Agricultural crop classification with open source Eo-learn library and multi-temporal Sentinel-2 images

Öz

In this study, agricultural crop classification for 2020 was carried out in Çivril-Baklan Plain, which is located between the borders of Denizli Province, Baklan, Çal and Çivril districts. The open-source Eo-Learn library that uses machine learning and deep learning algorithms in remote sensing studies and multi-temporal Sentinel-2 images was utilized in the classification process. In this study, the parcels registered in the Farmer Registration System (FRS) were used as reference parcels and before using FRS data as ground truth data, pre-editing and rule-based deletion processes were performed. By using Light Gradient Boosting Machines (LightGBM) algorithm, agricultural product pattern classification was carried out including cereal, maize, sugar beet, sunflower, hash, vineyard, fruit tree and clover crops. Classification results were evaluated using k-fold cross-validation with an overall accuracy of %93.5. A second accuracy assessment was performed with Agricultural Insurance Parcels (TARSİM) that were not included in the classification process as training data, achieving an overall accuracy of %91.1 and Kappa coefficient of 0.89.

Anahtar Kelimeler

• Eo-Learn
• Sentinel-2
• ÇKS
• TARSİM
• Classification
• Remote sensing
• Agriculture

Açık kaynak kodlu Eo-learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri ile tarımsal ürün sınıflandırması

Öz

Bu çalışmada, Denizli ili, Baklan, Çal ve Çivril ilçeleri sınırları arasında kalan Çivril-Baklan Ovası’nda 2020 yılına ait tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma işleminde, uzaktan algılama çalışmalarında makine öğrenmesi ile derin öğrenme algoritmalarını kullanan açık kaynak kodlu Eo-Learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri kullanılmıştır. Çalışmada referans parsel olarak Çiftçi Kayıt Sistemi’ne (ÇKS) kayıtlı parseller kullanılmış olup, ÇKS verisinin yer doğruluk verisi olarak kullanılmasından önce ön düzenleme ve kural tabanlı silme işlemleri gerçekleştirilmiştir. Hafif gradyan artırma makineleri (Light Gradient Boosting Machines, LightGBM) algoritması kullanarak hububat, mısır, şeker pancarı, ayçiçeği, haşhaş, üzüm, meyve ağacı ve yonca ürünlerini içeren tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma sonuçlarının değerlendirilmesinde k-katmanlı çapraz doğrulama yöntemi kullanılmış ve genel doğruluk %93.5 olarak elde edilmiştir. Sınıflandırma işlemine eğitim verisi olarak girmemiş Tarım Sigortaları Havuzu (TARSİM) parselleri ile ikinci bir doğruluk analizi yapılmış olup genel doğrulukta %91.1 kappa katsayısında 0.89 değerine ulaşılmıştır.

Anahtar Kelimeler

• Eo-Learn
• Sentinel-2
• ÇKS
• TARSİM
• Sınıflandırma
• Uzaktan algılama
• Tarım

Teşekkür

Çalışmada kullanılan ÇKS verileri ile fiziksel bloklar için Tarım Reformu Genel Müdürlüğüne, TARSİM verileri için Tarım Sigortaları Havuz İşletmesi A.Ş.’ye Eo-Learn kütüphanesi ile ilgili destek olan Sinergise firmasına teşekkür ederiz.

Kaynakça

1. Aghlmand, M., Kalkan, K., Onur, M. İ., Öztürk, G., & Ulutak, E. (2021). Google Earth Engine ile arazi kullanımı haritalarının üretimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 10(1), 38-47.
2. Aksever, F., & Eroğlu, A. (2016). Çivril-Baklan (Denizli) Ovasında Yeraltısuyuna İklim Değişikliğinin Etkisi. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 7(1), 11-26.
3. 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.
4. Chen, L., Ren, C., Zhang, B., & Wang, Z. (2020). Multi-sensor prediction of stand volume by a hybrid model of support vector machine for regression kriging. Forests, 11(3), 296.
5. Eitel, J. U., Vierling, L. A., Litvak, M. E., Long, D. S., Schulthess, U., Ager, A. A., Krofcheck, D. J., & Stoscheck, L. (2011). Broadband, red-edge information from satellites improves early stress detection in a New Mexico conifer woodland. Remote Sensing of Environment, 115(12), 3640-3646.
6. 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.
7. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27.
8. Hu, Q., Sulla-Menashe, D., Xu, B., Yin, H., Tang, H., Yang, P., & Wu, W. (2019). A phenology-based spectral and temporal feature selection method for crop mapping from satellite time series. International Journal of Applied Earth Observation and Geoinformation, 80, 218-229.

