Assessment of random forest method in pixel-based snow cover classification in Alpine region, Tatra mountains and Kaçkar mountains
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Jeodezi ve Coğrafi Bilgi Teknolojileri Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: CANSU AKSU
Danışman: SEVDA ZUHAL AKYÜREK
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kar miktarı, Kuzey yarımküredeki çoğu ülke için yıl boyunca kullanılabilir su miktarını kabaca belirler. İklim değişikliğinin yanı sıra içme ve sanayi suyuna olan talebin sürekli artmasına sebep olan küresel nüfus artışı, kar örtüsünü izlemeyi geçmişte olduğundan daha önemli hale getirmektedir. Günümüzde kar örtüsü miktarını gözlemlemek için, yerinde veri elde etme tekniklerinin yanı sıra, kar sınıflandırması için uzaktan algılama verileri üzerinde farklı algoritmalar kullanılmaktadır. Bu çalışma, seçilen üç dağlık bölgede (Alpler Bölgesi, Tatra Dağları ve Kaçkar Dağları) uzaktan algılama verileri (Sentinel-2) üzerinde kar örtüsü sınıflandırması için Random Forest (RF) algoritmasının bağımsız değişkenlerle oluşturulmuş farklı girdi kombinasyonları ile performansını değerlendirmesini sunmaktadır. Girdi kombinasyonlarının daha iyi değerlendirilmesi için yılın üç farklı zamanı baz alınmıştır - kar örtüsünün oluşmaya başladığı zaman (Kasım-Aralık), kabaca en fazla karın gözlemlendiği zaman (Ocak'tan Mart'a kadar) ve karın erimeye başladığı zaman (Nisan'dan Haziran'a kadar). Değerlendirme sonuçları için hata matrisleri ile genel doğruluk ve Kappa katsayısı kullanılmıştır. Genel olarak, atmosferik ve topografik düzeltme yapılan bantlardan elde edilen ilk üç temel bileşen bantı ile NDSI, NDVI ve NDWI kombinasyonunun (Pca) en doğru sonuçları verdiği gözlemlenmiştir. Pca yönteminin ayrıca, temel bileşenleri elde etme süreci hariç, tüm kombinasyonlar arasında en kısa hesaplama süresine sahip olduğu tespit edilmiştir. Bu kombinasyon aynı zamanda RF modeli için, diğer kombinasyonlara kıyasla, en az miktarda girdi değişkenine sahiptir. Elde edilen bu sonuçlar, RF'in, dağlık bölgelerdeki karmaşık arazi yapıları söz konusu olduğunda, NDSI, NDVI ve NDWI indisleri ile uygun sayıda temel bileşen girdisi ile iyi şekilde çalıştığını göstermektedir. Anahtar Kelimeler: Sentinel-2, Karın Uzaktan Algılaması, Sınıflandırma, Makine Öğrenmesi, Kar Hidrolojisi, Random Forest