Evaluation of Classification Differences Occurring Between 2019-2020 in Trabzon Province with Sentinel-2A Data Using Different Algorithms

Year 2023, Volume: 5 Issue: 2, 78 - 88, 30.12.2023

Esma Nur Akosman , Hasan Bilgehan Makineci

https://doi.org/10.51489/tuzal.1383784

Abstract

Environmental status reports are important documents that reveal the situation of the relevant city and its surroundings as of the years they were published. Based on the 2021 environmental status report covering Trabzon Province and its surroundings, it has been noticed that green areas are decreasing in the 1/100000 scale environmental arrangement plan (EAP) classification. This study examined the change in the green regions in Trabzon Province with different controlled-uncontrolled classification methods and random forest (RF) algorithm, one of the machine learning algorithms, between 2019 and 2020. In monitoring the change, classification processes were carried out with Normalized Difference Vegetation Index (NDVI), controlled, uncontrolled, and RO algorithm. Classification results were evaluated using the Sentinel-2A satellite data sets of the study area between May 2019 and May 2020, using band composites with 10 m spatial resolution and performing NDVI processing. As a result, as a result of the controlled classification process, the general accuracy rate for 2019 was 100.0%, while the general accuracy rate for 2020 was 81.31%. Classification of satellite images was also carried out with the RO algorithm, one of the machine learning algorithms, and the overall accuracy rate was obtained as 97.6%.

Keywords

Sentinel-2, NDVI, Random Forest, Supervised Classification

Sentinel-2A Verileriyle Trabzon İli 2019-2020 Yılları Arasında Ortaya Çıkan Sınıflandırma Farklarının Çeşitli Algoritmalarla Değerlendirilmesi

Abstract

Çevre durum raporları yayınlandıkları yıllar itibariyle ilgili şehrin ve çevresinin durumunu ortaya koyan önemli dokümanlardır. Trabzon İli ve çevresini kapsayan 2021 çevre durum raporundan yola çıkarak 1/100000 ölçekli çevre düzenleme planı (ÇDP) sınıflandırmasında yeşil alanların azalmakta olduğu fark edilmiştir. Bu çalışmada Trabzon İli yeşil alanların değişiminin 2019-2020 yılları arasında farklı kontrollü-kontrolsüz sınıflandırma yöntemleri ve makine öğrenmesi algoritmalarından rastgele orman (RO) algoritmasıyla incelenmesi sağlanmıştır. Değişimin izlenmesinde Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), kontrollü, kontrolsüz ve RO algoritmasıyla sınıflandırma işlemleri gerçekleştirilmiştir. Çalışma alanının Sentinel-2A uydu veri setleriyle, 2019 yılı Mayıs ile 2020 yılı Mayıs ayları arasındaki, 10 m mekânsal çözünürlükteki bant kompozitleri kullanılarak ve NDVI işlemi gerçekleştirilerek sınıflandırma sonuçları değerlendirilmiştir. Sonuç olarak gerçekleştirilen kontrollü sınıflandırma işlemi sonucunda 2019 yılı için genel doğruluk oranı %100.0 iken 2020 yılı için genel doğruluk oranı %81.31 olarak elde edilmiştir. Uydu görüntülerinde makine öğrenmesi algoritmalarından RO algoritmasıyla sınıflandırma işlemi de gerçekleştirilmiştir ve genel doğruluk oranı %97.6 olarak elde edilmiştir.

Keywords

Sentinel-2, NDVI, Kontrollü Sınıflandırma, Rastgele Orman

Thanks

Araştırmada kullanılan Sentinel-2 uydu verilerini ücretsiz sağlayan Avrupa Uzay Ajansı (ESA) ve Çevre Düzeni Planını ücretsiz sağlayan Çevre, Şehircilik ve İklim Değişiklikleri Bakanlığı Mekânsal Planlama Genel Müdürlüğü’ne teşekkürlerimizi sunarız.

