Buğday Ekim Alanlarının Sentinel-2A Uydu Verileriyle Sınıflandırılmasında Bitki Özellikleri ve Yetiştiricilik İşlemlerinin Etkisi

Öz

Artan dünya nüfusu ile birlikte sınırlı olan kaynakların, tarımda verimli bir şekilde kullanımını sağlamak için arazi varlığı ve bitki örtüsünün durumunu bilmek karar vericiler için daha fazla önem kazanmıştır. Bitki yetiştiriciliğinde yapılan sezon içi işlemlerin etkilerinin neler olduğu ve üretim ortamının bölgesel olarak izlenmesi konusunda uzaktan algılama önemli bir araç olarak kullanılmaktadır. Bu araştırmada 2023 yılında İzmir Menemen Ovası’nda buğday ekim alanlarının Sentinel-2A uydu verileriyle sınıflandırılarak belirlenmesine etki eden yetiştiricilik uygulamaları (ekim zamanı, ekim yöntemi) ve bitki özelliklerinin (buğday çeşidi, yabancı ot, yatma durumu) sınıflandırma doğruluğu üzerindeki etkisi incelenmiştir. Araştırmada, En Çok Benzerlik (EÇB) ve Yapay Sinir Ağları (YSA) yöntemleri kullanılarak sonuçları analiz edilmiştir. Elde edilen sonuçlara göre, buğday alanlarının sınıflandırılmasında erken ekim yapılan parsellerle yapılan sınıflandırma sonuçları genel doğruluk ve Kappa değeri her iki yöntemde düşük (%76, 0,52 ve %75, 0,50) olurken, geç ekim özelliğine göre yapılan sınıflandırma sonuçları ise her iki yöntemde daha yüksek sonuçlar (%83, 0,65 ve %88, 0,77) üretmiştir. Diğer taraftan elde edilen bulgular, serpme ekim, buğday çeşidi, buğdayın yatık olması ve yabancı otlu olması durumlarına göre yapılan sınıflandırma sonuçları arasında önemli farklar bulunmadığını göstermiştir.

Anahtar Kelimeler

• Sentinel-2A
• En Çok Benzerlik
• Yapay Sinir Ağları
• bitki özellikleri
• agronomik faktörler
• sınıflandırma doğruluğu
• buğday
• İzmir

Determination of the Effects of Crop Characteristics and Agronomic Factors on Classification of Wheat Areas Using Sentinel-2A Satellite Data

Abstract

With the increasing world population, knowing the status of land availability and vegetation has become more important for decision-makers in order to ensure the efficient use of limited resources in agriculture. Remote sensing is used as an important tool in determining the effects of in-season activities in plant cultivation and regional monitoring of the production environment. This study investigated the impact of cultivation practices (planting time and method) and plant characteristics (including wheat variety, weed presence and lodging condition) on the classification accuracy of wheat cultivation areas on the Menemen Plain, Izmir. Both the Maximum Likelihood and Artificial Neural Networks (ANN) models were employed to assess and analyze the obtained results. According to the results for the classification of wheat fields, the general accuracy and Kappa value of the classification made with early sown parcels were low in both methods (76%, 0,52 and 75%, 0,50). However, the classification results based on late sowing produced better results (83%, 0,65 and 88%, 0,77) with both methods. On the other hand, the findings showed that there were no significant differences between the classification results according to broadcast sowing, wheat variety, weed presence and lodging condition.

Keywords

• Sentinel-2A
• Maximum Likelihood
• Artificial Neural Network
• crop characteristics
• agronomic factors
• classification accuracy
• wheat
• Izmir

Kaynakça

1. Anonim. 1971. Menemen Ovası Temel Toprak Etüdü. Topraksu Genel Müdürlüğü Toprak ve Etüd Haritalama Dairesi Raporları, Seri No: 24, Ankara.
2. Anonim. 2023. MGM Meteoroloji Genel Müdürlüğü Menemen Meteoroloji İstasyonu Verileri.
3. Anonim. 2024a. https://gisgeography.com/sentinel-2-bands-combinations/
4. Anonim. 2024b. https://www.copernicus.eu/en
5. Bulut, S. 2023. Uydu görüntüsü ve uzaktan algılama teknikleri ile arazi kullanım sınıflarının belirlenmesi. Anadolu Orman Araştırmaları Dergisi 9(2):150-156.
6. Delen, A., F.B. Şanlı. 2017. Pamuk ekili alanların nesne tabanlı sınıflandırma yöntemi ile belirlenmesi: menemen örneği. Journal of New Results in Engineering and Natural Science (6) 1-8.
7. Eastman, J.R. 2020. TerrSet Tutorial. https://clarklabs.org/wp-content/uploads/2016/10/TerrSet-Tutorial.pdf
8. Egberth, M., M. Nilsson. 2010. "KNN-Sweden-Current map data on Swedish forests." In Proceedings Forest Sat 2010: Operational tools in forestry using remote sensing techniques. 265-267.

