RASTGELE ORMAN SINIFLANDIRICISI İLE ARAZİ KULLANIM ALANLARININ BELİRLENMESİ

RASTGELE ORMAN SINIFLANDIRICISI İLE ARAZİ KULLANIM ALANLARININ BELİRLENMESİ Ö. Akar 1, O. Güngor 2, A. Akar 3 Karadenz Teknk Ünverstes, Harta Mühendslğ Bölümü, 61080, Trabzon. 1 oerden@ktu.edu.tr, 2 ogungor@ktu.edu.tr, 3 aakar@ktu.edu.tr ÖZET Günümüzde uydu görüntüler, araz kullanım alanlarının belrlenmes, kentsel ve çevresel değşm analzler, obje çıkarımları gb br çok uygulamaya altlık oluşturmaktadır. Uydu görüntülernn sınıflandırılması da bu uygulama alanlarında kullanılan yaygın yöntemlerden brsdr. Uydu görüntüler üzernden en doğru ve güvenlr blgye ulaşmak çn sınıflandırmaya yönelk, özellkle öğrenme tabanlı farklı algortmalar gelştrlmektedr. Yaygın olarak kullanılan öğrenme tabanlı sınıflandırıcılar arasında Baggng, Boostng, Karar Ağaçları, Yapay Snr Ağları, Destek Vektör Makneler, K En Yakın Komşu gb sınıflandırıcılar yer almaktadır. Son yıllarda gelştrlen Rastgele Orman (RO) yöntem se sunduğu yüksek sınıflandırma doğruluğu le araştırmacıların dkkatn çekmektedr. RO, brçok sınıflandırma ağacı gelştrr. Yöntem, grd versnden br objey sınıflandırmak çn, grd versn ormandak her br ağaca yerleştrr. Her br ağaç, br sınıflandırma verr ve o sınıf çn oylanır. Orman, ormanda yer alan tüm ağaçlardan en çok oya sahp olan sınıflandırmayı seçer. Bu çalışmada, RO sınıflandırma yöntem kullanılarak, Trabzon ln kapsayan 4 bantlı IKONOS uydu görüntüsü sınıflandırılmıştır. Sınıflandırma şlem çn görüntü üzernden araz kullanım alanları (Su, Yeşl alan, Toprak, Kentsel yapı gb) belrlenmş, eğtm ve test verler oluşturulmuştur. RO sınıflandırma algortması le sınıflandırılan bu görüntü, yaygın olarak kullanılan ECHO Spectral-Spatal, En Çok Benzerlk, Fsher Lneer Dskrmnant, En Küçük Mesafe gb sınıflandırma yöntemleryle karşılaştırılmıştır. RO ve dğer kullanılan yöntemlern performanslarının karşılaştırılması sonucunda, %96.80 genel sınıflandırma doğruluğuyla RO sınıflandırma yöntemnn en y doğruluğu sağladığı gözlemlenmştr. Anahtar Sözcükler: Sınıflandırma, Rastgele Orman, Uzaktan Algılama, IKONOS, Ver Madenclğ. DETERMINATION OF LAND USE AREA WITH RANDOM FOREST CLASSIFIER ABSTRACT Remote Sensng mages have been wdely used for many applcatons such as land cover/land use mappng, montorng clmate and envronmental changes, pattern recognton, classfcaton and feature extracton, etc. To acqure the most accurate and relable nformaton through mage classfcaton, varous machne learnng based algorthms have been developed. Baggng, Boostng, Decson Trees, Neural Networks, Support Vector Machnes, K-Nearest Neghbor classfers are among these algorthms. Recently developed Random Forest (RF) method has attracted the nterest of many researchers wth ts hgh classfcaton accuracy. RF grows many classfcaton trees. To classfy a new object from an nput vector, the method puts the nput vector down each of the trees n the forest. Each tree gves a classfcaton, and "votes" for that class. The forest chooses the classfcaton havng the most votes over all the trees n the forest. In ths study, 4-band IKONOS multspectral mage taken over Trabzon s classfed usng RF classfer. The classes such as water, vegetaton, urban fabrc, etc are determned drectly from the magery by vsual nspecton and tranng and test data for each class s created. The same mage s also classfed usng ECHO Spectral-Spatal, Maxmum Lkelhood, Mnmum Dstance and Fscher Lnear Dscrmnant classfers and the results are compared wth the results of RF classfer. The post classfcaton accuracy assessment results show that the RF method gves the best performance by gvng 96.80% overall classfcaton accuracy. Keywords: Classfcaton, Random Forest, Remote Sensng, IKONOS, Data Mnng. 1. GİRİŞ Uzaktan algılama teknkler, çevresel ve kentsel uygulama alanlarına büyük katkı sağlamaktadır. Uydu görüntülernn spektral, radyometrk, zamansal ve mekânsal çözünürlüklernn gderek yleştrlmes yapılan uygulamaların çeştllğn artırmakta ve araz kullanım alanlarının belrlenmes, kentsel ve çevresel değşm analzler, obje çıkarımları gb brçok uygulama alanında avantaj sağlamaktadır. Uydu görüntülernn sınıflandırılması da bu uygulama alanlarında kullanılan yaygın yöntemlerden brsdr. Örneğn byolojk çeştllğ açısından büyük önem taşıyan ve zengn br kaynak olan tropkal ormanların zlenmes (Chrstan ve Krshnayya, 2009), görüntü üzernden kmyasal blglern elde edlmes (Ca vd., 2001), kıyı değşmnn zlenmes (Gungor vd., 2010), kentsel gelşmn zlenmes (Ch vd., 2009), obje çıkarımı (Zhang vd., 2007), araz örtüsünün sınıflandırılması (Huang ve Fpps, 2006) gb br çok farklı alanda sınıflandırma şlem kullanılmaktadır. Blg çıkartmak olarak da 142

