Analysis of Forest Areas by Object-Based Classification Method Using GeoEye-1 Satellite Image: A Case Study of Kastamonu Province

Year 2023, , 894 - 925, 15.09.2023

Duygu Bıyıklı , Aycan Murat Marangoz

https://doi.org/10.31466/kfbd.1268512

Abstract

Thanks to the development of remote sensing technologies, different analysis methods, and software, it is possible to classify objects with high accuracy over satellite images. In this study, classification successes of land cover types and other class types were investigated by using a high resolution GeoEye-1 satellite image taken on September 3, 2011, of the 12X12 km study area belonging to Kastamonu Regional Directorate of Forestry, Central Operations Directorate. While the overall accuracy value was 90.59%, the kappa value was found to be 0.872. After the high-accuracy classified image obtained by using the object-based classification method with eCognition software, the stand map with 1/25000 scale raster data was converted into vector data with NetCAD v5.2 software and prepared as a base for comparisons. In the continuation of the application, the GeoEye-1 satellite image was vectorized manually and compared both visually and numerically with the classification results and the vector data of the stand map. As a result of the study, it was concluded that the stand map used in forestry activities is not sufficient for the precise classification of objects, since it shows both large-scale and low spatial resolution and only shows class types with large areas such as forest cover types. It has also been shown that the classified GeoEye-1 satellite image obtained with high visual and numerical accuracy can be easily used instead of stand maps in the field of forestry.

Keywords

Object-Based classification, eCognition software, Stand type maps, Geoeye-1 satellite image, NetCAD V5.2 software

GeoEye-1 Uydu Görüntüsü Kullanarak Ormanlık Alanların Nesne Tabanlı Sınıflandırma Yöntemi ile Analizi: Kastamonu İli Örneği

Abstract

Uzaktan algılama teknolojilerinin gelişmesi, farklı analiz yöntemleri ve yazılımlar sayesinde uydu görüntüleri üzerinden nesnelerin yüksek doğrulukla sınıflandırılmaları mümkündür. Bu çalışmada, Kastamonu Orman Bölge Müdürlüğü, Merkez İşletme Şefliğine ait 12X12 km’lik çalışma alanının, 3 Eylül 2011 tarihinde çekilmiş yüksek çözünürlüklü GeoEye-1 uydu görüntüsü kullanılarak, arazi örtü tipleri ve diğer sınıf türlerine ait sınıflandırma başarıları incelenmiştir. Genel doğruluk değeri %90.59 olurken kappa değeri ise 0.872 olarak bulunmuştur. eCognition yazılımı ile nesne tabanlı sınıflandırma yöntemi kullanılarak elde edilen yüksek doğruluklu sınıflandırılmış görüntü sonrası, 1/25000 ölçekli raster veri olan meşcere haritası NetCAD v5.2 yazılımı ile vektör veri haline getirilerek karşılaştırmalar için altlık olarak hazırlanmıştır. Uygulamanın devamında GeoEye-1 uydu görüntüsü elle vektörleştirilerek, sınıflandırma sonuçları ve meşcere haritasına ait vektör veri ile hem görsel hem de sayısal olarak karşılaştırılmıştır. Çalışmanın sonucunda ormancılık faaliyetlerinde kullanılan meşcere haritasının, hem büyük ölçekli hem konumsal çözünürlüğünün düşük olması hem de sadece orman örtü tipleri gibi geniş alanlara sahip sınıf türlerini göstermesinden kaynaklı, nesnelerin hassas sınıflandırılmaları için yeterli olmadığı sonucu elde edilmiştir. Görsel ve sayısal olarak yüksek doğrulukla elde edilen sınıflandırılmış GeoEye-1 uydu görüntüsü ile ormancılık alanında meşcere haritalarının yerine rahatlıkla kullanılabileceği de gösterilmiştir.

Keywords

Nesne tabanlı sınıflandırma, eCognition yazılımı, Meşcere haritası, GeoEye-1 uydu görüntüsü, NetCAD v5.2 yazılımı

