See discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/275037537Karar Aalar le Uydu GrntlerininSnflandrlmas: Kocaeli rneiARTICLE JANUARY 2010DOWNLOADS2VIEWS62 AUTHORS:Taskin KavzogluGebze Technical University41 PUBLICATIONS 674 CITATIONS SEE PROFILEIsmail ColkesenGebze Technical University15 PUBLICATIONS 132 CITATIONS SEE PROFILEAvailable from: Taskin KavzogluRetrieved on: 06 August 2015 Harita Teknolojileri Elektronik Dergisi Cilt: 2, No: 1, 2010 (36-45) Electronic Journal of Map Technologies Vol: 2, No: 1, 2010 (36-45) TEKNOLOJK ARATIRMALAR www.teknolojikarastirmalar.com e-ISSN: 1309-3983 Bu makaleye atf yapmak iin Kavzolu, T., lkesen, ., Karar Aalar le Uydu Grntlerinin Snflandrlmas: Kocaeli rneiHarita Teknolojileri Elektronik Dergisi 2010, 2(1) 36-45 How to cite this article Kavzolu, T., lkesen, ., Classification of Satellite Images Using Decision Trees: Kocaeli Case Electronic Journal ofMap Technologies, 2010, 2(1) 36-45 Makale (Article) Karar Aalar le Uydu Grntlerinin Snflandrlmas:Kocaeli rnei Takn KAVZOLU*, smail LKESEN* * Gebze Yksek Teknoloji Enstits, Jeodezi ve Fotogrametri Mhendislii Blm, Gebze, Kocaeli kavzoglu@gyte.edu.tr, icolkesen@gyte.edu.tr zet Uzaktanalglanmuydugrntlerisaladnemliavantajlarsayesindebirokalmaiinncelikliveri kaynaolmutur.Uydugrntlerindenyeryzneaiteitlibilgilerineldeedilmesindeenokbavurulan yntemgrntlerinsnflandrlmasdr.Snflandrmasonucueldeedilentematikharitalarndorulukve gncellikderecesisonularzerindedorudanetkilidir.Buamacaynelikolarakgnmzekadarbirok snflandrmaalgoritmasgelitirilmitir.Uydugrntlerinsnflandrlmasndasonyllardakullanlmaya balayankararaalar,akemalarnabenzeyenyaplarylabirokalandabaarylakullanlanbirkontroll snflandrma yntemidir. Yntemin parametrik olmayan yaps ve problem zmndeki hz, kullanmn yaygn halegetirmitir.Bualmada,kararaalarnnsnflandrmaperformansgncelbirLandsatETM+uydu grntskullanlarakdetaylekildeanalizedilmitir.Ynteminsnflandrmaperformansyaygnkullanma sahipenokbenzerlikyntemininperformansilekarlatrlmtr.almadakullanlanverisetiiin snflandrmayntemlerininperformanslaristatistikselolarakZtestiileanalizedilmitir.Eldeedilensonular karar aalarnn uydu grntlerinin snflandrmasnda etkin bir yntem olduunu gstermitir. Anahtar Kelimeler: Snflandrma, Tematik Harita, En ok Benzerlik, Karar Aalar, Z test Classification of Satellite Images Using Decision Trees:Kocaeli Case Abstract Remotelysensedimageshavebeenprimarydatasourcesformanystudiessincetheyprovidedistinctive advantages. For the extraction of various geo-information from satellite images classification is themost widely usedapproach.Thelevelsofaccuracyandcurrencyofthethematicmapsproducedthroughclassificationhave directimpactsontheresults.Manyalgorithmshavebeendevelopedintheliteratureforthispurpose.Decision trees withflowchart-like structures thathave been recently employed in the classification of satellite images are supervisedclassificationtechniquessuccessfullyusedinmanyfields.Theirnon-parametricnatureandprocess speedinproblemsolvinghavemadedecisiontreeswidelyusedandpreferredmethods.Inthisstudy, classification performance of the decision trees was thoroughly analysed using a recent Landsat ETM+ imagery. Performanceofdecisiontreeswascomparedwiththemaximumlikelihoodclassifierthathasbeenthemost