Crop Type Classification using Sentinel 2A-Derived Normalized Difference Red Edge Index (NDRE) and Machine Learning Approach

Bere Benjamin Bantchına; Kemal Sulhi Gündoğdu

doi:10.20479/bursauludagziraat.1402043

Araştırma Makalesi

Crop Type Classification using Sentinel 2A-Derived Normalized Difference Red Edge Index (NDRE) and Machine Learning Approach

Yıl 2024, Cilt: 38 Sayı: 1, 89 - 105, 14.06.2024

Bere Benjamin Bantchına , Kemal Sulhi Gündoğdu

https://doi.org/10.20479/bursauludagziraat.1402043

Cited By: 1

Öz

Satellite remote sensing (RS) enables the extraction of vital information on land cover and crop type. Land cover and crop type classification using RS data and machine learning (ML) techniques have recently gained considerable attention in the scientific community. This study aimed to enhance remote sensing research using high-resolution satellite imagery and a ML approach. To achieve this objective, ML algorithms were employed to demonstrate whether it was possible to accurately classify various crop types within agricultural areas using the Sentinel 2A-derived Normalized Difference Red Edge Index (NDRE). Five ML classifiers, namely Support Vector Machines (SVM), Random Forest (RF), Decision Tree (DT), K-Nearest Neighbors (KNN), and Multi-Layer Perceptron (MLP), were implemented using Python programming on Google Colaboratory. The target land cover classes included cereals, fallow, forage, fruits, grassland-pasture, legumes, maize, sugar beet, onion-garlic, sunflower, and watermelon-melon. The classification models exhibited strong performance, evidenced by their robust overall accuracy (OA). The RF model outperformed, with an OA rate of 95% and a Kappa score of 92%. It was followed by DT (88%), KNN (87%), SVM (85%), and MLP (82%). These findings showed the possibility of achieving high classification accuracy using NDRE from a few Sentinel 2A images. This study demonstrated the potential enhancement of the application of high-resolution satellite RS data and ML for crop type classification in regions that have received less attention in previous studies.

