Yersel referans verilerinin doğruluğunun çok zamanlı Sentinel-2 uydu görüntüleri ile araştırılması: Arpa ve Buğday örneği

Yıl 2023, Cilt: 8 Sayı: 3, 277 - 292, 15.12.2023

Oğuzhan Yaşar , Ali Levent Yağcı

https://doi.org/10.29128/geomatik.1210252

Cited By: 2

Öz

Ülkemizde uzaktan algılama görüntüleri ve yöntemleri ile tarım ürün deseni belirlemek amaçlı birçok çalışmalar yapılmaktadır. Bu çalışmalarda sınıflandırma algoritmasının eğitilmesi ve sonuçlarının doğrulanması için çeşitli kaynaklardan oluşturulan yersel referans veriler kullanılmaktadır. Ancak, bazı çalışmalarda bu referans veri setlerinde hatalar bulunduğu ortaya konmuştur. Bu çalışmada, Yozgat ili Merkez ilçesi için bir firmadan alınan yersel referans verilerinin güvenirliği Sentinel-2A ve Sentinel-2B uydu görüntüleri kullanılarak araştırılmıştır. Geliştirilen yöntemde, uydu görüntülerinden oluşturan parsel zaman serileri her ürünün ortalama karakteristik Normalize Edilmiş Bitki İndeksi (NDVI) eğrisi ile iteratif olarak karşılaştırılmaktadır. Daha sonra, korelasyon ve ortalama en kısa mesafe değerleri kullanılarak hatalı etiketlenen tarım ürünleri bulunmaktadır. Yöntem, arpa ve buğday tarım ürünleri ile test edilmiştir ve tüm hatalı etiketlenen parseller başarılı bir şekilde bulunmuştur. Yöntem, kullanıcıya herhangi bir eğitim verisi seçimi yaptırmadan otomatik olarak karar vermektedir. Bundan dolayı, veri indirme ve parsel sınırlarını düzeltilmesi dışındaki tüm işlemlerin otomasyonu Python programlama dili ve çeşitli açık kaynaklı kütüphaneler ile sağlanmıştır.

Anahtar Kelimeler

Uzaktan Algılama, Sentinel-2, Python, Bulut maskeleme, NDVI

Destekleyen Kurum

TÜBİTAK

Proje Numarası

2209-A

Teşekkür

Projede kullanılan yersel referans verileri, Gebze Teknik Üniversitesi Harita Mühendisliği Bölümü öğrencisi Yüsranur Tanrıverdi’nin “Arpa ve Buğday Parsellerinin Uzaktan Algılama Veri ve Metotlarıyla Haritalanması” adlı TÜBİTAK 2209A projesi kapsamında (Proje danışmanı: Dr. Öğr. Üyesi Ali Levent YAĞCI) temin edilmiştir.

