Rastgele orman algoritması ve Sentinel-2 MSI ile fındık ekili alanların belirlenmesi: Piraziz Örneği

Yıl 2023, , 91 - 98, 15.08.2023

Seda Terzi Türk , Filiz Balçık

https://doi.org/10.29128/geomatik.1127925

Cited By: 5

Öz

Türkiye’de yetiştirilen sert kabuklu meyvelerin başında gelen fındık, özellikle Doğu Karadeniz bölgesi için ekonomik olarak büyük önem taşımaktadır. Bu çalışmada, 22 Ekim, 2020 tarihli Sentinel-2 MSI uydu görüntüsü bantları ve hesaplanan indeksler ile oluşturulan farklı veri setleri kullanılarak fındık ekili tarım alanları belirlenmiştir. Çalışmaya dâhil edilen farklı bitki indekslerinin hesaplanması ile 5 veri seti üretilmiştir. Giresun ili Piraziz ilçesi çalışma bölgesi seçilmiştir. Sınıflandırma işlemi için rastgele orman (RO) görüntü sınıflandırma yöntemi kullanılmıştır. Çalışma alanında 7 farklı Arazi Kullanımı/Arazi Örtüsü (AKAÖ) tipleri tanımlanmıştır. Birinci veri seti için; seçilen Sentinel-2 MSI bantları RO algoritması ile sınıflandırılmıştır. Diğer veri setlerinde sırasıyla; Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), Yeşil Bant Normalize Edilmiş Fark Bitki Örtüsü İndeksi (GNDVI) ve Normalize Edilmiş Fark Kırmızı Kenar İndeksi (NDVIre) eklenmiştir. 5 veri setine ait sınıflandırma sonuçları hata matrisi kullanılarak karşılaştırılmıştır. McNemar testi sonuçlarına göre her veri seti için sınıflandırma doğruluğu arasındaki farkların istatistiksel olarak anlamlı olmadığı görülmüştür. Veri seti 1 için hesaplanan genel doğruluk %98.98 ve Kappa değeri 0,98 ile diğer dört veri setinden daha yüksek elde edilmiştir. 

Anahtar Kelimeler

Uzaktan Algılama, Rastgele Orman Sınıflandırması, Sentinel-2 MSI, Fındık Ekili Alanlar