Anahtar Kelimeler

Classification, Crop Type, Machine Learning, NDRE, Remote Sensing, Sentinel 2A

Kaynakça

Abubakar, G., Wang, K., Shahtahamssebi, A., Xue, X., Belete, M., Gudo, A. and Gan, M. 2020. Mapping maize fields by using multi-temporal Sentinel-1A and Sentinel-2A images in Makarfi, Northern Nigeria, Africa. Sustainability, 12(6):2539. https://doi.org/10.3390/su12062539
Arora, A., Sim, C., Severson, D. and Kang, D. 2022. Random forest analysis of impact of abiotic factors on Culex pipiens and Culex quinquefasciatus occurrence. Frontiers in Ecology and Evolution, 9. https://doi.org/10.3389/fevo.2021.773360
Bantchina, B. B., Mucan, U. and Gündoğdu, K. S. 2017. Land Availability Analysis in Bursa using Geographic Information Systems. In Proceedings Book, Proceedings of the 5th International Participation Soil and Water Resources Congress, Kırklareli, Turkey, 12–15 September 2017; Atatürk Soil Water and Agricultural Meteorology Research Institute Kırklareli: Merkez, Turkey; Volume 1, pp. 65–74.
Cuenca, M., Campo‐Bescós, M. and Álvarez‐Mozos, J. 2020. Crop classification based on temporal signatures of Sentinel-1 observations over Navarre province, Spain. Remote Sensing, 12(2):278. https://doi.org/10.3390/rs12020278
Cunningham, P. and Delany, S. 2021. K-nearest neighbour classifiers - a tutorial. Acm Computing Surveys, 54(6): 1-25. https://doi.org/10.1145/3459665
Fan, J., Zhang, X., Zhao, C., Qin, Z., De Vroey, M., and Defourny, P. 2021. Evaluation of Crop Type Classification with Different High Resolution Satellite Data Sources. Remote Sensing, 13(5):911. https://doi.org/10.3390/rs13050911
Ghamisi, P., Plaza, J., Chen, Y., Li, J. and Plaza, A. 2017. Advanced spectral classifiers for hyperspectral images: a review. Ieee Geoscience and Remote Sensing Magazine, 5(1):8–32. https://doi.org/10.1109/mgrs.2016.2616418
Gündoğdu, K. S. and Bantchina, B. B. 2018. Landsat Uydu Görüntülerinden NDVI Değer Dağılımının Parsel Bazlı Değerlendirilmesi, Bursa Uludağ Üniversitesi Ziraat Fakültesi Çiftlik Arazisi Örneği. Bursa Uludag Üniv. Ziraat Fak. Derg., 32 (2):45–53.
Hajian, A., Zomorrodian, H., Styles, P., Greco, F. and Lucas, C. 2011. Depth estimation of cavities from microgravity data using a new approach: the local linear model tree (lolimot). Near Surface Geophysics, 10(3):221–234. https://doi.org/10.3997/1873-0604.2011039
Hardisky, M. A., Klemas, V. and Smart, R. M. 1983. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogrammetric Engineering & amp; Remote Sensing, 49:77–83.
Haykin, S. and Kosko, B. 2009. Gradient-based learning applied to document recognition. https://doi.org/10.1109/9780470544976.ch9
Izza, Y., Ignatiev, A. and Marques-Silva, J. 2022. On tackling explanation redundancy in decision trees. Journal of Artificial Intelligence Research, 75:261–321. https://doi.org/10.1613/jair.1.13575
Jensen, R. and Cornelis, C. 2008. A new approach to fuzzy-rough nearest neighbour classification., 310–319. https://doi.org/10.1007/978-3-540-88425-5_32
Kang, Y., Xinli H., Qingyan, M, Youfeng, Z., Linlin, Z., Miao, L. and Maofan, Z. 2021. Land Cover and Crop Classification Based on Red Edge Indices Features of GF-6 WFV Time Series Data. Remote Sensing 13(22): 4522. https://doi.org/10.3390/rs13224522
LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P. 1998. Gradient-based learning applied to document recognition. Proceedings of the Ieee, 86(11):2278–2324. https://doi.org/10.1109/5.726791
Li, J., Shen, Y. and Yang, C. 2020. An adversarial generative network for crop classification from remote sensing time series images. Remote Sensing, 13(1):65. https://doi.org/10.3390/rs13010065
Liu, Z., Su, B. and Lv, F. 2022. Intelligent identification method of crop species using improved U-net network in UAV remote sensing image. Scientific Programming, 1–9. https://doi.org/10.1155/2022/9717843
Lu, T., Wan, L. and Wang, L. 2022. Fine crop classification in high-resolution remote sensing based on deep learning. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.991173
Mahynski, N., Ragland, J., Schuur, S. and Shen, V. 2022. Building interpretable machine learning models to identify chemometric trends in seabirds of the north Pacific Ocean. Environmental Science & Technology, 56(20):14361–14374. https://doi.org/10.1021/acs.est.2c01894
