Agricutural Parcel Based Crop Type Classification with Boosting Machine Learning Algorithm

Year 2024, Volume: 29 Issue: 1, 314 - 330, 30.04.2024

Fatih Fehmi Şimşek

https://doi.org/10.53433/yyufbed.1416820

Cited By: 1

Abstract

Thanks to the developing technology, satellite images and remote sensing studies are among the pioneering studies in the field of agriculture. Remote sensing technology is one of the most widely used methods in agricultural crop type detection. The Ministry of Agriculture and Forestry actively uses crop-type maps created with satellite images and remote sensing technology as a basis for support payments. The area within the borders of Seyitgazi and Sivrihisar Districts of Eskişehir Province was selected as the study area, object-based (agricultural parcel) classification was performed using multi-temporal Sentinel-2 images and accelerated machine learning algorithms (GBM, XGBoost, LightGBM, CatBoost) and the results were compared. As a result, the study achieved an overall accuracy of over 90% with each algorithm (GBM- 90.3%, XGBoost- 91.1%, LightGBM- 93.9%, CatBoost- 93.5%). Agricultural parcels created by the Ministry of Agriculture and Forestry were used as objects in the classification study. As a result of the study, it was observed that the boundaries of the agricultural parcel and the cultivated area and boundaries within the parcel differed in some parcels, and it was also observed that agricultural production of more than one different crop was carried out within an agricultural parcel. In order to use these agricultural parcels as objects in the classification study, it was concluded that the parcel boundaries should be organized/divided according to the boundaries of the cultivated area. It was concluded that agricultural parcels could be used with the method applied in small and medium-sized areas, while an alternative method should be developed in large areas.

Keywords

Agricultural parcel, Crop classification, Machine learning, Sentinel-2, Planet scope

Hızlandırılmış Makine Öğrenmesi Algoritmaları ile Tarım Parseli Tabanlı Ürün Desen Sınıflandırması

Abstract

Gelişen teknoloji sayesinde, uydu görüntüleri ve uzaktan algılama çalışmaları, tarım alanında öncü çalışmalar arasında yer almaktadır. Tarımsal ürün desen tespitinde en yaygın kullanılan yöntemlerin başında ise uzaktan algılama teknolojisi gelmektedir. Uydu görüntüleri ve uzaktan algılama teknolojisi ile oluşturulan ürün desen haritaları, Tarım ve Orman Bakanlığı tarafından destekleme ödemelerinde altlık olarak aktif bir şekilde kullanılmaktadır. Bu çalışmada, çalışma alanı olarak Eskişehir İli, Seyitgazi ve Sivrihisar İlçe sınırları içerisinde kalan alan seçilmiş, çok zamanlı Sentinel-2 görüntüleri ve hızlandırılmış makine öğrenme algoritmaları (GBM, XGBoost, LightGBM, CatBoost) kullanılarak obje tabanlı (tarım parseli) sınıflandırma çalışması yapılmış ve sonuçlar karşılaştırılmıştır. Yapılan çalışma sonucunda her bir algoritma ile %90 üzerinde genel doğruluk değerine ulaşılmıştır (GBM- %90.3, XGBoost-%91.1, LightGBM-%93.9, CatBoost-%93.5). Sınıflandırma çalışmasında Tarım ve Orman Bakanlığı tarafından oluşturulan tarım parselleri obje olarak kullanılmıştır. Çalışma sonucunda tarım parsel sınırları ile parsel içerisinde ekim yapılan alan ve sınırların bazı parsellerde farklılık gösterdiği, ayrıca bir tarım parseli içerisinde birden fazla farklı ürüne ait tarımsal üretim yapıldığı gözlemlenmiştir. Bu tarım parsellerinin sınıflandırma çalışmasında obje olarak kullanılması için parsel sınırlarının ekim yapılan alan sınırlarına göre düzenlenmesi/bölünmesi gerektiği sonucuna ulaşılmıştır. Tarım parsellerinin küçük ölçekli ve orta ölçekli alanlarda uygulanan yöntem ile kullanılabilir olduğu, geniş alanlarda ise alternatif bir yöntemin geliştirilmesi gerektiği sonucuna varılmıştır.