widelyusedclassifier.Performancesoftheclassifiersforthedatasetconsideredinthisstudywerestatistically evaluated using Z test. Results show that decision trees are effective in the classification of satellite images. Keywords: Classification, Thematic Map, Maximum Likelihood, Decision Trees, Z test 1. GR Uzaktanalglamateknolojileri,yeryzneitlizamanaralklarndafarklznrlklerde grntleyebilmektedolaysylaihtiyaduyulanbilgilerinhzlvegvenilirbirbiimdeelde edilebilmesine imkan salamaktadr. Ham halde elde edilen uydu grntlerinden yeryzne ait bilgilerin Kavzolu T. lkesen .Teknolojik Aratrmalar: HTED 2010 (1) 36-45 37 eldeedilmesiiineitliistatistikselanalizlerveistatistikselyorumlamatekniklerikullanlmaktadr. Uzaktanalglanmverilerinbilgiyedntrlerekyeryzneaitbilgilerineldeedilmesindekullanlan en nemli yntem grntlerin snflandrlmasdr. Snflandrma ileminin genel amac yeryz zerinde aynspektralzellikleritayannesneleringruplandrlmasdr.Dierbirifadeyle,grntyoluturan herbirpikselintmbantlardakideerlerinindierpiksellerilekarlatrlarakbenzerpiksellerin kullancnn belirledii snflara ayrlmas ilemidir [1]. Snflandrma ileminde genel olarak kontroll ve kontrolszsnflandrmaolarakadlandrlanikiyaklamkullanlmaktadr.Eitimverisetikullanlarak snflandrmaileminigerekletirenkontrollsnflandrmayaklamdahayksekdoruluklarelde edildiinden en ok tercih edilen yntemdir. Gnmzekadaruzaktanalglanmgrntlerinsnflandrlmasamacylabiroksnflandrma algoritmas gelitirilmitir [2-3-4]. Bu algoritmalar arasnda gnmzde geerlilii kabul edilen ve yaygn kullanmasahipolanenokbenzerlik(EB)snflandrcsdr.Snflandrmasonucundaeldeedilen tematik haritalarn doruluu byk veya kk leklerde gerekletirilen birok alma iin nemli bir kaynakdurumundadr.Bunedenleliteratrdesnflandrmadoruluununarttrlmasvedahagvenilir sonularneldeedebilmesiamacylagelimisnflandrmayaklamlarortayaatlmaktadr.Bu yaklamlardanbalcalarolarakyapaysiniralar,destekvektrmakinelerivebulankmantk verilebilir.Bunlarnuzaktanalglanmgrntlerinsnflandrmasndakietkinliibirokalmada ortayakonmutur[5-6-7-8-9].Bumetotlarnkstleitimverisiolduudurumlardaiyisonular retilebildiidearatrmalarlaortayakonmutur[10].Sonyllardauzaktanalglanmgrntlerin snflandrlmaszerineyaplanalmalardakullanlankararaalar(KA),hesaplamaasndanhzl ve istatistiksel kabullere dayanmayan bir snflandrma yntemidir [5-11]. Karar aalar ak emalarna benzeyenbiryapyasahipolupgenelolaraksnflandrmaproblemininkademelibirekildezlmesi prensibine dayanmaktadr. Bu almada, karar aalar ile 2009 tarihli Landsat ETM+ uydu grnts kullanlarak Kocaeli iline ait arazikullanmnnbelirlenmesiamalanmtr.Kararaalarnnsnflandrlmaperformans,grnt snflandrmadatemelltyadadayanakolarakkabuledilenenokbenzerliksnflandrcsile karlatrlmtr.SnflandrmasonucundaeldeedilengeneldoruluklarnveKappadeerlerinin karlatrlmasnn yannda snflandrclarn performansndaki farklarn istatistiksel olarak anlaml olup olmadnn aratrlmas amacyla yaygn kullanma sahip Z testi uygulanmtr. 2. ALIMA ALANI Kocaeli,Marmaradenizinindousundaveyaklak3.505kmlikyzlmyleTrkiyeninenbyk sanayi kurulularna ev sahiplii yapmaktadr (ekil 1). Bir sanayi kenti olan Kocaeli bata merkez ilesi zmit olmak zere 11 ileye sahiptir. Trkiyenin en byk metropoliten ehri olan stanbulun snrnda bulunmas,evreyoluvedierbalantyollarzerindeolmas,KaradenizveMarmaradenizineolan kylarvesahipolduulimanlarnedeniyleKocaelibirsanayikentihalinednmtr.Kocaeliilinin 1970 ylnda 385.408 olan nfusu 2009 yl sonu itibariyle 1.522.408 ulamtr (www.tuik.gov.tr). 