adlandırılan görüntü sınıflandırma, görüntüdek pksel değerlern kullanarak bu blgler, anlamlı araz örtüsü blgsne dönüştürme şlemdr (Gao, 2009). Başka br deyşle görüntü sınıflandırma, uzamsal alandak mantıksal karar kuralları ya da çok bantlı alanlardak statstksel karar kuralları kullanılarak görüntüdek pksellern araz örtüsü sınıflarına göre kategorze edlmesdr. Spektral alandak görüntü sınıflandırma, örüntü tanıma olarak da blnr ve burada kullanılan karar kuralları uzaktan algılama verlernn spektral değerlern esas alır. Uzamsal örüntü tanımanın karar kurallarında se pksellern ya da objelern geometrk boyutu, şekl, dokusu, desen ön plandadır (Gao, 2009). Uzaktan algılamada görüntü sınıflandırma algortmaları uygulama çeştllğne göre gelştrlmektedr. Bu algortmalardan bazıları uydu görüntülernn sınıflandırılmasında sıklıkla kullanılan en çok benzerlk algortması gb pksel tabanlıdır. Böyle yaklaşımlarda görüntünün konumsal bleşenler hmal edlr. Alan tabanlı sınıflandırıcılar, örneğn ECHO (Spectral-Spatal), br obje bulma algortması kullanmaktadır (Yıldırım vd., 2005). Hem mekânsal hem de spektral blgy kullanarak sınıflandırma şlemn gerçekleştrmektedr. Alan bazlı sınıflandırma yaklaşımları objey parçalara ayırır ve sonrasında her br objenn statstk özellklerne göre sınıflandırma şlemn gerçekleştrr (Yıldırım vd., 2005). Yapılan çalışmalar ncelendğnde En Küçük Mesafe Sınıflandırma Yöntem, En Çok Benzerlk Sınıflandırma Yöntem, ECHO, Fsher Lneer Dskrmnant (FLD) gb brçok sınıflandırma yöntemlernn yaygın olarak kullanıldığı görülmektedr. Son yıllarda uydu görüntüler üzernden en doğru ve güvenlr blgye ulaşmak çn sınıflandırmaya yönelk, özellkle öğrenme tabanlı farklı algortmalar gelştrlmektedr. Yaygın olarak kullanılan öğrenme tabanlı sınıflandırıcılar arasında Baggng, Boostng, Karar Ağaçları, Yapay Snr Ağları, Destek Vektör Makneler, K En Yakın Komşu gb sınıflandırıcılar yer almaktadır. Son yıllarda gelştrlen Rastgele Orman (RO) yöntem de yaygın olarak kullanılan sınıflandırıcılardan brsdr. Yapılan çalışmalar ncelendğnde; (Waske vd., 2007), RO, En Çok Benzerlk, karar ağaçları ve boostng yöntemlern; (Gslason, 2004) ve (Pal, 2003), RO, boostng ve baggng yöntemlern karşılaştırmış ve en y sonucu RO yöntem le elde etmşlerdr. Bu çalışmada, RO sınıflandırma yöntem kullanılarak, Trabzon ln kapsayan 4 bantlı IKONOS uydu görüntüsü sınıflandırılmıştır. Çalışma bölges, Trabzon un 41 00 36.22 N, 39 43 45.61 E; 40 59 53.84 N, 39 44 47.03 E koordnatlarını çeren Trabzon lmanı ve Çömlekç bölgesn kapsamaktadır. Bu bölge düzensz şehrleşmenn ve gecekondu bnaların yaygın olduğu, Trabzon Beledyesnn Çömlekç Kentsel Dönüşüm Projes kapsamında ele alınacak br bölge olmakla dkkat çekmektedr. Görüntü üzernden Su, Yeşl alan, Toprak, Kentsel yapı1, Kentsel yapı2, Kentsel yapı3 ve Gölge olmak üzere 7 sınıf belrlenmştr. Bu sınıfların her br çn eğtm verler toplanmış ve bu verlerden eğtm ve test verler oluşturulmuştur. Çalışma alanına at bu görüntü, yaygın olarak kullanılan ECHO Spectral-Spatal, En Çok Benzerlk, FLD, En Küçük Mesafe gb sınıflandırma yöntemleryle de sınıflandırılmış ve doğrulukları test edlmştr. 2.SINIFLANDIRMA YÖNTEMLERİ 2.1. En Küçük Mesafe Sınıflandırma Yöntem En Küçük Mesafe Karar Kuralının temeln sınıf merkez le pksel arasındak spektral mesafe oluşturur (Gao, 2009). En Küçük Mesafe Sınıflandırma yöntem le sınıf etketlern belrlemek çn sınıf merkezler le pkseller arasındak en küçük Ökld ya da Mahalanobs mesafeler kullanılır. Pksel le küme merkez arasındak Ökld mesafes (1) eştlğ le hesaplanır. D ( μ ) 2 2 E x j = (1) D E, Ökld mesafesn; x, nc pkseln gözlem vektörünü; Bu eştlkte, vektörünü göstermektedr. eşttr. Mahalanobs mesafes, T 1 ( x v ) M ( x v ) k μ j, j nc kümenn ortalama x vektörünün boyutu, grd olarak kullanılan görüntünün bant sayısına 2 D = (2) k 2 eştlğ le hesaplanır. (2) eştlğnde, D, sınıfının merkez le k pksel arasındak Mahalanobs mesafesn; M, sınıfı çn varyans-kovaryans matrsn; v, sınıfı çn ortalama vektörü göstermektedr. Mesafe küçüldüğünde ve j objeler arasındak benzerlk artar. Her br sınıf çn sınıf 143

