Akademik Veri Yönetim Sistemi
Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği (TUFUAB) XIII. Teknik Sempozyumu, Zonguldak, Türkiye, 18 - 20 Haziran 2025, ss.72-76, (Tam Metin Bildiri)
Bu çalışmada hiperspektral görüntülerin sınıflandırılmasında Amazon tarafından geliştirilenaçık kaynaklı otomatik makine öğrenimi (AutoML) kütüphanesi AutoGluon’un kullanımınıdeğerlendirmiştir. Hiperspektral görüntüler, her piksel için çok sayıda spektral bantta bilgiiçerdiğinden yüksek boyutlu ve karmaşık veri yapılarına sahiptir. Çalışmada kullanılan WHU-Hi-LongKou veri kümesi, 270 spektral banta ve 9 sınıfa sahip olup, %70 eğitim ve %30 testoranında bölünmüştür. Veriler tabular formata dönüştürüldükten sonra AutoGluonkullanılarak otomatik sınıflandırma işlemi gerçekleştirilmiştir. AutoGluon, farklısınıflandırıcıları (GBM, CatBoost, XGBoost, Rastgele Orman, vb.) otomatik olarak eğitmiş,hiperparametre optimizasyonu uygulamış ve en başarılı modellerden ağırlıklı bir toplulukmodeli oluşturmuştur. Model performansı doğruluk, hassasiyet, duyarlılık, F1 skoru vedengelenmiş doğruluk metrikleriyle değerlendirilmiştir. Elde edilen sonuçlara göre doğrulamasetinde %95.10 ve test setinde %94.86 doğruluk oranı elde edilmiştir. Tüm görüntü verisiüzerinde de yüksek sınıflandırma başarısı gözlemlenmiştir.
This study addresses the problem of hyperspectral image classification using AutoGluon , anopen-source automated machine learning (AutoML ) library developed by Amazon.Hyperspectral images contain spectral information across numerous bands for each pixel,making them high-dimensional and complex in terms of classification. The WHU-Hi-LongKoudataset used in this study is a hyperspectral image with 270 spectral bands and 9 classes. Thedata were tabularized and partitioned into 70% training and 30% test sets, upon which theautomatic classification process was conducted using AutoGluon. AutoGluon automatically trainsvarious classifiers, performs hyperparameter optimization, and combines the outputs of thebest-performing models into a weighted ensemble model to achieve maximum accuracy.According to the results, an accuracy of 95.10% on the validation set and 94.86% on the test setwere achieved, demonstrating that AutoGluon provides high performance on complex datasets.