9. Gallego, J., Carfagna, E., Baruth, B. 2010. Accuracy, objectivity and efficiency of remote sensing for agricultural statistics. pp. 202-205. In: Benedetti, R., Bee, M., Espa, G., Piersimoni, P. (Ed.’s) Agricultural Survey Methods. John Wiley & Sons Ltd., Wiltshire., UK.
10. Jensen, J. R. 2016. Introductory Digital Image Processing: A Remote Sensing Perspective, 4th Ed. Pearson.
11. Karabulut, A., N. Ceylan, E. Bahar, İ. Kurşun. 2021. Crop phenology-based object-oriented classification approach using SENTINEL-2A and NDVI time series: Sunflower crops in Kırklareli. International Journal of Environment and Geoinformatics (IJEGEO) 8(3): 316-327.
12. Kumar, A., R.D. Garg, P. Singh, A. Shankar, S.R. Nayak, M. Diwakar. 2023. Monitoring the land use, land cover changes of Roorkee Region (Uttarakhand, India) Using Machine Learning Techniques. International Journal of Social Ecology and Sustainable Development (IJSESD) 14 (1): 1-16.
13. Kussul, N., S. Skakun, A. Shelestov, M. Lavreniuk , B. Yailymov, O. Kussul. 2015. Regional scale crop mapping using multi-temporal satellite imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7/W3, 2015 36th International Symposium on Remote Sensing of Environment. 11–15 May 2015. Berlin, Germany
14. Lillesand, T., Kiefer, R. W., Chipman J. 2018. Uzaktan Algılama ve Görüntü Yorumlama (7. Baskıdan çeviri. Çeviri Ed. K.Ş. Kavak). Palme Yayınevi Yay. No: 1593. Ankara.
15. Lu, D., and Q. Weng. 2007. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing 28(5): 823-870.
16. Mather, P. M. 1999. Computer Processing of Remotely Sensed Images. An Introduction, Second Edition. 292 pp. Chichester, England.
17. McCoy, R.M. 2005. Field Methods in Remote Sensing. The Guilford Press, New York.
18. Mirici, M. E., S. Berberoglu, A. Akın, O. Satır. 2017. Land use/cover change modelling in mediterranean rural landscape using MLP-MC. Applied Ecology and Environmental Research 16(1):467-486.
19. Oden, O, M. Gürbüz, D. Kahraman, Ü. Özsoy, Y. Kayam, Y. Lomas, ve M. Mandel. 2002. İklim, Tarımsal Teknoloji, Toprak ve Sosyo-Ekonomik Faktörlerin Buğday Verimine Etkileri. Türk-İsrail Ortak Araştırma Projesi Raporu. Menemen, İzmir.
20. Ok, A.Ö. 2017. Sınıflandırma- ileri teknikler s.171-197. F. Sunar (Ed.). Dijital Görüntü İşleme. Anadolu Üni. Yay. No: 3658. Eskişehir.
21. Ozdarici Ok, A., Z. Akyurek. 2014. Object-based classification of multi-temporal images for agricultural crop mapping in Karacabey Plain, Turkey. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-7, 2014 ISPRS Technical Commission VII Symposium. 29 September – 2 October 2014. Istanbul, Turkey.
22. Özçalık H. Torun A. T. Bilgilioğlu S. S. 2020. Landsat uydu görüntüleri kullanılarak Mogan Gölü’nün su yüzeyi ve arazi örtü değişiminin belirlenmesi. Türkiye Uzaktan Algılama Dergisi 2(2): 77-84.
23. Özdarıcı Ok, A., Ö. Akar, O. Güngör. 2011. Rastgele orman sınıflandırma yöntemi yardımıyla tarım alanlarındaki ürün çeşitliliğinin sınıflandırılması. Türkiye Ulusal Fotogrammetri ve Uzaktan Algılama Birliği (TUFUAB) VI. Teknik Sempozyumu. Antalya, Turkey Özkan, C. 2016. Sınıflandırma. s.156-172. F. Sunar (Ed.). Uzaktan Algılama. Anadolu Üni. Yay. No: 2320. Eskişehir. Peña, J. M., P. A. Gutiérrez, C. Hervás-Martínez, J. Six, R. E. Plant, F. López-Granados. 2014. Object-based image classification of summer crops with machine learning methods. Remote Sens. 2014 (6): 5019-5041. doi:10.3390/rs6065019
24. Sarı, M., N. K. Sönmez, M. Yıldıran, 2007. Pamuk bitkisinin kantitatif yansıma özelliklerinin ve alansal dağılımının uydu verileri ile belirlenmesi. Akdeniz Üniversitesi Ziraat Fakültesi Dergisi 20(1): 1-10.
25. Sudmeyer, R., A. Edward, V. Fazakerley, L. Simpkin, and I. Foster. 2016. Climate change: Impacts and adaptation for agriculture in Western Australia, Bulletin 4870, Department of Agriculture and Food, Western Australia, Perth.
26. Tavus, B., Karataş, K. M. Türker. 2019. Tarımsal alanlarda yüksek çözünürlüklü IKONOS uydu görüntüsünden nesne-tabanlı ürün deseni tespiti. Pamukkale Üniv. Müh. Bilim. Derg. 25(5): 603-614.
27. Torunlar, H., M.G. Tuğaç, K, Duyan. 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.
28. TÜİK. 2023. Türkiye İstatistik Kurumu. Bitkisel Üretim İstatistikleri. http://www.tuik.gov.tr
29. Uslu, İ., Z. Çelik, G. Yüceerim, V. Karagül, A. Özdarıcı Ok. 2023. Buğday yetiştiriciliğinin mevsimsel iklim değişkenliğinden etkilenebilirlik derecesi ve uyum kapasitesinin değerlendirilmesi üzerine bir araştırma. ANADOLU Ege Tarımsal Araştırma Enstitüsü Dergisi 33 (2): 220-236.
30. Yürür, N. 2017. Buğday, arpa, yulaf, çavdar, tritikale. s. 62-71. K. Yağdı (Ed.). Tarla Bitkileri I. Anadolu Üni. Yay. No: 2256. Eskişehir.