Mashaba-Munghemezulu, Z., Chirima, G. and Munghemezulu, C. 2021. Delineating smallholder maize farms from Sentinel-1 coupled with Sentinel-2 data using machine learning. Sustainability, 13(9):4728. https://doi.org/10.3390/su13094728
Mazarire, T., Ratshiedana, P., Nyamugama, A., Adam, E. and Chirima, G. 2022. Exploring machine learning algorithms for mapping crop types in a heterogeneous agriculture landscape using Sentinel-2 data. a case study of Free State Province, South Africa. South African Journal of Geomatics, 9(2):333–347. https://doi.org/10.4314/sajg.v9i2.22
Muntean, M. and Militaru, F. D. 2023. Metrics for Evaluating Classification Algorithms. In: Ciurea, C., Pocatilu, P., Filip, F.G. (eds) Education, Research and Business Technologies. Smart Innovation, Systems and Technologies, vol 321. Springer, Singapore. https://doi.org/10.1007/978-981-19-6755-9_24
Mustak, S., Uday, G., Ramesh, B. and Praveen, B. 2019. Evaluation of the performance of sar and sar-optical fused dataset for crop discrimination. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLII-3/W6, 563–571. https://doi.org/10.5194/isprs-archives-xlii-3-w6-563-2019
Ndikumana, E., Minh, D., Baghdadi, N., Courault, D. and Hossard, L. 2018. Deep Recurrent Neural Network for Agricultural Classification Using Multitemporal SAR Sentinel-1 For Camargue, France. Remote Sensing, 8(10):1217. https://doi.org/10.3390/rs10081217
Nguyen, H. and Nansen, C. 2020. Hyperspectral remote sensing to detect leafminer‐induced stress in bok choy and spinach according to fertilizer regime and timing. Pest Management Science, 76(6):2208–2216. https://doi.org/10.1002/ps.5758
Nidamanuri, R., Garg, P. and Ghosh, S. 2007. Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data. Precision Agriculture, 8(4-5):173–185. https://doi.org/10.1007/s11119-007-9037-x
Pech-May, F., Aquino-Santos, R., Ríos-Toledo, G. and Posadas-Durán, J. 2022. Mapping of land cover with optical images, supervised algorithms, and Google Earth engine. Sensors, 22(13):4729. https://doi.org/10.3390/s22134729
Pham, B., Nguyen, M., Bui, K., Prakash, I., Chapi, K. and Bui, D. 2019. A novel artificial intelligence approach based on multi-layer perceptron neural network and biogeography-based optimization for predicting coefficient of consolidation of soil. Catena, 173:302–311. https://doi.org/10.1016/j.catena.2018.10.004
Ren, T., Liu, Z., Zhang, L., Liu, D., Xi, X., Kang, Y., Zhao, Y., Zhang, C., Li, S. and Zhang, X. 2020. Early identification of seed maize and common maize production fields using Sentinel-2 images. Remote Sensing, 12(13):2140.
Rumelhart, D., Hinton, G. and Williams, R. 1986. Learning representations by back-propagating errors. Nature, 323(6088):533–536. https://doi.org/10.1038/323533a0
Sitokonstantinou, V., Papoutsis, I., Kontoes, C., Arnal, A., Andrés, A. and Zurbano, J. 2018. Scalable parcel-based crop identification scheme using Sentinel-2 data time-series for the monitoring of the common agricultural policy. Remote Sensing, 10(6):911. https://doi.org/10.3390/rs10060911
Sonobe, R. 2019. Parcel-based crop classification using multi-temporal Terrasar-x dual polarimetric data. Remote Sensing, 11(10):1148. https://doi.org/10.3390/rs11101148
Sonobe, R., Yamaya, Y., Tani, H., Wang, X., Kobayashi, N. and Mochizuki, K. 2018. Crop classification from Sentinel-2-derived vegetation indices using ensemble learning. Journal of Applied Remote Sensing, 12(02):1. https://doi.org/10.1117/1.jrs.12.026019
Strobl, C., Boulesteix, A., Zeileis, A. and Hothorn, T. 2007. Bias in random forest variable importance measures: illustrations, sources and a solution. BMC Bioinformatics, 8(1). https://doi.org/10.1186/1471-2105-8-25
Tian, H., Yong-Jiu, W., Cui, T., Zhang, L. and Qin, Y. 2021. Early-season mapping of winter crops using sentinel-2 optical imagery. Remote Sensing, 13(19):3822. https://doi.org/10.3390/rs13193822
Ustuner, M., Sanli, F. B., Abdikan, S., Esetlili, M. T. and Kurucu, Y. 2014. Crop type classification using vegetation indices of RapidEye imagery. 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
Yang, N., Liu, D., Feng, Q., Xiong, Q., Zhang, L., Ren, T. and Huang, J. 2019. Large-scale crop mapping based on machine learning and parallel computation with grids. Remote Sensing, 11(12):1500. https://doi.org/10.3390/rs11121500
Zhou, T., Pan, J., Zhang, P., Wei, S. and Han, T. 2017. Mapping Winter Wheat with Multi-temporal Sar and Optical Images in an Urban Agricultural Region. Sensors, 6(17):1210. https://doi.org/10.3390/s17061210

