Uzaktan algılama ve makine öğrenimi kullanılarak ekim arazisinin ve her bir ekin alanının tahmini

Bu tezde, ekili alanların alanı ve her bir ürünün alanı, makine öğrenme algoritmalarından biri olan Maksimum Olabilirlik Sınıflandırıcısı (MLC) kullanılarak, uzaktan algılama görüntüsünden tahmin edilmektedir. Ekili alanları sınıflandırmak için buğday, fasulye ve çörek otu, diğer bitkiler, kentsel ve nadas olmak üzere 6 sınıf kullanılmıştır. Sahadan arazi-doğrulama GPS eğitim noktaları toplanılıp arazi-doğrulama noktalarına bağlı olarak yetmiş çokgen çizilmiştir. Bu çokgenler, çalışma alanını sınıflandırmak için, çalışma alanıyla birlikte Maksimum Olabilirlik Sınıflandırıcısına girdi olarak kullanılmıştır. Doğruluk değerlendirmesini hesaplamak ve karışıklık matrisi oluşturmak için çalışma alanının üzerinde yüz elli rastgele GPS test noktası oluşturulmuştur. Elde ettiğimiz genel doğruluk %82 olup (kullanıcı doğrulukları, üretici Doğrulukları) her bir sınıf için doğruluk değeri şu şekildedir: buğday (%83,3, %90,9), fasulye (%90,9, %71,4), çörek otu (%81,8, %94,7), diğer -bitkiler (%79,3, %65,7), kentsel (%82,4, %73,7) ve nadas (%80,9, %92,7). Her bir sınıf için tahmin edilen alanlar ise şu şekildedir: buğday 14,881 km2, fasulye 3,614 km2, çörek otu 13,34 km2, diğer bitkiler 20,77 km2, kentsel 14,54 km2 ve 35,23 km2 nadas. Toplam ekilmeyen alan 49,77 km2, ekili alan ise 52,61 km2 dir. Bu çalışmada, ayrıca MLE sınıflandırma sonuçları diğer makine öğrenimi algoritmaları; Vektör Makinesini (SVM) ve Rastgele Ağaçları (RT) algoritmalarının sonuçları ile karşılaştırılmış ve MLE algoritmasının diğer yöntemlere göre çok daha iyi sonuçlar verdiği görülmüştür.