Sulak Alanlarda Bitki Örtüsü İndekslerinin Karşılaştırmalı Performans Analizi: NDVI, NDRE ve GNDVI

Öz

Bu çalışmada, Adana ili Akyatan Lagünü ve çevresinde bitki örtüsünün sınıflandırılmasında Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), Normalize Edilmiş Kırmızı Kenar Bitki Örtüsü İndeksi (NDRE) ve Yeşil Normalize Edilmiş Fark Bitki Örtüsü İndeksi (GNDVI) bant oranlama indekslerinin performansı karşılaştırılmıştır. Çalışmada 22 Ağustos 2025 tarihli Sentinel-2A uydu görüntüsü kullanılmış ve spektral indeksler ile bitki örtüsü haritaları üretilmiştir. Yoğun bitki örtüsü, seyrek bitki örtüsü ve bitki örtüsü içermeyen alanlar olmak üzere üç sınıfta değerlendirilmiştir. Sınıflandırma sürecinde her bir indeks için Otsu Eşikleme Yöntemi kullanılarak optimum eşik değerleri belirlenmiş ve sınıflar oluşturulmuştur. Elde edilen sonuçlar genel doğruluk ve Kappa katsayısı ile analiz edilmiştir. Bulgular, NDRE indeksinin %93.6 genel doğruluk ve 0.897 Kappa değeri ile en yüksek performansı gösterdiğini ortaya koymuştur. NDVI %92.3 doğruluk ile yüksek ve tutarlı sonuçlar üretirken, GNDVI %86 doğruluk ile daha düşük performans sergilemiştir. Sınıf bazlı değerlendirmeler, özellikle yoğun ve seyrek vejetasyon alanlarında NDRE indeksinin daha başarılı ayrım sağladığını göstermiştir. Sonuçlar, red-edge bandına dayalı NDRE indeksinin sulak alan çevresindeki heterojen arazi örtüsü yapılarında daha güvenilir sonuçlar sunduğunu göstermektedir.

Anahtar Kelimeler

• Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI)
• Normalize Edilmiş Kırmızı Kenar Bitki Örtüsü İndeksi (NDRE)
• Yeşil Normalize Edilmiş Fark Bitki Örtüsü İndeksi (GNDVI)
• Uzaktan algılama
• Vejetasyon analizi

Comparative Performance Analysis of Vegetation Indices in Wetlands: NDVI, NDRE, and GNDVI

Öz

This study compares the performance of the Normalized Difference Vegetation Index (NDVI), Normalized Difference Red Edge Index (NDRE), and Green Normalized Difference Vegetation Index (GNDVI) for vegetation classification in and around Akyatan Lagoon, Adana, Türkiye, using Sentinel-2A imagery acquired on 22 August 2025. Vegetation was classified into three categories: dense vegetation, sparse vegetation, and non-vegetated areas. Optimal threshold values for each vegetation index were automatically determined using the Otsu thresholding method, and vegetation density maps were generated accordingly. Classification performance was assessed using overall accuracy and the Kappa coefficient. The results indicated that NDRE achieved the highest classification performance, with an overall accuracy of 93.6% and a Kappa coefficient of 0.897. NDVI also produced high and consistent results, with an overall accuracy of 92.3%, whereas GNDVI showed comparatively lower performance (86.0%). Class-based accuracy assessment demonstrated that NDRE was particularly effective in discriminating between dense and sparse vegetation. These findings suggest that the red-edge-based NDRE is more suitable than NDVI and GNDVI for vegetation mapping in heterogeneous wetland environments.

