YAĞ TABAKALARININ SAPTANMASINDA DESTEK VEKTÖR MAKİNELERİ VE RASTGELE ORMAN YÖNTEMLERİNİN KULLANIMI

Transkript

1 YAĞ ABAKALARININ SAPANMASINDA DESEK VEKÖR MAKİNELERİ VE RASGELE ORMAN YÖNEMLERİNİN KULLANIMI Ümt Haluk AASEVER, Coşkun ÖZKAN, Flz SUNAR Ercyes Ünverstes, Harta Mühendslğ Bölümü, 38039, Melkgaz, Kayser, İstanbul eknk Ünverstes, Geomatk Mühendslğ Bölümü, 34469, Maslak, İstanbul, ÖZE Günümüzde ener üretmnde en fazla kullanılan kaynakların başında petrol (yağ) gelmekte ve gelşmş ülkelern büyük br kısmı petrol htyaçlarını tankerler aracılığı le karşılamaktadır. Ancak yoğun petrol taşımacılığı zaman zaman petrol kaynaklı denz krllğne neden olmaktadır. Günümüzde çevre uygulamaları ve sorunlarının çözümünde etkn br araç olan uzaktan algılama ve Yapay Açıklıklı Radar (SAR) teknolos, yağ tabakalarının zlenmes ve saptanmasında başarıyla kullanılmaktadır. SAR görüntülernde yağ tabakaları düşük ger saçılım nedenyle koyu renkte görülmektedr. Ancak radar görüntülernde koyu renkte görülen dğer oşnografk obelerden yağ tabakalarının ayırt edlmes öneml br sorun teşkl etmektedr. Bu çalışmada Lübnan kıyılarında 006 yılında meydana gelen yağ tabakası krllğnn Radarsat- uydu vers le saptanmasında statstksel öğrenme tabanlı Destek Vektör Maknes ve karar ağaçları temell Rastgele Orman Yöntem kullanılmıştır. Bu amaca yönelk olarak ortak yazarların daha öncek yaptıkları çalışmalarda kullandıkları yapay snr ağları ve yapay arı kolons algortması, dğer br deyşle farklı algortma ve yöntemler karşılaştırılarak, söz konusu yöntemlern yağ tabakalarının saptanmasındak etknlğ ve performansı rdelenmştr. Anahtar Sözcükler: Denz Yağ (petrol) Krllğ, SAR Uydu Görüntüler, Yapay Snr Ağları, Destek Vektör Maknes, Rastgele Orman Yöntem ABSRAC USE OF SUPPOR VECOR MACHINES AND RANDOM FORES MEHODES FOR OIL SPILL DEECION Nowadays, ol s the most commonly used resource for energy producton and maorty of developed countres meet needs of ol va ol tanker. However, ntensve ol transportaton causes marne polluton from tme to tme. oday, remote sensng and Synthetc Aperture Radar (SAR) technology, effectve tools to solve the envronmental problems and applcatons, are successfully used n the detecton and montorng of ol layer. Ol layers appear dark due to low backscatterng n SAR mage. However dstngushng of ol layers from oceanographc features whch appear dark n SAR mages s an mportant ssue. In ths study, statstcal learnng based Support Vector Machne and Decson ree Based Random Forest method were used for the detecton of ol polluton by usng Radarsat- data at shores of Lebanon n 006. For ths purpose, effectveness and performance of these methods for ol detecton were examned by comparng neural networks and artfcal bee colony algorthm whch are used n earler studes done by co-authors. Keywords: Ol Spll, SAR Satellte Images, Neural Networks, Support Vector Machne, Random Forest Method. GİRİŞ Petrol günümüzde en çok kullanılan fosl ener kaynaklarından brdr. 0 dek günlük dünya toplam petrol üretm yaklaşık 87 mlyon varldr (İnternet-). Ülkelern htyaç duydukları petrol, tankerler ve boru hatlarıyla temn edlmekte ve belrtlen üretmn yaklaşık yarısı tankerlerle çeştl denz rotalarından letlmektedr (İnternet-). Bu denl