Makine öğrenmesi yöntemleri ve çok mevsimli Sentinel-2 verileri kullanılarak ağaç türlerinin haritalanması: Bolu Aladağ ormanları örneği

Öz

Giriş ve Hedefler Çok zamanlı uydu gözlemleri, heterojen orman ekosistemlerinde ağaç türlerinin belirlenmesi ve orman kompozisyonunun haritalanması açısından önemli bilgiler sağlamıştır. Bu çalışmada, Bolu ili Aladağ Ormanlarında baskın ağaç türlerinin sınıflandırılması amacıyla farklı mevsimlere ait Sentinel-2 görüntülerinin makine öğrenmesi yöntemleri ile birlikte kullanılması amaçlanmıştır. Yöntemler Çalışmada Nisan, Ağustos ve Kasım aylarına ait Sentinel-2 görüntüleri kullanılmıştır. Karaçam, Sarıçam, Göknar, Kayın ve Sapsız Meşe olmak üzere beş farklı ağaç türü analiz edilmiştir. Sınıflandırma sürecinde spektral bantlar, spektral indisler, topografik değişkenler ve mevsimsel göstergelerden oluşan veri seti değerlendirilmiştir. Arazi çalışmaları kapsamında elde edilen 112 örnek nokta model eğitimi ve doğrulama amacıyla referans veri olarak kullanılmıştır. Destek Vektör Makineleri (SVM) ve Yapay Sinir Ağları (ANN) yöntemleri uygulanmıştır. Bulgular Bağımsız test veri setinden elde edilen sonuçlar, her iki yaklaşımın da yüksek sınıflandırma performansı sağladığını göstermiştir. SVM modeli polinom çekirdeği kullanıldığında %99,22, radyal tabanlı fonksiyon (RBF) çekirdeği kullanıldığında ise %99,03 genel doğruluk değerine ulaşmıştır. ANN modeli %98,09 genel doğruluk sağlamıştır. Mevsimsel analiz sonuçları, yaz dönemine ait görüntülerin en yüksek sınıflandırma başarısını verdiğini ortaya koymuştur. Sonuçlar Bulgular, bitki gelişiminin yoğun olduğu dönemlerde türler arasındaki spektral farklılıkların daha belirgin hale geldiğini göstermiştir. Çok zamanlı Sentinel-2 verilerinin makine öğrenmesi yöntemleri ile birlikte kullanılması, karmaşık orman ekosistemlerinde ağaç türlerinin haritalanması açısından yüksek potansiyele sahip bir yaklaşım olarak değerlendirilmiştir.

Anahtar Kelimeler

• Ağaç türü haritalama
• Sentinel-2
• makine öğrenmesi
• orman sınıflandırması

Machine learning based tree species mapping from multi-temporal Sentinel-2 data: Bolu Aladağ forest

Öz

Giriş ve Hedefler Çok zamanlı uydu gözlemleri, heterojen orman ekosistemlerinde ağaç türlerinin belirlenmesi ve orman kompozisyonunun haritalanması açısından önemli bilgiler sağlamıştır. Bu çalışmada, Bolu ili Aladağ Ormanlarında baskın ağaç türlerinin sınıflandırılması amacıyla farklı mevsimlere ait Sentinel-2 görüntülerinin makine öğrenmesi yöntemleri ile birlikte kullanılması amaçlanmıştır. Yöntemler Çalışmada Nisan, Ağustos ve Kasım aylarına ait Sentinel-2 görüntüleri kullanılmıştır. Karaçam, Sarıçam, Göknar, Kayın ve Sapsız Meşe olmak üzere beş farklı ağaç türü analiz edilmiştir. Sınıflandırma sürecinde spektral bantlar, spektral indisler, topografik değişkenler ve mevsimsel göstergelerden oluşan veri seti değerlendirilmiştir. Arazi çalışmaları kapsamında elde edilen 112 örnek nokta model eğitimi ve doğrulama amacıyla referans veri olarak kullanılmıştır. Destek Vektör Makineleri (SVM) ve Yapay Sinir Ağları (ANN) yöntemleri uygulanmıştır. Bulgular Bağımsız test veri setinden elde edilen sonuçlar, her iki yaklaşımın da yüksek sınıflandırma performansı sağladığını göstermiştir. SVM modeli polinom çekirdeği kullanıldığında %99,22, radyal tabanlı fonksiyon (RBF) çekirdeği kullanıldığında ise %99,03 genel doğruluk değerine ulaşmıştır. ANN modeli %98,09 genel doğruluk sağlamıştır. Mevsimsel analiz sonuçları, yaz dönemine ait görüntülerin en yüksek sınıflandırma başarısını verdiğini ortaya koymuştur. Sonuçlar Bulgular, bitki gelişiminin yoğun olduğu dönemlerde türler arasındaki spektral farklılıkların daha belirgin hale geldiğini göstermiştir. Çok zamanlı Sentinel-2 verilerinin makine öğrenmesi yöntemleri ile birlikte kullanılması, karmaşık orman ekosistemlerinde ağaç türlerinin haritalanması açısından yüksek potansiyele sahip bir yaklaşım olarak değerlendirilmiştir.

