Ilgaz Orman İşletme Müdürlüğü bölgesinde kar örtüsü haritalaması için destek vektör makineleri tasarımının değerlendirilmesi

Abstract

Bu çalışma, Çankırı ve Kastamonu illeri sınırları içinde yer alan Ilgaz Orman İşletme Müdürlüğü bölgesinde, orta çözünürlüklü görüntüleme spektroradyometresi (MODIS) verisinden fraksiyonel kar örtüsü (FKÖ) haritalaması amacıyla destek vektör makineleri (DVM) tasarımının araştırılmasını amaçlamaktadır. Bu amaçla, Mart 2000 - Nisan 2016 tarihleri arasında edinilen on üç MODIS - Landsat 7/8 görüntü çifti kullanılmıştır. DVM modellerin eğitilmesinde MODIS 1-7 bantlarına ait atmosfer üstü reflektans değerleri, normalize fark kar indisi, normalize fark vejetasyon indisi ve arazi sınıfı prediktör değişkenler olarak kullanılmıştır. Referans FKÖ haritaları daha yüksek mekansal çözünürlüğe sahip Landsat ikili kar haritalarından üretilmiştir. DVM modellerinin eğitimi ve testi sırasında, eğitim verisi boyutunun ve örneklem türünün DVM modellerinin performansı üzerindeki etkileri araştırılmıştır. Kernel fonksiyonu seçiminin FKÖ haritalama performansına önemli bir katkısı olup olmadığını ortaya koymak için ek bir araştırma da yapılmıştır. Bağımsız test verisi üzerindeki sonuçlar, radyal taban fonksiyonu (RBF), doğrusal, 2. derece polinom, 3. derece polinom ve 4. derece polinom kernel kullanılarak elde edilen DVM modellerinin referans FKÖ verileriyle iyi bir uyum içinde olduğunu göstermektedir (ortalama R ≥ 0.91). Buna karşın, standart MODIS kar fraksiyonu ürünü, yani MOD10A1, ortalama R = 0.77 ile biraz daha kötü performans sergilemektedir. RBF kernele sahip DVM modelleri, model eğitimi sırasında küçük, orta ve büyük ölçekli eğitim verileri için sırasıyla 279, 2,300 ve 8,457 saniye işlemci süresine sahip olup, model oluşturma sırasında hesaplamasal olarak daha verimlidir.

This study aims to investigate the design and assessment of support vector machines (SVM) for fractional snow cover (FSC) mapping from moderate resolution imaging spectroradiometer (MODIS) data in Ilgaz Forest District region lying within the borders of Çankırı and Kastamonu provinces. For this purpose, thirteen MODIS - Landsat 7/8 image pairs acquired between March 2000 and April 2016 are used. SVM models are trained by using MODIS top-of-atmospheric reflectance values of bands 1-7, normalized difference snow index, normalized difference vegetation index and land cover class as predictor variables. Reference FSC maps are generated from higher spatial resolution Landsat binary snow cover maps. During the training and the testing, the effects of the training data size and the sampling type on the predictive performance of SVM models are investigated. An additional search is also conducted to reveal whether the choice of kernel function has a significant contribution to the FSC mapping performance. The results on the independent test scenes indicate that the developed SVM models with radial basis function (RBF), linear, 2nd order polynomial, 3rd order polynomial and 4th order polynomial kernels are in good agreement with reference FSC data with average values of R ≥ 0.91. In contrast, the standard MODIS snow fraction product, namely, MOD10 FSC, exhibits slightly poorer performance with average R = 0.77. The SVM models with RBF kernel is computationally more efficient in model building with average CPU times of 279, 2,300 and 8,457 seconds for small-, medium- and large-sized training data sets, respectively.