merkez ya da spektral vektör, eğtm ver setlernden belrlenr. Tanımsız br pksel, kend pksel değer le her br sınıf merkez arasındak mesafe hesaplanarak etketlenr. Her br sınıfın şekl kullanılan mesafe fonksyonuna bağlıdır. Bu sınıflandırıcı, matematksel olarak basttr. (Benedktsson vd., 1990) Mahalanobs mesafesnn Ökld mesafesnden daha y sonuç verdğn göstermştr. En Küçük Mesafe algortması, En Çok Benzerlk sınıflandırma teknğnden daha hızlı olduğu çn daha cazp hale gelmştr (Akgün, 2004). Ancak, En Küçük Mesafe algortmasının doğruluğu, En Çok Benzerlk algortmasının önüne geçememştr (Tso ve Mather, 2009). 2.2. En Çok Benzerlk Sınıflandırma Yöntem Son yıllarda, Yapay Snr Ağları, Destek Vektör Makneler, Fuzzy, Karar Ağaçları gb brçok sınıflandırıcı uzaktan algılama görüntülernn sınıflandırılmasında kullanılmaktadır (Tso ve Mather, 2009). Standart En Çok Benzerlk yöntem uzaktan algılamada en çok kullanılan sınıflandırma yöntemlernden brdr (De Jong, vd., 2005). En Çok Benzerlk yöntem örüntü tanımada kullanılan eğtml statstksel br yaklaşımdır. Her br pkseln olasılığı hesaplanır ve pksel, olasılığı en yüksek olan sınıfa atanır. Ortalama vektörü ve kovaryans matrs her br sınıfı karakterze etmekte kullanılır (Tso ve Mather, 2009). En çok benzerlk yöntem, br pkseln her br sınıfa at olma olasılıklarını belrlemek çn eğtm verlernn ortalama ve varyans/kovaryans verlern kullanır (IDRISI Klmanjaro Gude, 2003). En Çok Benzerlk sınıflandırma yöntemnn temeln olasılık yoğunluk fonksyonu oluşturur (De Jong, vd., 2005). Bu yöntem, br sınıfın koşullu olasılığını belrleyen Bayeson karar terorsne dayanır. (3) eştlğnde verlen p( ω x), aday pkseln sınıfına at olasılık yoğunluk fonksyonunu temsl eder. p( ω) p( x ω) p( ω x) = (3) px ( ) (4) eştlğ kullanılarak sınıfının eğtm vektörünün kovaryans ve ortalaması çn çok değşkenl normal olasılık yoğunluk fonksyonu hesaplanır. max px ( ω ) = px ( ω ) (4) j En çok benzerlk dskrmnant fonksyonu; 1 1 T 1 gk x = lnp ω ln C x m C x m 2 2 ( ) ( ) ( ) ( ) olarak yazılablr (Yıldırım, vd., 2005). (5) eştlğnde,, örnek sınıf; x, aday pkseln ölçüm vektörü; m, örnek sınıfının ortalama vektörü; ω aday pkseln sınıfına at olma yüzdes; C, örnek sınıfındak pksellern varyans-kovaryans matrsn göstermektedr. 2.3. ECHO Spectral-Spatal ECHO (Extracton and Classfcaton of Homogeneous Objects), hem mekânsal hem de spektral blgy kullanarak sınıflandırma şlemn gerçekleştrmektedr. Pksel tabanlı yöntemlerde, objenn konumu, boyutu ve şekl hmal edlp, objenn spektral özellkler dkkate alınarak sınıflandırma gerçekleştrlr. Alan bazlı sınıflandırma yaklaşımları objey parçalara ayırır ve sonrasında her br objenn statstk özellklerne göre sınıflandırma şlemn yapar (Yıldırım vd., 2005). Homojen bölgeler, görüntüde obje olarak adlandırılır. Sınıflandırmadan önce statstksel olarak benzer pksel dzlern belrlemek çn görüntü bölümleme kullanılır. Her br homojen dz, br statstksel örnektr. Sonrasında her br örnek sınıflandırıcı, bu objeler sınıflandırır. Her br pkseln sınıflandırılması, o pkseln ve komşularının spektral özellkler yardımıyla olur. Sınıflandırma ve bölümleme stratejler doğruluk, hız ve kararlılık açısından önemldr. Bölümlemedek her br obje K sınıflarından brne attr. W, sınıfına at olan objeler gösterr. Objedek her br pksel q boyutlu rastgele br değşkendr. q her br pkseldek spektral ölçüm sayısını göstermektedr. Br X pkselnn q- olasılık değşken, marjn, olasılık yoğunluk fonksyonu, X çeren objenn sınıfına bağlıdır. (5) 144

( ( )) 1/2 t ( \ ) ( ; ; ) 2 π ( ) 1 ( ) p x W = N X M C C exp x M C x M (6) (6) Eştlğndek p ( x\ W ), sınıfının olasılık yoğunluk fonksyonunu, M, ortalama vektörü; C, kovaryans matrsn göstermektedr. Bu olasılık yoğunluk fonksyonlarının parametrk hesabı, her br sınıf çn belrlenen eğtm ver setlernden M ve C hesaplanarak elde edlr (Kettng ve Landgrebe, 1976). 1 1 lnp x W tr C S M C S n M C M ln C 2 2 S 1 t 1 t 1 ( \ ) = ( 2) + 1 ( + 2 π ) n 1 = X S2 = 1 n = XX = 1 t j M = S 1 n (7) S = 2 C n MM t Görüntü bölümlemede, hücre seçm krter; m m 1 j 1 j 1 Q ( Y) = tr C YY 2M C Y + mm C M = 1 = 1 j j t t j t j j max lnp( Y Wj) = lnp( Y W) max 1 = ( mln 2 πc + Q Y 2 ( ) eştlkleryle fade edlr. Eştlkte se komşu gruptak pkseller göstermektedr. Eğer Qj ( Y) < c se Y homojendr. c eşk değerdr. Bu durumda karar kuralı, hpotez kabul eder. Aks takdrde hpotez reddedlr (Kettng ve Landgrebe, 1976). ECHO sınıflandırma yöntemnn doğruluğu, az da olsa pksel tabanlı En Çok Benzerlk sınıflandırıcısından daha yüksektr. ECHO algortmasının pksel tabanlı algortmalardan daha karmaşık olmasına rağmen, genelde en az onlar kadar hatta onlardan daha da hızlıdır (Landgrebe, 1998). Her br sınıflandırma büyük mktarda hesaplama gerektrr ve bu durumda sınıflandırıcı yavaşlar. ECHO sınıflandırma sayısını