@article{article_1078540, title={Açık kaynak kodlu Eo-learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri ile tarımsal ürün sınıflandırması}, journal={Jeodezi ve Jeoinformasyon Dergisi}, volume={10}, pages={45–62}, year={2023}, DOI={10.9733/JGG.2023R0004.T}, author={Şimşek, Fatih Fehmi and Durduran, Süleyman Savaş}, keywords={Eo-Learn, Sentinel-2, ÇKS, TARSİM, Classification, Remote sensing, Agriculture}, abstract={<div style="text-align:justify;">Bu çalışmada, Denizli ili, Baklan, Çal ve Çivril ilçeleri sınırları arasında kalan Çivril-Baklan Ovası’nda 2020 yılına ait tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma işleminde, uzaktan algılama çalışmalarında makine öğrenmesi ile derin öğrenme algoritmalarını kullanan açık kaynak kodlu Eo-Learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri kullanılmıştır. Çalışmada referans parsel olarak Çiftçi Kayıt Sistemi’ne (ÇKS) kayıtlı parseller kullanılmış olup, ÇKS verisinin yer doğruluk verisi olarak kullanılmasından önce ön düzenleme ve kural tabanlı silme işlemleri gerçekleştirilmiştir. Hafif gradyan artırma makineleri (Light Gradient Boosting Machines, LightGBM) algoritması kullanarak hububat, mısır, şeker pancarı, ayçiçeği, haşhaş, üzüm, meyve ağacı ve yonca ürünlerini içeren tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma sonuçlarının değerlendirilmesinde k-katmanlı çapraz doğrulama yöntemi kullanılmış ve genel doğruluk %93.5 olarak elde edilmiştir. Sınıflandırma işlemine eğitim verisi olarak girmemiş Tarım Sigortaları Havuzu (TARSİM) parselleri ile ikinci bir doğruluk analizi yapılmış olup genel doğrulukta %91.1 kappa katsayısında 0.89 değerine ulaşılmıştır. </div>}, number={1}, publisher={TMMOB Harita ve Kadastro Mühendisleri Odası}