SENTINEL-2A NDVI zaman serisi kullanılarak ürün fenolojisi ve nesne tabanlı ürün sınıflandırma yaklaşımı: Kırklareli ayçiçeği alanları

Abstract

Bu çalışmadaki amaç, ürün gelişme döngüsü fenolojik dönemlerini temsilen, yüksek çözünürlüklü SENTINEL-2A uydu görüntüleri zaman serisi yardımı ile ayçiçeği ekiliş alanlarının belirlenmesine yönelik bir metodolojinin geliştirilmesi ve Kırklareli ili bazında uygulanmasıdır. Uydu görüntüleri ve bitki vejetasyon indisi (NDVI) zaman serileri yardımı ile fenolojik dönemleri temsil eden spektral bilgiler elde edilmiş ve bu bilgilere dayalı olarak nesne tabanlı sınıflandırma yaklaşımı geliştirilmiştir. Bu spektral bilgilerin yanında, nesne biçim kriterleri ve yardımcı diğer tematik haritaların kullanılmasıyla segmentasyon ve sınıflandırma karar ağacı algoritmaları üretilmiştir. Segmentasyonda en iyi performans “multiresolution” yönteminde, “Canny edge” tarım parselleri kenar belirleme katmanının etki ağırlık katsayısının artırılmasıyla sağlanmıştır. Elde edilen parselasyon üzerinden nesne tabanlı sınıflandırma gerçekleştirilmiştir. Oluşturulan sınıflandırma karar ağacı algoritmaları ile önce yazlık, kışlık, nadas ve sürekli yeşil alanlar belirlenmiştir. Daha sonra yazlık ve kışlık ürünler kendi içlerinde, koordinatları arazi çalışmasında belirlenen ürün bazlı öğrenme örnekleri parsel spektral bilgilerine göre sınıflandırılmıştır. Sınıf tanımı yapılamayan ürünler “sınıfsız” grubunda tekrar ikinci bir elemeden geçirilmiş ve sınıflarına atanmıştır. Son aşamada sınıf tanımı yapılamayan parseller “diğer” sınıfı altında toplanmıştır. Standart hata matrisi ve doğruluk analizi sonucuna göre erken ve geç ekim olarak iki sınıfta belirlenen ayçiçeği % 98 (erken ekim) ve %92 (geç ekim) doğruluk seviyesinde sınıflandırılmıştır. Bu çalışma metodolojik yaklaşımı itibari ile yüksek radyometrik ve alansal çözünürlüklü uydu görüntüleri zaman serileriyle, CBS ve uzaktan algılama teknolojilerinin birlikte kullanılması, ürün uzmanları tarafından gerçekleştirilen arazi gözlemlerinin de algoritmalara dahil edilmesiyle, ürün ekiliş alanlarının daha hassas belirlenebileceğini, ancak büyük alanlarda bölgesel algoritmaların geliştirilmesi gerektiğini ortaya koymuştur.

Keywords

• NDVI time series
• crop phenology
• sunflower
• SENTINEL-2A
• decision tree

Project Number

TAGEM-TBMAE National Crop Production Monitoring and Yield Estimation Project

Crop Phenology-Based, Object-Oriented Classification Approach Using SENTINEL-2A and NDVI Time Series: Sunflower Crops in Kırklareli TURKEY

Abstract

The aim of this study is to develop a methodology for determining sunflower cultivated areas with the help of high resolution SENTINEL-2A satellite images time series representing the phenological stages of the crop growth cycle, and its application in Kırklareli province. Spectral information representing phenological periods was obtained with the help of satellite images and normalized difference vegetation index (NDVI) time series, and an object-oriented classification approach was developed based on this spectral information database. Segmentation and classification decision tree algorithms were produced by using this spectral information database, object shape criteria and other auxiliary thematic maps. The best performance in segmentation was achieved by increasing the weight coefficient of the "Canny edge” layer, which is the edge determination layer defined in the multiresolution method of "Canny edge” algorithm to define the agricultural parcels. Object-oriented classification was carried out based on the this segmented parcels. First, summer, winter, fallow and continuous green areas were determined through the classification decision tree algorithms. The summer and winter crops were classified using the parcel spectral information of the crop-based learning samples that allocated in field work. The crops for which class definition could not be made were passed through a second elimination in the "unclassified" group and later assigned to their classes. In the last stage, parcels whose class definition could not be made were named as "other" class. According to the confusion matrix and accuracy analysis results, sunflower, which was determined in two classes as early and late sowing, was classified at 98% and 92% accuracy, respectively.

Keywords

• Object-oriented classification
• decision tree
• SENTINEL-2A
• NDVI time series
• crop phenology
• sunflower

Supporting Institution

Tarla Bitkileri Merkez Araştırma Enstitüsü

Project Number

TAGEM-TBMAE National Crop Production Monitoring and Yield Estimation Project

Thanks

This study was carried out within the scope of "National Product Monitoring and Yield Estimation Project" supported by TOB-TAGEM Research Program.

