Akademik Veri Yönetim Sistemi
Türk Uzaktan Algılama ve CBS Dergisi, cilt.1, sa.2, ss.97-105, 2020 (Hakemli Dergi)
Son yıllarda, makine öğrenmesi ve veri bilimi alanındaki araştırmacılar özgün ve de özellikle topluluk öğrenmesi alanında yeni algoritmalar geliştirmeye başlamışlardır. Bu yeni nesil topluluk öğrenme algoritmalarından olan aşırı gradyan artırma (XGBoost) ve hafif gradyan artırma makineleri (LightGBM) yöntemleri, mevcut ve aynı zamanda sık kullanılan makine öğrenme algoritmalarına kıyasla daha yüksek performans gösterdiklerinden dolayı veri bilimindeki araştırmacıların ilgisini çekmiştir. Ancak uzaktan algılama görüntülerinin sınıflandırılması amacıyla henüz yeterli düzeyde test edilmemiştir. Bu çalışma kapsamında, XGBoost ve LightGBM algoritmalarının çok zamanlı polarimetrik sentetik açıklıklı radar (PolSAR) görüntüleri kullanılarak tarımsal ürünlerin sınıflandırılmasındaki performansları, hem işlem hızı hem de elde edilen sınıflandırma doğrulukları açısından karşılaştırılmıştır. Çalışma kapsamında, tam polarimetrik RADARSAT-2 uydu görüntülerine ait doğrusal geri saçılım değerleri kullanılmıştır. Tarımsal ürünlerin zamana bağlı dinamik olarak değişen yapılarından dolayı çalışmamızda çok zamanlı bir veri seti kullanılmıştır. Deneysel sonuçlarımız, LightGBM yönteminin hem işlem hızı hem de sınıflandırma performansı açısından XGBoost yöntemine göre daha üstün olduğunu göstermiştir, bu iki yöntem için elde edilen doğruluklar sırası ile 0.860 ve 0.845’dir. Sınıflandırma sonuçlarının elde edilmesinde k-katlamalı (k=5) çapraz doğrulama tekniği kullanılmıştır.