UZAKTAN ALGILAMA

Genel olarak sınıflandırmada, kategorilere ait özellikler arasındaki karışım nedeniyle
birbirlerinden ayırt edilebilirliği etkileyen başlıca dört faktör vardır:
1. Topoğrafya ve topoğrafik aydınlanma koşulları,
2. Atmosferik değişkenlik,
3. Algılayıcı kalibrasyon değişimleri,
4. Bir pikselin yeryüzünde karşılık geldiği alan içindeki sınıf karışımları.

Doğru cevap E'dir.

Nesne tabanlı sınıflandırma, sadece görüntüdeki spektral bilgiyi (bant yansıtım değerleri) değil piksellerin komşuluk özelliklerini yansıtan doku ve bağlam bilgilerini de kullanan bir yöntemdir. Sınıflandırılan temel eleman piksel değil, komşuluk ilişkisine sahip piksel gruplarından oluşan objeler (nesneler)dir.

Bulanık (fuzzy) mantık, çok önemli bir mantık uygulamasıdır. Klasik mantıkta aşırı uçlar kullanılırken, bulanık mantıkta aşırı uçların yanı sıra yaklaşık ara değerlerde kullanılır. 1960’larda Loutfi Zadeh’in teorisini oluşturduğu bulanık mantığın en önemli avantajı problemleri gerçek hayattaki yaklaşık ifadelerle modelleyebilmesidir. Bir aracın hız olgusu, “çok yavaş”, “yavaş”, “hızlı”, “çok hızlı” gibi dilsel kavramlarla ifade edilebilir. Buradaki her bir kavram bir bulanık kümeye karşılık gelir. Buna göre herhangi bir hız değeri bütün kümelere belirli bir üyelik derecesiyle ait olabilir. Klasik mantıkta bu hız değeri bu kümelerden sadece birine ait olabilir. Bulanık mantık, özellikle karmaşık sistemlerin otomatik kontrolünde, robotikte, bilgisayarlı görmede ve daha birçok farklı alanda kullanılmaktadır. Doğru cevap D'dir.

Yapay Sinir Ağları (YSA), biyolojik beynin çalışma prensibini matematiksel olarak taklit eden lineer olmayan hesaplamalı modellerdir. Beyin dokusunun temel elemanı olan biyolojik nöronlar, birbirleriyle kurdukları binlerce bağlantıyla aynı anda paralel çalışan büyük bir ağ meydana getirirler. Beynin bu paralel çalışabilme özelliği, merkezi ve çevresel sinir sisteminin hiçbir aksama olmadan gerektiği gibi hızlı çalışmasını sağlar. Doğru cevap A'dır.

Paralelkenar yönteminde, bütün sınıflar için eğitim örüntüleri kullanılarak özellik uzayındaki minimum ve maksimum değerler belirlenir. Alternatif olarak ortalama değerlerin etrafında standart sapma biriminde belirlenen alt ve üst sınırlar da kullanılabilir. Herhangi bir örüntü hangi aralığa denk gelirse ilgili piksel o sınıfa atanır. Bu şekilde oluşturulan karar sınırları ikiden büyük boyutlu özellik uzayında hiper paralelkenarlar oluşturur. Herhangi bir aralık içinde kalmayan bir piksel, tanınmayan piksel olarak atanır. Doğru cevap A'dır.

En Kısa Uzaklık Yöntemi; işlemsel olarak basit olan bu yöntem özellikle eğitim veri sayısının az olduğu durumlar için uygundur. İlk adım olarak sınıf eğitim verilerinden her bir sınıf için ortalama değerler hesaplanır. Daha sonra bilinmeyen her bir pikselin bütün sınıf merkezlerine olan uzaklıkları hesaplanır. Bilinmeyen pikseller bu uzaklıklara göre en yakın oldukları sınıflara atanır. Doğru cevap A'dır.

Maksimum olabilirlik yönteminde, bir piksel en yüksek olasılık değerine sahip olduğu sınıfa atanır. Bu olasılıkların hesaplanabilmesi için bir olasılık dağılım modeline ihtiyaç vardır. Uygulamada genellikle Normal dağılım modeli kullanılır. Buna göre, her bir sınıf eğitim verisinin Normal dağılm gösterdiği kabul edilir. Doğru cevap A'dır.

Melez (Hibrit) sınıflandırma, kontrollü ve kontrolsüz sınıflandırma yöntemlerinin bir arada kullanıldığı bir yöntemdir. Bu tip bir yaklaşımda kontrolsüz sınıflandırma sonrasında elde edilen kümeler (benzer arazi örtüsü / kullanımı sınıflarını gösteren) birleştirilerek, kontrollü sınıflandırma için gerekli eğitim alanlarının oluşturulmasında etkin öncül bir araç olarak kullanılırlar. Daha sonra elde edilen bu eğitim alanları ile tüm görüntü En Kısa Uzaklık, Maksimum Olabilirlik, vb. sınıflandırma yöntemleri ile sınıflandırılarak tematik haritalama yapılabilir. Doğru cevap B'dir.

Sınıflandırma doğruluklarının belirlenmesinde en yaygın yaklaşım hata matrisi kullanımıdır. Hata matrisinin oluşturulmasında bütünüyle ilgili kategorilere ait olduğu kabul edilen referans verileri (test verileri) kullanılır. Doğru cevap A'dır.

E şıkkı yardımcı verilerdendir ve ayırt edilebilirliğe yardımcı bir bilgidir.

Yüzey parlaklık sınıflandırmada girdi olarak kullanılmaktadır.

En doğru açıklama A şıkkında verilmiştir.

Tüm bu yöntemler iki faklı sınıflandırma türünde de kullanılabilinir.

Diğer şıklar kontrollü sınıflandırmanın kontrolsüz sınıflandırmadan farkı değildir.

Diğer şıklarda belirtilen özellikler parametrik sınıflandırmanın bir özelliği değildir.

Diğer şıklardan E ve C özellik seçiminde olması istenen (şıklar için sıraıyla) bir metod ve özelliği betimlemektedir. Ancak temelde Özellik vektörü için işaretlenmiş eğitim verisi gereklidir.

Diğer şıklarda belirtilen yöntemler kümeleme algoritmalarının (kontrolsüz sınıflandırma) temel bir metodudur.

Ö1, Ö2, ve Ö3 özellik vektörlerinin S1, ve S2 ye olan Öklit uzaklıklarından en kısa olanlar seçilerek D şıkkındaki gibi atanmalıdır.

Örüntü bir örneklemin özellik vektörüdür.

Nesne tabanlı sınıflandırma, sadece görüntüdeki spektral bilgiyi (bant yansıtım değerleri) değil piksellerin komşuluk özelliklerini yansıtan doku ve bağlam bilgilerini de kullanan bir yöntemdir. Sınıflandırılan temel eleman piksel değil, komşuluk ilişkisine sahip piksel gruplarından oluşan objeler (nesneler)dir.