Headwall Hyperspec VNIR Kamerası İle Elde Edilen Hiperspektral Hava Fotografı İçin Boyut İndirgeme Yöntemlerinin Performanslarının Analizi

Authors : Esra Tunç GÖRMÜŞ, Özlem AKAR

Pages : 200-214

Doi:10.29128/geomatik.538838

View : 7 | Download : 5

Publication Date : 2019-12-01

Article Type : Research Paper

Abstract :Çalışmada yaygın olarak kullanılan farklı boyut indirgeme yöntemlerinin performanslarının Headwall Hyperspec VNIR Kamerası ile elde edilen hiperspektral hava fotoğrafı için analizi amaçlanmıştır. Bunun için Harita Genel Müdürlüğü tarafından, BHİKPK-Bilimsel Araştırma ve Koordinasyon Komisyonunca insert ignore into journalissuearticles values(BARKOK); 2017 yılında Bergama bölgesinde 2100 metre ortalama yükseklikten Headwall Hyperspec VNIR kamerası ile elde edilen hiperspektral hava fotoğrafı kullanılmıştır.  Çalışma alanı olarak, çekimin gerçekleştiği Bergama bölgesinde kentsel ve kırsal arazi kullanım sınıflarını barındıran pilot bir bölge seçilmiştir.  Çalışmada öncelikli olarak hiperspektral hava fotoğrafına atmosferik ve radyometrik düzeltmeler yapılmıştır. Ardından bozuk ve kullanılmayan bantların temizlenmesi için yaygın olarak kullanılan Temel Bileşen Analizi insert ignore into journalissuearticles values(PCA);, Ayrık Dalgacık Dönüşümü insert ignore into journalissuearticles values(DWT);, Faktör Analizi, Çok Boyutlu Ölçekleme yöntemi insert ignore into journalissuearticles values(MDS – Multidimensional Scaling); ve En Fazla Daralan Metrik Öğrenme insert ignore into journalissuearticles values(MCML-Maximally Collapsing Metric Learning); gibi 5 farklı yöntemle bant indirgeme işlemi uygulanmıştır. Sonrasında tüm görüntülerin geometrik düzeltmeleri yapılarak aynı koordinat sisteminde olması sağlanmıştır. Görüntüler ön işlemden geçirildikten sonra indirgeme yöntemlerinin performanslarının analizi için yaygın olarak kullanılan ve yüksek sınıflandırma doğruluğu sağlayan makine öğrenme yöntemlerinden Destek Vektör Makineleri insert ignore into journalissuearticles values(DVM); ve Rastgele Orman insert ignore into journalissuearticles values(RO); sınıflandırıcıları kullanılmıştır. Sınıflandırma işlemi sonucunda elde edilen tematik görüntüler için doğruluk analizleri yapılmış ve elde edilen doğruluklar karşılaştırılmıştır. Çalışmanın sonuçları incelendiğinde, en yüksek sınıflandırma doğruluğunu % 91.67 insert ignore into journalissuearticles values(RO); doğrulukla DWT boyut indirgeme yönteminin sağlandığı gözlemlenmiştir.  Genel olarak bakıldığında RO ile elde edilen sonuçlarda genel sınıflandırma doğrulukları yüksekten düşüğe sırasıyla DWT, MCML, MD, FACTORNAL ve PCA olarak elde edilmiştir. DVM sonuçlarına göre bu sıranın ise DWT, MCML, MD, PCA ve FACTORNAL  olduğu gözlenmiştir. Buna göre her iki sınıflandırma yönteminde de en yüksek doğruluğu DWT` nin, en düşük sınıflandırma doğruluğunu da FACTORNAL ve PCA yöntemlerinin verdiği görülmüştür. Çalışma sonucu göstermektedir ki,  bu hiperspektral hava fotoğrafı için denenen yöntemler arasında en uygun boyut indirgeme yöntemi DWT `dir.
Keywords : Hiperspektral hava fotoğrafı, Ayrık Dalgacık Dönüşümü, Destek vektör makineleri, Rastgele Orman, Boyut indirgeme