Sentinel 2A Uydu Görüntüsünden Normalleştirilmiş Fark Kırmızı Kenar İndeksi (NDRE) Kullanılarak Tarımsal Ürünlerin Makine Öğrenme Yöntemleri ile Sınıflandırılması

Yıl 2024, Cilt: 38 Sayı: 1, 89 - 105, 14.06.2024

Bere Benjamin Bantchına , Kemal Sulhi Gündoğdu

https://doi.org/10.20479/bursauludagziraat.1402043

Cited By: 1

Öz

Uzaktan algılama, arazi örtüsü ve bitki türleriyle ilgili kritik bilgilerin edinilmesini sağlayarak tarım alanındaki araştırmalara önemli katkılar sunmaktadır. Son zamanlarda, uzaktan algılama verileri ve makine öğrenimi algoritmaları aracılığıyla arazi örtüsü ve ürün türlerinin sınıflandırılması konusu büyük ilgi çekmektedir. Bu çalışmanın ana amacı, yüksek çözünürlüklü uydu görüntüleri ve makine öğrenimi yaklaşımını kullanarak uzaktan algılama araştırma alanını geliştirmektir. Bu hedefe ulaşmak adına, Sentinel 2A'dan elde edilen Normalleştirilmiş Fark Kırmızı Kenar İndeksi (NDRE) ile tarım alanlarındaki çeşitli ürün türlerinin etkili bir şekilde sınıflandırılmasının mümkün olup olmadığını değerlendirmek amacıyla çeşitli makine öğrenimi yöntemleri kullanılmıştır. Karar Ağaçları (KA), Destek Vektör Makineleri (DVM), Rastgele Orman (RO), K-En Yakın Komşular (KEYK) ve Çok Katmanlı Algılayıcı (ÇKA) dahil olmak üzere beş makine öğrenimi sınıflandırıcı algoritması uygulanmıştır. Analizde değerlendirilen hedef arazi örtüsü sınıfları arasında tahıllar, nadas, yem bitkileri, meyveler, çayır-mera, baklagiller, mısır, şeker pancarı, soğan-sarımsak, ayçiçeği ve karpuz-kavun bulunmaktadır. Elde edilen sınıflandırma modelleri, yüksek doğruluk oranları ile güçlü bir performans sergilemiştir. RF modeli %95'lik genel doğruluk (OA) oranı ve %92'lik Kappa skoru ile en yüksek performans göstermiştir. Bunu sırasıyla %88, %87, %85 ve %82 OA ile KA, KEYK, DVM ve ÇKA takip etmiştir. Bu bulgular, az sayıda Sentinel 2A görüntüsünden NDRE kullanılarak yüksek sınıflandırma doğruluğu elde edilebileceğini göstermektedir. Bu çalışma, yüksek mekânsal çözünürlüğe sahip uydu uzaktan algılama verileri ve makine öğrenimi algoritmalarının, mahsul türü sınıflandırması için potansiyel bir gelişim sağlayabileceğini doğrulamıştır.

Anahtar Kelimeler

Makine Öğrenme, NDRE, Sentinel 2A, Sınıflandırma, Tarımsal Ürünlerin, Uzaktan Algılama

Etik Beyan

Makale araştırma ve yayın etiğine uygun olarak hazırlanmıştır.

