Araştırma Makalesi
BibTex RIS Kaynak Göster

Yıl 2023, Cilt: 8 Sayı: 1, 27 - 34, 10.04.2023

Esma Efe Ugur Algancı

https://doi.org/10.29128/geomatik.1092838
Cited By: 4

Öz

Kaynakça

  • Ahady, A. B., & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31.
  • Akar Ö & Güngör O (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
  • Akar, Ö., & Tunç Görmüş, E. (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68-81.
  • Alganci, U. (2019). Dynamic Land Cover Mapping of Urbanized Cities with Landsat 8 Multi-temporal Images: Comparative Evaluation of Classification Algorithms and Dimension Reduction Methods. ISPRS International Journal of Geo-Information, 8(3), 139.
  • Anderson, J. R., Hardy, E. E., Roach, J. T., & Witmer, R. E. (1976). A Land Use and Land Cover Classification System for Use with Remote Sensor Data; Professional Paper 964; US Geological Survey Government Printing Office: Washington, DC, USA.
  • Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
  • Bégué A, Arvor D, Bellon B, Betbeder J, De Abelleyra D P D. Ferraz R, Lebourgeois V, Lelong C, Simões M R & Verón S (2018). Remote Sensing and Cropping Practices: A Review. Remote Sensing, 10(1), 99.
  • Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31
  • Belward AS & Skoien JO (2015). Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS Journal of Photogrammetry and Remote Sensing, 103, 115-128.
  • Bishop, C. M. (2006). Pattern recognition and machine learning, Springer.
  • Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Routledge.
  • Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
  • Breiman, L., & Cutler, A. (2005), Random forest, http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm, erişim tarihi:16.01.2021.
  • Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46.
  • Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: principles and practices. CRC press.
  • Deng, J. S., Wang, K., Deng, Y. H., & Qi, G. J. (2008). PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing, 29(16), 4823- 4838.
  • Foody, G. M. (2004). Thematic Map Comparison. Photogrammetric Engineering & Remote Sensing, 70(5), 627-633.
  • Friedl, A. F., McIver, D. K., Hodges, J. C. F., Zhang, X.Y., Muchoney, D., Strahler, A. H., Woodcock, C. E., Gopal, S., Schneider, A., Cooper, A., Baccini, A., Gao, F., & Schaaf, C. (2002). Global land cover mapping from MODIS: algorithms and early results. Remote Sensing of Environment, 83(1–2), 287–302.
  • Harris, R. & Baumann, I. (2015). Open data policies and satellite Earth Observations. Space Policy, 32, 44-53.
  • Jamali, A. (2019). A Fit-for-Purpose Algorithm for environmental monitoring based on maximum likelihood, support vector machine and random forest. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3/W7, 25–32.
  • Kavzoğlu, T., & Çölkesen, İ. (2010). Karar Ağaçları ile Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği, Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
  • Langat, P. K., Kumar, L., & Koech, R. (2019). Monitoring river channel dynamics using remote sensing and GIS techniques. Geomorphology, 325, 92-102.
  • Lawrence, R. L., & Wright, A. (2001). Rule-based classification systems using classification and regression tree (CART) analysis. Photogrammetric Engineering and Remote Sensing, 67(10),1137−1142.
  • Leeuw, J. D., Jia, H., Yang, L., Liu, X., Schmidt, K., & Skidmore, A. (2006). Comparing accuracy assessments to infer superiority of image classification methods. International Journal of Remote Sensing, 27(1), 223-232.
  • Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 823-870.
  • Morsy, S., & Hadi, M. (2022). Impact of land use/land cover on land surface temperature and its relationship with spectral indices in Dakahlia Governorate, Egypt. International Journal of Engineering and Geosciences, 7(3), 272-282.
  • Petropoulos, G. P., Vadrevu, K. P., & Kalaitzidis, C. (2013). Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a Mediterranean region. Geocarto international, 28(2), 114-129.
  • Praticò, S., Solano, F., Di Fazio, S., & Modica, G. (2021). Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time- Series and Input Image Composition Optimisation. Remote Sensing, 13(4), 586.
  • Rana, V. K., & Suryanarayana, T. M. V. (2020). Performance evaluation of MLE, RF and SVM classification algorithms for watershed scale land use/land cover mapping using sentinel 2 bands. Remote Sensing Applications: Society and Environment, 19, 100351.
  • Rawat, J. S., & Kumar, M. (2015). Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India, The Egyptian Journal of Remote Sensing and Space Science, 18(1), 77-84.
  • Ruiz-Luna, A., & Berlanga-Robles, C. A. (2003). Land use, land cover changes and coastal lagoon surface reduction associated with urban growth in northwest Mexico. Landscape Ecology, 18, 159–171.
  • Shao, Y., & Lunetta, R. S. (2012). Comparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points. ISPRS Journal of Photogrammetry and Remote Sensing, 70, 78-87.
  • Shetty, S., Gupta, P. K., Belgiu, M., & Srivastava, S. K. (2021). Assessing the Effect of Training Sampling Design on the Performance of Machine Learning Classifiers for Land Cover Mapping Using Multi-Temporal Remote Sensing Data and Google Earth Engine. Remote Sensing, 13(8), 1433.
  • Story, M., & Congalton, R. G. (1986). Accuracy assessment: a user’s perspective. Photogrammetric Engineering and Remote Sensing, 52(3), 397-399.
  • URL -1: www.turkstat.gov.tr, erişim tarihi: 15.01.2021
  • URL -2: https://kosano.org.tr/rakamlarla-kocaeli/, erişim tarihi 27.04.2021
  • Yu, L., Liang, L., Wang, J., Zhao, Y., Cheng, Q., Hu, L., Liu, S., Yu, L., Wang, X., Zhu, P., Li, X., Xu, Y., Li, C., Fu, W., Li, X., Li, W., Liu, C., Cong, N., Zhang, H. … Gong, P. (2014). Meta-Discoveries from a Synthesis of Satellite-Based Land Cover Mapping Research. International Journal of Remote Sensing 35 (13), 4573–4588.
  • Waldrop, M. M. (2016). The chips are down for Moore's law. Nature, 530(7589), 144-147.
  • Wulder, M. A., Coops, N. C., Roy, D. P., White, J. C., & Hermosilla, T. (2018). Land cover 2.0. International Journal of Remote Sensing, 39(12), 4254-4284.

Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi

Yıl 2023, Cilt: 8 Sayı: 1, 27 - 34, 10.04.2023

Esma Efe Ugur Algancı

https://doi.org/10.29128/geomatik.1092838
Cited By: 4

Öz

Yeryüzündeki değişimin saptanması ve izlenmesi her zaman dikkate değer bir konu olmuştur. Zaman içinde insan faaliyetleri genişlemiş ve arazi örtüsünde bu faaliyetlerin etkisi açıkça görülmüştür. Sanayi faaliyetlerinin artması, yerleşimin fazlalaşması gibi konular nedeniyle arazi örtüsündeki değişimi izlenmesi ve takip edilmesi karar vericiler açısından kritik bir konu haline gelmiştir. Uzaktan algılama alanında bu konu ile ilgili çokça çalışma yapılmış ve yeryüzündeki değişimin en doğru sonuçla belirlenmesi için yöntemler ve araçlar sürekli gelişim göstermiştir. Çalışma kapsamında, Kocaeli ilinde şehirleşme ve tarımsal faaliyete bağlı olarak gelişen arazi örtüsü değişimini LandCover 2.0 standartlarına göre dinamik değişim belirleme çerçevesinde saptamak için çok zamanlı Sentinel 2 uydu görüntüleri kullanılarak Yerleşim İndisi-Rastgele Orman, Temel Bileşen Analizi-Rastgele Orman, Yerleşim İndisi-Regresyon Ağacı ve Temel Bileşen Analizi-Regresyon Ağacı olmak üzere dört farklı veri indirgeme – sınıflandırma yöntem kombinasyonlarının başarımı karşılaştırmalı olarak değerlendirilmiştir. Google Earth Engine platformu üzerinde gerçekleştirilen sınıflandırma analizlerinin sonuçları tematik harita haline getirilmiş ve doğruluk değerlendirmesi gerçekleştirilmiştir. Çalışma sonucunda yüzde 83,88 doğruluk oranı ile Temel Bileşen Analizi-Regresyon Ağacı yöntem ikilisinin en yüksek doğruluk sağlayan yaklaşım olduğu ortaya konmuştur.