azaltır, malyet azaltırken hızda artış sağlar. (Kettng ve Landgrebe, 1976) 2.4. Fsher Lneer Dskrmnant FLD, very boyutsal olarak küçültmek çn yaygın olarak kullanılan br yöntemdr. Bu yöntemn ana amacı, aynı anda sınıflar arası varyansı maksmum ve sınıf ç varyansı da mnmum yapan br lneer dönüşüm gerçekleştrmektr. Bu şeklde sınıfların brbrnden ayrılması mümkün olacaktır. FLD, verler normal dağılımda kabul eder (Ball, 2006). Grafksel olarak tanımlanması zordur (Akgün, 2004). FDL, aşağıdak yaklaşımı maksmum yapmayı amaçlar (Wellng, 2009). J( w) ( )( ) T T ( 1) = w SBw w Sww (9) (9) eştlğnde, S B, sınıf arası dağılım matrsn; S w, sınıf ç dağılım matrsn göstermektedr. İk sınıf çn S B, ( )( ) T S = m m m m (10) B T N T N olarak hesaplanır. (10) eştlğnde, m T ve m N hedef ve hedef olmayan sınıfların ortalama vektörlern temsl etmektedr. FDL, hedef ve hedef olmayan dağılımları en y ayıran en uygun çözümü sağlamaktadır. En uygun çözüm çn w OPT ağırlık matrs (11) eştlğ le verlr. w = S v (11) OPT 1/2 B (8) 145

S, S = S S v= S w e karşılık gelr ve v= S w olarak fade edlr. w ve v her ks de 1/2 1/2 1/2 1/2 B B B B B ( 1) Sw SBw= λw fadesne karşılık gelr. (11) eştlğnn çözümü çn w egen vektörü ve ona karşılık gelen λ en büyük egen değer kullanılır (Ball, 2006). 2.5. Rastgele Orman Boostng (Shapre, 1996) ve Baggng (Breman, 1996) ağaçların sınıflandırılmasında toplu öğrenme çn çok y k yöntem olarak blnr. Baggng de eğtm vers kullanılarak her br ağaç nşa edlr. Ardışık gelen ağaçlar br önceknden bağımsızdır ve en büyük oy tahmn çn alınır. Boostngde, ardışık gelen ağaçlar br öncekne bağımlıdır. Br öncek öncüller tarafından yanlış tahmn edlmş noktalar çn ekstra ağırlık verlr. Sonrasında ağırlıklı oy tahmn çn alınır (Law ve Wener, 2002). RO, Baggng yöntemn kullanmaktadır (Breman, 2001). 1996 da Breman tarafından lk amaçlanan Baggng teknğ kullanılarak her br ağacın brbrnden bağımsız olarak eğtm verler le oluşturulmasıdır. Bunun yanında tahmnler rastgele seçm metodu (Ho, 1998) le oluşturulur. Ek olarak yen verlern tahmn çn toplu öğrenme metodu süresnce oluşturulan verlerden her br değşkenn önem dereceler ölçülür. Bu model özellkle çok sayıda öngörücü olduğunda ndrgeme çn yararlı olablr. RO, çok ağaç üretmek çn tekrarlanan bölümleme ve parçalama kullanan br toplu öğrenme metodudur (ChemModLab, 2008). Toplu öğrenmede her br ağacı gelştrmek çn rastgele vektörler oluşturulur. Örneğn, 1996 da Breman ın gelştrdğ Baggng yöntem, eğtm versnden elde edlen örneklern rastgele seçmyle ağaç gelştrlmes lkesne dayanır. Dğer br örnek (Detterch 1998) n Rastgele Splt Seçm dr. Her br düğümdek spltler, K en y spltler arasından rastgele olarak seçlr. Breman 1999 da, orjnal eğtm versn rastgele hale getrerek yen eğtm vers oluşturmuştur. Bu yaklaşımların hepsnde, k ağaç çn rastgele br θ K vektörü oluşturulur. Oluşturulan θ K lar brbrnden bağımsızdır. Aynı dağılıma sahp θ K ve eğtm vers kullanılarak br ağaç gelştrlr. Eğtm versndek örnek sayısı N dr. Rastgele vektörler, rastgele olarak N tane kutuya yerleştrlr. Sonrasında rastgele splt seçm yapılır. Rastgele splt seçm θ, 1 le K arasında yer alan bağımsız, rastgele, nteger br sayıdır. θ nın boyutu ve yapısı, oluşturulacak ağacın yapısına ve kullanımına bağlıdır. Genş sayıda ağaçlar oluşturulduktan sonra en popüler sınıf çn oylanır. RO sınıflandırıcısı; {(, hxθ ) k= 1, } (12) K şeklndedr. Burada, x, grd versn; θ K, rastgele vektörü temsl etmektedr. Her br ağaç en popüler sınıf çn br oya atanır. Bu şlem adımlarına Rastgele Orman denr. Breman 2001 n Rastgele Orman yöntemnde, baggng rastgele özellk seçm le brlkte ele alınır. Orjnal ver setnden yer değştrmel olarak yen br eğtm ver set oluşturulur. Sonrasında, rastgele özellk seçm kullanılarak yen eğtm setnden br ağaç gelştrlr. Bu gelştrlen ağaçlar budanmaz. Baggng metodunun terch edlmesnn k öneml neden vardır; brncs, baggng şlemnde rastgele özellk kullanıldığından doğruluğun artması; kncs, genelleştrlmş hataları hesaplamasıdır. Bu hatalar out-of-bag (OOB) hatalarıdır (Berman, 2001). RO, brçok sınıflandırılmış ağaç gelştrr. Grd versnden yen br objey sınıflandırmak çn grd versn ormandak her br ağaca yerleştrr. Her br ağaç br sınıflandırma verr. O sınıf çn ağaç oyları belrlenr. Orman en yüksek oya sahp olan sınıflandırmayı seçer. 1- N sayıda orjnal verden yer değştrmel olarak N sayıda rastgele eğtm vers elde edlr. 2- Her br düğüm çn M toplam grd değşkenlernden rastgele m M olacak şeklde değşkenler seçlr. Bu m değer orman gelştrme süresnce sabttr. 3- Her br ağaç muhtemel en genş oranda gelştrlr (Breman ve Cutler, 2009). Sınıflandırma sırasında, kuralı durdurma ya da budama şlemler yapılmaz (Archer, 2008). Bu durum, RO yu dğer karar ağaçları metotlarından ayıran en öneml avantajdır (Pal, 2005). m azalınca korelasyon ve güç azalır, m artınca korelasyon ve güç artar. Bu m değer, bulunan OOB hatalarına göre ayarlanablr (Breman ve Cutler, 2009). RO sınıflandırıcı le br ağaç üretmek çn kullanıcı tarafından tanımlanan 2 parametre gerekldr. Bu parametreler, en y bölünmey belrlemek 1/2 B 146