büyük denz taşımacılığı denz krllğne neden olmaktadır (Sabns, 997). Dünya genelndek sızmış petrol mktarının 4.5 mlyon tondan daha fazla olduğu tahmn edlmektedr (Bava, vd., 00). Petrole bağlı bu krllk, başta memeller ve kuşlar olmak üzere byolok hayatı olumsuz etklemektedr. Bu artıkların tekrar doğada dönüşümü se çok uzun süre almaktadır. Özellkle rafne edlmş petrol ürünler ham petrol kadar yapışkan olmamasına rağmen, denzler çn daha zehrl ve tehlkeldr. Günümüzde uzaktan algılama teknolos, denzlerde oluşan yağ tabakasının tesptnde kullanılan en öneml teknololerden brdr. Yapay Açıklıklı Radar(SAR) se her türlü hava şartlarında çalışablme kablyetnden dolayı yağın tesptnde optk algılayıcılara nazaran daha başarılı sonuçlar vermektedr. Yağ alanlarının ger saçılım ener sevyeler, yağın denz yüzeyndek kılcal dalgaları engellemesnden dolayı oldukça düşüktür. Bu durum doğal olarak yağ olan alanların radar görüntüsünde koyu renkte gözükmesne neden olur. Bununla beraber yağın tespt çn radar görüntülerndek koyu renkte gözüken bölgelern tespt yeterl olmamaktadır. Bunun neden se yağa ek olarak çsel dalgalar, denzlerdek düşük rüzgar alanları, kara tarafından korunan kısımlarında ger saçılım enerlernn oldukça düşük olmasıdır. Dolayısıyla yağ tabakalarının doğal olaylardan ayırt edleblmes yağ tabakası tesptnde en öneml konulardan brdr (Brekke, vd., IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

2 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı 005a; Sabns, 997; Alpers, vd.,99; Hovland, vd., 994). Yapay Açıklıklı Radar (SAR) vers le yağ tabakasına bağlı krllğn belrlenmesnde zlenecek adımlar )segmentasyon, )özellk çıkartımı ve )sınıflandırma olarak tanımlanmaktadır (Solberg, vd., 997; Del Frate, vd.,000; Karathanass, vd., 006; Brekke ve Solberg., 005b). Bu çalışmada, yağ ve yağ benzer koyu renkl görüntü alanları segmente edlmş ve yağ tabakaları tespt edlmeye çalışılmıştır. Bu amaçla statstksel br öğrenme yöntem olan Destek Vektör Makneler ve karar ağaçları temell br grup (ensemble) öğrenme yöntem olan Rastgele Orman yöntem kullanılmıştır. Destek Vektör Makneler yöntem, çok boyutlu uzayda sınıfları en y ayıran hper düzlemn hesaplanmaya çalışıldığı, brçok mühendslk problemnde başarılı sonuçlar veren br yaklaşımdır. Rastgele Orman yöntem se, grş verlernn oluşturduğu özellk vektörlernden bağımsız olarak rastgele vektörlern oluşturulması ve bu vektörler le elde edlen karar ağaçlarının brleştrlmesnden barettr. Bu çalışmada Ozkan ve arkadaşları (0) tarafından kullanılan aynı eğtm ve test verler dkkate alınmış ve lgl çalışmadak YSA bazlı sonuçlar, bu çalışmada kullanılan Destek Vektör Makneler ve Rastgele Orman yöntemlernden elde edlen sonuçlarla karşılaştırılmıştır.. ÇALIŞMA ALANI VE ÖZELLİK ÇIKARIMI Günümüzde ENVISA, Radarsat-, Radarsat- vb. brçok radar uydusu yağ tabakalarının belrlenmesnde etkn olarak kullanılmaktadır. Bu çalışmada SAR uydu vers olarak İstanbul eknk Ünverstes, Uydu Haberleşmes ve Uzaktan Algılama Merkez nden temn edlen emmuz 007 tarhl, Lübnan kıyılarını kapsayan Radarsat- görüntüsü kullanılmıştır. Beyrut un yaklaşık 9 km güneyndek Jyeh Dolum İstasyonunun İsral devlet tarafından bombalanması sonrasında denze dökülen yağ tabakası büyük br