Uydu Görüntülerinin Sınıflandırılmasında Çok Değişkenli Uyarlanabilir Regresyon Eğrileri Algoritmasına Dayalı Hibrit Modellerin Geliştirilmesi

Abstract

Uzaktan algılama verilerinin kullanım alanı arttıkça, farklı özelliklere sahip doğal ve yapay nesnelerin tespit edilmesi, arazi örtüsü/kullanımı türlerinin belirlenmesi ve tematik haritaların üretilmesi, mevcut durum ve değişimlerin belirlenmesi, planlama ve modelleme gibi birçok çalışma için kullanılan görüntü sınıflandırma algoritmaları büyük önem kazanmaktadır. Bu amaç doğrultusunda sınıflandırma doğruluğunun arttırılması ve daha güvenilir sonuçların elde edilmesi için yeni yöntem ve yaklaşımlar araştırılmaya devam etmektedir. Bu kapsamda hibrit modelleme yaklaşımlarıyla, farklı yöntemlerin avantajlarının birleştirilerek analizlerin doğruluğunun ve güvenilirliğinin arttırılması amaçlanmaktadır. Bu tez çalışmasında, parametrik olmayan bir sınıflandırma tekniği olan Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Multivariate Adaptive Regression Splines – MARS) algoritmasının yüksek performanslı bir sınıflandırıcı ve optimizasyon teknikleri ile entegre edildiği yeni hibrit modeller önerilmektedir. Çalışma kapsamında MARS algoritmasına dayalı üç model geliştirilmiştir. İlk modelde, görüntü sınıflandırmada yüksek performansa sahip Rastgele Orman (Random Forest – RF) algoritması ile MARS-RF hibrit modeli oluşturulmuştur. İkinci ve üçüncü modellerde ise MARS algoritmasının parametrelerini optimize etmek amacıyla Parçacık Sürü Optimizasyonu (Particle Swarm Optimization – PSO) ve Bayes Optimizasyonu (Bayesian Optimization – BO) algoritmaları ile entegre MARS-PSO ve MARS-BO hibrit modelleri oluşturulmuştur. MARS ve RF tekil algoritmaları ve MARS-RF, MARS-PSO ve MARS-BO hibrit modellerin oluşturulması ve uygulanması MATLAB ve RStudio yazılımları ortamında gerçekleştirilmiştir. MARS, RF ve üç farklı hibrit model (MARS-RF, MARS-PSO, MARS-BO), iki farklı uydu görüntüsü kullanılarak (Landsat-8 OLI ve Sentinel-2A MSI) ve iki farklı çalışma alanında (Samsun-Bafra ve Samsun-Atakum) yapılan arazi örtüsü/kullanımı sınıflandırma sonuçlarıyla test edilmiştir. Sınıflandırma sonuçları, toplam doğruluk, kappa istatistiği ve F1 skor doğruluk ölçütleri ile karşılaştırılmıştır. Sonuçlar karşılaştırıldığında tüm hibrit modellerin tüm uydu görüntüsü ve çalışma alanlarında MARS ve RF yöntemlerinden daha yüksek doğruluk gösterdiği belirlenmiştir. Önerilen hibrit modellerin performansı karşılaştırıldığında ise doğruluk sıralaması MARS-BO, MARS-PSO ve MARS-RF şeklindedir. Elde edilen sonuçlar, hibrit modellerin sınıflandırma performansını arttırmada önemli bir rol oynadığını ve özellikle optimizasyon teknikleriyle entegrasyonun sonuçların iyileştirilmesinde etkisinin yüksek olduğunu göstermiştir. Bu bağlamda çalışmanın sonuçları, hibrit modellerin uydu görüntülerinin sınıflandırılmasında önemli avantajlar sağlayarak daha doğru ve güvenilir sonuçların elde edilmesine katkıda bulunduğunu göstermektedir.Uzaktan algılama verilerinin kullanım alanı arttıkça, farklı özelliklere sahip doğal ve yapay nesnelerin tespit edilmesi, arazi örtüsü/kullanımı türlerinin belirlenmesi ve tematik haritaların üretilmesi, mevcut durum ve değişimlerin belirlenmesi, planlama ve modelleme gibi birçok çalışma için kullanılan görüntü sınıflandırma algoritmaları büyük önem kazanmaktadır. Bu amaç doğrultusunda sınıflandırma doğruluğunun arttırılması ve daha güvenilir sonuçların elde edilmesi için yeni yöntem ve yaklaşımlar araştırılmaya devam etmektedir. Bu kapsamda hibrit modelleme yaklaşımlarıyla, farklı yöntemlerin avantajlarının birleştirilerek analizlerin doğruluğunun ve güvenilirliğinin arttırılması amaçlanmaktadır. Bu tez çalışmasında, parametrik olmayan bir sınıflandırma tekniği olan Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Multivariate Adaptive Regression Splines – MARS) algoritmasının yüksek performanslı bir sınıflandırıcı ve optimizasyon teknikleri ile entegre edildiği yeni hibrit modeller önerilmektedir. Çalışma kapsamında MARS algoritmasına dayalı üç model geliştirilmiştir. İlk modelde, görüntü sınıflandırmada yüksek performansa sahip Rastgele Orman (Random Forest – RF) algoritması ile MARS-RF hibrit modeli oluşturulmuştur. İkinci ve üçüncü modellerde ise MARS algoritmasının parametrelerini optimize etmek amacıyla Parçacık Sürü Optimizasyonu (Particle Swarm Optimization – PSO) ve Bayes Optimizasyonu (Bayesian Optimization – BO) algoritmaları ile entegre MARS-PSO ve MARS-BO hibrit modelleri oluşturulmuştur. MARS ve RF tekil algoritmaları ve MARS-RF, MARS-PSO ve MARS-BO hibrit modellerin oluşturulması ve uygulanması MATLAB ve RStudio yazılımları ortamında gerçekleştirilmiştir. MARS, RF ve üç farklı hibrit model (MARS-RF, MARS-PSO, MARS-BO), iki farklı uydu görüntüsü kullanılarak (Landsat-8 OLI ve Sentinel-2A MSI) ve iki farklı çalışma alanında (Samsun-Bafra ve Samsun-Atakum) yapılan arazi örtüsü/kullanımı sınıflandırma sonuçlarıyla test edilmiştir. Sınıflandırma sonuçları, toplam doğruluk, kappa istatistiği ve F1 skor doğruluk ölçütleri ile karşılaştırılmıştır. Sonuçlar karşılaştırıldığında tüm hibrit modellerin tüm uydu görüntüsü ve çalışma alanlarında MARS ve RF yöntemlerinden daha yüksek doğruluk gösterdiği belirlenmiştir. Önerilen hibrit modellerin performansı karşılaştırıldığında ise doğruluk sıralaması MARS-BO, MARS-PSO ve MARS-RF şeklindedir. Elde edilen sonuçlar, hibrit modellerin sınıflandırma performansını arttırmada önemli bir rol oynadığını ve özellikle optimizasyon teknikleriyle entegrasyonun sonuçların iyileştirilmesinde etkisinin yüksek olduğunu göstermiştir. Bu bağlamda çalışmanın sonuçları, hibrit modellerin uydu görüntülerinin sınıflandırılmasında önemli avantajlar sağlayarak daha doğru ve güvenilir sonuçların elde edilmesine katkıda bulunduğunu göstermektedir.With the expanding scope of remote sensing applications, image classification algorithms are becoming increasingly essential across diverse research areas, including the detection of natural and artificial objects, land cover/use classification, thematic map production, monitoring of current conditions and changes, and applications in planning and modeling. To enhance classification accuracy and yield more reliable results, there is a continuous focus on developing novel methods and approaches. In this context, hybrid modeling approaches are particularly significant as they combine the strengths of various methods to improve the accuracy and reliability of analyses. This thesis proposes innovative hybrid models that integrate the Multivariate Adaptive Regression Splines (MARS) algorithm, a non-parametric classification technique, with high-performance classifiers and optimization strategies. Three MARS-based models were developed as part of this study. The first model combines MARS with the Random Forest (RF) algorithm—recognized for its robust performance in image classification—resulting in the MARS-RF hybrid model. The second and third models enhance the MARS algorithm by optimizing its parameters using Particle Swarm Optimization (PSO) and Bayesian Optimization (BO), leading to the development of the MARS-PSO and MARS-BO hybrid models, respectively. The standalone MARS and RF algorithms, along with the MARS-RF, MARS-PSO, and MARS-BO hybrid models, were implemented and tested within MATLAB and RStudio environments. These models were evaluated on land cover/use classification tasks using two distinct satellite datasets (Landsat-8 OLI and Sentinel-2A MSI) and two geographic study areas (Samsun-Bafra and Samsun-Atakum). Classification performance was assessed through overall accuracy, kappa statistics, and F1-score metrics. Comparative analysis revealed that all hybrid models exhibited superior accuracy across all satellite images and study areas relative to the standalone MARS and RF methods. Among the hybrid models, the MARS-BO model achieved the highest accuracy, followed by MARS-PSO and MARS-RF. The findings underscore the effectiveness of hybrid models in substantially enhancing classification performance, particularly through the integration of optimization techniques. Overall, the study demonstrates that hybrid models significantly advance satellite image classification, contributing to the generation of more accurate and dependable results.