çn her br düğümde kullanılan değşkenlern sayısı (m) ve gelştrlecek ağaçların sayısı (N) dr (Pal, 2005). Kullanıcı tarafından başlangıç m değer rastgele seçlr sonrak m ler OBB hatalara göre artırılır ya da azaltılır. Bu şeklde en uygun m bulunur ve sınıflandırma duyarlığı artar, hata azalır. RO dan elde edlen 3 parametre vardır. Bu parametreler OOB hatası, değşken önem (varable mportance) ve yakınlık analz (proxmty analyss) (Chen, 2008). T eğtm versnden T k yer değştrmel yen eğtm vers üretlr. Yen eğtm ver set kullanılarak h ( x, T k ) sınıflandırıcısı oluşturulur. Sınıflandırıcı le çantaya atılmış tahmnlerden oylama yapılır. Eğtm versndek her x, y çn sadece bu sınıflandırıcı le oylama yapılır. T k, x ve y y çermez. Bu sınıflandırıcı, OOB sınıflandırıcısı olarak da adlandırılır. Bu sınıflandırma doğruluğunun anlaşılmasına yardımcı olur (Berman, 2001). RO algortması, OOB versndek verlern yerler değştrldğnde tahmn hatasının ne kadar olduğunu nceleyerek değşkenlern önemn, etklern (varable mportance) hesaplar (Law ve Wener, 2002). Değşken önem ölçümlernde, kullanılan değşkenlern ne kadar öneml olduğu değşkenlern yerler değştrlerek yapılır. Değşmler sonucunda oluşan hatalar o değşkenn şlemdek önemn ortaya koyar. RO, budama olmadan maksmum boyutta ağaç gelştrmek çn CART (Classfcaton and Regresson Tree) algortmasını kullanmaktadır (Berman, 2001). CART algortmasında, br düğümde belrl br ölçüt uygulanarak bölünme şlem gerçekleştrlr. Bunun çn önce tüm ntelklern var olduğu değerler göz önüne alınır ve tüm eşleşmelerden sonra k bölünme elde edlr. Bu bölünmeler üzernde seçme şlem uygulanır (Özkan, 2008). Bölünme şlemlernde homojen sınıf dağılımına sahp düğümler terch edlr. Düğüm homojenlğnn ölçümünde; Gn Index, Entropy, Msclassfcaton Error, Gan Rato Crtera gb ölçütler kullanılmaktadır. RO yöntem, Gn ndeksn kullanmaktadır. Verlen br t düğümü çn Gn ndeks; () p ( j t) 2 GINI t 1 [ \ ] = j (13) Eştlğnde, p( j t), t düğümündek sınıfına at bağıl olasılığı göstermektedr. En küçük gn ndeksne sahp olan bölünme pozsyonu belrlenr. (Takçı, 2008). Oluşturulan eğtm verler kullanılarak belrlenen bölünme krterlerne göre Şekl 1 dek gb düğümler spltlere ayrılmakta ve ağaç yapıları oluşmaktadır. Düğüm (13) Splt Şekl 1. RO sınıflandırıcısında belrlenen en uygun bölünme pozsyonlarına göre oluşturulan ağaç yapısı örneğ Kaç tane ağaç üretmek stenrse her düğüm çn en y splt belrlenerek o kadar ağaç üretlr. Belrlenen ağaçlar arasında oylama yapılır ve en y oyu alan ağaç br sınıfa atanır (Law and Wener, 2002). RO yöntemnn sabt br model, kısıtlaması, kalıbı yoktur. Kullanıcı ne kadar ağaç sterse o kadar ağaçla çalışır, hızlıdır. 147

K En Yakın Komşu, Destek Vektör Makneler ve Yapay Snr Ağları gb çoğu öğrenme tabanlı yöntemler sınıflandırma çn kullanışlıdır. Ancak bu yöntemler sınıflandırıcıya göre hang değşkenlern en öneml olduğuna yönelk blg vermezler. Lneer Dskrmnant Analz gb dğer yöntemler de sınıflandırıcı üretrken kullanılan öncüllerde, ndrgeme yapılmış öncüllere sahp tahmn uzayı gerektrr. RO yöntemnde böyle br ndrgeme söz konusu değldr ve her br adayın tahmn çn değşken önem derece ölçümler yapılır bu da sınıflandırma duyarlığını artırmaktadır (Archer, 2008). 3. UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI VE ANALİZİ 3.1. Rastgele Orman Yöntem le Sınıflandırma ve Analz RO algortması le görüntünün sınıflandırılması çn eğtm verlernn oluşturulması gerekmektedr. Bu şlem çn ERDAS Imagne programı kullanılmıştır. Öncelkl olarak belrlenen 7 sınıfı yansıtacak şeklde eğtm (tran) ve test verler toplanmış ve br eğtm dosyası oluşturulmuştur. Bu maksatla, her sınıftan eşt sayıda örnek alınarak sınıfları y temsl edecek toplam 6381 pksel toplanmıştır. Bu oluşturulan verden eğtm ve test verlernn oluşturulmasında ve RO sınıflandırma şlemnde (Jaantla, 2009) a at Matlab kodundan yararlanılmıştır. Çalışma kapsamında bu matlab kodu düzenlenerek, rastgele seçm le brbrnden bağımsız olarak belrlenen 3300 pksel eğtm vers çn, 