Fotogrametri ve LIDAR tekniği ile üretilen nokta bulutlarının makine öğrenmesi ile sınıflandırılması

Abstract

Günümüzde veri elde etmek çok önemli bir konu olup, veri elde etmek için çeşitli yöntemler bulunmaktadır. Çeşitli veri oluşturma yöntemleri yanında bu verilerden bilgi edinme ve bu bilgileri değerlendirme süreci her zaman kendini güncel tutan bir araştırma konusudur. Verilerden bilgi edinme sürecinde sıklıkla makine öğrenmesi algoritmaları kullanılmaktadır. Tez çalışması kapsamında, veri oluşturma denince akla ilk gelen yöntemlerden biri olan hava fotogrametrisi ve LIDAR teknolojisi ile tarama yöntemi kullanılmıştır. İstanbul Teknik Üniversitesi Ayazağa Kampüsünde aynı bölgede yapılan uçuş ve taramalar ile iki farklı nokta bulutu elde edilmiştir. Elde edilen bu nokta bulutları Cloud Compare programı ile yapı, sık ağaçlık alan, yüzey ve seyrek bitki örtüsü olmak üzere dört farklı sınıfa ayrılarak veri setleri oluşturulmuştur. Veri setlerinin geometrik özellikleri hesaplanarak; LIDAR teknolojisi ile elde veri setinde 22 öznitelik ile çalışılmış, hava fotogrametrisi yöntemi ile elde edilen veri setinde 22 öznitelik bilgisine ek olarak renk bilgisi eklenerek (RGB) 25 farklı öznitelik ile çalışma yürütülmüştür. Oluşturulan bu veri setleri, Python programlama ile makine öğrenmesi veri ön işleme adımları gerçekleştirilmiştir. Veri setleri dokuz farklı makine öğrenmesi algoritması ile kontrollü sınıflandırılmış ve algoritmalar doğruluk, kesinlik, hassaslık, F1 ölçütü ve algoritmanın sınıflandırma yapmak için harcadığı zaman bakımından karşılaştırılmıştır. Veri setlerinde karşılaştırılan algoritmalar şunlardır: rastgele orman (random forest (RF)), karar ağaçları (decision tree (DCT)), k-en yakın komşuluk (k-nearest neighbors (KNN)), çok katmanlı algılayıcı (multi-layer perceptron (MLP)), lojistik regresyon (logistic regression (LR)), gaussian naive bayes (GNB), doğrusal diskrimant analizi (lineer discriminant analysis (LDA)), yükseltme algoritması (ada boost classifier (ADB)) ve destek vektör makinesi (support vector machine (SVM)) algoritmalarıdır. Sonuç olarak, LIDAR teknolojisi ile elde edilen nokta bulutunun verilerine göre, en yüksek doğruluğu sağlayan algoritma 0,931 doğruluk değeri ile MLP algoritmasıdır. Algoritmanın kesinlik, duyarlılık ve F1 ölçütü bakımından performansı sırasıyla 0,931; 0,931; 0,931'dir. İkinci sırada 0,916 doğruluk elde ederek RF algoritması, üçüncü sırada ise 0,896 doğruluk ile DCT algoritması gelmektedir. En düşük performansa sahip olan algoritma ise GNB algoritmasıdır. Algoritmanın doğruluk, kesinlik, hassaslık ve F1 ölçütü performansı sırasıyla 0,481; 0,641; 0,485; 0,552' dir. LIDAR teknolojisi ile elde edilen nokta bulutunun değerlendirilmesine benzer olarak hava fotogrametrisi ile elde edilen nokta bulutunda en iyi performansı sağlayan algoritma 0,996 doğruluk değeri ile MLP algoritmasıdır. Kesinlik, hassaslık ve F1 ölçütü bakımından değeri sırasıyla 0,996; 0,996; 0,996' dır. İkinci sırada 0,995 doğruluk değeri ile RF algoritması üçüncü olarak da KNN algoritması gelmektedir. Dokuzuncu sırada 0,775 doğruluk değerini elde ederek GNB algoritması gelmektedir. GNB algoritmasının kesinlik, hassaslık ve F1 ölçütü sırasıyla 0,807; 0,774; 0,790 değerleridir. Veri setlerinin sınıflandırılmasında algoritmalar sınıflandırma süreleri bakımından da değerlendirilmiştir. En hızlı sonuç üreten algoritma KNN algoritması iken en uzun sonuç üreten algoritma SVM algoritması olarak belirlenmiştir.