çevre felaketne neden olmuş ve Lübnan kıyı şerdnn yaklaşık /3 ü etklenmştr (Şekl ). Ayrıca, akıntı ve hava koşullarına bağlı olarak, komşu ülkelerden br olan ürkye nn de yağ tabakaları sebebyle olumsuz etklenmesnden endşe duyulmuştur (Ozkan, vd., 0). Bu tp olaylara ve/veya benzer felaketlere geckmeden etkn br şeklde müdahale edleblmes çn krllğe maruz kalan alanların hızlı ve doğru br şeklde saptanması gerekmektedr. Şekl. Çalışma bölgesnn hartası. Yağın tesptnde kullanılacak özellk blgler dört farklı kategorye aşağıda belrtldğ şeklde ayrılmaktadır (Solberg, vd., 997; Del Frate, vd., 000; Karathanass, vd., 006; Brekke ve Solberg, 005b).. Yağ tabakası alanı gb geometrk karakterstkler,. Yağın ger saçılım değerlerne at standart sapma, ortalama, mnmum ve maksmum değerler gb fzksel özellkler, 3. Bağlamsal blg, 4. Doku blgs. Yukarıda belrtlen karakterstk özellkler pkseller yerne obeler le temsl edldğnden pksel tabanlı sınıflandırma yerne daha çok obe tabanlı sınıflandırma yöntemler kullanılmaktadır. opouzels ve arkadaşları yukarıda belrtlen kategorlere at toplam 5 alt özellğn yağın tesptnde kullanılableceğn göstermşlerdr (opouzels, vd., 009). Çalışmalarında özellkle 0 özellğn dğer belrlenen yöntemlere göre sınıflandırma doğruluğunu arttırdığını vurgulamışlardır. Bu çalışmada kullanılan 9 özellk blgs aşağıda sıralanmaktadır: Lokal Alan Kontrast Oranı (ConLa): Obenn ger saçılım değernn ortalamasının, bölge merkezl çerçevenn ortalama değerne oranıdır. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

3 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Ortalama Orana Obe Etks (Opm): Obe değerlernn standart sapmasının ortalama değere oranıdır. Çevre Alan Oranı (P/A): Obenn çevre uzunluğunun alanına oranıdır. Arka Plan Standart Sapması (BSd): Obey çevreleyen ve kullanıcı tarafından seçlen lg bölgesndek pksellere at yoğunluk değerlernn standart sapmasıdır. Obe Standart Sapması (OSd): Obenn standart sapma değerdr. Nesne Karmaşıklığı (C): Geometrk obenn karmaşıklığını ya da bastlğn tanımlayan değerdr. Ortalama Haralck Doku Değer (Hm): Alt-nesnelernn eş oluşum matrslernn gr sevyelernn ortalamasıdır. Opm/Bpm Oranı: Ortalama orana obe etksnn ortalama değere arka plan etksnn oranıdır. Şekl Faktörü (SP): Obenn şekln tanımlar. Asmetr veya form faktörü olarak da adlandırılır. Yukarıda tanımlanan özellklerden SP, P/A ve C geometrk karakterstkler; Hm dokusal karakterstk; BSd, ConLa, Opm, Opm/Bpm ve OSd fzksel karakterstklerdr (opouzels, vd., 009). Segmentasyon şlemyle oluşturulan koyu renkl nesnelerden 68 yağ tabakası, 53 ü se yağ benzer koyu renkl tabaka olarak UHUZAM tarafından tespt edlmştr. Yağ ve yağ benzer tabakalara at statstksel verler Çzelge de sunulmuştur. Çzelge. Yağ ve yağ benzer vernn statstksel blgler (Ozkan, vd., 0). Yağ Yağ Benzer Özellkler Mn. Maks. Ort. S.Sap. Mn. Maks. Ort. S.Sap. SP BSd ConLa Opm Opm/Bpm OSd P/A C Hm KULLANILAN YÖNEMLER 3. Destek Vektör Makneler (DVM) Destek Vektör Makneler statstksel öğrenme alanında Vapnk ve Cortes tarafından gelştrlmş br öğrenme bçmdr (Cortes ve Vapnk, 995). Uydu görüntülernn sınıflandırmasında, DVM lneer olarak ayrılamayan vernn lneer olarak ayrılableceğ br yüksek boyuta aktarılarak farklı örnekler arasında maksmum sınırın bulunması şlemdr (Cortes ve Vapnk, 995). Bu yöntemde verlern lneer olarak ayrılablmeler ve ayrılamamaları olmak üzere k temel durum söz konusudur. Lneer olarak ayrılablen verlern maksmum sınırlarının bulunması oldukça kolay olmasına rağmen, lneer olarak ayrılamayan verlern maksmum sınırının bulunması çn se, verlern lneer olarak ayrılablecekler br üst uzaya aktarılarak çözüm yapılması gerekmektedr (Demrc, 007). 