3081 pksel se test vers çn hazırlanmıştır. Eğtm vers görüntüyü sınıflandırmak çn, test vers se sınıflandırma modeln test etmek çn kullanılmaktadır. RO sınıflandırıcısı çn ağaç sayısı ve m değşken olmak üzere 2 faktör sınıflandırma doğruluğunu öneml derecede etklemektedr. Bu parametreler kullanıcının terchne sunulmuştur. Bunun çn sınıflandırma modelne en uygun ağaç sayısı ve değernn tanımlanması gerekmektedr. En uygun parametrelern bulunması şlem çn tekrarlı denemeler yapılmıştır. Öncelkle Tablo 1 de görüldüğü gb ağaç sayısına göre değşkendek değşmn sınıflandırmayı ne derece etkledğ test edlmştr. Sonrasında da m değşken sabt tutularak uygun ağaç sayısı belrlenmştr (Tablo2). Eğtm versnde, görüntünün özellğne göre Band1, Band2, Band3 ve Band4 olmak üzere toplam 4 değşken bulunmaktadır. M toplam grd değşkenlernden rastgele m değşken m M olacak şeklde her br düğüm çn seçlr (Breman ve Cutler, 2009). Varsayılan değer m = M dr (Gslason et.al., 2004). Bu nedenle m değşkenler 1 le 4 arasında seçlmştr. Tablo 1. RO sınıflandırıcısının 250 ağaç çn değşkenlerne göre OOB hataları ve şlem süreler Ağaç Sayısı m değşken OOB hatası İşlem Süres 250 1 0.005249 377.0245 sn 250 2 0.005249 357.4112 sn 250 3 0.007874 358.3494 sn 250 4 0.005249 367.2618 sn Tablo 2. RO sınıflandırıcısının m =2 çn farklı ağaç sayılarına göre OOB hataları ve şlem süreler Ağaç Sayısı m değşken OOB Hatası İşlem Süres 50 2 0.010499 143.7081 sn 100 2 0.002625 200.8782 sn 250 2 0.005249 357.4112 sn 500 2 0.005249 638.9019 sn Seçlen parametrelere göre hem şlem süreler hem de OOB hataları ncelendğnde RO sınıflandırması çn en uygun ağaç sayısı 100 ve m parametres de 2 olarak belrlenmştr. Tablo 3 te görüldüğü gb test verler le yapılan sınıflandırma sonucunda RO yöntemnn test doğruluğu %99.55 olarak elde edlmştr. Test verler le yapılan sınıflandırma doğruluğunun yüksek çıkması nedenyle RO yöntem tüm görüntüye uygulanmış ve Şekl 2 de verlen sınıflandırılmış görüntü elde edlmştr. 148

Tablo 3. RO Sınıflandırma yöntemnde kullanılan test versne at hata matrs Denz Yeşl Alan Toprak Kentsel Yapı1 Kentsel Yapı2 Kentsel Yapı3 Gölge Satır Toplamı Producer's Accuracy User's Accuracy Denz 2521 0 0 0 0 0 0 2521 100% 100% Yeşl Alan 0 95 0 0 0 0 1 96 99% 99% Toprak 0 1 26 0 1 1 0 29 84% 90% Kentsel Yapı1 0 0 0 131 0 0 0 131 100% 100% Kentsel Yapı2 0 0 0 0 152 0 0 152 97% 100% Kentsel Yapı3 0 0 5 0 4 45 0 54 98% 83% Gölge 1 0 0 0 0 0 97 98 99% 99% Sütun Toplam 2522 96 31 131 157 46 98 3081 Test Doğruluğu = 99.55% Kappa = 0.9860 Şekl 2. RO le sınıflandırılmış görüntü 3.2. Dğer Yöntemler le Sınıflandırma ve Analz 4 bantlı IKONOS uydu görüntüsü, RO harcnde popüler olarak kullanılan ECHO Spectral-Spatal, En Çok Benzerlk, FLD, En Küçük Mesafe gb sınıflandırma yöntemleryle sınıflandırılmıştır. Bu yöntemlerle sınıflandırma şlemnde MultSpec programı kullanılmıştır. Bu yöntemlerde de RO sınıflandırma şlemnde kullanılan aynı eğtm alanları kullanılmıştır. Test verler le yapılan sınıflandırmalar sonucunda ECHO sınıflandırıcısı %99.3, En Çok Benzerlk %99.3, FLD %94.7 ve En Küçük Mesafe %96.7 sınıflandırma doğruluğu sağlamıştır. Daha sonra tüm görüntü bu yöntemlerle sınıflandırılmış ve sınıflandırma sonucu elde edlen görüntüler Şekl 4 te gösterlmştr. Şekl 4 tek sınıflandırılmış görüntüler rdelendğnde ECHO Spectral-Spatal, En Çok Benzerlk, FLD, En Küçük Mesafe yöntemler denz bölgesn RO ya göre y sınıflandıramamıştır. IKONOS görüntüsü konumsal olarak yüksek çözünürlüklü olduğu çn denzde oluşan dalgaların sebep olduğu gölge ve parlak yansımalar hassas br şeklde görülmektedr. Bu gölgeler ve yansımalar denz sınıfının çnde olduğu halde farklı sınıflarla karışablmektedr. Örneğn sınıflandırılmış görüntüler ncelendğnde gölgeler, karada bnaların sebep olduğu gölgelerle ve parlak yansımaların da bnalarla karıştığı gözlemlenmştr. Kullanılan sınıflandırıcılar çnde sadece RO, bu bölgeler doğru olarak denz sınıfında sınıflandırmıştır. Ayrıca, görüntünün bazı bölgelernde gölgeye at gr değerlern denz sınıfındak gr değerlere çok yakın olması sebebyle gölge sınıfı, denz sınıfıyla karışablmektedr. Bu durum, En Küçük Mesafe ve RO sınıflandırıcılarında görülmüştür. Dğer sınıflandırıcılarda bu bölgeler kentsel yapı sınıflarıyla karışmıştır. 149

