Support Vector Selection and Adaptation and Its Application to Earthquake Damage Assessment

Abstract

Uzaktan algılama teknolojisi, deprem sonrası oluşan hasarlı bölgelerin tespit edilmesinde oldukça güçlü bir araçtır. Deprem hasarlarının belirlenmesinde, tekli ve çoklu zamansal yaklaşım olmak üzere iki türlü yaklaşım vardır. Özellikle acil durum yönetimi açısından, deprem öncesi veriye gereksinim duyulmaması nedeniyle deprem hasarının belirlenmesinde genellikle tekli-zamansal yaklaşımlar tercih edilmektedir. Destek Vektör Makineleri (DVM), parametrik olmayan bir sınıflandırıcı olup, doğrusal ve doğrusal olarak ayrılamayan verilerin sınıflandırılmasında kullanılan oldukça etkili bir yöntemdir. Parametrik istatistiksel sınıflandırma yöntemleri ve yapay sinir ağları gibi oldukça sık kullanılan diğer örüntü tanıma yöntemlerine nazaran daha yüksek bir sınıflandırma başarımı verdiği gözlemlenmiştir. Ancak, doğrusal olmayan verilerin DVM ile sınıflandırılmasında, özellikle uygun bir çekirdek fonksiyonu seçimi gereksiniminden ötürü belirlenmesi oldukça zor olan doğrusal olmayan bir çekirdek fonksiyonu seçmek gerekmektedir. Ayrıca, destek vektör makineleri ile optimum bir sınıflandırma başarımı elde edebilmek için, çekirdek fonksiyonu ve parametrelerinin önceden belirlenmesi gerekmektedir. Bu işlem, doğrusal çekirdek fonksiyonlu destek vektör makinelerine nazaran daha fazla hesaplama zamanı gerektirmektedir. Çekirdek fonksiyonu ve parametrelerinin seçimi zorluklarının üstesinden gelmek veya bu zorlukları azaltmak için, Destek Vektör Seçimi ve Uyarlaması (DVSU) isimli yeni bir yöntem geliştirilmiştir. Yöntem hem doğrusal hem de doğrusal olmayan verilerin sınıflandırılmasında kullanılabilmekte ve herhangi bir çekirdek fonksiyonu kullanmaksızın, daha az bir hesaplamama zamanı ile doğrusal olmayan destek vektör makinelerinin performansına ulaşabilmektedir.Önerilen yöntem, seçim ve uyarlama olmak üzere iki adımdan oluşmaktadır. Seçim aşamasında, ilk olarak doğrusal destek vektör makinesi ile destek vektörleri elde edilir. Ardından, bu destek vektörleri K en yakın komşuluk yöntemi ile sınıflandırılır ve yanlış sınıflandırılan destek vektörleri elenir. Uyarlama adımında, sınıflandırmada kullanılacak referans vektörlerini üretmek için, destek vektörlerinin çıkarılması ile güncellenen eğitim verilerine göre kalan destek vektörleri iteratif olarak uyarlanırlar. Ardından, uyarlanabilir uzaklık ölçütü kullanılarak, referans vektörlerine göre 1 en yakın komşuluk yöntemi ile test verisi sınıflandırılır. DVSU yöntemi, sentetik ve uzaktan algılama verileri üzerinde kullanılarak, yöntemin performansı DVM ve KNN yöntemleri ile karşılaştırılmıştır. Sonuçlar, DVSU yönteminin doğrusal DVM yönteminden daha iyi ve doğrusal olmayan DVM yöntemi ile de yarışabilir nitelikte olduğunu göstermiştir. Ayrıca, eğitim sırasındaki hesaplama performansı açısından, DVSU yönteminin doğrusal olmayan DVM yönteminden daha hızlı olduğu gözlemlenmiştir.

Remote sensing technology is a powerful tool to identify damaged regions after an earthquake. There are two methodological approaches in detection of earthquake damage, mono- and multi-temporal approaches. Especially for providing effective emergency management, mono-temporal approach is generally preferred in extraction of earthquake damage as it does not depend on availability of pre-earthquake image. The support vector machine (SVM) is a nonparametric classifier and represents a very attractive approach in classification of linearly and nonlinearly separable data. It has often been found to provide higher classification accuracy than other widely used pattern recognition systems, such as parametric statistical classifiers and neural networks. However, classification of nonlinearly separable data with support vector machines conducted by using a nonlinear kernel function is often a difficult task especially due to the necessity of choosing a convenient kernel type. Moreover, in order to get the optimum classification performance with the SVM, a kernel and its parameters should be determined in advance. This process takes more computational time than SVM with linear kernel function.In order to overcome or alleviate these difficulties of choosing kernel function and its parameters, a novel nonparametric method called Support Vector Selection and Adaptation (SVSA) has been introduced. It is applicable to both linearly and nonlinearly separable data and aims at achieving classification performance competitive with nonlinear support vector machines without using any kernel function with less computation time. The proposed method consists of two steps: selection and adaptation. In the selection step, first the support vectors are obtained by a linear SVM. Then, these support vectors are classified by using the K-Nearest Neighbor method, and some of them are rejected if they are misclassified. In the adaptation step, in order to generate the reference vectors to be used for the classification, the remaining support vectors are iteratively adapted with respect to the training data excluding the support vectors. Afterwards, classification of the test data is carried out by 1 nearest neighbour method with the reference vectors using an adaptive distance metric. The performance of the SVSA was tested with synthetic and remote sensing data and compared to SVMs and KNN methods. The results showed that the SVSA has better classification performance than linear SVM and a competitive classification performance with NSVM. Additionally, in terms of computational performance, it was observed that the SVSA is faster than the NSVM during the training process.