Python'da derin öğrenme yöntemleri ile hiperspektral uydu görüntülerinin otomatik olarak sınıflandırılması

Sayısal görüntülemenin en gelişmiş metotlarından birisi olan Hiperspektral Görüntüleme, bilinen RGB görüntülemeden, içerisinde bulundurduğu elektromanyetik bant sayısının çok daha fazla olması ile ayrılır. Makine öğrenmesinde dengesiz veri kümeleri ile sıkça karşılaşılmaktadır ve hiperspektral görüntülere ait veri kümeleri de genellikle dengesiz olmaktadır. Dengesiz veri kümeleri ile oluşturulan modellerin başarıları düşük olmaktadır. Bu performans kaybını engellemek içinse veri kümeleri özel metotlar kullanılarak dengeli hale getirilmelidir. Bu tez çalışmasında ana hedef, dengesiz olan orijinal veri kümesi ile Smote, Adasyn, K-Means ve Cluster metotları kullanılarak dengelenmiş yeni veri kümeleri arasındaki performans farkını açığa çıkarmaktır. Çalışma kapsamında Xuzhou Hyspex veri kümesi kullanılmıştır. Toplam 9 farklı sınıftan oluşan bu veri kümesi IEEE-Dataport Machine Learning Repository'den alınmıştır. Sınıflama için Konvolüsyonel Yapay Sinir Ağları tercih edilmiştir. Ek olarak Bire karşı Diğerleri(OvA) ve Bire karşı Bir(OvO) gibi çok-sınıflı problemler için kullanılan tahminlere yaklaşımları kullanılmıştır.Veri kümesi, Dışarıda Bırakma ve Çapraz Doğrulama yöntemleri kullanılarak eğitme ve test parçalarına ayrılmıştır. Elde edilen sonuçların değerlendirilmesi içinse Karmaşıklık Matrisi oluşturulmuş, ek olarak Doğruluk, Kesinlik, Hassaiyet, F-Ölçütü ve Cohen's Kappa değerleri hesaplanmıştır. Elde edilen sonuçlar değerlendirildiğinde ise dengelenmiş veri kümeleri ile elde edilen performansın, dengelenmemiş veri kümesi ile elde edilenden daha yüksek olduğu gözlemlenmiştir. Bu sayede veri kümesi dengeleme metotlarının performansa olumlu katkı sağladığı ortaya konulmuştur.