Anahtar Kelimeler

Uzaktan Algılama Sentinel 2 LandCover 2.0 Makine Öğrenmesi Boyut İndirgeme

Kaynakça

  • Ahady, A. B., & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31.
  • Akar Ö & Güngör O (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
  • Akar, Ö., & Tunç Görmüş, E. (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68-81.
  • Alganci, U. (2019). Dynamic Land Cover Mapping of Urbanized Cities with Landsat 8 Multi-temporal Images: Comparative Evaluation of Classification Algorithms and Dimension Reduction Methods. ISPRS International Journal of Geo-Information, 8(3), 139.
  • Anderson, J. R., Hardy, E. E., Roach, J. T., & Witmer, R. E. (1976). A Land Use and Land Cover Classification System for Use with Remote Sensor Data; Professional Paper 964; US Geological Survey Government Printing Office: Washington, DC, USA.
  • Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
  • Bégué A, Arvor D, Bellon B, Betbeder J, De Abelleyra D P D. Ferraz R, Lebourgeois V, Lelong C, Simões M R & Verón S (2018). Remote Sensing and Cropping Practices: A Review. Remote Sensing, 10(1), 99.
  • Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31
  • Belward AS & Skoien JO (2015). Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS Journal of Photogrammetry and Remote Sensing, 103, 115-128.
  • Bishop, C. M. (2006). Pattern recognition and machine learning, Springer.
  • Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Routledge.
  • Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
  • Breiman, L., & Cutler, A. (2005), Random forest, http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm, erişim tarihi:16.01.2021.
  • Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46.
  • Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: principles and practices. CRC press.
  • Deng, J. S., Wang, K., Deng, Y. H., & Qi, G. J. (2008). PCA-based land-use change detection and analysis using multitemporal and multisensor satellite data. International Journal of Remote Sensing, 29(16), 4823- 4838.
  • Foody, G. M. (2004). Thematic Map Comparison. Photogrammetric Engineering & Remote Sensing, 70(5), 627-633.
  • Friedl, A. F., McIver, D. K., Hodges, J. C. F., Zhang, X.Y., Muchoney, D., Strahler, A. H., Woodcock, C. E., Gopal, S., Schneider, A., Cooper, A., Baccini, A., Gao, F., & Schaaf, C. (2002). Global land cover mapping from MODIS: algorithms and early results. Remote Sensing of Environment, 83(1–2), 287–302.
  • Harris, R. & Baumann, I. (2015). Open data policies and satellite Earth Observations. Space Policy, 32, 44-53.
  • Jamali, A. (2019). A Fit-for-Purpose Algorithm for environmental monitoring based on maximum likelihood, support vector machine and random forest. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3/W7, 25–32.
  • Kavzoğlu, T., & Çölkesen, İ. (2010). Karar Ağaçları ile Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği, Harita Teknolojileri Elektronik Dergisi, 2(1), 36-45.
  • Langat, P. K., Kumar, L., & Koech, R. (2019). Monitoring river channel dynamics using remote sensing and GIS techniques. Geomorphology, 325, 92-102.
  • Lawrence, R. L., & Wright, A. (2001). Rule-based classification systems using classification and regression tree (CART) analysis. Photogrammetric Engineering and Remote Sensing, 67(10),1137−1142.
  • Leeuw, J. D., Jia, H., Yang, L., Liu, X., Schmidt, K., & Skidmore, A. (2006). Comparing accuracy assessments to infer superiority of image classification methods. International Journal of Remote Sensing, 27(1), 223-232.
  • Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 823-870.
  • Morsy, S., & Hadi, M. (2022). Impact of land use/land cover on land surface temperature and its relationship with spectral indices in Dakahlia Governorate, Egypt. International Journal of Engineering and Geosciences, 7(3), 272-282.
  • Petropoulos, G. P., Vadrevu, K. P., & Kalaitzidis, C. (2013). Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a Mediterranean region. Geocarto international, 28(2), 114-129.
  • Praticò, S., Solano, F., Di Fazio, S., & Modica, G. (2021). Machine Learning Classification of Mediterranean Forest Habitats in Google Earth Engine Based on Seasonal Sentinel-2 Time- Series and Input Image Composition Optimisation. Remote Sensing, 13(4), 586.
  • Rana, V. K., & Suryanarayana, T. M. V. (2020). Performance evaluation of MLE, RF and SVM classification algorithms for watershed scale land use/land cover mapping using sentinel 2 bands. Remote Sensing Applications: Society and Environment, 19, 100351.
  • Rawat, J. S., & Kumar, M. (2015). Monitoring land use/cover change using remote sensing and GIS techniques: A case study of Hawalbagh block, district Almora, Uttarakhand, India, The Egyptian Journal of Remote Sensing and Space Science, 18(1), 77-84.
  • Ruiz-Luna, A., & Berlanga-Robles, C. A. (2003). Land use, land cover changes and coastal lagoon surface reduction associated with urban growth in northwest Mexico. Landscape Ecology, 18, 159–171.
  • Shao, Y., & Lunetta, R. S. (2012). Comparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points. ISPRS Journal of Photogrammetry and Remote Sensing, 70, 78-87.
  • Shetty, S., Gupta, P. K., Belgiu, M., & Srivastava, S. K. (2021). Assessing the Effect of Training Sampling Design on the Performance of Machine Learning Classifiers for Land Cover Mapping Using Multi-Temporal Remote Sensing Data and Google Earth Engine. Remote Sensing, 13(8), 1433.
  • Story, M., & Congalton, R. G. (1986). Accuracy assessment: a user’s perspective. Photogrammetric Engineering and Remote Sensing, 52(3), 397-399.
  • URL -1: www.turkstat.gov.tr, erişim tarihi: 15.01.2021
  • URL -2: https://kosano.org.tr/rakamlarla-kocaeli/, erişim tarihi 27.04.2021
  • Yu, L., Liang, L., Wang, J., Zhao, Y., Cheng, Q., Hu, L., Liu, S., Yu, L., Wang, X., Zhu, P., Li, X., Xu, Y., Li, C., Fu, W., Li, X., Li, W., Liu, C., Cong, N., Zhang, H. … Gong, P. (2014). Meta-Discoveries from a Synthesis of Satellite-Based Land Cover Mapping Research. International Journal of Remote Sensing 35 (13), 4573–4588.
  • Waldrop, M. M. (2016). The chips are down for Moore's law. Nature, 530(7589), 144-147.
  • Wulder, M. A., Coops, N. C., Roy, D. P., White, J. C., & Hermosilla, T. (2018). Land cover 2.0. International Journal of Remote Sensing, 39(12), 4254-4284.
Toplam 39 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Esma Efe Bu kişi benim 0000-0002-2500-365X