References

• Akar, Ö., & Güngör, O. (2012). Rastgele Orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi Ve Jeoinformasyon Dergisi(106), 139-146. https://doi.org/10.9733/jgg.241212.1t
• Akar, Ö., & Tunç Görmüş, E. (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68-81. https://doi.org/10.29128/geomatik.476668
• Aksoy Y., Ergun N., (2009). Kentleşme Ve Yeşil Alan Sorunu Üzerine Bir Araştırma İstanbul Kenti Bakırköy İlçesi Örneği, Tübav Bilim Dergisi, Cilt:2, Sayı:4, Sayfa:426-438.
• Antoine L., Christophe S., Thomas C., (2016). Monitoring urban areas with sentinel-2a data: application to the update of the copernicus high resolution layer imperviousness degree, Remote Sens. 2016, 8(7), 606.
• Apaydın C., Abdikan S., (2021). Fındık Bahçelerinin Sentinel-2 Verileri Kullanılarak Piksel Tabanlı Sınıflandırma Yöntemleriyle Belirlenmesi. Geomatik Dergisi – 2021; 6(2); 107-114.
• Belward A.S. ve Skoien, J.O. (2015). Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS Journal of Photogrammetry and Remote Sensing, vol. 103, no. May 2015, 115-128, 2014.
• Breiman, L. (2001). Random forests,machine learning, 2001 Kluwer Academic Publishers, 45(1), 5-32.
• Breiman, L. ve Cutler, A.. (2005). Random Forest, http://www.stat.berkeley.edu/~breiman/Ran domForests/ cc_home.htm (15.11.2009).
• Carlson, T. N., & Ripley, D. A. (1997). On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote sensing of Environment, 62(3), 241-252.
• Çölkesen, İ. ve Yomralıoğlu, T. (2014). Arazi Örtüsü ve Kullanımının Haritalanmasında WorldView-2 Uydu Görüntüsü ve Yardımcı Verilerin Kullanımı, Harita Dergisi, Temmuz 2014 (152): 12-24.
• Dereli M. A., (2019). Sentinel-2a uydu görüntüleri ile Giresun İl merkezi için kısa dönem arazi örtüsü değişiminin belirlenmesi, AKU J. Sci. Eng. 19 (2019) 025501(361-368).
• Dönmez Y., Aydınözü D., (2013). Bitki Özellikleri Açısından Türkiye. İstanbul Üniversitesi Edebiyat Fakültesi Coğrafya Bölümü Coğrafya Dergisi Sayı 24, Sayfa 1-17, İstanbul, 2012.
• Fırat A. S., (2014). Doğayı Ve İnsanı Yoksullaştırıcı Kentleşme Pratikleri. Tesam Akademi Dergisi - Turkish Journal of TESAM Academy Temmuz - July 2014. 1 (2) . 31-64 ISSN: 2148 – 2462.
• Jensen, J. R., Garcia-Quijano, M., Hadley, B., Im, J., Wang, Z., Nel, A. L.,Teixeira, E., Davis, B. A., 2006, Remote Sensing Agricultural Crop Type For Sustainable Development In South Africa, Geocarto International, 21 (2), 5-18.
• Karagöl S., Bayram B., Erdem F., Bakırman T., (2021). Aktarımlı Öğrenme ile SENTINEL-2 Görüntülerinden Kıyı Çizgisi Bölütlemesi. Türkiye Uzaktan Algılama Dergisi – 2021; 3(1); 01-07.
• Karakuş, P., 2017, Çok zamanlı uydu görüntü verileri ile tarımsal ürünlerin belirlenmesi ve verim tahmini, Doktora Tezi, Selçuk Üniversitesi.
• Karakuş P., Karabörk H., (2020). Crop Cover Fraction Estimation Based On Digital Images from 2014-2016: A Case Study of Kadirli in Osmaniye Province. Turkish Journal of Remote Sensing – 2020; 2(2); 50-57.
• Karasu, S., Hacıoğlu, R. & Altan, A. (2018). Prediction of Bitcoin Prices with Machine Learning Methods using Time Series Data, 26th signal Processing and Communications Applications Conference.
• Kaya, Y., & Polat, N. (2021). Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1), 99-110.
• Lemenkova, P. (2021). ISO Cluster classifier by ArcGIS for unsupervised classification of the Landsat TM image of Reykjavík. Bulletin of Natural Sciences Research, 11(1), 29-37.
