Uygun bulanık (fuzzy) sınıflama yöntemleri ile Aladağ örneğinde arazi örtüsünün sınıflandırılması

TEZ6026Tez (Yüksek Lisans) -- Çukurova Üniversitesi, Adana, 2006.Kaynakça (s.75-78) var.x, 79 s. : rnk. ; 29 cm.Araştırmada, bulanık sınıflama tekniklerinden doğrusal karışım modeli ve yapay sinir ağları yöntemleri kullanılarak, Yukarı Seyhan Havzası içerisindeki Aladağlar ve çevresinde yer alan arazinin, Ağustos 2003 tarihli Envisat MERIS ve Landsat ETM uydu görüntüleri yardımıyla sınıflanması amaçlanmıştır. Yapay sinir ağları ve doğrusal karışım modeli bulanık sınıflama yöntemiyle görüntüler sınıflanmıştır. Ayrıca bulanık sınıflamanın, belirgin sınıflamalara göre daha yüksek doğrulukla sonuç verdiği karşılaştırmalı olarak ortaya konmuştur. Landsat ETM verisi maksimum olabilirlik algoritmasıyla sınıflanıp, 300 m ölçeğine getirilerek test verisi olarak kullanılmıştır. Belirgin sonuçlar ise YSA yöntemiyle üretilmiş ve sınıfların dağılımına göre belirlenen 500 tesadüfi nokta ile test edilmiştir. Bu sınıflamada 8 temel arazi örtüsü (tarım, açık alan, kızılçam, karaçam, sedir, göknar, ardıç, su yüzeyleri) sınıflanmıştır. Alandaki her bir sınıfa ait yeterli sayıda eğitim pikseli bulunamadığı için, sınıflama sonucunda istenen doğruluk oranlarına ulaşılamamıştır. Bu nedenle, daha genel bir sınıflama yaklaşımı izlenerek yöntemlerin kullanılabilirliği sorgulanmıştır. Genel sınıflamalar sonrasında ortaya çıkan doğruluk oranları DKM %82, YSA %81 ve belirgin YSA %57 olarak belirlenmiştir. Bulanık görüntü sınıflaması belirgin sınıflamalardan daha yüksek doğrulukla sonuç vermiştir. Karışımın yüksek olduğu piksellerde YSA'nın DKM'den daha etkin olduğu ve doğru sonuç ürettiği görülmüştür.The aim of this study was to classify Envisat MERIS and Landsat ETM satellite imagery recorded in August 2003 over the Aladağ in the upper basin of Seyhan River basin, using fuzzy classification techniques such as, linear mixture modelling and artificial neural networks. The images were classified successfully using these two fuzzy techniques. Fuzzy classification techniques produced more accurate results than hard classification. Landsat ETM imagery was classified using maximum likelihood classifier and the output was resampled to 300 m to produce test data. Hard classification result was produced using artificial neural network classifier and tested using 500 random points. Eight major land cover classes (including agriculture, bare ground, Pinus brutia, Pinus nigra, Cedrus libani, Abies sp., Juniperus sp., water) were classified within this classification. The classification accuracy of some land cover classes were below acceptable level as there was insufficient number of training pixels available. For this reason, overall accuracy approach was applied to compare applicability potential of the techniques. Overall results of soft classification from linear mixture modeling and artificial neural network and hard classification from artificial neural network were 82%, 81% and 57% respectively. It can be concluded that soft classifiers resulted more accurate classifications than hard classifiers. Additionally, there is no significant difference between soft classification outputs from linear mixture modeling and artificial neural networks, however artificial neural networks tackled pixels with high degree of mixing more accurately than linear mixture modeling.Bu çalışma Ç.Ü. Bilimsel Araştırma Projeleri Birimi Tarafından Desteklenmiştir. Proje No:ZF2006YL5