3.. Lneer Olarak Ayrılablme Durumu Sstemn eğtm çn kullanılacak vernn N elemandan oluşan χ = {x,y }, =,,...N, sınıflara at etket değerlernn y Î {-,} olduğu düşünüldüğünde, hesaplanmak stenen aşırı düzlemn üst tarafında bulunan noktalar aşağıda verlen eştszlğe uyar: W X + b > 0, y = + () Benzer şeklde aşırı düzlemn alt kısmında kalan noktalar se aşağıda belrtlen eştlğe uymaktadır: W X + b < 0, y = - () IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

4 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Bu k eştszlk kullanılarak y (W + b) - 0 X eştszlğ elde edlr. Bu koşulu sağlayan aşırı düzlemn k kümenn en yakın elemanlarına olan dk uzaklıkları toplamı sınır olarak smlendrlr. Dolayısıyla aşırı düzlemn bulunablmes çn W(ağırlıklar) ve b(orne olan uzaklık) değerlernn bulunması gerekmektedr. 3 numaralı eştlkte W değerlernn mnmum olması gerekr ve problem, optmzasyon problem halne gelr. Bu optmzasyon problemnn çözümünde, lk olarak eştszlğn çözümüne yönelk olarak Lagrange fonksyonundan yararlanılır. Problemn Lagrange denklem se, N N Lp w y ( w x b) (3) şeklndedr. Eştlkte 0 değerler destek vektörlern tanımlamaktadır. Denklemn çözümünün karmaşık olmasından dolayı Karush-Kuhn-ucker koşulları kullanılarak dual forma dönüştürülen problem tekrar Lagrange formülasyonunda yerne konulduğunda, y y x x 0, (4) eştlğ elde edlr. Bu eştlk le tüm eğtm verler çn br Lagrange çarpanı hesaplanır ve 0, olan x örnekler destek vektörlern tanımlamaktadır. Bu destek vektörler aracılığı le aşırı düzlemler ve ardından da optmum aşırı düzlem hesaplanır (Özkan, 008). 3.. Lneer Olarak Ayrılamama Durumu ve Çekrdek Fonksyonlar Brçok gerçek dünya problemnde olduğu gb uydu verlernn sınıflandırılmasında da verdek gürültü ve ver sınıflarının doğrusal olmaması gb nedenlerden dolayı ver setnn doğrusal olarak ayrılablmes mümkün olmamaktadır. Bu problem se optmzasyona hataları temsl eden br değşkenn (,,,..., N ) eklenmes le çözülmeye çalışılır. Yen eştszlkler se, w x b, y (5) şeklnde elde edlr. w x b, y 0, (6) Denklemde 0 se ver doğru sınıflandırılmış, 0 durumunda ver doğru sınıflandırılmış, H ve H aşırı düzlemler arasında yer alıyor; son olarak se sınıflandırma şlem yanlış yapılmış demektr. Lneer olarak ayrılamama durumunda sınıflandırma hatasını mnmum yaparken, aşırı düzlemler arasındak uzaklığı maksmum yapacak, Lagrange çarpanlarının üst sınırını gösteren br C parametres eklenr. Lagrange denklemnn yen formu se aşağıdak eştlk le gösterlmektedr: Lp w C { y ( w x b) } (7) Yukarıdak eştlğe KK koşulları uygulandığında se, elde edlr. Bu fonksyondak L x x y y 0 C, (8) x nn dönüşümü çn φ( x ) ve x dönüşümü çn forma dönüştürülmüş olur (Atasever, 0): Yukarıdak eştlkte φ x d, x x çarpımı daha büyük boyutlu özellk uzayında tekrar tanımlanması gerekmektedr. φ( x ) fonksyonları kullanılır. Dğer br deyşle eştlk aşağıdak L( α) α α α y y φ( x ) φ( x ) ( 9) n n, ( ) φ( x ) çarpımı çn çekrdek fonksyonları kullanılablr. Çekrdek fonksyonları le verlern yüksek boyutlu ve doğrusal olarak ayrılablecekler uzaya taşınarak ve çözümün bu yüksek boyutlu uzayda aranması çn uzaylar arası dönüşüm yapılablr (Atasever, 0). En sık kullanılan çekrdek fonksyonlar Çzelge de verlmştr (Özkan, 008): IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