Kaynakça

• Ahady, A. B., & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31.
• Akar, Ö., & Güngör, O. (2013). Eş Dizimlilik Matrisi ve Rastgele Orman Sınıflandırıcısı ile Çay ve Fındık Alanlarının Sınıflandırılması.
• Amliana, D. R., Prasetyo, Y., & Sukmono, A. (2016). Analisis Perbandingan Nilai Ndvı Landsat 7 Dan Landsat 8 Pada Kelas Tutupan Lahan (Studi Kasus: Kota Semarang, Jawa Tengah). Jurnal Geodesi Undip, 5(1), 264-274.
• Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
• Archer, K. J., & Kimes, R. V. (2008). Empirical characterization of random forest variable importance measures. Computational statistics & data analysis, 52(4), 2249-2260.
• Aydinoglu, A. C. (2010). Examining environmental condition on the growth areas of Turkish Hazelnut (Corylus Colurna L.). African Journal Of Biotechnology, 9(39), 6492-6502.
• Balçık, F. B. (2018). Evaluation Of Sentinel-2 Msi Data for Land Use/Land Cover Classification Using Different Vegetation İndices. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 6, 839-846.
• Bayburt, S. (2009). Uydu Görüntülerinin Piksel ve Nesne Tabanlı Sınıflandırma Sonuçlarının Karşılaştırılması (Doğu Trakya Bölgesi Örneği) (Doctoral Dissertation, Fen Bilimleri Enstitüsü).
• Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 114, 24-31.
• Bigler, C., Gavin, D. G., Gunning, C., & Veblen, T. T. (2007). Drought induces lagged tree mortality in a subalpine forest in the Rocky Mountains. Oikos, 116(12), 1983-1994.
• Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
• Brinkhoff, J., Vardanega, J., & Robson, A. J. (2019). Land Cover Classification Of Nine Perennial Crops Using Sentinel-1 And-2 Data. Remote Sensing, 12(1), 96.
• Congalton, R. G., & Green, K. (2009). Assessing The Accuracy Of Remotely Sensed Data, 2. Baskı, Crc Press, New York.
• Çölkesen, İ., & Yomralıoğlu, T. (2014). Arazi örtüsü ve kullanımının haritalanmasında WorldView-2 uydu görüntüsü ve yardımcı verilerin kullanımı. Harita Dergisi, 152(2), 12-24.
• Delen, A., Balık Şanlı, F., (2017), Determination of Cotton Fields By Object-Based Classification Method: A Case Study in Menemen District. Journal Of New Results in Engineering and Natural Science, 6, 1-8
• Doğru, B. (2020). Fındık, İklim Değişikliği ve Çevresel Etkiler Raporu. Rainforest Alliance https://Www.Rainforest-Alliance.Org/ (Access Date: 09.09.2020)
• Efe, E., & Alganci, U. (2023). Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik, 8(1), 27-34.
• ENVI, (2005), ENVI’s User Guide, http://geol.hu/data/online_help/ApplyingMaximumLikelihoodClassification.html
• Foody, G. M. (2004). Thematic map comparison. Photogrammetric Engineering & Remote Sensing, 70(5), 627-633.
• Gitelson, A. A., & Merzlyak, M. N. (1996). Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. Journal of plant physiology, 148(3-4), 494-500.
• Gorton, M., & Tregear, A. (2008). Government Support To Regional Food Producers: An Assessment Of England's Regional Food Strategy. Environment And Planning C: Government And Policy, 26(6), 1047-1060.
• Immitzer, M., Vuolo, F., & Atzberger, C. (2016). First Experience With Sentinel-2 Data For Crop And Tree Species Classifications İn Central Europe. Remote Sensing, 8(3), 166.
• Jackson, R. D., & Huete, A. R. (1991). Interpreting vegetation indices. Preventive veterinary medicine, 11(3-4), 185-200.
• Jensen, J. R. (2005). Thematic İnformation Extraction: Pattern Recognition. Introductory Digital Image Processing: A Remote Sensing Perspective, 337-406.
• Karakuş, P., Karabork, H., & Kaya, S. (2017). A comparison of the classification accuracies in determining the land cover of Kadirli Region of Turkey by using the pixel based and object based classification algorithms. International Journal of Engineering and Geosciences, 2(2), 52-60.
• Kavzoglu, T., & Reis, S. (2008). Performance Analysis of Maximum Likelihood And Artificial Neural Network Classifiers For Training Sets With Mixed Pixels. Gıscience & Remote Sensing, 45(3), 330-342.
• Kayalak, S. (2009). Türkiye Fındık Piyasasındaki Ekonomik Değişkenlerin Yapısal Değişimi ve Zaman Serisi Analizi. Ankara Üniversitesi Fen Bilimleri Enstitüsü, Yayınlanmamış Doktora Tezi, Ankara.
• Liu, J., Zhang, Z., & Zhang, M. (2018). Impacts of forest structure on precipitation interception and run‐off generation in a semiarid region in northern China. Hydrological Processes, 32(15), 2362-2376.
• Marangoz, A. M. (2009). Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Yöntemiyle Belirlenmesi ve CBS Ortamında Bütünleştirilmesi. Yıldız Teknik Üniversitesi, Fbe Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan Doktora Tezi, İstanbul, 53-65.
• Monarca, D., Cecchini, M., Colantoni, A., Bedini, R., Longo, L., Bessone, W., ... & Schillaci, G. (2016, May). Evaluation Of Safety Aspects for A Small-Scale Machine for Nuts Harvesting. In Proceedings of The Mechtech 2016 Conference—Mechanization and New Technologies for The Control and Sustainability of Agricultural and Forestry Systems, Alghero, Italy (Pp. 32-35).
• Pedrotti, F. (2004). Cartografia Geobotanica. Pitagora.
• Reis, S., & Taşdemir, K. (2010). Fındık Alanlarının Kendini Örgütleyen Eşlemlerle (Self Organizing Maps) Belirlenmesi.
• Rivas-Martinez, S. (2005). Notions On Dynamic-Catenal Phytosociology as A Basis of Landscape Science. Plant Biosystems-An International Journal Dealing with All Aspects of Plant Biology, 139(2), 135-144.
• Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Spec. Publ, 351(1), 309.
• Sener, M., Altıntas, B., & Kurc, H. C. (2013). Planning And Controlling Of Hazelnut Production Areas With The Remote Sensing Techniques. Ksü Doğa Bilimleri Dergisi, 16(1).
• Souza, J. B. C., De Brito Filho, A. L., Carneiro, F. M., Do Santos, A. F., & Da Silva, R. P. (2020). Avaliação Da Qualidade Dos Índices De Vegetação (Ndre E Ndvı) Para A Cultura Do Amendoim, Utilizando Cartas De Controle. South American Sciences, 1(1), E2095-E2095.
• Sunar, F., Özkan, C., & Osmanoğlu, B. (2013). Uzaktan Algılama (2.Baskı). T.C. Anadolu Üniversitesi, Yayın No: 2320, Açıköğretim Fakültesi Yayın No:1317, Eskişehir.
• Taşdemir, K. (2012). Exploiting Spectral and Spatial İnformation for the İdentification of Hazelnut Fields Using Self-Organizing Maps. International Journal of Remote Sensing, 33(19), 6239-6253.
• Ünal, E., Aydoğdu, M., Ceylan, N., Sezer, A., Özenç, N., & Duyar, Ö. (2010). Giresun İlinde Fındık Alanlarının Uzaktan Algılama ile Tespit Edilmesinde Arazi Topografyasının Etkisinin İncelenmesi ve Alternatif Tarım Ürünlerine Uygunluğunun Belirlenmesi. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 19(1-2), 1-10.
• Wang, Z., Yang, X., Liu, Y., & Lu, C. (2018). Extraction of Coastal Raft Cultivation Area with Heterogeneous Water Background by Thresholding Object-Based Visually Salient NDVI from High Spatial Resolution İmagery. Remote Sensing Letters, 9(9), 839-846.
• Yousefi, S., Mirzaee, S., Almohamad, H., Al Dughairi, A. A., Gomez, C., Siamian, N., ... & Abdo, H. G. (2022). Image Classification and Land Cover Mapping Using Sentinel-2 Imagery: Optimization of SVM Parameters. Land, 11(7), 993.