Anahtar Kelimeler

• Normalized Difference Vegetation Index (NDVI)
• Normalized Difference Red Edge Index (NDRE)
• Green Normalized Difference Vegetation Index (GNDVI)
• Remote Sensing
• Vegetation Analysis

Kaynakça

1. Barboza, T.O.C., Ardigueri, M., Souza, G.F.C., Ferraz, M.A.J., Gaudencio, J.R.F., & Santos, A.F.D. (2023). Performance of vegetation indices to estimate green biomass accumulation in common bean. AgriEngineering, 5(2), 840–854. https://doi.org/10.3390/agriengineering5020052
2. Barnes, E.M., Clarke, T.R., Richards, S.E., Colaizzi, P.D., Haberland, J., Kostrzewski, M., Waller, P., Choi, C., Riley, E., Thompson, T., Lascano, R.J., Li, H., & Moran, M.S. (2000). Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. In Proceedings of the 5th International Conference on Precision Agriculture, Bloomington, MN, USA. https://www.tucson.ars.ag.gov/unit/Publications/PDFfiles/1356.pdf
3. Boiarskii, B., & Hasegawa, H. (2019). Comparison of NDVI and NDRE indices to detect differences in vegetation and chlorophyll content. Journal of Mechanical Continuum and Mathematical Sciences, 4, 20–29. https://doi.org/10.26782/jmcms.spl.4/2019.11.00003
4. Borgogno -Mondino, E., Farbo, A., Novello, V., & Palma, D.L. (2022). A fast regression-based approach to map water status of pomegranate orchards with Sentinel-2 data. Horticulturae, 8(9), 759, 1–17. https://doi.org/10.3390/horticulturae8090759
5. Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37–46. https://doi.org/10.1177/001316446002000104
6. Congalton, R.G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35–46. https://doi.org/10.1016/0034-4257(91)90048-B
7. Çetinkaya, B. & Toz, G. (2007). Coğrafi veri seçim işlemi sonuçlarının değerlendirilmesinde hata matrisinin kullanımı. İTÜ Dergisi/D. 6(5-6), 59-68. http://itudergi.itu.edu.tr/index.php/itudergisi_d/article/view/393
8. Çınar, T., Beram, R.C., Aydın, A., Akyol, S., Tashigul, N., Lehtijärvi, H.T., & Woodward, S. (2024). Detection of heterobasidion root rot on Pinus brutia Ten. using different vegetation indices generated from Sentinel-2A satellite imagery. Journal of the Indian Society of Remote Sensing, 52, 1805–1817. https://doi.org/10.1007/s12524-024-01914-1

