Küresel Uzaktan Algılama Sınıflandırması
Global Remote Sensing Image Classification · Ayrıca şöyle bilinir: global pixel-based classification, global image classification, wall-to-wall remote sensing classification, global land cover classification
Küresel Uzaktan Algılama Sınıflandırması, tüm bir görüntü veya dünya çapındaki veri kümesindeki her pikseli ayrı bir arazi örtüsü veya tematik sınıfa atar. Sahneyi yerel alt bölgelere uyum sağlamak yerine tekdüze ele alan bu "duvardan duvara" yaklaşım, GlobCover, FROM-GLC ve ESA CCI Land Cover gibi kıtasal ve küresel arazi örtüsü ürünlerinin temelini oluşturur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kesintisiz, mekansal olarak kapsamlı bir tematik haritaya (kıtasal arazi örtüsü envanterleri, küresel ormansızlaşma izleme veya gezegen ölçeğinde biyoçeşitlilik değerlendirmeleri) ihtiyacınız olduğunda küresel uzaktan algılama sınıflandırmasını kullanın. Eğitim verileri, çalışma alanı boyunca tüm sınıfların tam spektral çeşitliliğini temsil edebildiğinde ve tutarlı lejant tanımlarının yerel doğruluktan daha önemli olduğu durumlarda idealdir. Spektral imzaların alt bölgeler arasında keskin bir şekilde değiştiği (örn. tropikal ve kurak tarım alanları) ve yerel adaptasyonun doğruluğu önemli ölçüde artıracağı durumlarda bundan kaçının; bu durumlarda coğrafi olarak ağırlıklandırılmış veya nesne tabanlı sınıflandırma, küresel bir sınıflandırıcıdan daha iyi performans gösterir.
Güçlü yönler & sınırlılıklar
- Küresel veri kümeleri ve uluslararası raporlama çerçeveleriyle uyumlu, kesintisiz, "duvardan duvara" tematik haritalar üretir.
- Tek ve tutarlı bir karar kuralı, tüm bölgelerde tekdüze lejant tanımları sağlayarak doğrudan alan karşılaştırmasına olanak tanır.
- Olgun denetimli algoritmalar (Maksimum Olabilirlik, Random Forest, SVM) iyi belgelenmiştir ve standart CBS ve Python/R paketlerinde mevcuttur.
- Verimli bir şekilde ölçeklenir: bir kez eğitildikten sonra, sınıflandırıcı büyük görüntü arşivlerine minimum ek çabayla uygulanabilir.
- Aynı modeli çok zamanlı görüntü yığınlarına uygulayarak zaman serisi analizini destekler.
- Mekansal olarak tekdüze bir karar kuralı, bölgesel spektral varyasyona uyum sağlayamaz, bu da eğitim setinde az temsil edilen alanlarda sistematik hatalara yol açar.
- Sınıflandırma doğruluğu, küresel olarak toplanması maliyetli olan eğitim örneklerinin kalitesine, miktarına ve temsil edilebilirliğine büyük ölçüde bağlıdır.
- Sınıf sınırlarında bulunan karışık pikseller (kaba ve orta çözünürlüklü görüntülerde yaygın), heterojen zemine tek bir etiket dayatıldığı için yanlış sınıflandırılır.
- Sınıflandırma sonrası değişim tespiti, gerçek arazi örtüsü değişimini tarihler arası sınıflandırma tutarsızlığıyla karıştırır.
SSS
Denetimli ve denetimsiz küresel sınıflandırma arasındaki fark nedir?
Denetimli sınıflandırma, her sınıfın spektral olarak neye benzediğini algoritmaya öğretmek için etiketli eğitim örnekleri kullanır; algoritma daha sonra her pikseli bu önceden tanımlanmış sınıflardan birine atar. Denetimsiz sınıflandırma (örn. k-means, ISODATA), önceden etiketler olmadan doğal spektral kümeleri bulur; analist daha sonra sınıf adlarını atar. İyi eğitim verileri mevcut olduğunda denetimli yaklaşımlar genellikle daha yüksek tematik doğruluk sağlar.
Küresel bir sınıflandırıcı için kaç eğitim örneğine ihtiyacım var?
Yaygın bir sezgisel kural, sınıf başına spektral bant sayısının en az 10 katı kadardır, ancak küresel çalışmalar için iklim bölgeleri arasındaki sınıf içi spektral değişkenliği yakalamak için sınıf başına yüzlerce ila binlerce örnek tavsiye edilir. Eko-bölgeye göre katmanlı rastgele örnekleme, temsil edilebilirliği artırır.
Kappa katsayısını Genel Doğruluk ile birlikte neden kullanmalıyım?
Genel Doğruluk, bir sınıfın manzaraya hakim olduğu durumlarda yanıltıcı derecede yüksek olabilir, çünkü baskın sınıfı doğru sınıflandırmak istatistiği şişirir. Kappa, şans eseri beklenen uyumu ayarlar ve dengesiz sınıf dağılımları için daha bilgilendiricidir, ancak bilinen sınırlamaları vardır ve sınıf başına doğruluk metrikleri giderek daha fazla tercih edilmektedir.
Nesne tabanlı görüntü analizini (OBIA) küresel piksel tabanlı bir sınıflandırıcıya ne zaman tercih etmeliyim?
OBIA, sınıflandırmadan önce görüntüyü spektral ve mekansal olarak homojen nesnelere ayırır, böylece tuz-biber gürültüsünü azaltır ve şekil ile dokuyu kullanır. Yüksek çözünürlüklü görüntüler ve mekansal bağlamın önemli olduğu karmaşık manzaralar için küresel piksel sınıflandırıcılardan daha iyi performans gösterir. Kaba ila orta çözünürlüklü küresel haritalama için, hesaplama verimliliği nedeniyle piksel tabanlı sınıflandırıcılar yaygın olmaya devam etmektedir.
Aynı eğitilmiş model farklı sensörlere veya yıllara uygulanabilir mi?
Yalnızca dikkatle. Sensörler spektral bant tanımları, mekansal çözünürlük ve radyometrik özellikler açısından farklılık gösterir, bu nedenle bir sensörde eğitilmiş bir model, çapraz kalibrasyon veya alan adaptasyonu olmaksızın başka bir sensörde düşük performans gösterecektir. Çok zamanlı çalışmalar için, tutarlı ön işleme ve mümkünse her dönemde yeniden eğitim veya ince ayar yapılması önerilir.
Kaynaklar
- Campbell, J. B., & Wynne, R. H. (2011). Introduction to Remote Sensing (5th ed.). Guilford Press. ISBN: 978-1609181765
- Turner, W., Rondinini, C., Pettorelli, N., Mora, B., Leidner, A. K., Szantoi, Z., ... & Woodcock, C. (2015). Free and open-access satellite data are key to biodiversity conservation. Biological Conservation, 182, 173-176. DOI: 10.1016/j.biocon.2014.11.048 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Global Remote Sensing Image Classification. ScholarGate. https://scholargate.app/tr/spatial-analysis/global-remote-sensing-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Uzaktan Algılama SınıflandırmasıMekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır