A decision support system based on machine learning for land investment

Bu araştırma, transfer öğrenme ile derin öğrenmeyi (DL) kullanarak hava fotoğraflarını sınıflandırmak ve yatırım yapılabilir arazileri çıkarmak için bir metodoloji önermektedir. Çalışma, 30 sahne sınıfına sahip çeşitli hava görüntüleri seti içeren Hava Görüntüsü Veri Kümesini (AID) kullanır. Önerilen metodoloji, veri ön işleme, veri seti bölme, eğitim görüntüsü büyütme, model seçimi, model eğitimi ve performans ölçütlerini kullanarak değerlendirmeyi içerir. Üç sinir ağı modeli (ResNet50, VGG19 ve EfficientNetB3) karşılaştırıldı ve kesinlik, hassasiyet, F-ölçümü ve CM gibi performans ölçütlerine göre en iyi model seçildi. Sonuçlar, önerilen metodolojinin hava fotoğraflarının doğru bir şekilde sınıflandırılmasında ve yatırım yapılabilir belirlenmesindeki etkinliğini gözlemlemektedir. Bu, ResNet50 ve VGG19'a kıyasla EfficientNetB3'ün hava fotoğraflarını sınıflandırma ve yatırım yapılabilir arazileri çıkarma konusunda daha yüksek bir yeteneğe sahip olduğunu gösterir. ResNet50, EfficientNetB3'e kıyasla nispeten daha düşük hassasiyet, hassasiyet ve F-ölçüsü ile orta düzeyde performans elde etti. Öte yandan VGG19, düşük kesinlik, hassasiyet ve F-ölçüsü değerleri göstererek tüm metriklerde en düşük performansı gösterdi. Bu sonuçlar, havadan görüntülerin doğru sınıflandırılmasının karar verme süreçleri için çok önemli olduğu şehir planlama, gayrimenkul geliştirme ve arazi yönetimi gibi çeşitli uygulamalara katkıda bulunabilir. Son olarak, gelecekteki çalışma daha fazla derinin keşfedilmesini içerebilir.