9. Delegido, J., Verrelst, J., Alonso, L., & Moreno, J. (2011). Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content. Sensors, 11(7), 7063–7081. https://doi.org/10.3390/s110707063
10. ESA. (2025). Copernicus Browser. https://browser.dataspace.copernicus.eu/, Erişim tarihi: 12 Kasım 2025. Gitelson, A.A., & Merzlyak, M.N. (1994). Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Journal of Plant Physiology, 143(3), 286–292. https://doi.org/10.1016/S0176-1617(11)81633-0
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(3), 289–298. https://doi.org/10.1016/S0034-4257(96)00072-7
12. Gündoğdu, K.S. (2018). Buğday ekili parsellerde NDVI değerlerinin konumsal ve zamana bağlı değişiminin belirlenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi, 21(4), 492–499. https://doi.org/10.18016/ksudobil.364749
13. Gündoğdu, K.S., & Bantchina, B.B. (2018). Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi: Uludağ Üniversitesi Ziraat Fakültesi Çiftlik Arazisi Örneği. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 32(2), 45–53. https://dergipark.org.tr/en/download/article-file/570073
14. Google. (2025). Google Earth Pro (Computer software). https://www.google.com/earth/about/versions/ Erişim Tarihi: 12 Kasım 2025.
15. Huang, S., Tang, L., Hupy, J.P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1–6. https://doi.org/10.1007/s11676-020-01155-1
16. Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote sensing of environment, 83(1-2), 195-213. https://doi.org/10.1016/S0034-4257(02)00096-2
17. Kuc, G., & Chormański, J. (2019). Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, 43–47. https://doi.org/10.5194/isprs-archives-XLII-1-W2-43-2019
18. McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153–157. https://doi.org/10.1007/BF02295996
19. Naguib, N.S., & Daliman, S. (2022). Analysis of NDVI and NDRE indices using satellite images for crop identification at Kelantan. In IOP Conference Series: Earth and Environmental Science, 1102, 1–7. https://doi.org/10.1088/1755-1315/1102/1/012054
20. Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9, 62–66. https://cw.fel.cvut.cz/b201/_media/courses/a6m33bio/otsu.pdf
21. Özdarıcı, O.A. (2014). Yüksek mekânsal çözünürlüklü uydu görüntülerinden otomatik ağaç tespiti: yeni bir yaklaşım. In 5. Uzaktan Algılama–CBS Sempozyumu, İstanbul, Türkiye. https://www.kongresistemi.com/root/dosyalar/uzalcbs2014/174.pdf
22. Pettorelli, N., Ryan, S., Mueller, T., Bunnefeld, N., Jędrzejewska, B., Lima, M., & Kausrud, K. (2011). The Normalized Difference Vegetation Index (NDVI): unforeseen successes in animal ecology. Climate Research, 46(1), 15–27. https://www.jstor.org/stable/24872307?seq=1
23. Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., & Harlan, J.C. (1974). Monitoring the vernal advancements and retrogradation (greenwave effect) of natural vegetation. NASA/GSFC Final Report. NASA. https://ntrs.nasa.gov/api/citations/19730017588/downloads/19730017588.pdf
24. SNAP. (2025). Sentinel Application Platform (SNAP) (Computer software). https://step.esa.int/main/download/snap-download/ , Erişim Tarihi: 12 Kasım 2025.
25. T.C. Millî Savunma Bakanlığı Harita Genel Müdürlüğü. (2025). Türkiye Mülki İdare Sınırları (Veri Seti). https://www.harita.gov.tr/urun/turkiye-mulki-idare-sinirlari/232, Erişim Tarihi: 12 Kasım 2025.
26. Tian, Z., Fan, J., Yu, T., de Leon, N., Kaeppler, S.M., & Zhang, Z. (2025). Mitigating NDVI saturation in imagery of dense and healthy vegetation. ISPRS Journal of Photogrammetry and Remote Sensing, 227, 234–250. https://doi.org/10.1016/j.isprsjprs.2025.06.013
27. Tucker, C.J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127–150. https://doi.org/10.1016/0034-4257(79)90013-0
28. Türk, S.T., & Balçık, F. (2023). Rastgele orman algoritması ve Sentinel-2 MSI ile fındık ekili alanların belirlenmesi: Piraziz örneği. Geomatik, 8(2), 91–98. https://doi.org/10.29128/geomatik.1127925
29. Ustuner, M., Sanli, F.B., Abdikan, S., Esetlili, M.T., & Kurucu, Y. (2014). Crop type classification using vegetation indices of RapidEye imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 40, 195–198. https://doi.org/10.5194/isprsarchives-XL-7-195-2014
30. Vani, V., & Mandla, V.R. (2017). Comparative study of NDVI and SAVI vegetation indices in anantapur district semi-arid areas. International Journal of Civil Engineering and Technology, 8(4), 559-566. http://www.iaeme.com/IJCIET/issues.asp?JType=IJCIET&VType=8&IType=4
31. Vélez, S., Martínez-Peña, R., & Castrillo, D. (2023). Beyond vegetation: a review unveiling additional insights into agriculture and forestry through the application of vegetation indices. J-Multidisciplinary Scientific Journal, 6(3), 421–436. https://doi.org/10.3390/j6030028
32. Yılmaz, O.S. (2023). Uzaktan algılama teknikleri ile su yüzeylerinin tespit edilmesinde kullanılan su çıkarma indekslerinin performans analizi. Turkish Journal of Remote Sensing and GIS, 4(2), 242–261. https://doi.org/10.48123/rsgis.1256092
33. Zhang, K., Ge, X., Shen, P., Li, W., Liu, X., Cao, Q., Zhu, Y., Cao, W., & Tian, Y. (2019). Predicting rice grain yield based on dynamic changes in vegetation indexes during early to mid-growth stages. Remote Sensing, 11(4), 387, 1–24. https://doi.org/10.3390/rs11040387