5 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Çzelge. Destek Vektör Makneler nde sıkça kullanılan çekrdek fonksyonlar Kernel Fonksyonu Matematksel İfades Parametre Polnom Kernel K( x, y) (( x y) ) d Polnom dereces ( d ) Lneer Kernel K ( x, y) ( x y) Genel Kernel İfades Kuadratk Kernel K( x, y) x y( x y) Genel Kernel İfades Radyal abanlı Fonksyon Kernel ( x y) K( x, y) e Kernel boyutu ( γ ) 3.. Rastgele Orman Yöntem Rastgele Orman yöntem Breman tarafından karar ağaçları (decson trees), torbalama (baggng) ve rastgele alt-uzay (random subspace ) yöntemlernn brleştrlmes le elde edlmş br yöntemdr (Breman, 00). orbalama le eğtm verlernden rastgele yen örneklemler oluşturulur. Rastgele alt uzay le de karar ağacına at her br düğümde en y dallara ayrılan değşken, tüm değşkenler arasından rastgele seçlen değşkenler arasından seçlr. Rastgele orman yöntemnde de başka yöntemlerde olduğu gb kullanıcı tarafından belrlenmes gereken parametreler vardır. Bunlar oluşturulacak ağaç sayısı ve kullanılacak örneklem mktarıdır (Pal, 005). Rastgele orman sınıflandırıcısının oluşturulmasında CAR yöntem esas alınır. Dallanma krter olarak da sınıfların safsızlığını ölçen Gn ndeks dkkate alınır. Herhang br düğümü çn Gn İndeks aşağıda verlen eştlk le hesaplanır: Gn( ) [ p( )] ( 0 ) Bu eştlkte p( ), düğümündek J sınıfına at bağıl olasılığı göstermektedr (İnternet-3) Yapay Arı Kolons(ABC) Algortması İle Eğtlmş Yapay Snr Ağları Yapay snr ağlarının kullanıldığı br çok çalışmada ağırlıkların ve bas (eşk) değerlernn hesaplanmasında, klask optmzasyon değerler yerne, yapay zeka optmzasyon değerler kullanılmaya başlanmıştır. Yapay Arı Kolons algortması, bu amaçla kullanılan optmzasyon yöntemler çnde oldukça başarılı sonuçlar veren br yaklaşımdır. Doğadak arıların davranışlarından esnlenlerek gelştrlen bu yöntemde; br kolonde şç, gözcü ve kâşf arılar olmak üzere üç grup arı bulunmaktadır. Algortmada, her br besn olası çözümü fade eder ve kovan çn en uygun besn kaynağı (optmum çözüm) bulunmaya çalışılır. ABC Algortmasının temel adımları aşağıda verlmektedr (Karaboga, 0):. Başlangıç besn kaynağı bölgelernn üretlmes EKRARLA. İşç arıların besn kaynak bölgelerne gönderlmes 3. Olasılıksal seleksyonda kullanılacak olasılık değerlernn hesaplanması 4. Gözcü arıların olasılık değerlerne göre besn kaynak bölgelern seçmeler 5. erk edlecek kaynakların terk edlmes ve kâşf arıların üretm ŞU ANA KADAR (Maks Iterasyon) Yağ tabakası tespt çn YSA kullanılan çalışmada, ağırlıklar ve eşk(bas) değerlernn hesaplanması çn ABC algortması kullanılmış ve Levenberg-Marquardt yaklaşımına göre oldukça başarılı sonuçlar elde edlmştr. Şekl de, ABC algortması le Yapay Snr Ağlarının eğtm görselleştrlmştr. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

