ULUSAL ARAZİ ÖRTÜSÜ SINIFLANDIRMA VE İZLEME SİSTEMİ (UASİS)

Yıl 2024, Cilt: 1 Sayı: Özel, 131 - 146, 02.12.2024

Murat Arslan Reyhan Çakır , İsra Akyazı , Nida Kumbasar , Ahmet Doğan Emre Yavuz

Öz

Ülkemizde, birçok kurum ve kuruluşun görev ve sorumlulukları kapsamında gerçekleştirilen ve gerçekleştirilmesi planlanan, ülke kalkınmasında önemli rol oynayan projeler yürütülmektedir. Bu projelerde kullanılan arazi örtüsü verileri; arazinin yorumlanabilmesi, modelleme çalışmaları ile izleme ve değerlendirme analizlerinde büyük önem arz etmektedir. Ulusal Arazi Örtüsü Sınıflandırma ve İzleme Sistemi (UASİS) projesi ile tüm paydaşların ihtiyaçları doğrultusunda belirlenmiş arazi örtüsü sınıflarını yapay zeka ve makine öğrenmesi teknolojileri ile yarı otomatik olarak ulusal ölçekte bütüncül olarak üretecek ve izleme ihtiyaçlarını karşılayacak milli bir yazılım sisteminin kurulması amaçlanmıştır.

Sentinel-2 uydu görüntüleri ve kurumlardan alınan yardımcı veriler yapay zeka tabanlı algoritmalar ile yarı otomatik olarak sınıflandırılarak arazi örtüsü haritaları yıllık olarak oluşturulmaktadır. UASİS projesi ile 5 ana sınıf ve 79 alt sınıfta arazi örtüsü haritası ulusal ölçekte üretilmektedir. 79 UASİS alt sınıfının 32 sınıfı otomatik olarak oluşturulurken geri kalan 47 sınıf yardımcı verilerden temin edilmektedir. Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü ve Türkiye Bilimsel ve Teknolojik Araştırma Kurumu Bilişim ve Bilgi Güvenliği İleri Teknolojiler Araştırma Merkezi (TÜBİTAK BİLGEM) işbirliği ile yürütülen UASİS projesinde 2021 Ulusal Arazi Örtüsü Haritası üretilmekte olup, yıllık arazi örtüsü haritası üretimi devam edecektir. Sakarya, Büyük Menderes ve Doğu Karadeniz Havzalarında yapılan pilot bölge çalışmalarında 5 ana sınıfta doğruluk oranı %71 ile %95 arasında iken, otomatik olarak üretilebilen alt sınıfların doğruluk oranları ise %84 ile %98 arasındadır.

Anahtar Kelimeler

arazi örtüsü, sınıflandırma, uzaktan algılama, Türkiye

Destekleyen Kurum

çölleşme ve erozyonla mücadele genel müdürlüğü

Teşekkür

Proje kapsamında kullanılan kamuya ait verilerin temini aşamasında yardımlarını esirgemeyen tüm paydaş kurumlara teşekkür ederiz. Ayrıca UASİS projesi kapsamında Çölleşme ve Erozyonla Mücadele Genel Müdürlüğü ile iş birliği içerisinde olan Türkiye Bilimsel ve Teknolojik Araştırma Kurumu Bilişim ve Bilgi Güvenliği İleri Teknolojiler Araştırma Merkezi proje ekibine de teşekkür ederiz.

Kaynakça

• Akın, A., Sunar, F., & Berberoğlu, S. (2015). Urban change analysis and future growth of Istanbul. Environmental monitoring and assessment, 187, 1-15.
• Aryal, K., Apan, A., & Maraseni, T. (2023). Comparing global and local land cover maps for ecosystem management in the Himalayas. Remote Sensing Applications: Society and Environment, 30, 100952.
• Aydemir, M. S., Keyik, A. N., Kahraman, F., & Aptoula, E. (2020, October). Land Cover Map Production of the Sakarya Basin from Multi-Temporal Satellite Images. In 2020 28th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
• Chen, Y., Lin, Z., Zhao, X., Wang, G., & Gu, Y. (2014). Deep learning-based classification of hyperspectral data. IEEE Journal of Selected topics in applied earth observations and remote sensing, 7(6), 2094-2107
• Demir, I., Koperski, K., Lindenbaum, D., Pang, G., Huang, J., Basu, S., ... & Raskar, R. (2018). Deepglobe 2018: A challenge to parse the earth through satellite images. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 172-181).
• Griffiths, P., Nendel, C., & Hostert, P. (2019). Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping. Remote sensing of environment, 220, 135-151.
• LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
• Pesaresi, M., Corbane, C., Julea, A., Florczyk, A. J., Syrris, V., & Soille, P. (2016). Assessment of the added-value of Sentinel-2 for detecting built-up areas. Remote Sensing, 8(4), 299.
• Rujoiu-Mare, M. R., & Mihai, B. A. (2016). Mapping land cover using remote sensing data and GIS techniques: A case study of Prahova Subcarpathians. Procedia Environmental Sciences, 32, 244-255.
• Salman M. (2018). Hiperspektral ve lidar verilerinin öznitelik ve karar seviyelerinde tümleştirilmesi ve derin evrişimli sinir ağlarıyla sınıflandırılması, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Ankara.
• Sertel, E., Musaoğlu, N., Alp, G., Algan, I. Y., Kaya, Ş., Yüksel, B., & Yılmaz, A. (2018). 1: 25.000 ölçekli ulusal arazi örtüsü/kullanımı sınıflandırma sistemi ile HGK TOPOVT veritabanının karşılaştırılması. Harita Dergisi, 160, 34-46.
• Sofu, A. M., İmamoğlu, M., Kahraman, F., Çetin, G. B., & Aptoula, E. (2020, October). Fine-Grained Urban Land Use and Land Cover Classification Through Multi-temporal and Multispectral Remote Sensing Images. In 2020 28th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
• Stoian, A., Poulain, V., Inglada, J., Poughon, V., & Derksen, D. (2019). Land cover maps production with high resolution satellite image time series and convolutional neural networks: Adaptations and limits for operational systems. Remote Sensing, 11(17), 1986.
• Syrris, V., Hasenohr, P., Delipetrev, B., Kotsev, A., Kempeneers, P., & Soille, P. (2019). Evaluation of the potential of convolutional neural networks and random forests for multi-class segmentation of Sentinel-2 imagery. Remote Sensing, 11(8), 907.
• Wang, Y., Sun, Y., Cao, X., Wang, Y., Zhang, W., & Cheng, X. (2023). A review of regional and Global scale Land Use/Land Cover (LULC) mapping products generated from satellite remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 206, 311-334. ,
• Zhang, C., & Li, X. (2022). Land use and land cover mapping in the era of big data. Land, 11(10), 1692.
• URL-1, https://livingatlas.arcgis.com/landcover/, (20.09.2024) URL-2, https://esa-worldcover.org/en/about/about, (20.09.2024) URL-3, https://corine.tarimorman.gov.tr/corineportal/nedir.html, (20.09.2024)