Kaynakça

Abubakar, G., Wang, K., Shahtahamssebi, A., Xue, X., Belete, M., Gudo, A. and Gan, M. 2020. Mapping maize fields by using multi-temporal Sentinel-1A and Sentinel-2A images in Makarfi, Northern Nigeria, Africa. Sustainability, 12(6):2539. https://doi.org/10.3390/su12062539
Arora, A., Sim, C., Severson, D. and Kang, D. 2022. Random forest analysis of impact of abiotic factors on Culex pipiens and Culex quinquefasciatus occurrence. Frontiers in Ecology and Evolution, 9. https://doi.org/10.3389/fevo.2021.773360
Bantchina, B. B., Mucan, U. and Gündoğdu, K. S. 2017. Land Availability Analysis in Bursa using Geographic Information Systems. In Proceedings Book, Proceedings of the 5th International Participation Soil and Water Resources Congress, Kırklareli, Turkey, 12–15 September 2017; Atatürk Soil Water and Agricultural Meteorology Research Institute Kırklareli: Merkez, Turkey; Volume 1, pp. 65–74.
Cuenca, M., Campo‐Bescós, M. and Álvarez‐Mozos, J. 2020. Crop classification based on temporal signatures of Sentinel-1 observations over Navarre province, Spain. Remote Sensing, 12(2):278. https://doi.org/10.3390/rs12020278
Cunningham, P. and Delany, S. 2021. K-nearest neighbour classifiers - a tutorial. Acm Computing Surveys, 54(6): 1-25. https://doi.org/10.1145/3459665
Fan, J., Zhang, X., Zhao, C., Qin, Z., De Vroey, M., and Defourny, P. 2021. Evaluation of Crop Type Classification with Different High Resolution Satellite Data Sources. Remote Sensing, 13(5):911. https://doi.org/10.3390/rs13050911
Ghamisi, P., Plaza, J., Chen, Y., Li, J. and Plaza, A. 2017. Advanced spectral classifiers for hyperspectral images: a review. Ieee Geoscience and Remote Sensing Magazine, 5(1):8–32. https://doi.org/10.1109/mgrs.2016.2616418
Gündoğdu, K. S. and Bantchina, B. B. 2018. Landsat Uydu Görüntülerinden NDVI Değer Dağılımının Parsel Bazlı Değerlendirilmesi, Bursa Uludağ Üniversitesi Ziraat Fakültesi Çiftlik Arazisi Örneği. Bursa Uludag Üniv. Ziraat Fak. Derg., 32 (2):45–53.
Hajian, A., Zomorrodian, H., Styles, P., Greco, F. and Lucas, C. 2011. Depth estimation of cavities from microgravity data using a new approach: the local linear model tree (lolimot). Near Surface Geophysics, 10(3):221–234. https://doi.org/10.3997/1873-0604.2011039
Hardisky, M. A., Klemas, V. and Smart, R. M. 1983. The influences of soil salinity, growth form, and leaf moisture on the spectral reflectance of Spartina alterniflora canopies. Photogrammetric Engineering & amp; Remote Sensing, 49:77–83.
Haykin, S. and Kosko, B. 2009. Gradient-based learning applied to document recognition. https://doi.org/10.1109/9780470544976.ch9
Izza, Y., Ignatiev, A. and Marques-Silva, J. 2022. On tackling explanation redundancy in decision trees. Journal of Artificial Intelligence Research, 75:261–321. https://doi.org/10.1613/jair.1.13575
Jensen, R. and Cornelis, C. 2008. A new approach to fuzzy-rough nearest neighbour classification., 310–319. https://doi.org/10.1007/978-3-540-88425-5_32
Kang, Y., Xinli H., Qingyan, M, Youfeng, Z., Linlin, Z., Miao, L. and Maofan, Z. 2021. Land Cover and Crop Classification Based on Red Edge Indices Features of GF-6 WFV Time Series Data. Remote Sensing 13(22): 4522. https://doi.org/10.3390/rs13224522
LeCun, Y., Bottou, L., Bengio, Y. and Haffner, P. 1998. Gradient-based learning applied to document recognition. Proceedings of the Ieee, 86(11):2278–2324. https://doi.org/10.1109/5.726791
Li, J., Shen, Y. and Yang, C. 2020. An adversarial generative network for crop classification from remote sensing time series images. Remote Sensing, 13(1):65. https://doi.org/10.3390/rs13010065
Liu, Z., Su, B. and Lv, F. 2022. Intelligent identification method of crop species using improved U-net network in UAV remote sensing image. Scientific Programming, 1–9. https://doi.org/10.1155/2022/9717843
Lu, T., Wan, L. and Wang, L. 2022. Fine crop classification in high-resolution remote sensing based on deep learning. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.991173
Mahynski, N., Ragland, J., Schuur, S. and Shen, V. 2022. Building interpretable machine learning models to identify chemometric trends in seabirds of the north Pacific Ocean. Environmental Science & Technology, 56(20):14361–14374. https://doi.org/10.1021/acs.est.2c01894
Mashaba-Munghemezulu, Z., Chirima, G. and Munghemezulu, C. 2021. Delineating smallholder maize farms from Sentinel-1 coupled with Sentinel-2 data using machine learning. Sustainability, 13(9):4728. https://doi.org/10.3390/su13094728
