Harmonize Sentinel-2 ve Landsat-8 verileri ile arazi örtüsü sınıflandırması: Bilecik İlinde rastgele orman ve gradyan artırmalı karar ağaçları karşılaştırması

Yıl 2025, Cilt: 2 Sayı: 2, 101 - 112, 20.12.2025

Ali Ünver

https://doi.org/10.65652/jag.1782099

Öz

Bu araştırma, Marmara Bölgesi’nin güneydoğusunda yer alan Bilecik ili için arazi örtüsü ve arazi kullanımı sınıflandırmasını Google Earth Engine (GEE) ortamında harmonize edilmiş Sentinel-2 ve Landsat-8 uydu verileri kullanarak gerçekleştirmiştir. Çalışmada temel bantlara ek olarak NDVI, EVI, SAVI, NDWI, NDBI ve BSI indeksleri ile ALOS AW3D30 tabanlı topoğrafik değişkenler (yükseklik, eğim) öznitelik kümesine dâhil edilmiştir. Eğitim ve doğrulama verileri ESA WorldCover (2020) verisinden türetilmiş olup toplam 1500 nokta (%80 eğitim, %20 doğrulama) kullanılmıştır. Sınıflandırmada Rastgele Orman (RO) ve Gradyan Ağaç Artırma (GAA) algoritmaları uygulanmış, sonuçlar doğruluk analizleriyle değerlendirilmiştir. RO %93,6 genel doğruluk ve 0,916 Kappa katsayısı ile yüksek doğrulukta bir sınıflandırma sunarken; GAA %95,1 doğruluk ve 0,934 Kappa değeriyle özellikle yerleşim ve çıplak alan sınıflarında daha ayrıntılı ayırımlar yapmıştır. Bulgular, harmonize edilmiş çoklu uydu verilerinin spektral indeks ve topoğrafik değişkenlerle bütünleştirilmesinin sınıflandırma doğruluğunu belirgin biçimde artırdığını göstermektedir. Bu çalışma, farklı makine öğrenmesi algoritmalarının aynı öznitelik uzayında sistematik biçimde karşılaştırılması açısından literatüre özgün bir katkı sunmaktadır.

Anahtar Kelimeler

Arazi örtüsü , Sentinel-2 , Landsat-8 , Rastgele orman , Gradyan artırmalı karar ağaçları

Teşekkür

Akademik rehberliği ve desteği için Dr. Öğr. Üyesi Ebubekir Karakoca’ya teşekkür ederim.

Land cover classification using harmonized Sentinel-2 and Landsat-8 data: comparison of random forest and gradient boosted decision trees in Bilecik Province

Öz

This study performed land cover and land use classification for Bilecik Province, located in the southeastern part of the Marmara Region, using harmonized Sentinel-2 and Landsat-8 satellite data within the Google Earth Engine (GEE) environment. In addition to the basic spectral bands, NDVI, EVI, SAVI, NDWI, NDBI, and BSI indices together with ALOS AW3D30-based topographic variables (elevation and slope) were included in the feature set. Training and validation data were derived from the ESA WorldCover (2020) dataset, comprising 1500 samples (80% training, 20% validation). The classification was conducted using the Random Forest (RF) and Gradient Tree Boosting (GTB) algorithms, and the results were evaluated through accuracy assessments. RF achieved 93.6% overall accuracy with a Kappa coefficient of 0.916, while GTB reached 95.1% accuracy and 0.934 Kappa, providing finer differentiation especially in settlement and bare-land classes. The findings indicate that integrating harmonized multi-sensor satellite data with spectral indices and topographic variables significantly improves classification accuracy. The study contributes to the literature by systematically comparing different machine-learning algorithms within the same feature space.

Anahtar Kelimeler

Land cover , Sentinel-2 , Landsat-8 , Gradient Tree Boosting , Random forest

Teşekkür

I would like to thank Dr. Ebubekir Karakoca for his academic guidance and support.