3. MATERYAL VE YNTEM Bualmada,arazirtsnnsnflandrlmasiinalmaalannkapsayan30.09.2009tarihinde kaydedilmiLandsatETM+grntskullanlmtr.Grntnngeometrikolarakdzeltmesive UTM koordinatsisteminednmndeblgeyeait1/25.000lekliharitalarvemevcuthalihazrharitalar kullanlmtr.Uydugrntlerininyenidenrneklenmesindeorijinaldeerlerikoruduundanenyakn komuyntemitercihedilmitir.Ayrca,grntnnsnflandrlmasndaesastekiledecekeitim alanlarfarkltarihlerdeekilmihavafotoraflar,mecereharitalarvearazideelGPSaletiile belirlenennoktalaryardmylabelirlenmitir.Yaplannalmalarneticesindealmaalanndaalt temelsnfn(su,geniyapraklorman,ineyapraklorman,bozkr,toprak-taveyerleim)mevcut Teknolojik Aratrmalar: HTED 2010 (1) 36-45Karar Aalar le Uydu Grntlerinin 38 olduubelirlenmivebualtsnfiinsnflandrmadakullanlmakzereeitimvetestverileri oluturulmutur. ekil 1: alma alan olarak seilen Kocaeli il snrlar almadakullanlanyntemlerinsnflandrmaperformanslarnndeerlendirilmesindencelikliolarak snflandrmasonucundaeldeedilengeneldoruluklarveKappadeerlerikullanlmtr.Bu deerlendirmelerin yannda snflandrclarn (Karar aalar ve EB) performanslar arasndaki farklarn istatistiksel olarak anlamllnn analizi iin Z testi kullanlmtr. Z testi snflandrma sonucu elde edilen Kappadeerlerininkarlatrlmasamacylakullanlmaktadr.Uydugrntsnnsnflandrlmasyla eldeedilenikitematikharitanndoruluuarasndakifarknistatistikselolarakdeerlendirilmesi genellikleherbirtematikharitaiinhesaplananKappadeerlerininkarlatrlmasnadayanmaktadr [12].SzkonusuikibamszKappadeeriarasndakifarknistatistikselolarakanlamllaadaki ekilde hesaplanan Z deeri ile test edilir. ( ) ( )1 21 2- K KZK K o o=+(1) Bueitlikte 1K ve 2K karlatrlanikiKappadeerini,( )1K o ve( )2K o iseKappadeerleriiin hesaplananvaryanslargstermektedir.Ztestdeerinormaldalmdadr.HesaplananZdeerinceden belirlenengvenaralndaki ( )2Zokritikdeerilekarlatrlr.HesaplananZdeeri%95gven aralndaki1.96 Z =kritik deerinden byk olduunda iki snflandrma performans arasndaki farkn istatistikselolarakanlamlolduusylenebilir.BudurumikibamszKappadeerininistatistiksel olarakfarklolduunu,dolaysylaikisnflandrcyaaitperformanslarnbirbirindenfarklolduunu gsterir. 4. EN OK BENZERLK SINIFLANDIRMA YNTEM Enokbenzerlikyntemiliteratrdeenyaygnolarakkullanlanbirsnflandrmayntemidir.Bu yntemdeortalamadeer,varyansvekovaryansgibiistatistikideerlerintmdikkatealndndan parametrik bir yaklamdr. Kontrol alanlarn oluturan snflar iin olaslk fonksiyonlar hesaplanmakta vebunagreherbirpikselinhangisnfadahayaknolduunakararverilmektedir.Birpikselinhangi snfa ait olduu her bir snfa ait olma olaslklarnn hesabndan sonra en yksek olaslkl grubu atama eklindeyaplr.Buyntemde,snfkontrolverilerinioluturannoktalarkmesindekidalmn,normal Kavzolu T. lkesen .Teknolojik Aratrmalar: HTED 2010 (1) 36-45 39 dalmdaolduukabulyaplr.Snflarnilkolaslklarhakkndabilgimevcutdeilse,hepsieit olaslklolarakkabuledilir.Yntem,piksellerisadeceparlaklkdeerlerinegredeil,hersnfiin ayrmoluturacakvaryans-kovaryansmatrisinidedikkatealaraksnflandrr.Buekildernek piksellerin zellik uzayndaki dalmlar da dikkate alnm olur [13]. Pikselinpsaydakibantdeerleriniierenxvektrnnbirksnfndaolmaolaslaadakiekilde