• Makineci, H. B. (2023). Spatio-temporal change detection of built-up areas with Sentinel-1 SAR data using random forest classification for Arnavutköy Istanbul. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 12(2), 626-636.
• Malenovský, Z., Rott, H., Cihlar, J., Schaepman, E. M, García-Santos, G., Fernandes, R. and Berger, M. (2012). Sentinels for science: Potential of Sentinel-1, -2 and -3 missions for scientific observations of ocean, cryosphere, and land, Remote Sens. Environ., no. 120, p. 91–101.
• Matinfar H.R., Sarmadian F., AlaviPanah S.K., Heck R.J., (2007), Comparisons of object-oriented and pixel-based classification of land use/land cover types based on lansadsat7, etm+ spectral bands (case study: arid region of Iran), American-Eurasian J. Agric. &Environ. Sci., 2 (4), 448-456.
• Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S. ve Weng, Q. H., 2011, Perpixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery, Remote Sensing of Environment, 115 (5), 1145-1161.
• Myung I.J. 2003. Tutorial on maximum likelihood estimation. Journal of Mathematical Psychology, 47 90–100.
• Nijhawan, R., Srivastava, I., & Shukla, P. (2017, June). Land cover classification using super-vised and unsupervised learning techniques. In 2017 international conference on computational intelligence in data science (ICCIDS) (pp. 1-6). IEEE.
• Platt, R. V. ve Rapoza, L., (2008). An evaluation of an object-oriented paradigm for land use/land cover classification, Professional Geographer, 60 (1), 87-100.
• Tektaş Y., Polat N., (2021). HEC-RAS İle Taşkın Modelleme ve Sentinel-2 Uzaktan Algılama Görüntüsünden Taşkın Hasar Analizi: Diyarbakır İli Çakmak Deresi Çınar Bölgesi Örneği. Türkiye Uzaktan Algılama Dergisi – 2021; 3(1); 28-35.
• Torunlar H., Tuğaç M. G., Duyan K., (2021). Nesne Tabanlı Sınıflandırma Yönteminde Sentinel-2A Uydu Görüntüleri Kullanılarak Tarımsal Ürün Desenlerinin Belirlenmesi; Konya-Karapınar Örneği. Türkiye Uzaktan Algılama Dergisi – 2021; 3(2); 36-46.
• Vlachou, S., Georgaki, M., Pagkratis, C., & Poulos, M. (2016). Unsupervised Clustering Evaluation on Services of Public Library. WSEAS Transactions on Advances in Engineering Education, 13, 44-49.
• Weih, R. C. ve Riggan, N. D., (2010). Object-Based Classification Vs. Pixel-Based Classification: Comparitive Importance of Multi-Resolution Imagery, Geobia, Geographic Object-Based Image Analysis, 38-4-C7.
• Whiteside, T. G., Boggs, G. S. ve Maier, S. W., (2011). Comparing object-based and pixel-based classifications for mapping savannas, International Journal ofApplied Earth Observation and Geoinformation, 13 (6), 884-893.
• Yılmaz M., (2018). Tarımsal Yaz Ürünlerin Sentinel-2 Uydu Görüntülerinden Rastgele Orman Algoritması İle Nesne-Tabanlı Sınıflandırılması.
• Yiğit A. Y., Uysal M., (2019). Nesne Tabanlı Sınıflandırma Yaklaşımı Kullanılarak Yolların Tespiti. Türkiye Fotogrametri Dergisi– 2019; 1(1); 17-24.
• URL-1: https://custom scripts. sentinelhub.com / custom scripts/ sentinel2 /composites/ [Erişim tarihi: 22.06.2022]
• URL-2: https://blog.esri.com.tr/2019/02/25/senti nel-2-uydu-goruntuleriyle-esri-sentinel-2-expl orer-web-uygulamasi- araciligiyla-calismak/ [Erişim tarihi: 24.06.2022].
• URL-3: https://webdosya.csb.gov.tr/db/ced/icerik ler/ 2020_trabzon_-cdr-20210616135008.pdf [Erişim tarihi: 23.11.2023].