9. Jarray, N., Abbes, A. B., Rhif, M., Chouikhi, F., & Farah, I. R. (2021). An open-source platform to estimate Soil Moisture using Machine Learning Methods based on Eo-learn library. 2021 International Congress of Advanced Technology and Engineering (ICOTEN). IEEE.
10. Kalkan, K., & Maktav, D. (2016). Landsat-8 Görüntülerinden Gölge ve Bulut Belirleme. VI. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, Adana.
11. Kauth, R. J., & Thomas, G. S. (1976). The tasselled cap--a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. LARS symposia, Indiana, ABD.
12. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30.
13. Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. International Joint Conference on Artificial Intelligence, Quebec, Kanada.
14. Li, W., Ding, S., Chen, Y., Wang, H., & Yang, S. (2019). Transfer learning-based default prediction model for consumer credit in China. The Journal of Supercomputing, 75(2), 862-884.
15. Li, W., Du, Z., Ling, F., Zhou, D., Wang, H., Gui, Y., Sun, B., & Zhang, X. (2013). A comparison of land surface water mapping using the normalized difference water index from TM, ETM+ and ALI. Remote Sensing, 5(11), 5530-5549.
16. 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.
17. Lubej, M., Aleksandrov, M., Batič, M., Kadunc, M., Milčinski, G., Peressutti, D., & Zupanc, A. (2019). Spatio-Temporal Deep Learning: Application to Land Cover Classification. Living Planet Symposium, Ljubljana, Slovenya.
18. Mishra, S., Oza, M. P., & Sharma, S. A. (2017). Crop phenology identification using NDVI time-series and its dissemination using WebGIS. 38th Asian Conference on Remote Sensing, Yeni Delhi, Hindistan.
19. Müller-Wilm, U. (2017). Sen2Cor configuration and user manual. Ref. S2-PDGS-MPC-L2A-SUM-V2.4, 1, 9-12.
20. Račič, M., Oštir, K., Peressutti, D., Zupanc, A., & Čehovin Zajc, L. (2020). Application of temporal convolutional neural network for the classification of crops on Sentinel-2 time series. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 43.
21. Schowengerdt, R. A. (2006). Remote sensing: models and methods for image processing. Elsevier.
22. Üstüner, M., Abdikan, S., Bilgin, G., & Şanlı, F. B. (2020). Hafif gradyan artırma makineleri ile tarımsal ürünlerin sınıflandırılması. Turkish Journal of Remote Sensing and GIS, 1(2), 97-105.
23. Üstüner, M., & Şanlı, F. B. (2019). Çok zamanlı polarimetrik SAR verileri ile tarımsal ürünlerin sınıflandırılması. Jeodezi Ve Jeoinformasyon Dergisi, 7(1), 1-10.
24. Üstüner, M., Şanlı F. B., & Abdikan, S. (2015). Spektral band ve bitki indeksi seçiminin ürün deseni sınıflandırma doğruluğuna etkisi: karşılaştırmalı analiz. TUFUAB VIII. Teknik Sempozyumu, Konya.
25. Vuolo, F., Neuwirth, M., Immitzer, M., Atzberger, C., & Ng, W. T. (2018). How much does multi-temporal Sentinel-2 data improve crop type classification?. International journal of applied earth observation and geoinformation, 72, 122-130.
26. Zhang, H., Kang, J., Xu, X., & Zhang, L. (2020). Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China. Computers and Electronics in Agriculture, 176, 105618.
27. Zhang, T., Su, J., Liu, C., Chen, W. H., Liu, H., & Liu, G. (2017). Band selection in Sentinel-2 satellite for agriculture applications. 2017 23rd international conference on automation and computing. IEEE.
28. Zheng, H., Du, P., Chen, J., Xia, J., Li, E., Xu, Z., Li, X., & Yokoya, N. (2017). Performance evaluation of downscaling Sentinel-2 imagery for land use and land cover classification by spectral-spatial features. Remote Sensing, 9(12), 1274.
29. Zhu, Z., & Woodcock, C. E. (2012). Object-based cloud and cloud shadow detection in Landsat imagery. Remote sensing of environment, 118, 83-94.
30. URL-1: https://scihub.copernicus.eu/ (Erişim Tarihi: 6 Şubat 2022).
31. URL-2: https://www.sentinel-hub.com/explore/eobrowser/ (Erişim Tarihi: 6 Şubat 2022).
32. URL-3: https://planetarycomputer.microsoft.com/catalog (Erişim Tarihi: 8 Şubat 2022).
33. URL-4: https://medium.com/sentinel-hub/introducing-eo-learn-ab37f2869f5c (Erişim Tarihi: 8 Şubat 2022).
34. URL-5: https://github.com/sentinel-hub/eo-learn/ (Erişim Tarihi: 9 Şubat 2022).
35. URL-6: https://eo-learn.readthedocs.io/en/latest/ (Erişim Tarihi: 9 Şubat 2022).
36. URL-7: https://sentinelhub-py.readthedocs.io/en/latest/configure.html#sentinel-hub-configuration (Erişim Tarihi: 15 Şubat 2022).
37. URL-8: https://github.com/sentinel-hub/sentinelhub-py/ (Erişim Tarihi: 15 Şubat 2022).
38. URL-9: https://github.com/sentinel-hub/sentinel2-cloud-detector (Erişim Tarihi: 16 Şubat 2022).
39. URL-10: https://medium.com/sentinel-hub/improving-cloud-detection-with-machine-learning-c09dc5d7cf13 (Erişim Tarihi: 16 Şubat 2022).
40. URL-11: https://lightgbm.readthedocs.io/en/latest/index.html (Erişim Tarihi: 19 Şubat 2022).
41. URL-12: https://www.veribilimiokulu.com/lightgbm/ (Erişim Tarihi: 19 Şubat 2022).