6 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı Şekl. YSA eğtmnde yapay arı kolons algortmasının kullanımı. Şekl de w n ve b sırasıyla algortma tarafından hesaplanan ağırlık ve eşk(bas) değerlern, x,x,..x n grş; y çıkış; f se transfer fonksyonunu belrtmektedr. 4. UYGULAMA Destek Vektör Makneler ve Rastgele Orman yöntem, RADARSA- uydusuna at görüntüden elde edlen 9 özellk blgsne uygulanmış ve sonuçlar bldrnn ortak yazarları tarafından daha öncek çalışmalardan elde edlmş olan sonuçlarla karşılaştırılmıştır. Yazarlar makalelernde yağ tabakalarının belrlenmesnde en çok kullanılan yöntemlerden olan yapay snr ağlarının eğtmnde klask optmzasyon yöntemlernden Levenberg-Marquardt a ek olarak başarılı br yapay zeka optmzasyon yöntem olan Yapay Arı Kolon Algortması nı kullanmışlardır (Ozkan, vd., 0). Uygulamanın sonucunda se ABC le elde edlen sonuçların, Levenberg-Marquardt a göre daha robust ve başarılı olduğu görülmüştür. Öncek çalışmalardan elde edlen sonuçlar ve Destek Vektör Makneler le Rastgele Orman Yönetm kullanılarak elde edlen sınıflandırma doğrulukları Çzelge 3 te sunulmuştur. Genel Doğruluk(%) Çzelge 3. Kullanılan yöntemlere at sınıflandırma doğrulukları. Destek Vektör Makneler Rastgele Orman Yöntem YSA Lneer Polnomal RBF Kuadratk Ağaç Sayısı LM ABC (d=) (γ=5,c=00) * LM: Levenberg-Marquardt, ABC: Artfcal Bee Colony 5. SONUÇLAR Günümüzde yağ tabakası krllğ denzler ve denz canlılarını etkleyen en öneml tehdtlerden br halne gelmştr. Bu tehddn üstesnden gelneblmes ancak yağ tabakasının çok hızlı ve hassas olarak saptanmasına bağlıdır. Yapay Açıklıklı Radar tüm hava ve ışık koşullarında yağın belrlenmesne olanak sağladığı çn en çok kullanılan ver kaynaklarından brdr. Lteratürde yağ tabakası tesptnde yapay açıklıklı radar verlern kullanarak başarılı sonuçlar alınan brçok uygulama mevcuttur. Yağ tabakasının saptanmasındak en büyük zorluk se, yağ le yağ benzer alanların brbrnden ayırt edlmesdr. Bu amaçla lk olarak segmentasyon şlemyle görüntüdek koyu renkl obeler çıkartılarak uygun özellkler hesaplanır ve son olarak seçlen br sınıflandırıcı le yağ ve yağ benzer obeler ayırt edlr. Sınıflandırma şlemnn doğruluğunu arttıran en öneml etkenlerden br terch edlecek sınıflandırma yöntemdr. Yağın tesptnde kullanılan en popüler yöntemlerden br Yapay Snr Ağları (YSA)dır. Yapay zeka optmzasyon yöntemlernn gelşm ve YSA eğtmnde (eşk (bas) ve ağırlıkların hesaplanmasında) kullanılmaya başlanması le bazı çalışmalarda bu yöntemn doğruluğu arttırılmaya çalışılmıştır. Bu çalışmada yağ le yağ benzer bölgelern sınıflandırılması çn Destek Vektör Makneler ve Rastgele Orman yöntemler kullanılmış ve bldr ortak yazarlarına at başka br çalışmadak Yapay Arı Kolons, Levenberg- Marquardt optmzasyon yöntemler le eğtlmş YSA sonuçlarıyla kıyaslanmıştır. Söz konusu çalışmadak aynı ver grubu le yapılan analzler sonucunda, Destek Vektör Makneler ve Rastgele Orman yöntemlernn tüm eğtm ve test verlern %00 genel doğrulukla hatasız olarak sınıflandırdığı gözlemlenmştr. Destek Vektör makneler ve Rastgele Orman yöntemlernn brbrlerne göre başarı durumlarını rdeleyeblmek çn lerk çalışmalarda farklı uydu verlernn kullanılması planlanmaktadır. Son olarak bu çalışma le özellkle yağ tabakalarının saptanmasında, dğer br fade le yağ tabakasının dğer koyu renkl obelerden ayırt edlmesnde bu k yöntemn kullanımının son derece başarılı sonuçlar üreteceğ gösterlmştr. IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak

