0 Uzaktan Algılama Görüntülerindeki Değişim Tespitinde Destek Vektör Makinelerinin Kullanılması

Tweet

Uzaktan algılamada değişim tespiti, dünya yüzeyindeki belirli bir alandan farklı zamanlarda elde edilen 2 veya daha fazla uzaktan algılama görüntüsünü işleyerek o zaman dilimi içerisinde meydana gelen değişimi tespit eden bir süreçtir.

İnsan ile çevre arasındaki etkileşimi anlamak, Ekolojik düzen ve biyolojik çeşitlilikteki değişimi takip etmek, Doğal kaynakları takip etmek, Doğal dengenin bozulmaması için gereken önlemleri almak amacıyla değişim tespiti önemlidir.

Tarımsal alandan yerleşim alanına geçiş, Orman alanındaki değişimin miktarı, Birim zamandaki değişim miktarı, Aynı alandan farklı zamanlarda elde edilen görüntüler değişim tespitinin kullanıldığı alanlardır.

Dijital Değişim Tespitinde İzlenecek Adımlar

1. Değişim Tespiti Probleminin Ele Alınması
• Çalışma Alanının Belirlenmesi
• Değişim Tespitinin Sıklığının Belirlenmesi
• Dünya Yüzeyini Kapsayan Türlere göre Sınıfların Belirlenmesi

2. Değişim Tespitinde Dikkat Edilmesi Gereken Hususlar

İyi bir değişim tespiti için uzaktan algılayıcı sistemler ve çevresel karakteristikler iyi bir şekilde anlaşılmalıdır.

• Uzaktan Algılama Sistemleri ile İlgili Hususlar

ü  Zamansal Çözünürlük

ü  Mekansal Çözünürlük

ü  Spektral Çözünürlük

ü  Radyometrik Çözünürlük

• Çevresel Hususlar

ü  Atmosferik Koşullar

ü  Toprak Nemi Koşulları

ü  Fenolojik Çevrim Karakteristiği

ü  Gelgit Olayı

3. Değişim Bilgisini Çıkarmak için Uzaktan Algılama Verisinde Görüntü İşleme Yapılması
• Değişim tespiti yapılacak uygun verilerin elde edilmesi
• Elde edilen uzaktan algılama görüntülerine önişleme yapılması

ü  Görüntü Çakıştırma

ü  Radyometrik Düzeltme (Normalizasyon)

• Değişim Tespiti (Sınıflandırma) Algoritmalarının Uygulanması
3. Doğruluğun Değerlendirilmesi
• İstatistiksel Doğruluğun Değerlendirilmesi

ü  Değişim türünün belirlenmesi

ü  Sınıflandırma başarısının değerlendirilmesi

Uzaktan algılama da destek vektör makinelerinin kullanılma amaçları;

• Uzaktan algılama verisinin dağılımı bilinmemektedir.
• Küçük bir eğitim seti üzerinden yüksek başarılı sınıflandırma yapar.
• Genelleştirme özelliği güçlüdür.
• Overfitting önleme kabiliyeti vardır.