hesaplanr. ( )-0.5-0.5p -1P(x)=2 S exp -0.5 y S yi i ( ( (2) BuradaP(x)olaslkdeerini,Sii.snfiinvaryans-kovaryansmatrisini,matrisindeterminantn, ( ) iy=x-xveixise i. snf iin ortalama deeri ifade eder. 5. KARAR AALARI SINIFLANDIRMA YNTEM Karar aalar (KA) son yllarda literatrde yaygn kullanm olan bir snflandrma ve rnt tanmlama algoritmasdr.Buynteminyaygnolarakkullanmnnennemlinedeniaayaplarnn oluturulmasndakullanlankurallarnanlalabilirvesadeolmasdr.KAsnflandrmaileminin gerekletirilmesinde ok aamal veya ardk bir yaklam kullanmaktadr. Yntem uydu grntlerinin snflandrlmasndaolduugibiokkarkbirsnflandrmaprobleminiaamalbirhalegetirerekbasit bir karar verme ilemi gerekletirir [14]. Birkararaacnntemelyapsekil2degrldzeredm,dalveyaprakolarakadlandrlan temelksmdanoluur. Buaayapsndaherbirznitelik(uydugrntsiinbantdeeri)birdm tarafndantemsiledilir.Dallarveyapraklaraayapsnndierelemanlardr.Aataensonksm yaprakenstksmisekkolarakadlandrlr.Kkveyapraklararasndakalanksmlarisedalolarak ifade edilir [15]. Bakabir ifadeyle bir aayaps; verileri ieren bir kk dm, i dmler (dallar) ve u dmlerden (yapraklar) oluur. Eitim verilerine ait znitelik bilgilerinden yararlanlarak bir karar aacyapsoluturulmasndatemelprensipverilereilikinbirdizisorularsorulmasveeldeedilen cevaplardorultusundahareketedilerekenksasredesonucagidilmesiolarakifadeedilebilir.Bu ekilde karar aac sorulara ald cevaplar toplayarak karar kurallar oluturur. Aacn ilk dm olan kk dmnde verilerin snflandrlmas ve aa yapsnn oluturulmas iin sorular sorulmaya balanr vedallarolmayandmleryadayapraklarbulunanakadarbuilemdevameder[11].Oluturulan aacn yeni bir veri seti iin genelleme kabiliyetinin belirlenmesi iin test veri seti kullanlr. Eitim veri setiileoluturulanaayapsnayenigelenbirtestverisi,aacnkkndengirer.Kktetestedilenbu yeni veri test sonucuna gre bir alt dme gnderilir. Aacn belirli bir yaprana gelene kadar bu ileme devam edilir. Kkten her bir yapraa giden tek bir yol veya tek bir karar kural vardr. ekil 2de snfa aitdrtboyutluznitelikdeerlerindenoluanbasitbiraayapsgrlmektedir.ekildexiznitelik deerlerini(uydugrntsiinbantdeerlerini);a,b,c,dveedeerleridallanmaiinesasolaneik deerleri ve A, B ve C ise snf etiketlerini gstermektedir. Aaoluumununherbiraamasndakullanlandeikenlerinsaysnabalolaraktekdeikenliveya okdeikenlikararaayaplarmevcuttur[16].Tekdeikenlikararaalargenelliklearazirts snflandrmalarnda kullanlan aa yaplardr [11-17]. Tek deikenli karar aacnn her bir i dmn detekbirzniteliintestedilmesiileverininikiveyadahafazlaaltkmeyeayrlmasszkonusudur [18]. Bu ekilde karar aac tekrarl bir ekilde girdi verisine ait bir yaprak dmne ulancaya kadar ve yapraktakisnfetiketigzlemlereatanncayakadarblnmedevameder.Tekdeikenlibirkarar aacndakararsnrlarnnspesifikdeerlerieitimverisindendeneyselolaraktahminedilir.Srekli verilerinolmasdurumunda,eitimverisindenherbiridmnoktasndaxininveriuzayndakibir Teknolojik Aratrmalar: HTED 2010 (1) 36-45Karar Aalar le Uydu Grntlerinin 40 zellii gsterdii ve cnin xinin gzlenenaralnda bir eik deeri olduu ix c >eklindeki mantksal snamagerekletirilir.Farkllklarnmaksimumhalegetirilmesiveyainidmlerindekibenzerliin minimum hale getirilmesi gibi baz koullar kullanlarak eik deeri c belirlenebilir. ekil 2: Drt boyutlu