Ugur Algancı 0000-0002-5693-3614

Yayımlanma Tarihi 10 Nisan 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 8 Sayı: 1

Kaynak Göster

APA Efe, E., & Algancı, U. (2023). Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik, 8(1), 27-34. https://doi.org/10.29128/geomatik.1092838
AMA Efe E, Algancı U. Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik. Nisan 2023;8(1):27-34. doi:10.29128/geomatik.1092838
Chicago Efe, Esma, ve Ugur Algancı. “Çok Zamanlı Sentinel 2 Uydu görüntüleri Ve Makine öğrenmesi Tabanlı Algoritmalar Ile Arazi örtüsü değişiminin Belirlenmesi”. Geomatik 8, sy. 1 (Nisan 2023): 27-34. https://doi.org/10.29128/geomatik.1092838.
EndNote Efe E, Algancı U (01 Nisan 2023) Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik 8 1 27–34.
IEEE E. Efe ve U. Algancı, “Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi”, Geomatik, c. 8, sy. 1, ss. 27–34, 2023, doi: 10.29128/geomatik.1092838.
ISNAD Efe, Esma - Algancı, Ugur. “Çok Zamanlı Sentinel 2 Uydu görüntüleri Ve Makine öğrenmesi Tabanlı Algoritmalar Ile Arazi örtüsü değişiminin Belirlenmesi”. Geomatik 8/1 (Nisan 2023), 27-34. https://doi.org/10.29128/geomatik.1092838.
JAMA Efe E, Algancı U. Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik. 2023;8:27–34.
MLA Efe, Esma ve Ugur Algancı. “Çok Zamanlı Sentinel 2 Uydu görüntüleri Ve Makine öğrenmesi Tabanlı Algoritmalar Ile Arazi örtüsü değişiminin Belirlenmesi”. Geomatik, c. 8, sy. 1, 2023, ss. 27-34, doi:10.29128/geomatik.1092838.
Vancouver Efe E, Algancı U. Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik. 2023;8(1):27-34.

Cited By

Optik ve radar görüntüleri ile aşırı gradyan artırma algoritması kullanılarak tarımsal ürün desen tespiti
Geomatik
https://doi.org/10.29128/geomatik.1332997
Python-based evaluation of road network constraints for electric scooters and bicycles: Izmit Example
International Journal of Engineering and Geosciences
https://doi.org/10.26833/ijeg.1261677
Uzaktan Algılama Teknikleri ile Su Yüzeylerinin Tespit Edilmesinde Kullanılan Su Çıkarma İndekslerinin Performans Analizi
Turkish Journal of Remote Sensing and GIS
https://doi.org/10.48123/rsgis.1256092
A benchmark dataset for deep learning-based airplane detection: HRPlanes
International Journal of Engineering and Geosciences
https://doi.org/10.26833/ijeg.1107890