Mazarire, T., Ratshiedana, P., Nyamugama, A., Adam, E. and Chirima, G. 2022. Exploring machine learning algorithms for mapping crop types in a heterogeneous agriculture landscape using Sentinel-2 data. a case study of Free State Province, South Africa. South African Journal of Geomatics, 9(2):333–347. https://doi.org/10.4314/sajg.v9i2.22
Muntean, M. and Militaru, F. D. 2023. Metrics for Evaluating Classification Algorithms. In: Ciurea, C., Pocatilu, P., Filip, F.G. (eds) Education, Research and Business Technologies. Smart Innovation, Systems and Technologies, vol 321. Springer, Singapore. https://doi.org/10.1007/978-981-19-6755-9_24
Mustak, S., Uday, G., Ramesh, B. and Praveen, B. 2019. Evaluation of the performance of sar and sar-optical fused dataset for crop discrimination. The International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLII-3/W6, 563–571. https://doi.org/10.5194/isprs-archives-xlii-3-w6-563-2019
Ndikumana, E., Minh, D., Baghdadi, N., Courault, D. and Hossard, L. 2018. Deep Recurrent Neural Network for Agricultural Classification Using Multitemporal SAR Sentinel-1 For Camargue, France. Remote Sensing, 8(10):1217. https://doi.org/10.3390/rs10081217
Nguyen, H. and Nansen, C. 2020. Hyperspectral remote sensing to detect leafminer‐induced stress in bok choy and spinach according to fertilizer regime and timing. Pest Management Science, 76(6):2208–2216. https://doi.org/10.1002/ps.5758
Nidamanuri, R., Garg, P. and Ghosh, S. 2007. Development of an agricultural crops spectral library and classification of crops at cultivar level using hyperspectral data. Precision Agriculture, 8(4-5):173–185. https://doi.org/10.1007/s11119-007-9037-x
Pech-May, F., Aquino-Santos, R., Ríos-Toledo, G. and Posadas-Durán, J. 2022. Mapping of land cover with optical images, supervised algorithms, and Google Earth engine. Sensors, 22(13):4729. https://doi.org/10.3390/s22134729
Pham, B., Nguyen, M., Bui, K., Prakash, I., Chapi, K. and Bui, D. 2019. A novel artificial intelligence approach based on multi-layer perceptron neural network and biogeography-based optimization for predicting coefficient of consolidation of soil. Catena, 173:302–311. https://doi.org/10.1016/j.catena.2018.10.004
Ren, T., Liu, Z., Zhang, L., Liu, D., Xi, X., Kang, Y., Zhao, Y., Zhang, C., Li, S. and Zhang, X. 2020. Early identification of seed maize and common maize production fields using Sentinel-2 images. Remote Sensing, 12(13):2140.
Rumelhart, D., Hinton, G. and Williams, R. 1986. Learning representations by back-propagating errors. Nature, 323(6088):533–536. https://doi.org/10.1038/323533a0
Sitokonstantinou, V., Papoutsis, I., Kontoes, C., Arnal, A., Andrés, A. and Zurbano, J. 2018. Scalable parcel-based crop identification scheme using Sentinel-2 data time-series for the monitoring of the common agricultural policy. Remote Sensing, 10(6):911. https://doi.org/10.3390/rs10060911
Sonobe, R. 2019. Parcel-based crop classification using multi-temporal Terrasar-x dual polarimetric data. Remote Sensing, 11(10):1148. https://doi.org/10.3390/rs11101148
Sonobe, R., Yamaya, Y., Tani, H., Wang, X., Kobayashi, N. and Mochizuki, K. 2018. Crop classification from Sentinel-2-derived vegetation indices using ensemble learning. Journal of Applied Remote Sensing, 12(02):1. https://doi.org/10.1117/1.jrs.12.026019
Strobl, C., Boulesteix, A., Zeileis, A. and Hothorn, T. 2007. Bias in random forest variable importance measures: illustrations, sources and a solution. BMC Bioinformatics, 8(1). https://doi.org/10.1186/1471-2105-8-25
Tian, H., Yong-Jiu, W., Cui, T., Zhang, L. and Qin, Y. 2021. Early-season mapping of winter crops using sentinel-2 optical imagery. Remote Sensing, 13(19):3822. https://doi.org/10.3390/rs13193822
Ustuner, M., Sanli, F. B., Abdikan, S., Esetlili, M. T. and Kurucu, Y. 2014. Crop type classification using vegetation indices of RapidEye imagery. 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
Yang, N., Liu, D., Feng, Q., Xiong, Q., Zhang, L., Ren, T. and Huang, J. 2019. Large-scale crop mapping based on machine learning and parallel computation with grids. Remote Sensing, 11(12):1500. https://doi.org/10.3390/rs11121500
Zhou, T., Pan, J., Zhang, P., Wei, S. and Han, T. 2017. Mapping Winter Wheat with Multi-temporal Sar and Optical Images in an Urban Agricultural Region. Sensors, 6(17):1210. https://doi.org/10.3390/s17061210

