Page 141 - Çevre Şehir ve İklim Dergisi - Özel Sayı

Murat Arslan - Reyhan Çakır - İsra Akyazı
Nida Kumbasar - Ahmet Doğan - Emre Yavuz

2.3. Yapay Zekâ Tabanlı Yaklaşımlar ile Arazi Örtüsü Sınıflandırması
Arazi örtüsü sınıfları oluşturulurken veri setleri doğrudan ve modellerde
kullanım olarak iki şekilde kullanılmaktadır. Sentinel-2 uydu görüntüleri makine
öğrenmesi algoritmaları ile sınıflandırılmaktadır. Yapılan literatür çalışması
sonucunda görüntü tanıma ve sınıflandırma çalışmalarında DESA tabanlı
çözümlerin iyi sonuçlar verdiği görülmüştür (Lecun, 1998, Salman, 2018, Sofu
vd., 2020). Ayrıca arazi örtüsü haritaları üretiminde U-Net yönteminin başarılı
sonuçlar verdiği görülmüştür (Demir vd., 2019). Bunlar sonucunda hiyerarşik
bir yapı ile oluşturulan sistemde her bir karelajda ana sınıflar U-NET, alt sınıflar
3B-DESA algoritmaları kullanılarak sınıflandırılmaktadır.
Her yıla ait Mart ve Kasım ayları arasındaki 9 uydu görüntüsü Sentinel-2
karelajı bazında seçilerek mozaiklenmekte ve arazi örtüsü sınıflandırması
karelaj bazında gerçekleştirilmektedir. Sınıflandırmada Kırmızı, Yeşil, Mavi ve
Yakın Kızıl Ötesi bantları kullanılmaktadır. Ayrıca arazi örtüsü sınıflandırması
yaparken her bölgeye ait farklı bir algoritma çalıştırmaktadır.
Sınıflandırma modellerinin değerlendirilmesi ve modellerin başarımlarının
ölçülmesi için K-Fold çapraz doğrulama yöntemi (Aydemir vd.,2020)
kullanılmıştır. Doğrulamada; Modellerin ürettiği raster verinin düşey eksen
piksel sayısı beş eşit parçaya bölünmüştür. Daha sonra her bir parça içinde
rastlantısal örnekleme yapılarak tüm ana sınıflardan yaklaşık iki milyon örnek
seçilmiştir. Bu beş parçadan dördü 3B-DESA sınıflandırıcının eğitimde kullanılıp
kalan parça doğrulama verisi olarak kullanılmıştır. Doğrulanan bölge için
kappa ve genel doğruluk sonuçları hesaplanmıştır. Tüm parçalar doğrulamaya
tabi tutulacak şekilde bu işlem tekrarlanmıştır. Daha sonra elde edilen
beş sınıflandırıcı model ile tüm pilot bölge için tahmin haritası üretilmiştir.
Tahmin haritası ile eğitimde kullanılan verinin tüm etiketleri kıyaslanarak
tüm pilot bölge için kappa ve genel doğruluk sonuçları hesaplanmıştır. Bu
doğrulama yöntemi yazılıma entegre edilerek ulusal haritanın oluşturulması
için kullanılan 128 karelajın her biri için otomatik olarak K-fold (Chen vd.,2014)
yöntemi uygulanmakta ve hata matrisleri oluşturulmaktadır. Eğitim veri seti
sınıflandırıcı modelinin oluşturulması, doğrulama veri seti ise sınıflandırıcı
modelinin performansının değerlendirilmesi ve uygun parametrelerin seçimi
için kullanılmaktadır. Analiz uygulaması esnasında eğitim veri setini doğrudan,
doğrulama veri setini ise dolaylı olarak görmektedir. Test verisi ise sınıflandırıcı
modelinin hiç görmediği veri setini temsil etmektedir. Sınıflandırıcı modeli
geliştirilirken eğitim ve doğrulama veri seti beraber kullanılmaktadır.
Sınıflandırma başarım performans değerleri sınıflandırıcı modelin test verisi
kullanılarak gerçekleştirdiği tahmin sonuçları temsil etmektedir. Böylece
sınıflandırıcı modeli eğitim aşamasında hiç görmediği test veri seti ile bir
tahmin gerçekleştirdiğinden, sınıflandırıcının performansı sınanmaktadır.

140 Çevre, Şehir ve İklim Dergisi