Uzaktan Algılamada Sınıflandırma

Görüntü Sınıflandırma, uzaktan algılama teknolojilerinin temel uygulama alanlarından biri olup, arazi örtüsü kullanımının haritalanması ve harita bilgilerinin üretilmesi sürecini kapsar. Bu işlem, uzaktan algılanmış görüntülerde aynı spektral özelliğe sahip bölgelerin benzer şekilde temsil edildiği tematik haritaların hazırlanmasıdır. Görüntü sınıflandırmada, bir görüntüdeki her bir piksel değerinin ait olduğu özellik grubunun belirlenmesi amaçlanır. Sınıflandırma sonucunda elde edilen dijital görüntü, bir harita projeksiyonuna dönüştürüldüğü takdirde Coğrafi Bilgi Sistemlerinde (CBS) kullanıma uygun bir veri haline gelir. Sınıflandırma yaklaşımları, kullanılan bilgi tür ve miktarına göre kontrollü ve kontrolsüz, parametrik ve parametrik olmayan gruplara ayrılabilir.

Görüntü sınıflandırma problemlerinin çözümünde hem klasik istatistiksel yöntemler hem de Yapay Zekâ (YZ) yaklaşımları kullanılmaktadır.

Literatürde yoğun olarak kullanılan istatistiksel yöntemlere; Maksimum Olabilirlik ve Mahalanobis uzaklığı gibi yaklaşımlar örnek verilebilir.

Bu karar kuralı, verilerin bant histogramlarının normal dağılımlı olduğu varsayımına dayanmaktadır. Yöntem, bir pikselin belirli bir sınıfa ait olma olasılığını temel alır. Olasılık yoğunluk fonksiyonları kullanılarak hesaplanan bilinmeyen piksellerin olasılıkları sayesinde, piksel en çok benzediği sınıfa atanır.

İnsan zekâsı davranışlarını makineye aktarmayı temel alan yapay zekâ uygulamaları; Bulanık (Fuzzy) Mantık, Uzman Sistemler, Genetik ve Tabu Arama ve Yapay Sinir Ağları (YSA) gibi alt başlıklara ayrılmaktadır.

Katmanlar halinde düzenlenen basit işlem elemanı gruplarından oluşur. YSA, ilgi duyulan nesnenin parametrelerinin ya da durumunun matematiksel veya kurala dayalı olarak tanımlanamadığı durumlarda etkin olarak kullanılan bir yaklaşımdır. Yapılarına göre ileri beslemeli ve geri beslemeli ağlar olarak, öğrenme algoritmalarına göre ise kontrollü (danışman gerektiren) ve kontrolsüz (kendi kendine kural geliştiren) öğrenme olarak sınıflandırılır. En yaygın kullanılan YSA sınıflandırma yöntemi "çok-tabakalı algılayıcı sinir ağı"dır.

Geleneksel yöntemlerin aksine, gerçek durumların belirsizliğini ve bulanıklığını dikkate alan bir yapay zekâ alt başlığıdır. Sınıflandırma uygulamalarında Sugeno tipi bulanık model gibi yaklaşımlar kullanılmaktadır.

Çok spektrumlu uydu görüntüsü verilerinin sınıflandırılması uygulamalarında, Yapay Sinir Ağları sınıflandırmasının, Maksimum Olabilirlik ve Bulanık Mantığa Dayalı sınıflandırma yöntemlerinden daha yüksek doğruluk sonuçları verdiği tespit edilmiştir. YSA algoritması, etkin bir sınıflandırma aracı olarak daha iyi performans göstermekle birlikte, standart yöntemlere oranla hem daha zaman alıcı hem de daha fazla uğraş gerektiren bir süreçtir.

Uzaktan algılama verilerinden elde edilen konusal haritaların değeri, sınıflandırma doğruluğunun bir fonksiyonudur.

Doğruluk, bilinmeyen bir özelliğin sınıflandırılmış görüntüsü ile doğru olduğu varsayılan bir standart arasındaki uyuşmayı ölçer. Duyarlılık (Precision) ise ayrıntıyı ifade eder; ayrıntının azaltılması ile doğruluğun artırılması mümkündür.

Doğruluk belirlemesi, uzaktan algılama verileriyle elde edilmiş sınıflandırılmış görüntü (değerlendirilecek harita) ile doğru kabul edilen bir referans verisinin karşılaştırılması işlemidir. Referans verisi olarak yersel ölçmeler, mevcut haritalar veya daha yüksek çözünürlüklü uydu görüntüleri kullanılabilir. Referans verisinin, değerlendirilecek harita ile zaman, mevsim, geometrik doğruluk ve konusal ayrıntı açısından uygun olması gerekmektedir.

Sınıflandırma doğruluğunu belirlemedeki en basit yöntemdir. Bu yaklaşımda, değerlendirilen görüntüdeki sınıfların alansal dağılım oranları (%) ile referans verisindeki oranlar karşılaştırılır. Ancak bu yöntem, sınıfları doğru oranlarla fakat yanlış yerlerde görüntüleyebilmesi nedeniyle, sınıflandırmadaki ciddi hataları ortaya çıkaramayabilir ve aldatıcı sonuçlar verme riski taşır.

Konumsal hatanın raporlanmasının standart şekli hata matrisidir. Sınıflar arasındaki karışım nedeniyle "karışım matrisi" olarak da adlandırılan bu matris, ciddi bir doğruluk incelemesi için gereklidir. Bir hata matrisi, birçok doğruluk ölçüsünün çıkarılabileceği n×n boyutlu bir dizi içerir. Matrisin sol kenarı (Y ekseni) doğru olduğu varsayılan referans verilerini, üst kenarı (X ekseni) ise değerlendirilen haritadaki sınıfları temsil eder.

Hata matrisinden türetilen başlıca nicel doğruluk ölçüleri şunlardır:

• Toplam Sınıflandırma Doğruluğu (Yüzde Doğruluk): Doğru olarak atanan piksel sayısının toplam piksel sayısına oranını (yüzdesini) ifade eder.
• Üretici Doğruluğu: Analizcinin bakış açısından incelenir ve referans harita üzerindeki her bir sınıfın alanına göre hesaplanır.
• Kullanıcı Doğruluğu: Harita kullanıcısı perspektifinden incelenir ve matrisin satır toplamlarına dayalı olarak hesaplanır.
• Görev Hatası (Commission Error): Yer üzerindeki bir alanın harita üzerinde yanlış bir sınıfa atanmasıdır.
• İhmal Hatası (Omission Error): Bir sınıf için yapılan görev hatasının, bir başka sınıf için ihmal hatası olarak tablolanmasıdır.
• Kapa (Kappa) Katsayısı (K̂): Sınıflandırmanın şans ile doğru sınıflara atanabilme etkilerini telafi etmek için sıkça kullanılır. Kapa istatistiği, bir otomatik sınıflandırıcı ile referans verisi arasındaki aktüel uyum ile bir tesadüf sınıflandırıcısı arasındaki şans uyumu arasındaki farkın bir ölçüsüdür.