Toplam 38 adet kaynakça vardır.

Ayrıntılar

Birincil Dil	İngilizce
Konular	Biyosistem, Hassas Tarım Teknolojileri
Bölüm	Araştırma Makaleleri
Yazarlar	Bere Benjamin Bantchına 0000-0002-2593-426X Kemal Sulhi Gündoğdu 0000-0002-5591-4788
Erken Görünüm Tarihi	11 Haziran 2024
Yayımlanma Tarihi	14 Haziran 2024
Gönderilme Tarihi	8 Aralık 2023
Kabul Tarihi	20 Mart 2024
Yayımlandığı Sayı	Yıl 2024 Cilt: 38 Sayı: 1

Kaynak Göster

APA	Bantchına, B. B., & Gündoğdu, K. S. (2024). Crop Type Classification using Sentinel 2A-Derived Normalized Difference Red Edge Index (NDRE) and Machine Learning Approach. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 38(1), 89-105. https://doi.org/10.20479/bursauludagziraat.1402043

Cited By

Classification of Agricultural Crops with Random Forest and Support Vector Machine Algorithms Using Sentinel-2 and Landsat-8 Images

International Journal of Environment and Geoinformatics

https://doi.org/10.30897/ijegeo.1479116

Kapak Resmi İndir

Makale Dosyaları

Tam Metin

TR Dizin kriterleri gereği dergimize gönderilecek olan makalelerin mutlaka aşağıda belirtilen hususlara uyması gerekmektedir.

