Makine Öğrenme Algoritmaları Kullanılarak Lazer Verilerinden Ağaç Türlerinin Sınıflandırılması Olanaklarının Araştırılması
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Harita Mühendisliği, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: ZEHRA ÇETİN
Danışman: Naci Yastikli
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kentsel çevrenin en önemli bileşenlerinden biri yeşil alanlardır ve yeşil alanların en baskın elemanı olan ağaçlar kent ekolojisinde önemli bir yere sahiptir. Ağaç türleri hakkında detaylı ve doğru bilgi, afet yönetimi, şehir planlaması, çevre koruma veya kentsel kalkınma politikası üretimi gibi çalışmalar için yerel yönetimler açısından büyük önem taşımaktadır. Bu çalışmanın amacı, makine öğrenme algoritmaları ile kentsel çalışma alanı olarak seçilen Yıldız Teknik Üniversitesi, Davutpaşa Kampüsü'ne ait 3B ham LiDAR nokta bulutu verileri kullanılarak geniş ve iğne yapraklı ağaç türlerinin nokta tabanlı yöntemlerle sınıflandırılması olanaklarının araştırılmasıdır. İlk olarak ham LiDAR verisinden hiyerarşik kural tabanlı sınıflandırma yaklaşımı ile belirlenen Test alanı 1 ve Test alanı 2'de yüksek bitki örtüsü sınıfı elde edilmiştir. Bireysel ağaç taçlarının elde edilmesi için üç farklı kümeleme algoritması ("MeanShift", "K-means" ve "Density-Based Spatial Clustering of Applications with Noise - DBSCAN") kullanılarak nokta tabanlı segmentasyon gerçekleştirilmiştir. Geometri ve yoğunluk (intensity) tabanlı özelliklerden oluşan iki farklı sınıflandırma özellik seti (8 ve 25 adet) kullanılarak Destek Vektör Makineleri (DVM), Rastgele Orman (RO) ve Çok Katmanlı Algılayıcı (ÇKA) algoritmaları ile ağaç tacı segmentleri geniş ve iğne yapraklı ağaç türleri olarak sınıflandırılmıştır. Test alanı 1'de 70-30 bölümlemede (eğitim-test) gerçekleştirilen makine öğrenme tabanlı DVM, RO ve ÇKA için genel sınıflandırma doğrulukları sırasıyla 8 özellik kullanılarak %76.25, %80.00 ve %67.50; 25 özellik kullanılarak %80, %83.75 ve %73.75 olarak elde edilmiştir. Test alanı 2'de aynı 70-30 bölümlemede DVM, RO ve ÇKA için sınıflandırma doğrulukları sırasıyla 8 özellik kullanılarak %71.70, %69.81 ve %72.33; 25 özellik kullanılarak %72.33, %72.33 ve %46.54 olarak belirlenmiştir. Sınıflandırma doğruluklarına göre, kentsel çalışma alanında genel olarak ağaç türlerinin sınıflandırılması için DVM ve RO sınıflandırıcılarının ÇKA'ya göre daha başarılı oldukları görülmüştür. Kentsel ağaç türlerinin sınıflandırılmasının ardından RO ile ortalama Gini'deki azalmaya (Mean Decrease in Gini - MDG) göre sınıflandırmada kullanılan özellikler analiz edilmiş ve geometri tabanlı özelliklerin yoğunluk tabanlı özelliklerden önemli olduğu görülmüştür.