Anahtar Kelimeler

• Tree species mapping
• Sentinel-2
• machine learning
• forest classification

Teşekkür

This study was carried out as part of the Ph.D. research of Arif Aksüt conducted at Çankırı Karatekin University, Graduate School of Natural and Applied Sciences, Department of Forest Engineering. The authors would like to thank the Aladağ Forest Management Directorate for their support during the field survey campaign.

Kaynakça

1. Arif, N., Toersilowati, L., 2024. Using Artificial Neural Networks and Spectral Indices to Predict Water Availability in New Capital (IKN) and Its Surroundings. Journal of the Indian Society of Remote Sensing, 52, 1549–1560. https://doi.org/10.1007/s12524-024-01889-z.
2. Breidenbach, J., Waser, L. T., Debella-Gilo, M., Schumacher, J., Rahlf, J., Hauglin, M., Puliti, S., Astrup, R., 2020. National mapping and estimation of forest area by dominant tree species using Sentinel-2 data. Canadian Journal of Forest Research, 51, 365-379. https://doi.org/10.1139/cjfr-2020-0170.
3. Breiman, L., 2001. Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324.
4. Dabija, A., Kluczek, M., Zagajewski, B., Raczko, E., Kycko, M., Al-Sulttani, A. H., Tardà, A., Pineda, L., Corbera, J., 2021. Comparison of support vector machines and random forests for CORINE land cover mapping. Remote Sensing, 13, 777. https://doi.org/10.3390/rs13040777.
5. Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., Bargellini, P., 2012. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services. Remote Sensing of Environment, 120, 25-36. https://doi.org/10.1016/j.rse.2011.11.026.
6. Fassnacht, F.E., Latifi, H., Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L.T., Straub, C., Ghosh, A., 2016. Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment, 186, 64-87. https://doi.org/10.1016/j.rse.2016.08.013.
7. Fisher, A., Rudin, C., Dominici, F., 2019. All models are wrong, but many are useful: Learning a variable's importance by studying an entire class of prediction models simultaneously. Journal of Machine Learning Research, 20, 1-81.
8. Foody, G. M., 2004. Supervised image classification by MLP and RBF neural networks with and without an exhaustively defined set of classes. International Journal of Remote Sensing, 25, 3091-3104. https://doi.org/10.1080/01431160310001648019.

