Rastgele Orman Yöntemi Kullanılarak Kıyı Çizgisi Çıkarımı İstanbul Örneği

Abstract

Çevrenin korunması ve sürdürülebilir kıyı geliştirme hedeflerine ulaşmak için kıyı alanlarının izlenmesi gerekmektedir. Doğal çevre yönetimi, afet yönetimi, kıyı erozyonu incelemeleri, katı madde taşınımı ve kıyı morfodinamiklerinin modellemesi gibi farklı alanlarda kıyı çizgisi yaygın olarak kullanıldığından, kıyı çizgilerinin özellikle uydu görüntülerinden çıkarılması için çeşitli teknikler geliştirilmiştir. Rastgele Orman algoritması geliştirilen bu tekniklerden bir tanesidir. Rastgele Orman Algoritması, karar ağaçlarına dayanan bir makine öğrenme metodudur. Karar ağaçları, eğitim verilerinin sınıflarını analiz eder ve test verilerinin hangi sınıfa ait olduğunu eğitim verilerinden çıkarttığı kurallara göre belirler. Bu çalışmada, Terkos Gölü ve gölün hemen yakınında yer aldığı bölgedeki Karadeniz sahilindeki kıyı çizgileri, 22 Temmuz 2016 tarihinde alınan Landsat-8 uydu görüntüsüne Rastgele Orman sınıflandırma yöntemi kullanılarak çıkarılmıştır. Uygulamada öncelikle uydu görüntüsüne ön işleme uygulanmıştır. Rastgele Orman algoritması ile sınıflandırma işlemi için MATLAB platformu kullanılmıştır. Rastgele Orman algoritması çalışma bölgelerine ait görüntülerin farklı bant setlerine uygulanarak, sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma sonucunda kara ve su sınıfları olmak üzere ikili görüntüler elde edilmiştir. Uygulanan bant setleri NIR, R-G-B ve R-G-B-NIR'dir. Terkos Gölü'ne ait elde edilen kıyı çizgilerinin doğruluklarını analiz etmek için elle sayısallaştırılan kıyı çizgileri referans alınarak alansal ve kıyı çizgisi bazında karşılaştırılmıştır. Sonuçlara bakıldığında, kıyı çizgisi çıkarımında yakın kızıl ötesi bandını içeren görüntülerin en az hatalı sonucu verdiği görülmüştür.

Çam Burnu (Ordu) İle Gül Burnu (Gi̇resun) Arasi Kiyi Çi̇zgi̇si̇ni̇n Zamansal Deği̇şi̇mi̇ Ve Kiyi Kullanimi

“…In literature found out studies using different methods and tools for analyzing the temporal changes of the coastline. The Digital Shoreline Analysis System (DSAS) tool, which can be added as a tool especially to ArcGIS software, contains several statistical methods within it: NSM, EPR, SCE, LRR, WLR, ECI, LSE/WSE, LR2/WR2 (Albuquerque et al, 2013;Ataol et al, 2019;Bera & Maiti, 2019;Beyazıt et al, 2014;Bheeroo et al, 2016;Erdem et al, 2018;Kale et al, 2019;Kılar & Çiçek, 2018Kılar & Çiçek, , 2019Kuleli et al, 2011;Nassar et al, 2019;Oyedotun, 2014;Thieler & Danforth, 1994;To & Thao, 2008). However, these tools and methods are mostly used in literature to detect natural coastal changes in areas of low coastal profile, such as delta and coastal lowlands.…”

Performance of Machine Learning Methods in Location-Based Prediction

“…If there is no separate data set for the test, 2/3 of the training data set is used as training data (in the bag), and 1/3 is used as test data (Out-of-Bag (OOB)) [19].…”

“…The purpose of using the GINI index is to determine the homogeneity of the samples at each node. The algorithm selects the variable with the smallest GINI index calculated according to the randomly selected variables at each node, passes to the other node, and ends the branching if this index is zero [19]. In short, nodes are divided into branches, and tree structures are created according to the division criteria determined using the training data.…”

The use of machine learning to identify suitable areas for urban growth in mountainous areas: Tunceli city example

“…The use of the random forest model in the field of geography, like the other two algorithms, is focused on land use (Gislason et al 2006), urban growth and change (Jun, 2021;Frimpong & Molkenthin, 2021), disaster risk forecasting (Stumpf & Kerle, 2011;Chen et al 2012) and remote sensing (Akar & Güngör, 2012;Erdem et al 2018).…”