Fındık Bahçelerinin Sentinel-2 Verileri Kullanılarak Piksel Tabanlı Sınıflandırma Yöntemleriyle Belirlenmesi

Yıl 2021, Cilt: 6 Sayı: 2, 107 - 114, 01.08.2021

Ceyhun Apaydın , Saygın Abdikan

https://doi.org/10.29128/geomatik.705988

Cited By: 15

Öz

Dünyada fındık üretiminin yaklaşık %75’ini Türkiye sağlamaktadır. Bu nedenle fındık alanlarının doğru bir şekilde belirlenmesi, üretilecek fındık miktarının ve verimlilik çalışmaları için önemlidir. Bu çalışmada 02.07.2019 tarihli Sentinel-2 uydu görüntüsü kullanılarak fındık bahçelerinin belirlenmesi amaçlanmıştır. Bu kapsamda çalışma alanı olarak Trabzon ili Beşikdüzü ilçesi, uygulama alanı olarak ilçe merkezi seçilmiştir. Uygulama alanına ait görüntü arazi tespit çalışması için piksel tabanlı görüntü sınıflandırma yöntemi kullanılmıştır. Fındık bahçelerinin belirlenmesi için üç farklı makine öğrenme algoritması rastgele orman (RO), K en yakın komşu (K-EYK) ve destek vektör makineleri (DVM) ele alınmıştır. Sınıflandırmalara ilişkin genel doğruluk değerleri RO, K-EYK ve DVM algoritmaları için sırasıyla 85,3870, 87,5398 ve 91,0948 olarak tespit edilmiştir.

