Affiliation:
1. İZMİR BAKIRÇAY ÜNİVERSİTESİ
Abstract
Doğal kaynak yönetimi ve mekânsal planlama süreçlerinde ayrıntılı, güncel ve doğru bilgilere dayanan arazi örtüsü ve arazi kullanımı (AÖAK) durumunun tespiti önemli rol oynamaktadır. Ancak, bölgesel ölçekte arazi kullanım dinamiklerinin izlenmesini engelleyen veri işleme süreci ve depolama gereksinimi gibi bazı sınırlılıklar vardır. GEE, küresel ölçekte coğrafi verilerin işlenmesine olanak tanıyan açık kaynak kodlu, ücretsiz bir bulut platformdur. Bu araştırmanın 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 UA 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) makine öğrenmesi algoritmaları kullanılmış ve her bir sınıflandırıcının Üretici Doğruluğu (ÜD), Kullanıcı Doğruluğu (KD) ve Genel Doğruluğu (GD) ile Kappa Katsayısı hesaplanmıştır. Sonuç olarak %97,2 GD ve Kappa değeri %95,7 olan RO sınıflandırma algoritması, en yüksek sınıflandırma doğruluğuna sahiptir. %96,1 GD ve %94,9 Kappa değeri ile DVM algoritması ikinci en yüksek sınıflandırma doğruluğuna sahip algoritma olmuştur. SRA algoritmasının GD %93,3, Kappa değeri ise %91.4 olarak hesaplanmıştır. Sonuç olarak RO yöntemi 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 örtüşmesi bu sınıfların ayırt edilmesini güçleştirdiği görülmektedir.
Funder
İzmir Bakırçay Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü
Publisher
Turkish Geograpical Review
Subject
Anesthesiology and Pain Medicine
Reference76 articles.
1. Acar U., Yılmaz O. S., Çelen M., Ateş A. M., Gülgen F. & Balık Şanlı F. (2021). Determination of mucilage in the Sea of Marmara using remote sensing techniques with Google Earth Engine. International Journal of Environment and Geoinformatics, 8(4),423-434. https://doi.org/10.30897/ijegeo.957284
,
Aghlmand, M., Kalkan, K., Onur, M. İ., Öztürk, G. & Ulutak, E. (2021). Google Earth Engine ile arazi kullanımı haritalarının üretimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 38-47.
https://doi.org/10.28948/ngumuh.795977
2. Al-Amri S.S, Kalyankar N.V & Khamitkar S.D. (2010). A comparative study of removal noise from remote sensing image. International Journal of Computer Science, 7(1). https://doi.org/10.48550/arXiv.1002.1148
3. Aplin, P. (2003). Using remotely sensed data. In Clifford, N.J. & Valentine, G., (Eds.) Key Methods In Geography. Sage, 291–308.
4. Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31.
5. Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1), 2-16.
https://doi.org/10.1016/j.isprsjprs.2009.06.004