References

• Arda, G. (2020). Landsat Uydu Görüntüleri Kullanılarak Nesne Tabanlı Sınıflandırma Yöntemi ile Alan Kullanım/Arazi Örtüsü Değişiminin Değerlendirilmesi: Muğla-Ula Örneği. ArtGRID-Journal of Architecture Engineering and Fine Arts, 2(1), 49-61.
• Arıkan, D., ve Yıldız, F. Göktürk-1 Uydu Görüntülerinden U-Net Modeli Kullanılarak Binaların Segmentasyonu. Türkiye Uzaktan Algılama Dergisi, 5(1), 50-58.
• Ateşoğlu, A., Tunay, M., Topan, H., ve Oruç, M. (2007). Uydu Görüntüleri Bilgi İçeriğinin Ormancılık Çalışmaları Açısından Değerlendirilmesi. Orman Kaynaklarının İşlevleri Kapsamında Darboğazları, Çözüm Önerileri ve Öncelikler, 17, 19.
• Avcı, Z. D. U., ve Sunar, F. (2018). Nesne Tabanlı Arazi Örtüsü/Arazi Kullanımı Değişim Analizi: İstanbul 3. Havalimanı.
• Aydın-Kandemir, F., ve Sarptaş, H. (2022). Toprak Üstü Biyokütle Potansiyelinin CBS ve Uzaktan Algılama ile Belirlenmesi–Yeni Bir Yaklaşım. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 24(70), 165-178.
• Baatz, M. (2000). Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte geographische informationsverarbeitung, 12-23.
• Baatz, M., Benz, U., Dehghani, S., Heynen, M., Höltje, A., Hofmann, P., and Willhauck, G. (2004). eCognition professional user guide 4. Definiens Imaging, Munich.
• Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I., and Heynen, M. (2004). Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of photogrammetry and remote sensing, 58(3-4), 239-258.
• Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS journal of photogrammetry and remote sensing, 65(1), 2-16.
• Blaschke, T., and Strobl, J. (2001). What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS. Zeitschrift für Geoinformationssysteme, 12-17.
• Carleer, A. P., and Wolff, E. (2006). Urban land cover multi‐level region‐based classification of VHR data by selecting relevant features. International Journal of Remote Sensing, 27(6), 1035-1051.
• Colkesen, I., and Kavzoglu, T. (2017). The use of logistic model tree (LMT) for pixel-and object-based classifications using high-resolution WorldView-2 imagery. Geocarto International, 32(1), 71-86.
• eCognition (2011) Trimble Documentation. eCognition Developer 8.7 User Guide, München, Germany, 258pp.
• Ersoy, E., Yılmaz, K. T., Atak, B. K., ve Gülçin, D. (2019). Sentinel-2A uydu görüntüsünde nesne tabanlı sınıflandırma yöntemi kullanılarak kıyı habitatlarının haritalanması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 19(1), 152-161.
• Holland, D. A., Boyd, D. S., and Marshall, P. (2006). Updating topographic mapping in Great Britain using imagery from high-resolution satellite sensors. ISPRS Journal of Photogrammetry and Remote Sensing, 60(3), 212-223.
• Jensen, J. R. (1996). Introductory digital image processing: a remote sensing perspective (No. Ed. 2). Prentice-Hall Inc.
• Lillesand, T., Kiefer, R. W., and Chipman, J. (2015). Remote sensing and image interpretation. John Wiley & Sons.
• Maktav, D., ve Sunar, F. (1991). Uzaktan algılama: Kantitatif yaklaşım. Swain, Philip H., Davis, Shirley M.’den çeviri.
• Mathieu, R., Aryal, J., and Chong, A. K. (2007). Object-based classification of Ikonos imagery for mapping large-scale vegetation communities in urban areas. Sensors, 7(11), 2860-2880.
• Neccaroğlu, V. (2016). Rüzgar enerjisi çalışmalarında yüzey pürüzlülüğünün sayısal görüntü işleme yöntemleri ile analizi ve uygulaması (Master's thesis, Bilecik Şeyh Edebali Üniversitesi, Fen Bilimleri Enstitüsü).
• Shaban, M. A., and Dikshit, O. (2001). Improvement of classification in urban areas by the use of textural features: the case study of Lucknow city, Uttar Pradesh. International Journal of remote sensing, 22(4), 565-593.
• Shackelford, A. K., and Davis, C. H. (2003). A combined fuzzy pixel-based and object-based approach for classification of high-resolution multispectral data over urban areas. IEEE Transactions on GeoScience and Remote sensing, 41(10), 2354-2363.
• Sunnetci, K. M., and Alkan, A. (2022). Biphasic majority voting-based comparative COVID-19 diagnosis using chest X-Ray images. Expert Systems with Applications, 119430.
• Sunnetci, K. M., Kaba, E., Celiker, F. B., and Alkan, A. (2023). Deep Network-Based Comprehensive Parotid Gland Tumor Detection. Academic Radiology.
• Torunlar, H., Tuğaç, M. G., ve Duyan, K. (2021). Nesne Tabanlı Sınıflandırma Yönteminde Sentinel-2A Uydu Görüntüleri Kullanılarak Tarımsal Ürün Desenlerinin Belirlenmesi; Konya-Karapınar Örneği. Türkiye Uzaktan Algılama Dergisi, 3(2), 36-46.
• Trimble (2012). eCognition Developer User Guide, Trimble Germany GmbH, München, 261 pp.
• URL-1: http://www.nik.com.tr/content_sistem_uydu.asp?id=12 Erişim tarihi: 14.03.2023
• Yan, G. (2003, March). Pixel based and object oriented image analysis for coal fire research. Enschede, The Netherlands: ITC.
• Yan, G., Mas, J. F., Maathuis, B. H. P., Xiangmin, Z., and Van Dijk, P. M. (2006). Comparison of pixel‐based and object‐oriented image classification approaches—a case study in a coal fire area, Wuda, Inner Mongolia, China. International journal of remote sensing, 27(18), 4039-4055.
• Yiğit, A. Y., ve Uysal, M. (2019). Nesne Tabanlı Sınıflandırma Yaklaşımı Kullanılarak Yolların Tespiti. Türkiye Fotogrametri Dergisi, 1(1), 17-24.
• Yurtseven, H. (2014). Yüksek Çözünürlüklü Uydu Verileri ile Obje Tabanlı Görüntü Analizleri. Fen Bilimleri Enstitüsü. İstanbul, Türkiye, İstanbul Üniversitesi, 147.