zellik uzayna sahip snftan oluan bir karar aac yaps Kararaalarnnoluturulmasndakiennemliadmaatakidallanmannhangikritereveyakstasa greyaplacayadahangiznitelikdeerlerinegreaayapsnnoluturulacadr.Literatrdebu probleminzmiingelitirilmieitliyaklamlarvardr.Bunlardanennemlileribilgikazancve bilgikazanoran[15],Giniindeksi[19],Towingkural[19]veKiKareolaslktabloistatistii[20] yaklamlardr.Bilgikazancvebilgikazanorannnkullanm[15]tarafndanortayaatlmtr.Bu yntemegrekararaacndahangizelliegredallanmannyaplacanbelirlemekzereentropi kurallarnierenbilgiteorisikullanlmtr.Entropibirsistemdekidzensizliinyadabelirsizliin lsdr. Tek deikenli karar aalarnda ID3 algoritmas bilgi kazanc yaklamn kullanmaktadr. Bu algoritmanngelitirilmihaliolanC4.5algoritmasblnmebilgisikavramilebilgikazancndan yararlanarakhesaplanankazanoranyaklamnkullanmaktadr[15].Birverisetinin 1 2 nC ,C,...,CeklindebirkasnftanolutuuveTninsnfdeerlerinigsterdiidnlrse,birsnfaaitolaslk ( )i iP C T =olur ve snflara ait entropi; ( )ni 2 ii 1Entropi(T ) - p log p== (3) eklinde hesaplanr. Veri setindeki B zniteliine gre T snf deerleri 1 2 nT ,T ,...,Teklinde alt kmelere ayrldgznnealnsn.BznitelikdeerlerikullanlarakTsnfdeerlerininblnmesisonucunda elde edilecek kazan, ( )niii 1TKazan( B,T ) Entropi(T )- Entropi TT==(4) eitlii ile hesaplanr. T kmesi iin B zniteliinin deerini belirlenmesinde blmleme bilgisi kullanlr (Eitlik 5). ( )ki i2i 1T TBlnme Bilgisi B logT T=| |= | |\ .(5) Bu durumda kazan oran, Kavzolu T. lkesen .Teknolojik Aratrmalar: HTED 2010 (1) 36-45 41 ( )( )Kazan B,TKazan OranBlnme Bi lg isi B= (6) eklindehesaplanr.Bueitlik,snflandrmailemindekullanlacakayrmaileeldeedilenbilgiorann verir.Bultkullanlarak,aacnherbirdmndekazanoranmaksimumolacakekildeTeitim kmesitekrarlbirekildeayrlr.lemeherbiryaprakdmsadecebirsnfaaitgzlemdeerleri ierene kadar tekrar edilir. Kararaacoluumundadiernemlibirhususoluturulanaayapsnnbudanmasdr.Kararaac snflandrcs eitim verisini sadece tek bir snf ieren alt kmelere blmekte, dolaysyla ok geni ve karmakbiraayapsortayakmaktadr.Bunedenlekararaacnda,biraltaacatarakyerinebir yaprakyerletirmek sz konusu olabilir. Bu ekilde gerekletirilen ileme karar aacnn budanmas ad verilir[21-22].Budamailekararaacnnsnflandrmadoruluunuetkilemeyenveyakatksolmayan ksmlarkarlr.Bylecedahaazkarmakvedahaanlalabilirbiraaeldeedilir.Budamaileaa yapsnnsadeletirilmesiveilemkarmaklnnazaltlmasndagenellikleikiyntemkullanlr[19]. Bunlardanilkiaayapsoluturulurkenkltlmesinekararverilennbudamayntemi,dieriise aayaps oluturulduktan sonrabudamalarnyapld son budamayntemidir. C4.5 karar aalarnda kullanlannbudamayntemi,dahaazhesaplamaiermesi,verisetininayrlmasiineniyiyolu aratrmasvebilgikazancndeerlendirilmesiynlerindennemliavantajlarasahiptir.Bu deerlendirmebelirlibireikdeerininaltnadtndeblnmekabuledilmezveveriiinenuygun yaprakolduunakararverilir[11-19].Eertekbiryapraolanaltaacnveyabuaacnenok kullanlandalnnbudanmasbeklenenhataoranndrecekseaabudanr.Altdallardakihataoran azaldndantmaaiinhataoranazalacaktr.Budamailemisonundahataorannnminimumhale getirildii bir aa elde edilir. 