Sentinel-2a MSI Verisinin Makine Öğrenmesi Tabanlı Destek Vektör Makinesi, Rastgele Orman ve En Büyük Olasılık Algoritmalarını Kullanarak Piksel Tabanlı Kontrollü Sınıflandırılmadaki Etkilerinin Araştırılması

Abstract

Bu araştırma makalesinde, Sinop havzasına yönelik 03.05.2023 tarihli Sentinel-2A MSI verisinin destek vektör makinesi (DVM), rastgele orman (RO) ve en büyük olasılık (EBO) algoritmalarını kullanarak piksel tabanlı kontrollü sınıflandırılması ve daha sonra her bir sınıflandırma algoritmasına ait genel doğruluk değerlerinin belirlenmesi ile her bir arazi kullanımı/arazi örtüsü sınıfı için üretici doğruluğu, kullanıcı doğruluğu, doğruluk, kesinlik, hassasiyet, F1-skoru ve ROC-AUC (İşlem Karakteristik Eğrisi-Eğri Altında Kalan Alan) metriklerine ait değerlerin kıyaslanması amaçlanmıştır. Elde edilen sonuçlar DVM ve RO algoritmalarının EBO yöntemine göre daha yüksek ve benzer genel doğruluk değerleri verdiğini göstermiştir (0.88). Her bir sınıflandırma algoritması için su kütleleri ve mera sınıflarının en yüksek doğruluk, kesinlik, hassasiyet ve F1-skoru değerlerine sahip olduğu gözlemlenmiştir. Ancak düşük AUC değerleri, eğitim setinin oluşturulduğu aşamada bazı arazi kullanımı/arazi örtüsü sınıfları için çok sayıda piksel toplanırken bazı sınıfların ise daha az piksel kullanılarak temsil edilmesi ya da yüksek doğruluk değerlerine rağmen düşük hassasiyet ve kesinlik değerlerinin varlığı gibi durumlar veri setlerindeki dengesizliği ortaya koymuştur.