Kentsel dokunun, destek vektör makineleri yöntemi ile sınıflandırılması: İstanbul örneği
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Kentsel alanın modellenerek takip edilmesi, planlama çalışmalarına altlık olması açısından önem taşımaktadır. Günümüz teknolojisinin sağlamış olduğu olanaklar, geniş ve karmaşık olan kentsel alanların izlenmesini de kolaylaştırmaktadır. Bunu sağlayan yöntemlerden birisi de, uzaktan algılama teknikleridir. Uzaktan algılama teknikleri, kentsel çevrenin mekânsal ve spektral çeşitliliğinin karmaşıklığına rağmen, farklı çözünürlükte farklı kentsel ortamları tanımlamak, değerlendirmek ve sınıflandırmak için kullanılabilmektedir. Özellikle zamansal seri uydu görüntüleri, kentsel dinamiklerin karmaşıklığına rağmen, kent genişlemesinin daha doğru takibine ve anlaşılmasına olanak tanıması nedeniyle gün geçtikçe zorunluluk haline gelmektedir. Bu çalışmada, heterojen sınıflar olan kentsel doku tiplerinin ayırt edilebilmesinde kullanılacak en uygun yöntemin tespitine çalışılmıştır. Uygulama alanı olarak, farklı kentsel doku tiplerinin bulunduğu İstanbul'un kentleşmiş alanı seçilmiştir. Destek Vektör Makineleri (DVM) ve En Çok Olabilirlik (EÇO) Yöntemlerinin kullanıldığı çalışmada, görüntü olarak Landsat-8 ve Sentinel-2A orta çözünürlüklü uydu görüntüleri kullanılmıştır. DVM yöntemi polinom, lineer, sigmoid ve radyal tabanlı fonksiyon kernelleri için ayrı ayrı uygulanmıştır. Sınıflandırma doğruluğunun karşılaştırılması amacı ile alternatif yöntem olarak En Çok Olabilirlik yöntemi seçilmiştir. Sınıflandırma doğrulukları, kentsel doku matrisinden faydalanılarak, CBS ortamında elde edilmiş olan kentsel doku verisi ile karşılaştırılarak yapılmıştır. Kullanılmış olan doku matrisi, grid alanı içerisinde kalan bina yüzeylerinin alan kaplama ve serpilme farklılıklarını ortaya koyarak kent dokularını ayrıştırmaktadır. Sınıflandırma doğruluğunun bu veriler ile karşılaştırılmasının temel nedeni kentin yüzey özellikleri ve kent morfolojisini en doğru şekilde temsil eden bir model üzerinden değerlendirmelerin yapılabilmesidir. Son aşamada elde edilmiş tüm sınıflandırma sonuçları SPSS programında karşılaştırılarak, doku sınıflandırması için en uygun yöntem tespit edilmiştir. Bu çalışma sonucunda DVM ve EÇO yöntemleri, avantaj ve dezavantajları ile anlatılmıştır. Ayrıca, Sentinel-2A ve Landsat-8 görüntüleri kentsel doku sınıflandırılmasında verimlilik açısından karşılaştırılmıştır. Elde edilen sonuçların, uzaktan algılama tekniklerinin, ayırt edilmesi zor olan ve heterojen sınıflara sahip olan kentsel doku değişikliklerinin izlenmesinde etkin kullanımı için önemli bir girdi sağlayacağı düşünülmektedir. Monitoring and the modelling of the urban area is important in terms of being a base data for planning studies. The opportunities provided by today's technology also facilitate the monitoring of large and complex urban areas. One of the methods that provides this is remote sensing techniques. Despite the complexity of the spatial and spectral diversity of the urban environment, remote sensing techniques can be used to evaluate, define and classify different urban environments at different resolutions. In particular, use of time series satellite images which become more and more imperative due to the complexity of urban dynamics is allowing for more accurate monitoring and understanding of urban expansion. The main aim of the study is that to determine the suitable method to distinguish the urban pattern types which are heterogeneous classes. The urban area of Istanbul, which has different urban pattern types, has been chosen as the study area. Landsat-8 and Sentinel-2A medium resolution satellite images were used as images in the study where Support Vector Machines (SVM) and Maximum Likelihood (ML) classification methods were used. SVM method was applied separately for all kernel types as polynomial, linear, sigmoid and radial basis. In order to compare the accuracy of the classifications, the Maximum Likelihood method was chosen as an alternative method. Classification accuracy was calculated by comparing with urban pattern type's data obtained by urban pattern matrix in GIS. The urban pattern matrix separates the urban patterns according to the covering area of the building surfaces in a grid area and differentiation of distribution of buildings within the grid area. The main reason why classification accuracy is compared with these data is that evaluations can be made on a model that accurately represents urban surface characteristics and urban morphology. All the results obtained in the last stage were compared in SPSS program and the most suitable method for urban pattern classification was determined. As a result of this study, SVM and ML methods are presented with their advantages and disadvantages. In addition, Sentinel-2A and Landsat-8 images were compared in terms of productivity in urban pattern classification. It is thought that the obtained results will provide an important input for the efficient use of the remote sensing techniques in monitoring the urban pattern changes that has heterogeneous classes which are difficult to distinguish.
Collections