Uzaktan Algılama Sınıflandırması
Remote Sensing Image Classification · Ayrıca şöyle bilinir: land cover classification, image classification, satellite image classification, spectral classification
Uzaktan algılama sınıflandırması, uydu veya hava görüntülerindeki piksellere spektral, mekansal ve zamansal özelliklerine göre orman, kentsel alan, su veya tarım arazisi gibi ayrık tematik etiketler atar. Yerel ölçekten küresel ölçeğe kadar arazi kullanımı/arazi örtüsü haritalaması, değişim tespiti, çevresel izleme ve afet müdahalesinin 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
Arazi örtüsü, arazi kullanımı, bitki örtüsü tipleri, kentsel yayılım veya yaya olarak incelenemeyecek geniş alanlardaki diğer yüzey fenomenlerini haritalamanız gerektiğinde uzaktan algılama sınıflandırmasını kullanın. Yüksek çözünürlüklü çok spektralli veya hiperspektral görüntülerin mevcut olduğu ve yeterince etiketlenmiş eğitim örneklerinin toplanabildiği durumlarda idealdir. Çalışma alanını bulut örtüsü sürekli olarak engellediğinde (bunun yerine SAR tabanlı yöntemler kullanın), gerekli tematik sınıflar spektral olarak ayrılamaz olduğunda, mevcut görüntülerin mekansal çözünürlüğü minimum haritalama birimi için çok kaba olduğunda veya güvenilir bir sınıflandırıcıyı eğitmek ve doğrulamak için yer doğruluk verileri çok az olduğunda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Geniş alanlarda sinoptik arazi örtüsü haritalamasını, saha araştırmalarına kıyasla nispeten düşük maliyetle sağlar.
- Uydu sensörlerinin zamansal tekrarlanabilirliği, değişim tespiti ve zaman serisi analizini destekler.
- Klasik maksimum olabilirlikten derin öğrenmeye kadar geniş algoritma seçeneği, veri karmaşıklığına ve örneklem büyüklüğüne göre ayarlama yapılmasına olanak tanır.
- Daha fazla mekansal analiz için hazır, mekansal olarak açık, CBS uyumlu raster veya vektör çıktıları üretir.
- Çoklu sensör tiplerine uygulanabilir: optik, SAR, LiDAR, termal ve hiperspektral.
- Daha ayrıntılı özellik çıkarımı için çok tarihli füzyonu ve nesne tabanlı görüntü analizini (OBIA) destekler.
- Sınıflandırma doğruluğu, eğitim örneklerinin kalitesine ve temsil gücüne büyük ölçüde bağlıdır; yanlı örnekler, yanlı haritalar üretir.
- Benzer yansımaya sahip arazi örtüsü tipleri arasındaki spektral karışıklık (örneğin, çıplak toprak ve kuru bitki örtüsü) ek bantlar veya yardımcı veriler olmadan çözülmesi zor olabilir.
- Atmosferik düzeltme hataları, sensör artefaktları ve sınıf sınırlarında karışık pikseller harita kalitesini düşürür.
- Derin öğrenme sınıflandırıcıları, büyük etiketli veri kümeleri ve önemli hesaplama kaynakları gerektirir.
- Doğrulama örnekleri eğitim örneklerinden bağımsız olarak toplanmazsa, doğruluk değerlendirme sonuçları yanıltıcı olabilir.
SSS
Denetimli ve denetimsiz sınıflandırma arasındaki fark nedir?
Denetimli sınıflandırma, her arazi örtüsü sınıfının spektral olarak neye benzediğini algoritmaya öğretmek için analist tarafından etiketlenmiş eğitim örneklerini kullanır; algoritma daha sonra her pikseli önceden tanımlanmış sınıflardan birine atar. Denetimsiz sınıflandırma, pikselleri önceden etiketlemeden istatistiksel benzerliğe göre (kümeleme) gruplandırır; analist, ortaya çıkan kümeleri sonradan yorumlar ve adlandırır.
Ne kadar eğitim örneğine ihtiyacım var?
Yaygın olarak alıntılanan bir kural, sınıf başına spektral bant sayısının en az 10 katı kadar eğitim pikseli olmasıdır; pratik bir minimum olarak sınıf başına 50-100 saf piksel yeterlidir. Makine öğrenimi sınıflandırıcıları (rastgele ormanlar, SVM'ler) ve derin öğrenme modelleri genellikle önemli ölçüde daha fazla örneğe ihtiyaç duyar, özellikle spektral olarak karmaşık sınıflar için.
Genel doğruluk ve kappa nedir ve hangisini raporlamalıyım?
Genel doğruluk, doğru sınıflandırılan doğrulama piksellerinin oranıdır. Cohen kappa, şans eseri anlaşmayı ayarlar. En iyi uygulama, genel doğruluğu, tam karışıklık matrisinden elde edilen sınıf başına üretici ve kullanıcı doğruluklarıyla birlikte raporlamaktır, çünkü bunlar hangi sınıfların birbiriyle karıştığını ortaya koyar.
Saha toplanmış eğitim verileri olmadan görüntüleri sınıflandırabilir miyim?
Evet, denetimsiz yöntemler (k-means, ISODATA) kullanarak veya mevcut arazi örtüsü haritalarından, OpenStreetMap'ten veya gönüllü coğrafi bilgilerden eğitim verileri türeterek. Ancak, sınıflandırma doğruluğu genellikle yüksek kaliteli saha doğrulamalı eğitim örneklerine göre daha düşüktür.
Nesne tabanlı görüntü analizi (OBIA) nedir ve ne zaman tercih edilir?
OBIA, görüntüyü önce spektral ve mekansal olarak homojen nesnelere (poligonlar) böler ve ardından spektral değerlere ek olarak şekil, doku ve bağlamsal özellikleri kullanarak nesneleri sınıflandırır. Görüntü çözünürlüğü çok yüksek olduğunda (metre altı) ve sınıfları ayırt etmek için mekansal bağlama (bina şekli, parsel boyutu) ihtiyaç duyulduğunda piksel tabanlı yöntemlere göre tercih edilir.
Kaynaklar
- Lillesand, T. M., Kiefer, R. W., & Chipman, J. W. (2015). Remote Sensing and Image Interpretation (7th ed.). Wiley. ISBN: 978-1118343289
- Remote sensing. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Remote Sensing Image Classification. ScholarGate. https://scholargate.app/tr/spatial-analysis/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
- Mekansal İlişkinin Yerel Göstergeleri (LISA)Mekânsal analiz↔ karşılaştır
- Çok Ölçekli Coğrafi Ağırlıklı Regresyon (MGWR)Mekânsal analiz↔ karşılaştır
- Ağ Tabanlı Mekansal AnalizMekânsal analiz↔ karşılaştır