6. UYGULAMA almaalannkapsayanLandsatETM+uydugrntsnsnflandrmakiinyazlanbirMATLAB programyardmylarastgelerneklemeprensibindenhareketleeitimvetestverisihazrlanmtr. Eitim ve test veri setleri belirlenirken tm snflar iin eit sayda rnek seilerek zellikle test verisi iin hesaplanandorulukdeerlerindeoluabileceknyargnngiderilmesivesnflandrmasonularnn karlatrlabilirolmasamalanmtr.Sonuolarak,snflandrmadakullanlmakzereeitimverisi olarak toplam 12.000 piksel, test verisi olarak ise toplam 6.000 piksel seilmitir. En ok benzerlik (EB) vekararaalar(KA)ilegrntnnsnflandrlmasilemleriMATLABortamndayazlm programlarla gerekletirilmitir. EByntemikullanlarakyaplansnflandrmasonucundaeldeedilenhatamatrisiTablo1de gsterilmitir. Tablodan da grlecei zere elde edilen genel snflandrma doruluu %91,30 ve Kappa 0,89 olarak hesaplanmtr. Tablo 1: En ok benzerlik snflandrcs iin hata matrisi Snf123456 retici Do. (%) Kullanc Do. (%) 19932005010099,30 209752500097,9997,50 30189183429192,3591,80 4004392629288,1992,60 50078474616384,5874,60 600167392084,7192,00 Genel Doruluk: %91,30Kappa: 0,89 1: Su, 2: Geni yaprakl orman, 3: ne yaprakl orman, 4: Bozkr, 5: Toprak-ta, 6: Yerleim Teknolojik Aratrmalar: HTED 2010 (1) 36-45Karar Aalar le Uydu Grntlerinin 42 Karar aalar ile snflandrma ilemi iin tek deikenli karar aac algoritmalarndan C4.5algoritmas kullanlmtr.Kararaacmodelioluturulmasnda;dallanmayaesasolacakzniteliklerinseiminde kazan oran kriteri, oluturulan karar aacnn sadeletirilmesi ve snflandrma doruluunun arttrlmas amacylanbudamayntemikullanlmtr.Tespitedilendzenlemeparametredeerlerikullanlarak KAnn eitimi tamamlanarak test veri seti zerinde snflandrma doruluk analizi hata matrisi zerinden yaplmtr(Tablo2).C4.5snflandrcileyaplansnflandrmasonucundagenelsnflandrma doruluu %92,35 ve Kappa 0,90 olarak hesaplanmtr. Tablo 2: Karar aac snflandrcs iin hata matrisi Snf123456 retici Do. (%) Kullanc Do. (%) 19971200010099,70 209821800098,0098,20 3018957222195,6095,70 40114931381691,0093,10 50075080413984,5480,40 60032010787084,8087,00 Genel Doruluk: %92,35Kappa: 0,90 1: Su, 2: Geni yaprakl orman, 3: ne yaprakl orman, 4: Bozkr, 5: Toprak-ta, 6: Yerleim Herikiyntemiineldeedilenhatamatrisleridetaylolarakanalizedildiinde,EBveKA yaklamlarnntoprak-tarnekpiksellerinigenelolarakyerleimvebozkrpikselleriylekartrd grlmektedir.Spektralzellikleribenzertoprak-taveyerleimpiksellerininayrmndasnflandrma yaklamlarnn etkinlii sonulara direkt olarakyansm durumdadr. Bu almada ele alnan 30metre konumsalznrlklgrntdnldnde,almaalanndakibirokta-toprakveyerleim pikselinin kark pikseller olduu ifade edilebilir. Karar aac snflandrcs yerleim snf hari dier tm snflar iin daha yksek snflandrma doruluu rettii grlmtr. Snflandrclarngeneldoruluklarkarlatrldndakararaac(KA)yntemiyleeldeedilen snflandrmadoruluununenokbenzerlik(EB)ynteminegreyaklakolarak%1dahayksek olduugrlmtr.BunoktadaZtestiilesnflandrclarnperformanslarndakibufarknistatistiksel olarakanlamllanalizedilmitir.EitimverisetiyleeldeedilenKAveEBmodellerinintestveri setineuygulanmassonucundaeldeedilenKappadeerlerivebudeerlereaithesaplananvaryanslar kullanlarak Z testinin uygulanmas sonucunda 2.10 deeri hesaplanmtr. Elde edilen bu istatistik deeri 0,05gvenaralndaki1.96 Z = kritikdeerindenbykolduundanikisnflandrcnngenel doruluklararasndaki%1likfarknistatistikselolarakanlamlolduubulunmutur.Budurum almadakullanlanverisetiiinkararaacynteminindahadorusnflandrmasonularrettiive snflandrma performanslarnn istatistiksel olarak anlaml derecede farkl olduu grlmtr. EBveKAsnflandrclariinoluturulanmodellerilealmaalannaaitLandsatETM+grnts snflandrlarakekil3ve4tegsterilentematikharitalarretilmitir.Tematikharitalardanda grlecei zere ehirlemenin genellikle sahil kesimlerinde ve anayol arterleri evresinde gerekletii grlmektedir. EB snflandrmasnda toprak-ta trne ait piksellerle yerleim alanlarna ait piksellerin kartakekildegrlmtr.Bununbalcanedenininyerleimalanlarevresindekitoprak-ta rtlalanlarolduudnlmektedir.Kocaeliilsnrlarierisindekigeniyapraklormanlkalanlarn arlklolarakehringneyksmndaveineyapraklormanlarnisezellikleehrinkuzeyindeki Karadenizkylarndayounlatgrlmtr.Szkonusutematikharitalardankararaac snflandrcsileoluturulantematikharitadaKocaeliiliiinbelirlenenarazirtssnflargrsel olarakkolaylklaayrtedilebilirkenEBsnflandrcsileoluturulantematikharitanndahaheterojen (kark)grnmdeolduubelirlenmitir.Tematikharitalaranalizedildiindeineyapraklormanve Kavzolu T. lkesen .Teknolojik Aratrmalar: HTED 2010 (1) 36-45 43 geniyapraklormangibibenzerspektralzellikleresahippiksellerinsnflandrlmasndaKA snflandrcsnn EB yntemine gre daha iyi sonular rettii grlmtr. ekil 3: Landsat ETM+ grntsnn karar aac yntemi ile snflandrlmas sonucu elde edilen tematik harita 7. SONU VE NERLER Uzaktanalglanmgrntlerinsnflandrlmassonucueldeedilentematikharitalarngvenilirbir kaynakolarakkullanlabilmesiiinennemlikoullardanbirisiszkonusuharitalarndoruluudur. Arazi kullanm veya arazi rtsn gsteren tematik haritalarn doruluu byk lde snflandrmaya esasolacakverisetininkalitesivekullanlacaksnflandrmayntemininperformansileilikilidir.Bu durumuzaktanalglamaalanndaalmalaryapanaratrmaclartematikharitaretimindedaha gvenilirsonularretebilecekyenisnflandrmayntemleriaraynayneltmitir.Enokbenzerlik (EB)veenyaknkomulukgibiistatistikselkabulleredayalsnflandrmaalgoritmalarliteratrde yaygnolarakkullanlmalarnakarnsnflandrmaproblemlerindeyetersizkalabilmektedir.Buamala son yllardayapay sinir alar, destek vektr makineleri ve bulank mantk gibi parametrik olmayan ileri snflandrma algoritmalarnn kullanm sz konusu olmutur. Karar aalar kolay anlalabilen ve hzl zmlemekabiliyetinesahipbirsnflandrmayntemiolaraksondnemdeuzaktanalglamaalannda kullanlan gl bir snflandrma yntemidir. Teknolojik Aratrmalar: HTED 2010 (1) 36-45Karar Aalar le Uydu Grntlerinin 44 ekil 4: Landsat ETM+ grntsnn en ok benzerlik yntemi ile snflandrlmas sonucu elde edilen tematik harita Bualmadakararaalar,almaalannkapsayan2009tarihliLandsatETM+grntsnn snflandrlmasndakullanlmveKocaeliilineaitgenelarazirtsngsterentematikharita retilmitir.Uzaktanalglanmgrntleryardmylatematikharitaretimindekararaalarnn snflandrmaperformansEByntemininperformansilekarlatrldndadahaetkiliolduu grlmtr.LiteratrdeyaygnolarakkullanlanZtestikullanlarakikiynteminsnflandrma performanslaranalizedildiindesnflandrmadoruluklararasndakifarknistatistikselolarakanlaml olduudolaysylasnflandraperformanslarnnistatistikselolarakbirbirindenfarklolduu grlmtr.Bu bulgu nda kararaac snflandrcsnn bu almada kullanlan veri seti iinEB yntemindendahadorusonularrettiisylenebilir.Sonuolarak;yaplanbualma,hzlve parametrik olmayan bir snflandrc olan karar aalarnn uydu grntlerinin snflandrlmasnda etkin ve alternatif bir yntem olduunu gstermektedir. 