Kaynakça

• Altun, M., & Türker, M. (2021). Çoklu zamanlı Sentinel-2 görüntülerinden tarımsal ürün tespiti: Mardin–Kızıltepe örneği. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 21(4), 881-899. https://doi.org/10.35414/akufemubid.890436
• Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. https://doi.org/10.29128/geomatik.705988
• Aydoğdu, M., Akçar, H. T. ve Çullu, M. A. (2011). Coğrafi Bilgi Sistemleri CBS ve Uzaktan Algılama UA Kullanılarak Çiftçi Kayıt Sistemi ÇKS Verilerinin Analizi ile Pamuk ve Mısır Primlerinin Ödenmesi Şanlıurfa-Harran İlçesi Örneği. Jeodezi ve Jeoinformasyon Dergisi, (104.1), 47-52.
• Belgiu, M. & Csillik, O. (2018). Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis. Remote Sensing of Environment, 204, 509-523. https://doi.org/10.1016/j.rse.2017.10.005
• Bostancı, E., Kabaş, Ö. & Aksoy, E. (2021). Uzaktan Algılama ve CBS Teknikleri Kullanılarak Mısır Bitkisinin Bitki İndeks Değerleri ile Hasat Arasındaki İlişkinin Antalya/Aksu Örneğinde Ele Alınması. MAS Journal of Applied Sciences, 6(3), 576-592. https://doi.org/10.52520/masjaps.112
• Even, R., Frank, W., Kurt, S., Andrey, K., Howard, B., Mateusz, Ł., … Nyall, D. (2022). GDAL. Zenodo. https://doi.org/10.5281/ZENODO.5884351
• Foerster, S., Kaden, K., Foerster, M., & Itzerott, S. (2012). Crop type mapping using spectral–temporal profiles and phenological information. Computers and Electronics in Agriculture, 89, 30-40. https://doi.org/10.1016/j.compag.2012.07.015
• Gillies, S. (2013). Rasterio: Geospatial raster I/O for Python programmers. Python, Mapbox. https://github.com/rasterio/rasterio
• Gündoğdu, K. S. (2018). Buğday Ekili Parsellerde NDVI Değerlerinin Konumsal ve Zamana Bağlı Değişiminin Belirlenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi, 21(4), 492-499. https:/doi.org/10.18016/ksudobil.364749
• Gündoğdu, K. S., & Bantchina, B. B. (2018). Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ üniversitesi ziraat fakültesi çiftlik arazisi örneği. Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 32(2), 45-53.
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357-362. https://doi.org/10.1038/s41586-020-2649-2
• Huang, X., Fu, Y., Wang, J., Dong, J., Zheng, Y., Pan, B., … Yuan, W. (2022). High-Resolution Mapping of Winter Cereals in Europe by Time Series Landsat and Sentinel Images for 2016–2020. Remote Sensing, 14(9), 2120. https:/doi.org/10.3390/rs14092120
• Kaya, Y. & Polat, N. (2021). Bitki İndeksleri Kullanarak Buğday Bitkisinin Rekolte Tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1), 99-110. https://doi.org/10.24012/dumf.860325
• Narin, Ö. G., Delen, A. & Abdikan, S. (2018). Sentinel-2A Verisi Kullanarak Tarımsal Ürün Deseninin Belirlenmesi. VII. Uzaktan Algılama ve CBS Sempozyumu Uzal-CBS. Eskişehir Teknik Üniversitesi. http://dx.doi.org/10.15659/uzalcbs2018.7286
• Narin, Ö. G., Noyan, Ö. F. & Abdikan, S. A. (2021). Monitoring Vegetative Stages of Sunflower and Wheat Crops with Sentinel-2 Images According to BBCH-Scale. Journal of Agricultural Faculty of Gaziosmanpaşa University (JAFAG), 38(1), 46-52. https://doi.org/10.13002/jafag4681
• Ok, A. Ö. & Akyürek, Z. (2013). Çok tarihli optik ve mikrodalga görüntüleri kullanılarak tarım alanlarında yetiştirilen ürünlerin bölüt tabanlı sınıflandırılması üzerine bir yaklaşım. Havacılık ve Uzay Teknolojileri Dergisi, 6(1), 31-43.
• Peel, M. C., Finlayson, B. L. ve McMahon, T. A. (2007). Updated world map of the Köppen-Geiger climate classification. Hydrology and Earth System Sciences, 11(5), 1633-1644. https://doi.org/10.5194/hess-11-1633-2007
