Determination of Land Use and Land Cover by Machine Learning Methods Using Satellite Images

Öz

With the development of satellite techniques, remote sensing techniques are used more frequently in remote sensing studies to determine land use and land cover. Nergizlik Reservoir is an important water source and since residential areas, agricultural lands and forest areas are located around it, regular observation of the land cover is necessary. The main purpose of this study is to determine land use and land cover around Nergizlik Reservoir by pixel-based image classification methods, band ratio techniques and to compare the general accuracy of these techniques and to determine the most appropriate method for the field of study. In this study, Sentinel-2B satellite image of Nergizlik Reservoir taken on January 3, 2024 was used. The image was classified by Support Vector Machines (SVM) and Artificial Neural Networks (ANN) pixel-based classification method using red, blue and green bands. Normalized Difference Vegetation Index (NDVI) and Normalized Difference Red Edge Index (NDRE) band ratio techniques were applied to the image. Land use and land cover maps were created. SVM provided 89% accuracy, ANN 88%, NDVI 81%, NDRE 84%. All methods provided the expected accuracy and the pixel-based SVM classification method provided higher accuracy than other methods.

Anahtar Kelimeler

• Support Vector Machines
• Artificial Neural Networks
• Normalized Difference Vegetation Index
• Normalized Difference Red Edge Index
• Sentinel-2B

Uydu Görüntüleri Kullanarak Makine Öğrenme Yöntemleri ile Arazi Kullanımı ve Arazi Örtüsünün Belirlenmesi

Öz

Uydu teknolojilerinin gelişmesiyle birlikte, arazi kullanımı ve arazi örtüsü belirlemek amacıyla uzaktan algılama teknikleri daha sık kullanılmaktadır. Nergizlik barajı önemli bir su kaynağı olup, çevresinde yerleşim alanları, tarım arazileri ve orman alanları bir arada bulunduğu için arazi örtüsünün düzenli olarak gözlemlenmesi gereklidir. Bu çalışmanın temel amacı Nergizlik Baraj Gölü çevresinde piksel tabanlı görüntü sınıflandırma yöntemleri ile sınıflama işlemi uygulayarak ve bant oranlama teknikleri kullanarak arazi kullanım ve arazi örtüsünü belirlemek, bu tekniklerin genel doğruluklarını karşılaştırmak ve çalışma alanına en uygun yöntemi tespit etmektir. Bu çalışmada Nergizlik Baraj Gölü’nün 3 Ocak 2024 tarihinde alınan Sentinel-2B uydu görüntüsü kullanılmıştır. Görüntü, kırmızı, mavi ve yeşil bantları kullanılarak, Support Vector Machines (SVM), Artificial Neural Networks (ANN) yöntemiyle piksel tabanlı sınıflandırma yöntemiyle sınıflandırılmıştır. Görüntüye Normalized Difference Vegetation Index (NDVI), Normalized Difference Red Edge Index (NDRE) bant oranlama teknikleri de uygulanmıştır. Arazi kullanımı ve arazi örtüsü haritaları oluşturulmuştur. Bu çalışmada SVM %89, ANN %88, NDVI %81, NDRE %84 doğruluk sağlamıştır. Tüm yöntemler beklenen doğruluğu sağlamış olup, piksel tabanlı SVM sınıflama yönteminin diğer yöntemlere göre daha yüksek doğruluk sağladığı tespit edilmiştir.

Anahtar Kelimeler

• Destek Vektör Makineleri
• Yapay Sinir Ağları
• Normalize Edilmiş Fark Bitki Örtüsü İndeksi
• Normalize Edilmiş Fark Kırmız Kenar İndeksi
• Sentinel-2B

Kaynakça

1. Pakhale GK, Gupta PK. Comparison of advanced pixel based (ANN and SVM) and object-oriented classification approaches using landsat-7 Etm+ data. Int J Eng Technol 2010; 2(4): 245-251.
2. Deilmai BR, Kanniah KD, Rasib AW, Ariffin A. Comparison of pixel-based and artificial neural networks classification methods for detecting forest cover changes in Malaysia. In IOP Conference Series: Earth and Environmental Science 2014.
3. Pujari D, Yakkundimath R, Byadgi AS. SVM and ANN based classification of plant diseases using feature reduction technique. Int J Interact Multimed Artif Intell 2016;3(7): 6-14.
4. Kuc G, Chormański J. Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas. Int Arch Photogramm Remote Sens Spat Inf Sci 2019; 42: 43-47.
5. Özdarıcı OA. Yüksek Mekânsal çözünürlüklü uydu görüntülerinden otomatik ağaç tespiti: yeni bir yaklaşım. 5. Uzaktan Algılama-CBS Sempozyumu, İstanbul, Türkiye, 2014.
6. Ustuner M, Sanli FB., Abdikan S, Esetlili MT, Kurucu Y. Crop type classification using vegetation indices of rapideye imagery. Int Arch Photogramm Remote Sens Spat Inf Sci 2014; 40: 195-198.
7. Doğan S, Buğday E. Modeling of temporal and spatial changes of land cover and land use by artificial neural networks: Kastamonu sample. Bartın Orman Fak Derg 2023; 20(3): 653-663.
8. Yuh YG, Tracz W, Matthews HD, Turner SE. Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecol Inf 2023; 74: 1-15.

