Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi
Abstract
Uydu görüntülerinden bitki türlerinin sınıflandırılması tarım alanlarının yönetimi, gıda güvenliğinin sağlanması ve tarımsal politikaların oluşturulması için oldukça önemli bilgiler sağlar. Bitki türleri genel olarak uydu görüntülerinden hesaplanan vejetasyon indekslerine dayalı olarak veya çeşitli görüntü sınıflandırma teknikleri ile tahmin edilmektedir. Fakat bu yaklaşımlarda farklı bitkilerin benzer fenelojik ve spektral özelliklere sahip olması nedeniyle başarı oranı düşüktür. Bu nedenle bitki türlerinin uydu görüntüleri ile sınıflandırılması işleminde yeni, hassas ve daha başarılı bir yaklaşıma ihtiyaç duyulmaktadır. Bu çalışmanın amacı Rassal Orman (RO), Destek Vektör Makinesi (DVM) ve K-En Yakın Komşu (K-NN) makine öğrenme algoritmaları kullanılarak uydu görüntülerinden bitki türlerinin sınıflandırılmasıdır. Çalışma kapsamında 2020 yılı Gökhöyük Tarım İşletmesi Müdürlüğü’ ne ait tarım alanlarında yetiştirilen bitkilerin sınıflandırılmasında zaman serisi biçiminde Sentinel 2 uydu görüntüleri kullanılmıştır. Çalışmadan elde edilen sonuçlara göre en başarılı sınıflandırma (%95.3) RO ile hesaplanırken en düşük başarı DVM ile elde edilmiştir (%75.9). K-NN ile yapılan sınıflandırma başarısı ise %91.8 olarak hesaplanmıştır.
Keywords
References
- Baker, C (1987). Changes in financial markets and their effects on agriculture. Federal Reserve Bank of St. Louis Review.
- Chan J C, Paelinckx D (2008). Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery. Remote Sensing of Environment. 112(6): 2999-3011.
- Doğan Z, Arslan S, Berkman A N (2015). Türkiye'de Tarım Sektörünün İktisadi Gelişimi ve Sorunları: Tarihsel bir Bakış. Academic Review of Economics & Administrative Sciences. 8(1): 1308-4208.
- Homer C, Huang C, Yang L, Wylie B, Coan M (2004). Development of a 2001 national land-cover database for the United States. Photogrammetric Engineering. 70(7): 829.
- Hooda R S, Yadav M, Kalubarme M H (2006). Wheat production estimation using remote sensing data: An Indian experience. Workshop Proceedings: Remote Sensing Support to Crop Yield Forecast and Area Estimates, Stresa, Italy. 30 Nov.–1 Dec. 2006.
- Jay S, Lawrence R, Repasky K, Keith C. (2009). Invasive species mapping using low cost hyperspectral imagery. ASPRS 2009 Annual Conference Baltimore, Maryland.
- Kumar P, Gupta D K, Mishra V N, Prasad R (2015). Comparison of support vector machine, artificial neural network, and spectral angle mapper algorithms for crop classification using LISS IV data. International Journal of Remote Sensing. 36(6): 1604-1617.
- Li L, Zheng X, Zhao K, Li X, Meng Z, Su C (2020). Potential Evaluation of High Spatial Resolution Multi-Spectral Images Based on Unmanned Aerial Vehicle in Accurate Recognition of Crop Types. Journal of the Indian Society of Remote Sensing.
Details
Primary Language
Turkish
Subjects
Agricultural Engineering
Journal Section
Research Article
Publication Date
June 28, 2021
Submission Date
December 17, 2020
Acceptance Date
March 3, 2021
Published in Issue
Year 2021 Volume: 9 Number: 1
APA
Tunca, E., & Köksal, E. (2021). Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9(1), 189-200. https://doi.org/10.33202/comuagri.842202
AMA
1.Tunca E, Köksal E. Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. COMU J. Agri. Fac. 2021;9(1):189-200. doi:10.33202/comuagri.842202
Chicago
Tunca, Emre, and Eyüp Köksal. 2021. “Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi Ile Belirlenmesi”. ÇOMÜ Ziraat Fakültesi Dergisi 9 (1): 189-200. https://doi.org/10.33202/comuagri.842202.
EndNote
Tunca E, Köksal E (June 1, 2021) Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi 9 1 189–200.
IEEE
[1]E. Tunca and E. Köksal, “Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi”, COMU J. Agri. Fac., vol. 9, no. 1, pp. 189–200, June 2021, doi: 10.33202/comuagri.842202.
ISNAD
Tunca, Emre - Köksal, Eyüp. “Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi Ile Belirlenmesi”. ÇOMÜ Ziraat Fakültesi Dergisi 9/1 (June 1, 2021): 189-200. https://doi.org/10.33202/comuagri.842202.
JAMA
1.Tunca E, Köksal E. Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. COMU J. Agri. Fac. 2021;9:189–200.
MLA
Tunca, Emre, and Eyüp Köksal. “Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi Ile Belirlenmesi”. ÇOMÜ Ziraat Fakültesi Dergisi, vol. 9, no. 1, June 2021, pp. 189-00, doi:10.33202/comuagri.842202.
Vancouver
1.Emre Tunca, Eyüp Köksal. Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. COMU J. Agri. Fac. 2021 Jun. 1;9(1):189-200. doi:10.33202/comuagri.842202
Cited By
Konum Tabanlı Tahminde Makine Öğrenme Yöntemlerinin Performansları
Çukurova Üniversitesi Mühendislik Fakültesi Dergisi
https://doi.org/10.21605/cukurovaumfd.1190438Cannabis sativa L. Spectral Discrimination and Classification Using Satellite Imagery and Machine Learning
Agriculture
https://doi.org/10.3390/agriculture12060842Nohut ve Mercimek Üretim Miktarı Tahmini için Meteorolojik Faktörler Odaklı Makine Öğrenmesi Yaklaşımı: Türkiye Örneği
Adnan Menderes Üniversitesi Ziraat Fakültesi Dergisi
https://doi.org/10.25308/aduziraat.1140357