• Perry, M. T. (2015). Rasterstats. Python. https://pythonhosted.org/rasterstats/
• Sawadogo, A., Tim, H., Gündoğdu, K. S., Demi̇r, A. O., Ünlü, M. & Zwart, S. J. (2020). Comparative Analysis of The PySEBAL Model and Lysimeter For Estimating Actual Evapotranspiration Of Soybean Crop In Adana, Turkey. International Journal of Engineering and Geosciences, 5(2), 60-65. https://doi.org/10.26833/ijeg.573503
• Şimşek, F. F., Teke, M., & Altuntaş, C. (2016). Uzaktan algılama tekniği ile tarım arazilerinde çiftçi ürün beyanlarının kontrolü, Harran Ovası örneği. Uzaktan Algılama-CBS Sempozyumu (Uzal-Cbs 2016).
• Şimşek, F. F. (2016). Uzaktan algılama tekniği ile tarım arazilerinde çiftçi ürün beyanlarının kontrolü: Harran Ovası örneği. YL Tezi, Selçuk Üniversitesi, Konya.
• Şimşek, F. F. & Durduran, S. S. (2023). Açık kaynak kodlu Eo-learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri ile tarımsal ürün sınıflandırması. Journal of Geodesy and Geoinformation, 10(1), 45-62. https://doi.org/10.9733/JGG.2023R0004.T
• Teke, M., & Yardımcı, Y. (2015, July). Classification of crops using multitemporal hyperion images. In 2015 Fourth International Conference on Agro-Geoinformatics (Agro-geoinformatics) (pp. 282-287). IEEE. https://doi.org/10.1109/Agro-Geoinformatics.2015.7248091
• Teke, M., & Yardımcı, Y. (2016). Göktürk-2 Zaman Serisi Görüntüleri ile Ürün Sınıflandırma. In 24th Signal Processing and Communication Application Conference (Vol. 16, p. 19). https://doi.org/10.1109/SIU.2016.7496049
• The Pandas Development Team. (2023). pandas-dev/pandas: Pandas. Python, Zenodo. https://doi.org/10.5281/ZENODO.3509134
• Tian, H., Huang, N., Niu, Z., Qin, Y., Pei, J. & Wang, J. (2019). Mapping Winter Crops in China with Multi-Source Satellite Imagery and Phenology-Based Algorithm. Remote Sensing, 11(7), 820. https://doi.org/10.3390/rs11070820
• Torunlar, H., Tuğaç, M. G. & Duyan, K. (2021). Nesne Tabanlı Sınıflandırma Yönteminde Sentinel-2A Uydu Görüntüleri Kullanılarak Tarımsal Ürün Desenlerinin Belirlenmesi; Konya—Karapınar Örneği. Türkiye Uzaktan Algılama Dergisi, 3(2), 36-46. https://doi.org/10.51489/tuzal.932912
• Tuğaç, M. G. (2019). Buğday Verimi ve Biyokütlesi ile Uzaktan Algılama Vejetasyon İndisleri Arasındaki İlişkilerin Tarımsal İklim Bölgeleri Bazında Değerlendirilmesi. Toprak Su Dergisi, 177-186. https://doi.org/10.21657/topraksu.655617
• Tunca, E. & Köksal, E. (2021). Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9(1), 189-200. https://doi.org/10.33202/comuagri.842202
• Türkiye İstatistik Kurumu (TÜİK), (2021a). https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2021-37249
• Türkiye İstatistik Kurumu (TÜİK), (2021b). Merkezi Dağıtım Sistemi. https://biruni.tuik.gov.tr/medas/?locale=tr
• URL-1. (2022, 6 Ekim). https://www.esa.int/About_Us/Corporate_news/ESA_and_the_EU
• URL-2. (2021, 19 Ekim). https://yozgat.tarimorman.gov.tr/Menu/18/Tarim-Takvimi
• Üstüner, M., Abdikan, S., Bilgin, G. & Şanli, F. B. (2020). Hafif Gradyan Artırma Makineleri ile Tarımsal Ürünlerin Sınıflandırılması. Turkish Journal of Remote Sensing and GIS, 1(2), 97-105.
• Yağcı, A. L. (2023). Bolu Yeniçağa’da evapotranspirasyonun Landsat uydu görüntüleri ve trapezoid model ile izlenmesi. Geomatik, 8(1), 18-26. https://doi.org/10.29128/geomatik.1076442
• Yağmur, N., Tanik, A., Tuzcu, A., Musaoğlu, N., Erten, E. & Bi̇lgi̇li̇oglu, B. (2020). Opportunities provided by remote sensing data for watershed management: Example of Konya Closed Basin. International Journal of Engineering and Geosciences, 5(3), 120-129. https://doi.org/10.26833/ijeg.638669