8. KAYNAKLAR 1.Campbell, J.B., 1996, Introduction to Remote Sensing, Guilford Press, New York, 621 s. 2.Townshend J.R.G., 1992, Land cover, International Journal of Remote Sensing, 13, 13191328 3.Hall F.G., Townshend J.R.G., Engman E. T., 1995, Status of remote sensing algorithms for estimation of land surface state parameters,Remote Sensing of Environment, 51, 138156 4.Lu D., Weng Q., 2007, A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, 28, 823870 Kavzolu T. lkesen .Teknolojik Aratrmalar: HTED 2010 (1) 36-45 45 5.Huang C., Davis L.S., Townshend, J.R.G., 2002, An assessment of support vector machines for land cover classification, International Journal of Remote Sensing, 23, 725749 6.Erbek, F.S., zkan, C., Taberner, M., 2003, Comparison of maximum likelihood classification method with supervised artificial neural network algorithms for land use activities, International Journal of Remote Sensing, 25, 1733-1748 7.Pal, M., Mather, P.M., 2005, Support vector machines for classification in remote sensing, International Journal of Remote Sensing, 26, 1007-1011 8.Kavzoglu, T., Colkesen, I., 2009, A kernel functions analysis for support vector machines for land cover classification, International Journal of Applied Earth Observation and Geoinformation, 11, 352-359 9.Paola, J.D., 1994, Neural network classification of multispectral imagery, MSc Thesis, The University of Arizona, USA 10. Foody, G.M., 1995, Using prior knowledge in artificial neural network classification with a minimal training set, International Journal of Remote Sensing, 16, 301-312 11. Pal M., Mather P.M., 2003, An assessment of the effectiveness of decision tree methods for land cover classification, Remote Sensing of Environment, 86, 554-565 12. Foody, G.M., 2004, Thematic map comparison: Evaluating the statistical significance of differences in classification accuracy, Photogrammetric Engineering and Remote Sensing, 70, 627-633 13. Mather, P.M., 1987, Computer Processing of Remote-Sensed Images, John Wiley and Sons, 125 s 14. Safavian S.R., Landgrebe D., 1991, A survey of decision tree classifier methodology, IEEE Transactions on Systems Man and Cybernetics, 21, 660-674 15. Quinlan J.R., 1993, C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo, CA, 302 s 16. Friedl M.A., Brodley C.E., 1997, Decision tree classification of land cover from remotely sensed data, Remote Sensing of Environment, 61, 399409 17. DeFries R., Hansen M., Townshend J.R.G., Sohlberg R., 1998, Global land cover classifications at 8 km spatial resolution: the use of training data derived from Landsat imagery in decision tree classifiers, International Journal of Remote Sensing, 19, 31413168 18. Swain P.H., Hauska H., 1977, Decision tree classifier - design and potential, IEEE Transactions on Geoscience and Remote Sensing, 15, 142-147 19. Breiman L., Friedman J.H., Olshen R.A. and Stone C.J., 1984, Classification and Regression Trees Monterey, CA: Wadsworth, 358 s 20. Mingers J., 1989, An empirical comparison of pruning methods for decision tree induction, Machine Learning, 4, 227243 21. Quinlan J.R., 1987, Simplifying decision trees, International Journal of Man-Machine Studies, 27, 221-234 22. zkan, Y., 2008, Veri Madencilii Yntemleri, Papatya Yaynclk Eitim, stanbul, 216 s