References

1. Bakanoğulları F (2018). AquaCrop Modeliyle Ayçiçeği ve Buğday Bitkilerinin İklim Değişimine Olan Hassasiyetinin Analizi, TAGEM/TSKAD/14/A13/P01/05 Araştırma Projesi, Atatürk Toprak, Su ve Tarımsal Meteoroloji Araştırma Enstitüsü Müdürlüğü, Kırklareli.
2. Balcik F B and Kuzucu AK (2016) Determination of land cover/land use using spot 7 data with supervised classification methods. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, p.143.
3. Bargiel D (2017) A new method for crop classification combining time series of radar images and crop phenology information. Remote sensing of environment, 198, 369-383.
4. Çaldağ B (2009) Trakya Bölgesi’nin Tarımsal Meteorolojik Özellkilerinin Belirlenmesi, Doktora Tezi, İstanbul Üniversitesi-Fen Bilimleri Enstitüsü. Meteoroloji Müh. Anabilim Dalı. İstanbul.
5. Çalış A, Kayapınar S And Çetinyokuş T (2014) Veri Madenciliğinde Karar Ağacı Algoritmaları İle Bilgisayar Ve İnternet Güvenliği Üzerine Bir Uygulama. Journal Of Industrial Engineering (Turkish Chamber Of Mechanical Engineers), 25.
6. Çiçek G, and Kurucu Y (2018) Orta Anadolu Koşullarında Yetiştirilen Patates Ve Pancar Bitkilerinin Fenolojik Evrelerine Ait Çok Bantlı Spektral İmzalarının Belirlenmesi. VII. Uzaktan Algılama Sempozyumu, 2018, Eskişehir.
7. Çölkesen I and Kavzoglu T (2017) Ensemble-based canonical correlation forest (CCF) for land use and land cover classification using sentinel-2 and Landsat OLI imagery. Remote Sensing Letters, 8(11), 1082-1091.
8. Congalton RG and Green K (2009). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. CRC Press, Boca Raton.

