Ortofoto haritalardan ağaç türlerinin otomatik olarak bölütlenmesi

Abstract

Uzaktan algılama (RS) teknolojisindeki ilerlemeler, yüksek spektral ve mekânsal çözünürlüklerle görüntü elde etmeyi mümkün kılmıştır. Hem pahalı hem de emek yoğun olan geleneksel saha araştırmaları yaklaşımlarına ve klasik fotoğraf yorumuna tekniklerine alternatif bir çözüm sunar. Öte yandan, çoklu / hiperspektral algılayıcılar ile elde edilen görüntüler genellikle yeterli detay bilgisi sağladığından, böylece nesnelerin ayırt edilebilirliği de artmaktadır. Günümüzde uzaktan algılama teknikleri orman ve tarımsal kaynakların yönetimi ve izlenmesi gibi çeşitli uygulamalarda kullanılabilmektedir. Bununla birlikte, edinilen veri miktarının büyük olması insan eliyle yapılacak sayısallaştırma ya da kullanılan klasik teknikler zaman ve maliyet açısından öngörülür olmaktan uzaktır. Özellikle, ağaç türlerinin elle bölütlenmesi, türler arasında bitki örtüsü bilgilerinin karmaşıklığı ve spektral benzerliğinden dolayı olanaksızdır. Uzaktan algılama teknolojinin ilerlemesi ile görüntülerin çözünürlükleri artmıştır. Fakat, bu durum görüntülerden nesne çıkartma problem için yeni işlem tekniklerinin geliştirilmesini gerekli kılmıştır. Sunulan tez çalışmasının odak noktası, yüksek çözünürlüklü dijital ortofoto haritalarından çay bahçelerinin tespiti için makine öğrenme temelli sınıflandırıcıların Mean-Shift bölütleme yöntemi ile entegre edilerek nesne tabanlı bir yaklaşıma dayalı çoklu kullanımlarının önerilmesidir. Önerilen yöntem birkaç ardışık adımdan oluşmaktadır. İlk adımda, pikseller arasındaki semantik ve uzamsal ilişkiyi kullanılarak nesne tabanlı bölütler elde edilmiştir. Bu amaçla parametrik olmayan nesne tabanlı Mean-Shift yöntemi kullanılmıştır. Bu nesneler daha sonra işlemin geri kalanı için yapı taşı olarak kullanılmıştır. Görüntü filtreleme ile gürültülü öğeleri elimine edilmiş ve nesne sınırlarının gürültüsüz olarak elde edilmesi için ise morfolojik işlemler uygulanmıştır. Öğrenme temelli sınıflandırma aşamasında kullanılacak özellikler üretilen nesne tabanlı bölütler kullanılarak ve bölütlerin spektral, konumsal ve doku özelliklerinden yararlanılarak üretilmiş ve daha sonra sınıflandırıcıları eğitmek ve test etmek için normalleştirilmiştir. Sadece ayırt edici olan ve sınıflandırma sonuçlarını optimize eden özellikler seçilmiştir. İleri derece ayırt edici özellik setini seçmek için Jeffries-Mautasia (JM) mesafe metriği ile sıralı ileriye doğru seçim yöntemi kullanılmıştır. Sunulan tez çalışmasında Destek Vektör Makinaları (Support Vector Meachines-SVM), Yapay Sinir Ağları (Artifical Neural Networks-ANN) ve Rastgele Orman (Random Forest-RF) yöntemleri olmak üzere üç öğrenme temelli sınıflandırıcı seçilmiştir. Bu sınıflandırıcılar, farklı istatistiksel öğrenim ailesine aittir ve büyük ölçekli veri sınıflandırması için etkili oldukları kanıtlanmıştır. Sınıflandırıcıları eğitmek için çay bahçeleri ve diğer ağaç türleri için eğitim verisi seçilmiştir. Söz konusu eğitim verileri her bir sınıflandırıcı için kullanılmıştır. Eğitim ve doğrulama setini kullanarak, her bir sınıflandırıcı için en uygun parametreleri bulmak amacıyla grid arama algoritması uygulanmıştır. Çay bahçelerinin otomatik bölütlenmesi için her bir sınıflandırıcıdan elde edilen çıktılar maksimum oylama yaklaşımı kullanılarak birleştirilmiştir. Çalışmanın son aşamasında fotogrametrik yöntem ile stereo sayısallaştırılarak elde edilen çay bahçelerine ait sınırlar elde edilen sonuçlar ile karşılaştırılarak doğruluk analizi yapılmıştır. Nesne tabanlı bölütlemenin çoklu sınıflandırıcı yaklaşımla entegrasyonunun, yüksek sınıflandırma doğruluğu ile çay bahçelerinin çıkarılması için etkili bir yöntem olduğu gösterilmiştir.