9. Çiçekli SY, Sekertekin A, Arslan N, Donmez C. Comparison of pixel and object-based classification methods in Wetlands using sentinel-2 Data. In 3rd International Mediterranean Science and Engineering Congress, 2018. pp. 298-302.
10. Boiarskii B, Hasegawa, H. Comparison of NDVI and NDRE indices to detect differences in vegetation and chlorophyll content. J Mech Contin Math Sci 2019; 4: 20-29.
11. Naguib NS, Daliman S. Analysis of NDVI and NDRE indices using satellite images for crop identification at Kelantan. In IOP Conference Series: Earth and Environmental Science 2022, 1102: 1-7.
12. Çınar T, Beram RC, Aydın A, Akyol S, Tashigul N, Lehtijärvi HT, Woodward S. Detection of heterobasidion root rot on pinus brutia ten. using different vegetation indices generated from Sentinel-2 A satellite imagery. J Indian Soc Remote Sens 2024; 52: 1805–1817.
13. Borgogno-Mondino E, Farbo A, Novello V and Palma LD. A fast regression-based approach to map water status of pomegranate orchards with Sentinel 2 data. Horticulturae 2022; 8(9); 759:1-17.
14. ESA. https://scihub.copernicus.eu/dhus/#/home/ Accessed 20 March 2024.
15. T.C. Milli Savunma Bakanlığı Harita Genel Müdürlüğü. https://www.harita.gov.tr/urunler/ Accessed 07 June 2024.
16. Bayram B, Ustuner M. Yeniden Örneklemenin Sınıflandırma Sonucuna Etkisi. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu, 2013. pp. 1-4.
17. Pettorelli N, Ryan, S, Mueller T, Bunnefeld N, Jędrzejewska B, Lima M, Kausrud K. The normalized difference vegetation index (NDVI): unforeseen successes in animal ecology. Clim Res 2011; 46(1): 15-27.
18. Rouse JW, Haas RH, Schell JA, Deering DW, Harlan JC. Monitoring the vernal advancements and retrogradation (greenwave effect) of nature vegetation; NASA/GSFC Final Report; NASA: Greenbelt, MD, USA,1974.
19. Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ 1979; 8(2): 127-150.
20. Barnes, EM, Clarke TR, Richards SE, Colaizzi PD, Haberland J, Kostrzewski M, Waller P, Choi C, Riley E, Thompson T, Lascano RJ, Li H, Moran MS. Coincident Detection of Crop Water Stress, Nitrogen Status and Canopy Density Using Ground Based Multi- Spectral Data. 5th International Conference on Precision Agriculture, Bloomington, MN, USA,2000.
21. Gündoğdu KS, Bantchina BB. Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ Üniversitesi Ziraat Fakültesi çiftlik arazisi örneği. Bursa Uludağ Üniv Ziraat Fak Derg 2018, 32(2): 45-53.
22. Mountrakis G, Im J, Ogole C. Support vector machines in remote sensing: A review. ISPRS J Photogramm Remote Sens 2011; 66: 247–259.
23. Hamed MM, Khalafallah MG, Hassanien EA. Prediction of wastewater treatment plant performance using artificial neural networks. Environ Modell Software 2004; 19(10): 919-928.
24. Nasr MS, Moustafa MA, A.-Seif H, El Kobrosy G. Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT. Alexandria Eng J 2012; 51(1):37-43.
25. Haykin S. Neural Networks: A Comprehensive Foundation, Macmillan College Publishing Company,1994.
26. Otsu N. A Threshold Selection Method from Gray-Level Histograms. IEEE Trans. Syst. Man. Cybern 1979; 9: 62–66.
27. Google LLC. Google Earth Engine (Computer software) https://earthengine.google.com/ Accessed 06.05.2024.
28. Makineci HB, Akosman EN. Sentinel-2A verileriyle Trabzon İli 2019-2020 yılları arasında ortaya çıkan sınıflandırma farklarının çeşitli algoritmalarla değerlendirilmesi. Türkiye Uzaktan Algılama Derg 2023; 5(2): 78–88.
29. Çiçekli SY. Otomatize edilmiş nesne tabanlı arazi örtüsü sınıflandırma modeli: Aşağı Seyhan Ovası örneği. Doktora Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, 2022.
30. Zhang K, Ge X, Shen P, Li W, Liu X, Cao Q, Zhu Y, Cao W, Tian, Y. Predicting rice grain yield based on dynamic changes in vegetation indexes during early to mid-growth stages. Remote Sens 2019; 11(4); 387: 1-24.
31. Barboza TOC, Ardigueri M, Souza GFC, Ferraz MAJ, Gaudencio JRF, Santos AFD. Performance of vegetation indices to estimate green biomass accumulation in Common Bean. AgriEngineering 2023; 5(2):840-854.
32. Khurana Y, Gupta S. LCLU Classification using SVM, MLC and ANN of multispectral imagery from Sentinel-2. Int J Eng Res Tech (IJERT) 2022;11(10):1-8.
33. Soni PK, Rajpal N, Mehta R, Mishra VK. Urban land cover and land use classification using multispectral sentinal-2 imagery. Multimedia Tools Appl 2022; 81(26): 36853-36867.
34. T.C. Seyhan Sağ Sahil Sulama Birliği. https://seyhansagsahilsulama.gov.tr/proje/karaisali-nergizlik-baraji-sulamasinda-temizlik-calismalari/ Accessed 05 October 2024.
35. Akgül MA, Çetin M. Baraj gölü su kotunun Landsat 8 uydu görüntüleri kullanılarak tahmin edilmesi. DÜMF Mühendislik Derg 2018; 9(1): 493-502.
36. Kılıç M, Çetin H. Nergizlik Barajı (Adana) kil çekirdek malzemesinin jeoteknik incelemesi. Ç.Ü Fen ve Mühendislik Bilimleri Derg 2011; 26(3): 118-128.