9. European Union-Copernicus (2019). EU-Copernicus (Online). SENTINEL-2A Satellite image database. https://spacedata.copernicus.eu. (accessed :20 05 2019).
10. Corine Land Cover (2018) Corine-CLC (Online) Version 2020_20. https://land.copernicus.eu/pan-european/corine-land-cover/clc2018. (accesse:20 06 2018).
11. De Wit AJW and Clevers JGPW (2004) Efficiency and accuracy of per-field classification for operational crop mapping. Int. J. Remote Sens. 25, 4091–4112. http://dx.doi.org/ 10.1080/01431160310001619580.
12. Drury SA (1990) A guide to remote sensing: interpreting images of the earth.
13. Esetlili MT and Kurucu Y (2003) Uzaktan algılama tekniği ile pamuk ekili alanların belirlenmesinde kontrollü (supervised) sınıflandırma yöntemlerinin irdelenmesi üzerine bir araştırma. Ege Üniversitesi Ziraat Fakültesi Dergisi, 40(2).
14. ESKGM-Ticaret Bakanlığı (2019) 2018 Yılı Ayçiçeği Raporu, Esnaf, Sanatkârlar Ve Koperatifçilik Genel Müdürlüğü.
15. Evsahibioğlu AN (1994) Uzaktan algılama teknikleri ile Trakya bölgesinde buğday ekim alanı ve üretim tahminleri. II. Uzaktan Algılama ve Türkiye’deki Uygulamaları Semineri, Uludağ-Bursa.
16. Foody GM (2005) Local characterization of thematic classification accuracy through spatially constrained confusion matrices. International Journal of Remote Sensing, 26(6), pp.1217-1228.
17. Friedl MAA and Brodley CE (1997) "Decision tree classification of land cover from remotely sensed data." Remote sensing of environment 61, no. 3: p399-409.
18. GA U (2015) Transforming our world: the 2030 Agenda for Sustainable Development. Division for Sustainable Development Goals: New York, NY, USA.
19. Ghamisi P, Plaza J, Chen Y, Li J, Plaza AJ (2017) Advanced spectral classifiers for hyperspectral images: A review. IEEE Geoscience and Remote Sensing Magazine, 5(1), 8-32.
20. Göneci E (2019) Farklı Ekim Bölgelerindeki Ayçiçeği Ekili Alanlarının Uzaktan Algılama Tekniği ile Belirlenmesi Üzerine Bir Araştırma. Doktora tezi, Ege Üniversitesi-Fen bilimleri enstitüsü, Toprak Bilimi ve Bitki Besleme Anabilim Dalı, İzmir.
21. İrfanoğlu F and Bektaş Balçık, F (2018) "Determination of LULC Categories using Object Based Classification and Sentinel-2 MSI data." UZALCBS, Eskisehir, Turkiye (2018).
22. Khaliq A, Peroni L and Chiaberge M (2018) June. Land cover and crop classification using multitemporal Sentinel-2 images based on crops phenological cycle. In 2018 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS) (pp. 1-5). IEEE.
23. Li C, Li H, Li J, Lei Y, Li C, Manevski K and Shen Y (2019) Using NDVI percentiles to monitor real-time crop growth. Computers and Electronics in Agriculture, 162, pp.357-363.
24. MGM (2014) (O. Şimşek, Y. Nadaroğlu, G. Yücel, Ö. Dokuyucu, Ş. A. Gökdağ, M. Yıldırım) Türkiye Fenoloji Atlası, Araştırma Dairesi Başkanlığı, Zirai Meteoroloji Şube Müdürlüğü, https://mgm.gov.tr/FILES/genel/kitaplar/Fenoloji_atlasi.pdf.
25. Maxwell AE, Warner TA, and Fang F, (2018) Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784-2817.
26. MGM-Meteoroloji İşleri Genel Müdürlüğü (2018) İklim verileri portalı, erişim tarihi 25.12.2018.
27. Oetter DR, Cohen WB, Berterretche M, Maiersperger TK, Kennedy RE, (2000) Land cover mapping in an agricultural setting using multiseasonal Thematic Mapper data. Remote Sens. Environ. 76, 139–155. http://dx.doi.org/10.1016/S0034- 4257(00)00202-9.
28. Pax-Lenney M, Woodcock CE (1997) Monitoring agricultural lands in Egypt with multitemporal landsat TM imagery: how many images are needed? Remote Sens. Environ. 59, 522–529. http://dx.doi.org/10.1016/S0034-4257(96)00124-1.
29. Rahman MR and Saha SK (2008) Multi-resolution segmentation for object-based classification and accuracy assessment of land use/land cover classification using remotely sensed data. Journal of the Indian Society of Remote Sensing, 36(2), pp.189-201.
30. Sabins Jr FF (1987) Remote sensing--principles and interpretation. WH Freeman and company.
31. Skakun S, Franch B, Vermote E, Roger JC, Becker-Reshef I, Justice C and Kussul N (2017) Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model. Remote Sensing of Environment, 195, pp.244-258.
32. TOB (2018) Kırklareli Tarım Raporu, erşim tarihi: 18.12.2018 https://kirklareli.tarimorman.gov.tr/Belgeler/Koordinasyon/BR%C4%B0F%C4%B0NGLER/2017%20Brifingi.pdf.
33. TOBB-Kırklareli Ticaret Borsası (2018) 2018 Yılı Faaliyet Raporu.
34. Tucker CJ, Pinzon JE, Brown ME, Slayback DA, Pak EW, Mahoney R, Vermote, EF and El Saleous N (2005) An extended AVHRR 8‐km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data. International Journal of Remote Sensing, 26(20), pp.4485-4498.
35. Turker M., Arikan M (2005) Sequential masking classification of multi-temporal Landsat7 ETM+ images for field based crop mapping in Karacabey, Turkey. Int. J. Remote Sens. 26, 3813–3830. http://dx.doi.org/10.1080/01431160500166391.
36. TÜİK (2018) Bitkisel üretim istatistikleri, Erişim Tarihi: 20.05.2019. https://www.tuik.gov.tr/
37. Unal E, Mermer A and Dogan HM (2004) Determining major orchard (pistachio, olive, vineyard) areas in Gaziantep Province using remote sensing techniques. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 34.
38. Waldhoff G, Lussem U and Bareth G (2017) Multi-Data Approach for remote sensing-based regional crop rotation mapping: a case study for the Rur catchment, Germany. International journal of applied earth observation and geoinformation, 61, pp.55-69.
39. Wardlow BD and Egbert SL (2008) Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the US Central Great Plains. Remote sensing of environment, 112(3), pp.1096-1116.
40. Watkins B and Van Niekerk A (2019) Automating field boundary delineation with multi-temporal Sentinel-2 imagery. Computers and Electronics in Agriculture, 167, p.105078.
41. Yang CC, Prasher SO, Enright P, Madramootoo C, Burgess M, Goel PK and Callum I (2003) Application of decision tree technology for image classification using remote sensing data. Agricultural Systems, 76(3), pp.1101-1117.
42. Yıldız H, Mermer A, Ünal E and Akbaş F (2012) Türkiye bitki örtüsünün NDVI verileri ile zamansal ve mekansal analizi. Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 21(2), pp.50-56.
43. Zheng B, Myint SW, Thenkabail PS and Aggarwal RM (2015) A support vector machine to identify irrigated crop types using time-series Landsat NDVI data. International Journal of Applied Earth Observation and Geoinformation, 34, pp.103-112.
44. Zhong L, Hu L and Zhou H (2019) Deep learning based multi-temporal crop classification. Remote sensing of environment, 221, pp.430-443.
45. Zhong L, Hu L, Yu L, Gong P and Biging GS (2016) Automated mapping of soybean and corn using phenology. ISPRS Journal of Photogrammetry and Remote Sensing, 119, pp.151-164.