Özetçe-Bu çalışmada uzaktan algılama görüntülerinden biyofiziksel parametrelerin kestirimi amacıyla ε-duyarsız destek vektör regresyon (DVR) yöntemi için çoklu ölçütlü özgün bir aktif öğrenme yöntemi önerilmektedir. Önerilen yöntem, en bilgi verici ve en temsilci örnekleri, örneklerin i) ilgililiği, ii) çeşitliliği ve iii) yoğunluğu olmak üzere üç farklı ölçütünü birlikte kullanarak seçmektedir. Bu ölçütler ε-duyarsız DVR özelliklerine göre tanımlanmaktadır ve özgün kümeleme temelli yaklaşımlar kullanılarak arda arda iki aşamada gerçekleştirilmektedir. Đlk aşamada DVR ε-tüpünün dışarısında yer alan etiketlenmemiş örnekler en ilgili örnekler olarak seçilmektedir. Đkinci aşamada ise en ilgili örnekler arasından çeşitliliği arttırmak amacıyla birbirinden en farklı örnekler DVR öğrenme fonksiyonunu daha iyi modelleyebilmek için öznitelik uzayının en yoğun örnekli bölgelerinden seçilmektedir. Önerilen yöntem ağaçların gövde hacminin kestirimine uygulanmıştır ve deneysel sonuçlar önerilen yöntemin başarımını göstermektedir.
Anahtar Kelimeler-regresyon, parametre kestirimi, aktif öğrenme, destek vektör regresyonu.
Abstract-This paper presents a novel multıple criteria active learning method developed in the framework of εinsensitive support vector regression (SVR) to estimate biophysical parameters from remotely sensed images. The proposed active learning method chooses the most informative and representative unlabeled samples by jointly evaluating three criteria: i) relevancy, ii) diversity, and iii) density of samples. All three criteria are implemented according to the SVR properties and are applied in two clustering-based successive steps. In the first step, a novel measure to select the most relevant samples that have high probability to be located either outside or on the boundary of the ε-tube of SVR is defined. In the second step, a novel measure to select diverse samples among the relevant patterns from the high density regions in the feature space is defined to better model the SVR learning function. Experiments applied to the estimation of tree stem volume show the effectiveness of the proposed method.