a) b) c) d) e) f) Denz Yeşl Alan Toprak Kentsel Yapı1 Kentsel Yapı2 Kentsel Yapı 3 Gölge Şekl 4. ECHO (a), FLD (b), En Çok Benzerlk (c), En Küçük Mesafe (d), RO (e) olmak üzere 5 farklı sınıflandırma algortmasına göre elde edlen sınıflandırılmış görüntüler ve IKONOS (f) görüntüsü Sınıflandırma sonuçlarına göre en y sonucu RO, ECHO ve En Çok Benzerlk yöntemler sağlamıştır (Şekl 5.a) Test verlerne at hata matrsler ncelendğnde, ECHO sınıflandırıcısı, denze at 37 pksel ve gölgeye at 2 pksel kentsel yapı3 sınıfına atamıştır. Kentsel yapı2 sınıfındak pksellerde de, Kentsel yapı3 ve Kentsel yapı1 sınıflarıyla karışmalar olmuştur. Ayrıca Yeşl alan, Kentsel yapı2 ve Kentsel yapı3 sınıflarındak pkseller, Toprak sınıfına atanan pksellerle karışmıştır. Aynı şeklde En Çok Benzerlk sınıflandırıcısında da Denz ve Gölge sınıfları le Kentsel yapı2 sınıfı arasında, Kentsel yapı2 sınıfı le Kentsel yapı1 ve Kentsel yapı3 sınıfları arasında ve toprak sınıfı le Kentsel 150

yapı2 ve Kentsel yapı3 sınıfları arasında karışmalar olduğu gözlenmştr. RO sınıflandırıcısında se Denz, Kentsel yapı1 ve Kentsel yapı2 sınıfları hçbr sınıfla karışmamıştır. Gölgedek 1 pksel denz sınıfına, kentsel yapı3 dek 4 pksel Kentsel yapı2 sınıfına ve kentsel yapı3 dek 5 pksel de toprak sınıfına atanmıştır. Hata matrslerne göre, sınıflar en y RO sınıflandırıcısı le temsl edlmştr. Hem ECHO hem de En Çok Benzerlk sınıflandırıcıları, spektral özellkler brbrne yakın pksellern bulunduğu Kentsel yapı3 sınıfında %56 lık, Toprak sınıfında da %86 lık doğruluk sağlamışken, RO, bu sınıflarda yaklaşık %90 lk doğruluk sağlamıştır. RO Sınıflandırıcısı brbrne yakın spektral özellğe sahp sınıfları dğer yöntemlere göre daha y ve doğru şeklde sınıflandırmıştır. Görüntülern sınıflandırma sonrası genel doğrulukları çn ERDAS Imagne programında doğruluk analzler yapılmıştır. Analzde her sınıflandırıcı çn 250 nokta kullanılmıştır. Sınıflandırma şlemler sonucunda elde edlen genel doğruluklar Şekl 5.b le grafksel olarak özetlenecek olursa %96.80 sınıflandırma doğruluğu ve 0.9601 kappa değer le en y doğruluğu RO sınıflandırıcısının sağladığı görülmektedr. a) b) Şekl 5. a) Test verler le yapılan sınıflandırma sonucunda elde edlen test doğrulukları, b) sınıflandırma yöntemlernn genel doğrulukları 4. SONUÇLAR Uzaktan algılama görüntülernden daha hassas ve doğru blg almak adına, sınıflandırma doğruluğu yüksek algortmaların kullanımı gderek önem kazanmaktadır. Sınıflandırma doğruluğunu artırmaya yönelk pksel tabanlı, obje tabanlı ve öğrenme tabanlı sınıflandırıcılara yönelk brçok algortma gelştrlmektedr. Öğrenme tabanlı sınıflandırıcılar, sağladıkları yüksek doğruluk nedenyle yaygın olarak kullanılmaktadır. Son yıllarda gelştrlen RO, Karar ağaçları, Boostng, Baggng yöntemlernden daha yüksek doğruluk sağlaması ve daha hızlı olması sebebyle uzaktan algılanmış görüntülern sınıflandırılmasına büyük avantaj sağlamaktadır. Sınıflandırmada sıklıkla karşılaşılan sorunlardan br de spektral olarak brbrne çok yakın olan sınıfların ve pksellern yanlış sınıflara atanmasıdır. Özellkle yüksek çözünürlüklü görüntülerde brbrne yakın spektral özellklere sahp pksellere rastlanmaktadır. Örneğn bu çalışmada kullanılan yüksek çözünürlüklü IKONOS görüntüsünde, denz dalgalarının bna ve gölge sınıflarına ve gölgelern de denz sınıfına yakın spektral özelkte olması, bu problem açıkça ortaya koymaktadır. Bu çalışmada yaygın olarak kullanılan alan bazlı sınıflandırıcı olan ECHO, pksel tabanlı sınıflandırıcı olan En Küçük Mesafe, pksel ve statstksel tabanlı En Çok Benzerlk, FLD ve RO sınıflandırıcıları arasından, bu tür probleml sınıflar çn çözüm olablecek en doğru ve en hızlı sınıflandırıcının bulunması amaçlanmıştır. Bunu çn çalışma alanına at eğtm verler oluşturulmuş, bu verlere göre farklı sınıflandırıcılar kullanılarak sınıflandırmalar yapılmıştır. Ayrıca sınıflandırılmış görüntüler üzernden rastgele seçlen 250 nokta le doğruluk analzler gerçekleştrlmştr. Bunların sonucunda, RO sınıflandırıcısı le elde edlen görüntüde test doğruluğu %99.5, sınıflandırma sonrası genel doğruluk se %96.80 olarak belrlenmştr. ECHO sınıflandırıcısı %94.80, En Çok Benzerlk %94.80, FLD %87.20 ve En Küçük Mesafe %91.20 sınıflandırma sonrası genel doğruluk değerlern vermştr. Elde edlen sonuçlar değerlendrldğnde, RO sınıflandırıcısının, dğer sınıflandırıcıların brbrnden ayıramadığı spektral olarak brbrne yakın olan nesneler gerçeğe en yakın olarak sınıflandırdığı ve bu sınıflar çn en hızlı ve en doğru sınıflandırma sonucunu verdğ gözlemlenmştr. 151