Anahtar Kelimeler

Fındık, Rastgele Orman, Sentinel-2, K-EYK, DVM

Kaynakça

• Abdikan S., Bilgin G., Sanli F.B., Uslu E., Ustuner M. (2015) - Enhancing land use classification with fusing dual-polarized TerraSAR-X and multispectral RapidEye data. Journal of Applied Remote Sensing, 9: 096054-096054.
• Adam, E., Mutanga, O., Odindi, J, Abdel-Rahman, E.M. (2014). Land-Use/Cover Classification İn A Heterogeneous Coastal Landscape Using Rapideye İmagery: Evaluating The Performance Of Random Forest And Support Vector Machines Classifiers. Int. J. Remote Sens. 2014, 35, 3440–3458.
• Akar, Ö., Güngör, O., (2013). Eş Dizimlilik Matrisi Ve Rastgele Orman Sınıflandırıcısı İle Çay Ve Fındık Alanlarının Sınıflandırılması, Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB’2013), 23-25 Mayıs 2013, KTÜ, Trabzon.
• Akbulut, Y., Sengur, A,. Guo, Y., Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors classifier. Symmetry 2017, 9, 179
• Breiman, L. (2001). Random forests,machine learning, 2001 Kluwer Academic Publishers, 45(1), 5-32.
• Comert, R., Matcı, D.K., Avdan U. (2019). Object Based Burned Area Mapping with Random Forest Algorithm, International Journal of Engineering and Geosciences (IJEG), 4 (2), 078-087
• Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P. ve Martimort, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services, Remote Sens. Environ.,no. 120, p. 25–36.
• Duda, R., Hart, P. (1973). Pattern Classification and Scene Analysis; John Wiley & Sons: New York, NY, USA, 1973.
• Franco-Lopez, H., Ek, A.R., Bauer, M.E. (2001). Estimation and mapping of forest stand density, volume and cover type using the k-Nearest Neighbors method. Remote Sens. Environ. 2001, 77, 251–274.
• Genbatu G., Zhongjie S., Yuanjun Z., Xiaohui Y., Yuguang H. (2020). Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms, Conservation Volume, June 2020, e00971
• Ghosh, A., Joshi, P.K. A. (2014). Comparison Of Selected Classification Algorithms For Mapping Bamboo Patches İn Lower Gangetic Plains Using Very High Resolution Worldview 2 İmagery. Int. J. Appl. Earth Obs. Geoinf. 2014, 26, 298–311.
• Gupta, N. and Bhadauria, H.S, (2014). Object Based Information Extraction from High Resolution Satellite Imagery using eCognition, International Journal of Computer sciences Issues, Vol. 11, 3, No. 2, 139-144.
• He, H., Garcia, E.A. (2009). Learning from imbalanced data. IEEE Trans. Knowl. Data Eng. 2009;21:1263–1284.
• Heydari, S.S., Mountrakis, G. (2018). Effect of classifier selection, reference sample size, reference class distribution and scene heterogeneity in per-pixel classification accuracy using 26 Landsat sites. Remote Sens. Environ. 2018, 204, 648–658.
• Karakus, P., Karabork, H., Kaya, S., (2017). A Comparison Of The Classification Accuracies In Determining The Land Cover Of Kadirli Region Of Turkey By Using The Pixel Based And Object Based Classification Algorithms, International Journal of Engineering and Geosciences (IJEG), 2(2), 52-60.
• Khatami, R., Mountrakis, G., Stehman, S.V. (2016). A Meta-Analysis Of Remote Sensing Research On Supervised Pixel-Based Land Cover İmage Classification Processes: General Guidelines For Practitioners And Future Research. Remote Sens. Environ. 2016, 177, 89–100.
• Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Ijcai 14(2), 1137-1145.
• Malenovský, Z., Rott, H., Cihlar, J., Schaepman, E. M, García-Santos, G., Fernandes, R. and Berger, M. (2012). Sentinels for science: Potential of Sentinel-1, -2 and -3 missions for scientific observations of ocean, cryosphere, and land, Remote Sens. Environ., no. 120, p. 91–101.
• Noi P. T., Kappas M., (2018). Comparison of Random Forest, k-Nearest Neighbor,and Support Vector Machine Classifiers for LandCover Classification Using Sentinel-2 Imagery, Sensors 2018, 18(1), 18.
• Olofsson P., Foody G.M., Herold M., Stehman S.V., Woodcock C.E., Wulder M.A., (2014). Good practices for estimating area and assessing accuracy of land change Remote Sensing of Environment, 148, 42 – 57
• Qian, Y., Zhou, W., Yan, J., Li, W., Han, L. (2015). Comparing machine learning classifiers for object-based land cover classification using very high resolution imagery. Remote Sens. 2015, 7, 153–168.
• Reis S., Taşdemir K., (2010). Fındık Alanlarının Kendini Örgütleyen Eşlemlerle (Self Organizing Maps) Belirlenmesi, III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 11 – 13 Ekim 2010, Gebze – KOCAELİ.
• Rwanga, S.S., Ndambuki J.M. (2017). Accuracy Assessment of Land Use/Land Cover Classification Using Remote Sensing and GIS. International Journal of Geosciences, 2017, 8, 611-622.
• Sener M., Altıntas B., Kurc H.C. (2013). Planning and Controlling of Hazelnut Production Areas with the Remote Sensing Techniques KSU J. Nat. Sci., 16(1), 2013
• Sevgen S.C. (2019). Airborne Lidar Data Classification In Complex Urban Area Using Random Forest: A Case Study Of Bergama, Turkey, International Journal of Engineering and Geosciences (IJEG), 4 (1), 045-051.
• Toosi, N. B., Soffianian, A. R., Fakheran, S., Pourmanafi, S., Ginzler, C., & Waser, L. T. (2019). Comparing different classification algorithms for monitoring mangrove cover changes in southern Iran. Global Ecology and Conservation, e00662.
• Url-1: http://www.ftg.org.tr/tr/turk-findigi-turkiyede-findik.html erişim tarihi: 04.09.2019
• Url-2: http://www.besikduzu.bel.tr /besikduzu erişim tarihi: 04.09.2019
• Url-3: https://scihub.copernicus.eu/dhus/#/home erişim tarihi: 04.09.2019
• Url-4: https://www.harrisgeospatial.com /docs/backgroundsvmgeneral.html erişim tarihi: 29.02.2020
• Ünal, E., Aydoğdu, M., Ceylan, N., Sezer, A., Özenç, N., Duyar, Ö. (2010). Giresun İlinde Fındık Alanlarının Uzaktan Algılama İle Tespit Edilmesinde Arazi Topografyasının Etkisinin İncelenmesi Ve Alternatif Tarım Ürünlerine Uygunluğunun Belirlenmesi, Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 2010, 19 (1-2):1-10
• Üstüner, M. , Balık Şanlı, F., Abdikan, S., Esetlili, M.T., Kurucu. (2014). Kırmızı-Kenar Ve Yakın Kızılötesi Bantlarının Ürün Deseni Sınıflandırma Doğruluğuna Olan Etkisinin Araştırılması: Rapideye Örneği. 5. Uzaktan Algılama-Cbs Sempozyumu (Uzal-Cbs 2014), 14-17 Ekim 2014, İstanbul.
• Üstüner, M. , Balık Şanlı, F., (2019). Çok Zamanlı Polarimetrik SAR Verileri İle Tarımsal Ürünlerin Sınıflandırılması, Jeodezi Ve Jeoinformasyon Dergisi, 2019, 1-10.
• Wei, C., Huang, J., Mansaray, L.R., Li, Z., Liu, W., Han, J. (2017). Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method. Remote Sens. 2017, 9, 488.