7 C. Özkan vd: Yağ abakalarının Saptanmasında DVM ve Rastgele Orman Yöntemlernn Kullanımı KAYNAKLAR Alpers, W., Wsmann, V., hes, R., Huhnerfuss, H., Bartsch, N., Morera, J., ve Lyden, J., 99, he Dampng of Ocean Surface Waves by Monomolecular Sea Slcks Measured by Arborne Mult Frequency Radars Durng the SAXON-FPN Experment, Proceedngs of the Internatonal Geoscence and Remote Sensng Symposum, Helsnk, Fnland,, pp Atasever, Ü., H., 0, Uydu Görüntülernn Sınıflandırılmasında Hızlandırma (Boostng), Destek Vektör Makneler, Rastgele Orman (Random Forest) ve Regresyon Ağaçları Yöntemlernn Kullanılması, Yüksek Lsans ez, Ercyes Ünverstes, Kayser. Bava, J., rstan, O., ve Yasnkousk, J., 005, Earth Observaton Applcatons hrough Systems and Instruments of Hgh Performance Computer, ASI/CONEA tranng course, September- December, Matera, Italya. Breman, L., 00, Random Forests, Machne Learnng, 45(), pp.5-3. Brekke C., ve Solberg A. H. S., 005, Feature Extracton for Ol Spll Detecton Based on SAR Images. SCIA 005, LNCS, 3540, pp Brekke, C., ve Solberg, A., H., S.., 005, Ol Spll Detecton by Satellte Remote Sensng, Remote Sensng of Envronment, 95(), -3. Cortes, C. ve Vapnk, V., 995, Support-vector Network, Machne Learnng, Kluver Pub.,Boston, Vol.0, pp Del Frate F., Petrocch A., Lchtenegger J., ve Calabres G., 000, Neural Networks for Ol Spll Detecton Usng ERS-SAR Data, IEEE ransactons on Geoscence and Remote Sensng, Vol.38, pp Demrc, D., 007, Destek Vektör Makneler İle Karakter anıma, Yüksek Lsans ez, Yıldız eknk Ünverstes, İstanbul. Hovland, H., A., Johannessen J. A., ve Dgranes G.,994, Slck Detecton n SAR Images, Proceedngs of the Internatonal Geoscence and Remote Sensng Symposum, Pasadena CA, pp İnternet-, İnternet-, İnternet-3, e/page00.html, Karaboga, D., 0, Yapay Zeka Optmzasyon Algortmaları, Nobel Basım Dağıtım, ürkye. Karathanass, V., opouzels, K., Pavlaks, P., ve Rokos, D., 006, An Obect-orented Methodology to Detect Ol Splls. Internatonal Journal of Remote Sensng, Vol.7, pp Ozkan, C., C. Ozturk, Sunar, F., ve Karaboga, D., 0, he Artfcal Bee Colony Algorthm n ranng Artfcal Neural Network for Ol Spll Detecton, Neural Network World, (6), Özkan, Y., 008, Ver Madenclğ Yöntemler, s.87-88, Papatya Yayıncılık, İstanbul Pal, M., 005, Random Forest Classfer for Remote Sensng Classfcaton, Internatonal Journal Of Remote Sensng, Vol.6, pp.7-, Sabns, F., F.,997, Remote Sensng, Prncples and Interpretaton (W. H. Freeman and Company, New York). Solberg, R., ve heophlopoulos, N. A., 997, Envsys A Soluton for Automatc Ol Spll Detecton n the Medterranean, Proceedngs of 4th hematc Conference on Remote Sensng for Marne and Coastal Envronments, Envronmental Research Insttute of Mchgan, Ann Arbor, Mchgan, pp.3-. opouzels, K., Stathaks, D., ve Karathanass, V., 009, Investgaton of Genetc Algorthms Contrbuton to Feature Selecton for Ol Spll Detecton, Internatonal Journal of Remote Sensng, Vol.3, pp IV. Uzaktan Algılama ve Coğraf Blg Sstemler Sempozyumu (UZAL-CBS 0), 6-9 Ekm 0, Zonguldak