9. Gao, B.-c., 1996. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 58, 257-266. https://doi.org/10.1016/S0034-4257(96)00067-3.
10. Gascon, F., Bouzinac, C., Thépaut, O., Jung, M., Francesconi, B., Louis, J., Lonjou, V., Lafrance, B., Massera, S., Gaudel-Vacaresse, A., Languille, F., Alhammoud, B., Viallefont, F., Pflug, B., Bieniarz, J., Clerc, S., Pessiot, L., Trémas, T., Cadau, E., De Bonis, R., Isola, C., Martimort, P., Fernandez, V., 2017. Copernicus Sentinel-2A calibration and products validation status. Remote Sensing, 9, 584. https://doi.org/10.3390/rs9060584.
11. Gitelson, A.A., Kaufman, Y.J., Merzlyak, M.N., 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58, 289-298. https://doi.org/10.1016/S0034-4257(96)00072-7.
12. Hościło, A., Lewandowska, A., 2019. Mapping forest type and tree species on a regional scale using multi-temporal Sentinel-2 data. Remote Sensing, 11, 929. https://doi.org/10.3390/rs11080929.
13. Kavzoglu, T., Mather, P. M., 2003. The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing, 24, 4907–4938. https://doi.org/10.1080/0143116031000114851.
14. Kluczek, M., Zagajewski, B., Kycko, M., 2022. Airborne HySpex hyperspectral versus multitemporal Sentinel-2 images for mountain plant communities mapping. Remote Sensing, 14, 1209. https://doi.org/10.3390/rs14051209.
15. Main-Knorn, M., Pflug, B., Louis, J., Debaecker, V., Muller-Wilm, U., Gascon, F., 2017. Sen2Cor for Sentinel-2. In Proc. SPIE 10427, Image and Signal Processing for Remote Sensing XXIII, 1042704 (4 October 2017). https://doi.org/10.1117/12.2278218.
16. Majumdar, P., Dey, S., Bardhan, S., Mitra, S., (2022). Support Vector Machines for the Classification of Remote Sensing Images: A Review. In S. S. Zalte-Gaikwad, I. Chatterjee, R. K. Kamat (Eds.), Synergistic Interaction of Big Data with Cloud Computing for Industry 4.0. CRC Press, Boca Raton, FL, USA, pp. 175–180. http://dx.doi.org/10.1201/9781003279044-12.
17. 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, 2784–2817. https://doi.org/10.1080/01431161.2018.1433343.
18. Mouret, F., Morin, D., Planells, M., Vincent-Barbaroux, C., 2025. Tree Species Classification at the Pixel Level Using Deep Learning and Multispectral Time Series in an Imbalanced Context. Remote Sensing, 17, 1190. https://doi.org/10.3390/rs17071190.
19. Mountrakis, G., Im, J., Ogole, C., 2011. Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001.
20. Mutale, B., Withanage, N.C., Mishra, P.K., Shen, J., Abdelrahman, K., Fnais, M.S., 2024. A performance evaluation of random forest, artificial neural network, and support vector machine learning algorithms to predict spatio-temporal land use-land cover dynamics: a case from lusaka and colombo. Frontiers in Environmental Science, 12. https://doi.org/10.3389/fenvs.2024.1431645.
21. OGM., 2018. Orman Genel Müdürlüğü Ekosistem Tabanlı Fonksiyonel Orman Amenajman Planı.
22. Pal, M., Mather, P.M., 2005. Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26, 1007-1011. https://doi.org/10.1080/01431160512331314083.
23. Persson, M., Lindberg, E., Reese, H., 2018. Tree species classification with multi-temporal Sentinel-2 data. Remote Sensing, 10, 1794. https://doi.org/10.3390/rs10111794.
24. Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H., Sorooshian, S., 1994. A modified soil adjusted vegetation index. Remote Sensing of Environment, 48, 119-126. https://doi.org/10.1016/0034-4257(94)90134-1.
25. Waske, B., Benediktsson, J. A., 2007. Fusion of Support Vector Machines for Classification of Multisensor Data. IEEE Transactions on Geoscience and Remote Sensing, 45, 3858–3866. https://doi.org/10.1109/TGRS.2007.898446.
26. Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27, 3025-3033. https://doi.org/10.1080/01431160600589179.
27. Zagajewski, B., Kluczek, M., Raczko, E., Njegovec, A., Dabija, A., Kycko, M., 2021. Comparison of Random Forest, Support Vector Machines, and Neural Networks for Post-Disaster Forest Species Mapping of the Krkonoše/Karkonosze Transboundary Biosphere Reserve. Remote Sensing, 13, 2581. https://doi.org/10.3390/rs13132581.