Determination of Paddy Rice Parcels from RGB Satellite Images Using Image Processing Techniques

Öz

The remote sensing technique is of great importance in agriculture in determining vegetation cover, monitoring its development, classification, and yield estimation. Various sofwares, mathematical algorithms, and statistical approaches are used to make satellite images meaningful in remote sensing. In this study, it is aimed to determine the rice plant plots and areas by using the Augelab Studio sofware, which is a new approach in artificial intelligence-supported image processing techniques. Using the RGB image covering an area of 2.5 km2 obtained from Google Earth Pro, the classification of paddy rice fields and the calculation of these areas were made. Rice fields from parcels with different plant patterns were separated using Augelab Studio artificial intelligence image processing software using filtering blocks. The real areas of the other rice parcels were determined by the coefficient created by taking the pixel area values of some of the parcels whose total area is known as a reference. It is found that total areas of rice parcels in Augelab Studio and Google Earth Pro programs to be 798 and 801 decares, respectively. It has been observed that the areas of the paddy rice parcels can be determined with high accuracy by using Augelab Studio.

Anahtar Kelimeler

• Image processing
• Augelab studio
• Remote sensing
• Görüntü işleme
• Görüntü işleme
• Bitki örtüsü sınıflandırılması

RGB Uydu Görüntülerinden Çeltik Parsellerinin Görüntü İşleme Teknikleri Kullanılarak Belirlenmesi

Öz

Uzaktan algılama tekniği tarımda, bitki örtüsünün belirlenmesi, gelişiminin izlenmesi, sınıflandırılması ve verim tahminlerinin yapılmasında büyük önem taşımaktadır. Uzaktan algılamada uydu görüntülerini anlamlı hale getirebilmek için çeşitli yazılımlar, farklı matematiksel algoritmalar ve istatistiksel yaklaşımlar kullanılmaktadır. Bu çalışmada, yapay zekâ destekli görüntü işleme tekniğinde yeni bir yaklaşım olan Augelab Studio programı kullanılarak çeltik bitkisi parselleri ve alanlarının belirlenmesi amaçlanmıştır. Google Earth Pro’dan alınan 2.5 km2’lik alanı kaplayan RGB görüntü kullanılarak çeltik alanlarının sınıflandırılması ve bu alanların hesabı yapılmıştır. Farklı bitki desenine sahip parsellerden çeltik ekili alanlar Augelab Studio yapay zekâ görüntü işleme yazılımı kullanılarak filtreleme blokları kullanılarak ayrılmıştır. Gerçek alanı bilinen parsellerden bazılarının piksel alanı değerleri referans alınarak oluşturulan katsayı ile diğer çeltik parsellerinin gerçek alanları tespit edilmiştir. Çalışma sonucunda, Augelab Studio ve Google Earth Pro programlarında çeltik parsellerinin toplam alanları sırasıyla 79.8 ha ve 80.1 ha olarak bulunmuştur. Augelab Studio kullanılarak çeltik parsellerine ait alanların yüksek doğrulukta belirlenebildiği görülmüştür.

Anahtar Kelimeler

• Augelab studio
• Görüntü işleme
• Uzaktan algılama
• Bitki örtüsü sınıflandırılması

Kaynakça

1. Ağın, O., Malaslı, M. Z., 2016. Görüntü işleme tekniklerinin sürdürülebilir tarımdaki yeri ve önemi: Literatür Çalışması. Tarım Makinaları Bilimi Dergisi (Journal of Agricultural Machinery Science, 12(3), 199-206.
2. Anonim, 2022. Image Processing with Python. https://datacarpentry.org/image-processing/07-thresholding/ Erişim tarihi: 08.07.2022
3. Berberoglu, S., 2003. Sustainable management for the eastern mediterranean coast of Turkey. Environmental Management, 31, 442-451.
4. Caf, D., 2019. Bir durum çalışması: tarımsal ürünlerin uzaktan algılama ile tespiti. Journal of Agriculture 2(2), 80-91.
5. Çetin, S. , Nar, H. & Kızıl, Ü. (2022) Counting and classification of seed using machine learning methods. ÇOMÜ Ziraat Fakültesi Dergisi , 10 (1) , 55-62 . DOI: 10.33202/comuagri.1086784
6. Ersan, R., Başayiğit, L., 2017. Yüksek Çözünürlüklü Uydu Görüntülerinde Farklı Görüntü İşleme Yöntemleri ile Yağ Gülü Parsellerinin Belirlenmesi . Journal of Agricultural Sciences, 23 (1) , 22-33 . Retrieved from https://dergipark.org.tr/en/pub/ankutbd/issue/56551/786546
7. Grupta, S. K., 2021. Changing the contrast and brightness of an image using Python – OpenCV. https://www.geeksforgeeks.org/changing-the-contrast-and-brightness-of-an-image-using-python-opencv/ Erişim tarihi: 07.07.2022
8. Guijarro M, Pajares G, Riomoros I, Herrera P J, Artizzu X P B, Ribeiro A (2011). Automatic segmentation of relevant textures in agricultural images. Computers and Electronics in Agriculture, 75: 75–83.

9. Gupta, A., 2022. A deep learning odyssey on structured natural language processing (Doctoral dissertation, Iowa State University).
10. Kavzoğlu, T., Çölkesen, İ., 2010. Karar ağaçları ile uydu görüntülerinin sınıflandırılması: Kocaeli örneği. Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
11. Kumar, S., 2019. Find and draw contours using OpenCV | Python. https://www.geeksforgeeks.org/find-and- draw-contours-using-opencv-python/ Erişim tarihi: 09.07.2022
12. 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.
13. Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., Skakun, S., 2017. Large scale crop classification using Google Earth Engine platform. In 2017 IEEE international geoscience and remote sensing symposium (IGARSS) (pp. 3696-3699). IEEE.
14. Stone, R., 2022. Image segmentation using color spaces in OpenCV + Python. https://realpython.com/python-opencv-color-spaces/ Erişim tarihi: 07.07.2022
15. Taşlıgil, N., Şahin, G., 2011. Türkiye’de çeltik (oryza sativa l.) yetiştiriciliği ve coğrafi dağılımı . Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi,(6),182-203. DOI: 10.14520/adyusbd.105
16. TEPGE, 2020. Durum ve tahmin pirinç raporu. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü. E-ISBN: 978-605-7599-49-0
17. TÜİK, 2020. Tarım istatistikleri, dış ticaret istatistikleri ve fiyat istatistikleri veri tabanları. Türkiye İstatistik Kurumu.
18. Zhai, Z., Martinez, J. F., Beltran, V., Martinez, N. L., 2020. Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture.170 (105256). https://doi.org/10.1016/j.compag.2020.105256