KAYNAKLAR Akgün A., Eronat A.H., Türk N., 2004, Comparng dfferent satellte mage classfıcaton methods: an applcatıon n Ayvalık dstrct, Western Turkey. http://www.sprs.org/proceedngs/xxxv/congress/ comm4/papers/505.pdf (05.06.2010). Archer, K. J., 2008, Emprcal characterzaton of random forest varable ımportance measure, computatonal statstcal data analyss, Computatonal Statstcs & Data Analyss, 52(4), 2249-2260. Ball, J., Bruce, L.M., 2006, Accuracy analyss of hyperspectral magery classfıcaton usng level sets, ASPRS 2006 Annual Conference, Reno, Nevada, May 1-5, 2006. Benedktsson, J. A., P. H. Swan, O. K. Esroy, 1990. Neural network approaches versus statstcal methods n classfcaton of multsource remote sensng data, IEEE Transactons on Geoscence and Remote Sensng 28(4), 540 552. Breman, L., Cutler, A., 2009, Random Forest, http://www.stat.berkeley.edu/~breman/randomforests/ cc_home.htm (15.11.2009). Breman, L., 2001, Random Forests,Machne learnng, 2001 Kluwer Academc Publshers, 45(1), 5-32. Ca, T.T., Zhang, D., Ben Amotz D., 2001, Enhanced chemcal classfcaton of raman mages usngmultresoluton wavelet transformaton, Appled Spectroscopy, 55(9), 1124-1130. ChemModLab, 2008, Random Forest, ChemModLab Documentaton, http://eccr.stat.ncsu.edu/chemmodlab/ RandomForest.pdf (23.12.2009). Chen, C. H., 2008, Image Processng For Remote Sensng, CRS Press, Taylor&Francs Group, USA. Ch, M.V., Th, L.P, S, S.T, 2009, Montorng urban space expanson usng remote sensng data n Ha Long Cty, Quang Nnh Provnce n Vetnam, 7th FIG Regonal Conference Spatal Data Servng People: Land Governance and the Envronment Buldng the Capacty Hano, Vetnam. Chrstan B., Krshnayya N. S. R, 2009, Classfcaton of tropcal trees growng n a sanctuary usng Hyperon (EO-1) and SAM algorthm, Current Scence, 96(12), 1601-1607. De Jong, S. M, Van Der Meer, F. D, 2005, Remote Sensng Image Analyss: Includng the Spatal Doman, Sprnger Scence, Volume 5, Unted States of Amerca. Gao, J.,2009, Dgtal Analyss of Remotely Sensed Imagery, The McGraw-Hll Companes, USA. Gslason, P.O., Benedktsson, J.A, Svensson, J.R., 2004, Random forest classfcaton of mult-source remote sensng and geographc data, IEEE Geoscence and Remote Sensng Symposum, Vol.2, 1049 1052. Gungor O., Boz Y., Gokalp E., Comert C., Akar A., 2010, Fuson of low and hgh resoluton satellte mages to montor changes on costal zones, Scentfc Research and Essays, 5(7), 654-662. Huang, Y., Fpps, G., 2006, Landsat satellte mult-spectral ımage classfcaton of land cover change for GISbased urbanzaton analyss n rrgaton dstrcts: evaluaton n Low Ro Grande Valley1, http://dea.tamu.edu/documents/landsatreport06aug.pdf ( 21.02.2010). IDRISI Klmanjaro, 2003, Gude to GIS and Image Processng, Idrs Producton, Clark Labs,USA, pp.57-82. Jaantla, A., 2009, Classfcaton Random Forest, http://code.google.com/p/randomforest-matlab/downloads/ detal?name=rf_mexstandalone-v0.02.zp&can=2&q= (25.08.2009). Kettng R.L., Landgrebe, A., 1976, Classfcaton of multspectral ımage data by extracton and classfcaton of homogeneous objects, IEEE Transactıons On Geoscıence Electronıcs, 14(1), 19-26. Landgrebe, D., 1998, Multspectral data analyss: a sgnal theory perspectve, Indana: School Of Electrcal And Computer Engneerng, Purdue Unversty, West Lafayette. https://engneerng.purdue.edu/~behl/ MultSpec/Sgnal_Theory.pdf (03.07.2010) Law, A., Wener, M., 2002, Classfcaton and Regresson By Random Forest, R News, Vol.2/3, December. Özkan, Y., 2008, Ver Madenclğ Yöntemler, Papatya Yayıncılık, İstanbul. Pal, M., 2005, Random Forest Classfer For Remote Sensng Classfcaton, Internatonal Journal of Remote Sensng, 26(1), 217-222 Pal, M., 2003, Random Forest For Land Cover Classfcaton, IEEE Geoscence and Remote Sensng Symposum, Vol.6, 3510 3512. Takçı, H., 2008, Ver Madenclğ Ders Notları, Gebze Yüksek Teknoloj Ensttüsü, Dr. Hdayet Takçı. Tso, B., Mather P.M., 2009. Classfcaton Methods For Remotely Sensed Data, Second Edton, Taylor & Francs Group, London. Waske, B., Henzel, V., Braun M., Menz, G., 2007, Random forest for classfyng mult-temporal SAR data, Proc. Envsat Symposum 2007, Montreux, Swtzerland, 23 27 Aprl 2007 (ESA SP-636, July 2007), http://envsat.esa.nt/envsatsymposum/proceedngs/sessons/3d3/461589wa.pdf (13.03.2010). Wellng, M.,2009, Fsher Lnear Dscrmnant Analyss, Lecture notes, Unversty of Toronto, Canada. http://www.cs.uc.edu/~wellng/teachng/273asprng09/fsher-lda.pdf. Yıldırım, İ., Ersoy, O.K., Yazgan B., 2005, Improvement of classfcaton accuracy n remote sensng usng morphologcal flter, Advances n Space Research, 36 1003 1006. Zhang W., Xue X., Sun Z., Guo Y., Ch M., Lu H., 2007, Effcent feature extracton for mage classfcaton, IEEE 11th Internatonal Conference on Computer Vson, pp.1-8 152