Keywords

Makine öğrenmesi, Planet scope, Sentinel-2, Tarım parseli, Ürün sınıflandırma

References

• Antunes, A., Lingnau, C., & Centeno, J. (2003, Nisan). Object oriented analysis and semantic network for high resolution image classification. Anais XI SBSR, Belo Horizonte, Brazil.
• Belgiu, M., & Csillik, O. (2018). Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 204, 509-523. doi:10.1016/j.rse.2017.10.005
• Bui, Q. T., Chou, T. Y., Hoang, T. V., Fang, Y. M., Mu, C. Y., Huang, P. H., ..., & Meadows, E. M. (2021). Gradient boosting machine and object-based CNN for land cover classification. Remote Sensing, 13(14):2709. doi:10.3390/rs13142709
• Chen, T. Q., & Guestrin, C. (2016, Ağustos). XGboost: a scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco. doi:10.1145/2939672.2939785
• Csillik, O., Belgiu, M., Asner, G. P., & Kelly, M. (2019). Object-based timecConstrained dynamic time warping classification of crops using Sentinel-2. Remote Sensing, 11(10), 1257. doi:10.3390/rs11101257
• Dizdaroğlu, T. (2019). Sentinel-1 ve Sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması. (MSc), Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
• Escabias, C. B. (2017). Tree boosting data competitions with XGBoost. (MSc), Universitat Politecnica de Catalunya Facultat de Matematiques i Estadistica.
• Farid, D. M., Maruf, G. M., & Rahman, C. M. (2013, Ağustos). A new approach of boosting using decision tree classifier for classifying noisy data. 2013 International Conference on Informatics, Electronics and Vision (ICIEV), Dhaka, Bangladesh. doi:10.1109/ICIEV.2013.6572718
• Ibrahim, A. A., Ridwan, L. R., Muhammed, M. M., Abdulaziz, R. O., & Saheed, G. A. (2020). Comparison of the catboost classifier with other machine learning methods. International Journal of Advanced Computer Science and Applications, 11(11), 738-748. doi:10.14569/IJACSA.2020.0111190
• Jafarzadeh, H., Mahdianpari, M., Gill, E., Mohammadimanesh, F., & Homayouni, S. (2021). Bagging and boosting ensemble classifiers for classification of multispectral, hyperspectral and polsar data: a comparative evaluation. Remote Sensing,13(21), 4405. doi:10.3390/rs13214405
• Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA.
• Kuş, İ., Keser, S. B., & Yolaçan N. E. (2021), Saldırı tespit sistemlerinde topluluk öğrenme yöntemlerinin kıyaslanması. European Journal of Science and Technology, 31(1) 725-734. doi:10.31590/ejosat.971875
• Li, B. (2022). Farm parcel extraction in high resolution remote sensing image based on hierarchical spectrum and shape features. Preprint from Research Square. doi:10.21203/rs.3.rs-1218962/v1
• Li, W., Ding, S., Chen, Yi., Wang, H., & Yang, S. (2019). Transfer learning-based default prediction model for consumer credit in China. The Journal of Supercomputing, 75, 862-884. doi:10.1007/s11227-018-2619-8
• Maxwell, A. E., Warner, T. A., & Fang, F. (2018), Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817. doi:10.1080/01431161.2018.1433343
• Medium. (2023). CatBoostClassifier ne demek ? https://medium.com/@meltem.aydin1875/catboostclassifier-ne-demek-d5656d5f9fd9 Erişim tarihi: 20.09.2023.
• Mitchell, R., & Frank, E. (2017). Accelerating the XGBoost algorithm using GPU computing. PeerJ Computer Science, 3, e127. doi:10.7717/peerj-cs.127
• Natekin, A., & Knoll, A. (2013). Gradient boosting machines, a tutorial. Front Neurorobot, 7, 21. doi:10.3389/fnbot.2013.00021
• Patrous, Z. S. (2018). Evaluating XGBoost for user classification by using behavioral features extracted from smartphone sensors. (MSc), KTH Royal Institute of Technology, School of Computer Science and Communication, Sweden.
• Planet. (2023). Education and Research Program. https://www.planet.com/markets/education-and-research/ Erişim tarihi: 10.08.2023.
• Safarov, F., Temurbek, K., Jamoljon, D., Temur, O., Chedkou, J. C., Abdusalomov, A. B., & Co, Y-I. (2022). Improved agricultural field segmentation in satellite imagery using TL-ResUNet architecture. Sensor, 22(24), 9784. doi:10.3390/s22249784
• Sentinel Online. (2022). Sentinel-2 Mission Guide https://sentinels.copernicus.eu/web/sentinel/missions/sentinel-2 Erişim tarihi: 16.08.2023.
• Tavus, B., Karataş, K., & Türker, M. (2019). Tarımsal alanlarda yüksek çözünürlüklü IKONOS uydu görüntüsünden nesne-tabanlı ürün deseni tespiti. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(5), 603-614. doi:10.5505/pajes.2018.25428
• Üstüner, M., Abdikan, S., Bilgin, G., & Balık Şanlı, F. (2020). Hafif gradyan artırma makineleri ile tarımsal ürünlerin sınıflandırılması. Türk Uzaktan Algılama ve CBS Dergisi, 1(2), 97-105.
• Vajsová, B., Fasbender, D., Wirnhardt, C., Lemajic, S., & Devos, W. (2020). Assessing spatial limits of Sentinel-2 data on arable crops in the context of checks by monitoring. Remote Sensing, 12(14), 2195. doi:10.3390/rs12142195
• VBO. (2023). https://www.veribilimiokulu.com/lightgbm/ Erişim tarihi: 20.06.2023.
• Viana, C. M., Girão, I., & Rocha, J. (2019). Long-term satellite image time-series for land use/land cover change detection using refined open source data in a rural region. Remote Sensing, 11(9), 1104. doi:10.3390/rs11091104
• Zhang, H., Kang, J., Xu, X., & Zhang, L. (2020). Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang Province, China. Computers and Electronics in Agriculture, 176(2), 105618. doi:10.1016/j.compag.2020.105618
• Zhu, Z., & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote Sensing of Environment, 118, 83-94. doi:10.1016/j.rse.2011.10.028