Tüm bilim dallarında yapılan, ve etik kurul kararı gerektiren klinik ve deneysel insan ve hayvanlar üzerindeki çalışmalar için ayrı ayrı etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
Makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
Etik kurul izni gerektiren çalışmalarda, izinle ilgili bilgiler (kurul adı, tarih ve sayı no) yöntem bölümünde ve ayrıca makale ilk/son sayfasında yer verilmelidir.
Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.
Makale sonunda; Araştırmacıların Katkı Oranı beyanı, varsa Destek ve Teşekkür Beyanı, Çatışma Beyanı verilmesi.
Etik Kurul izni gerektiren araştırmalar aşağıdaki gibidir.
- Anket, mülakat, odak grup çalışması, gözlem, deney, görüşme teknikleri kullanılarak katılımcılardan veri toplanmasını gerektiren nitel ya da nicel yaklaşımlarla yürütülen her türlü araştırmalar
- İnsan ve hayvanların (materyal/veriler dahil) deneysel ya da diğer bilimsel amaçlarla kullanılması,
- İnsanlar üzerinde yapılan klinik araştırmalar,
- Hayvanlar üzerinde yapılan araştırmalar,
- Kişisel verilerin korunması kanunu gereğince retrospektif çalışmalar,
Ayrıca;
- Olgu sunumlarında “Aydınlatılmış onam formu”nun alındığının belirtilmesi,
- Başkalarına ait ölçek, anket, fotoğrafların kullanımı için sahiplerinden izin alınması ve belirtilmesi,
- Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine uyulduğunun belirtilmesi.

Makale başvurusunda;

(1) Tam metin makale, Dergi yazım kurallarına uygun olmalı, Makalenin ilk sayfasında ve teşekkür bilgi notu kısmında Araştırma ve Yayın Etiğine uyulduğuna ve Etik kurul izni gerektirmediğine dair ifadeye yer verilmelidir. Etik kurul izni gerektiren çalışmalarda, izinle ilgili bilgiler (kurul adı, tarih ve sayı no) yöntem bölümünde ve ayrıca makale ilk/son sayfasında yer verilmeli ve sisteme belgenin yüklenmesi gerekmektedir. (Dergiye gönderilen makalelerde; konu ile ilgili olarak derginin daha önceki sayılarında yayımlanan en az bir yayına atıf yapılması önem arz etmektedir. Dergiye yapılan atıflarda “Bursa Uludag Üniv. Ziraat Fak. Derg.” kısaltması kullanılmalıdır.)

(2) Tam metin makalenin taratıldığını gösteren benzerlik raporu (Ithenticate, intihal.net) (% 20’nin altında olmalıdır),

(3) İmzalanmış ve taratılmış başvuru formu, Dergi web sayfasında yer alan başvuru formunun başvuran tarafından İmzalanıp, taratılarak yüklenmesi , (Ön yazı yerine)

(4) Tüm yazarlar tarafından imzalanmış telif hakkı devir formunun taranmış kopyası,

(5) Araştırmacıların Katkı Oranı beyanı, Çıkar Çatışması beyanı verilmesi Makale sonunda; Araştırmacıların Katkı Oranı beyanı, varsa Destek ve Teşekkür Beyanı, Çatışma Beyanı verilmesi ve sisteme belgenin (Tüm yazarlar tarafından imzalanmış bir yazı) yüklenmesi gerekmektedir.

Belgelerin elektronik formatta DergiPark sistemine https://dergipark.org.tr/tr/login adresinden kayıt olunarak başvuru sırasında yüklenmesi mümkündür.

25056

Journal of Agricultural Faculty of Bursa Uludag University is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.