote Sensng, 90, Kavzoglu, T., Colkesen, I., 2013, An Assessment of The Effectveness of A Rotaton Forest Ensemble for Land- Use and Land-Cover Mappng. Internatonal Journal of Remote Sensng, 34(12), Lu, D., Weng, Q., 2007, A Survey of Image Classfcaton Methods and Technques for Improvng Classfcaton Performance, Internatonal Journal of Remote Sensng, 28(5), Lu, D.S., Hetrck, S., Moran, E., 2010, Land Cover Classfcaton n A Complex Urban-Rural Landscape wth Quckbrd Imagery, Photogrammetrc Engneerng and Remote Sensng, 76(10),

9 Malnvern, E. S., Tassett, A. N., Mancn, A., Zngarett, P., Fronton, E., Bernardn, A., 2011, Hybrd Object-Based Approach for Land Use/Land Cover Mappng Usng Hgh Spatal Resoluton Imagery, Internatonal Journal of Geographcal Informaton Scence, 25(6), Mather, P.M., 1999, Computer Processng of Remotely Sensed Images, Second Edton (Chchester: John Wley & Sons). Me, A., Salvator, R., Fore, N., Allegrn, A., D'Andrea, A., 2014, Integraton of Feld and Laboratory Spectral Data wth Mult-Resoluton Remote Sensed Imagery for Asphalt Surface Dfferentaton. Remote Sensng, 6(4), Nann, L., Lumn A., 2006, An Expermental Comparson of Ensemble of Classfers for Bometrc Data, Neurocomputng, 69(13-15), Optz, D., Macln R., 1999, Popular Ensemble Methods: An Emprcal Study, Journal of Artfcal Intellgence Research, 11, pp Pal, M., Mather P.M., 2003, An Assessment of The Effectveness of Decson Tree Methods for Land Cover Classfcaton, Remote Sensng of Envronment, 86(4), Patno, J.E., Duque, J.C., 2013, A Revew of Regonal Scence Applcatons of Satellte Remote Sensng n Urban Settngs. Computers Envronment and Urban Systems, 37, Rodrguez, J.J., Kuncheva, L.I. and Carlos, J.A., 2006, Rotaton Forest: A New Classfer Ensemble Method. IEEE Transactons on Pattern Analyss and Machne Intellgence, 28(10), Schapre, R.E., 1999, Theoretcal Vews of Boostng And Applcatons, In: Proceedngs of the Tenth Internatonal Conference on Algorthmc Learnng Theory, pp Sngh, M., Malh, Y., Bhagwat, S., 2014, Bomass Estmaton of Mxed Forest Landscape Usng A Fourer Transform Texture-Based Approach on Very-Hgh-Resoluton Optcal Satellte Imagery. Internatonal Journal of Remote Sensng, 35(9), Waser, L.T., Kuchler, M., Jutte, K., Stampfer, T., 2014, Evaluatng The Potental of Worldvew-2 Data to Classfy Tree Speces and Dfferent Levels of ASH Mortalty, Remote Sensng, 6(5),