Kaynakça

• 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. https://doi.org/10.28948/ngumuh.795977
• Arıkan, D., & Yıldız, F. (2023). Sentinel-2 uydu görüntülerinde destek vektör makinesi ve rastgele orman algoritmaları kullanılarak piksel tabanlı arazi sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 6(2), 1243–1260.
• Arsanjani, J. J., Helbich, M., Kainz, W., & Boloorani, A. D. (2013). Integration of logistic regression, Markov chain, and cellular automata models to simulate urban expansion. International Journal of Applied Earth Observation and Geoinformation, 21, 265–275. https://doi.org/10.1016/j.jag.2011.12.014
• Arslan, M., Çakır, R., Akyazı, İ., Kumbasar, N., Doğan, A., & Yavuz, E. (2024). Ulusal arazi örtüsü sınıflandırma ve izleme sistemi (UASİS). Çevre Şehir ve İklim Dergisi, 1(Özel), 131–146.
• Ayalke, G. Z., & Şişman, A. (2024). Google Earth Engine kullanılarak makine öğrenmesi tabanlı iyileştirilmiş arazi örtüsü sınıflandırması: Atakum, Samsun örneği. Geomatik, 9(3), 375–390. https://doi.org/10.29128/geomatik.1472160
• Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
• Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
• Danacıoğlu, Ş. (2023). Arazi örtüsü haritalamasında farklı makine öğrenmesi algoritmalarının değerlendirilmesi: İzmir ili örneği. Türk Coğrafya Dergisi, (84), 105–117. https://doi.org/10.17211/tcd.1296893
• Danacıoğlu, Ş., & Öngül, H. C. (2023). Güzelhisar Havzasında endüstriyel gelişmenin arazi kullanımı ve arazi örtüsü özellikleri üzerindeki etkisinin bulut tabanlı makine öğrenme teknikleri ile değerlendirilmesi. Ege Coğrafya Dergisi, 32(1), 135–150. https://doi.org/10.51800/ecd.1224255
• 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
• Fonte, C. C., Minghini, M., Patriarca, J., Antoniou, V., See, L., & Skopeliti, A. (2017). Generating up-to-date and detailed land use and land cover maps using OpenStreetMap and GlobeLand30. ISPRS International Journal of Geo-Information, 6(4), 125. https://doi.org/10.3390/ijgi6040125
• Foody, G. M. (2020). Explaining the unsuitability of the kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment, 239, 111630. https://doi.org/10.1016/j.rse.2019.111630
• Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5), 1189–1232. https://doi.org/10.1214/aos/1013203451
• Gessner, K., Gallardo, L. A., Markwitz, V., Ring, U., & Thomson, S. N. (2013). What caused the denudation of the Menderes Massif: Review of crustal evolution, lithosphere structure, and dynamic topography in southwest Turkey. Gondwana Research, 24(1), 243–274. https://doi.org/10.1016/j.gr.2013.01.005
• 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.
• Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309.
• Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1–2), 195–213. https://doi.org/10.1016/S0034-4257(02)00096-2
• İrfanoğlu, F., & Balçık, F. B. (2018, Eylül). Arazi örtüsü ve arazi kullanım sınıflarının Sentinel-2 görüntüsü ve nesne tabanlı sınıflandırma yöntemiyle belirlenmesi. In VII. Uzaktan Algılama-CBS Sempozyumu (Uzal-CBS 2018) (ss. 334–343). Eskişehir, Türkiye. http://dx.doi.org/10.15659/uzalcbs2018.6154
• Karakoca, E., & Uncu, L. (2020). Orta Sakarya Vadisi akarsu seki sistemlerinin morfometrik ve sedimantolojik özellikleri (İnhisar–Gemiciköy arası, Bilecik). Coğrafya Dergisi, 41, 165–177. https://doi.org/10.26650/JGEOG2020-0057
• Kaya, N. S., & Dengiz, O. (2023). Sentinel-2A MSI verisinin makine öğrenmesi tabanlı destek vektör makinesi, rastgele orman ve en büyük olasılık algoritmalarını kullanarak piksel tabanlı kontrollü sınıflandırılmadaki etkilerinin araştırılması. Türk Uzaktan Algılama ve CBS Dergisi, 5(2), 138–157. https://doi.org/10.48123/rsgis.1410250
• Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: An applied review. International Journal of Remote Sensing, 39(9), 2784–2817. https://doi.org/10.1080/01431161.2018.1433343
• McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
• Ouma, Y., Nkwae, B., Moalafhi, D., Odirile, P., Parida, B., Anderson, G., & Qi, J. (2022). Comparison of machine learning classifiers for multitemporal and multisensor mapping of urban LULC features. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 43(B3), 681–689. https://doi.org/10.5194/isprs-archives-XLIII-B3-2022-681-2022
• Phiri, D., & Morgenroth, J. (2017). Developments in Landsat land cover classification methods: A review. Remote Sensing, 9(9), 967. https://doi.org/10.3390/rs9090967
• Pontius Jr, R. G., & Millones, M. (2011). Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32(15), 4407–4429. https://doi.org/10.1080/01431161.2011.552923
• Rikimaru, A., Roy, P. S., & Miyatake, S. (2002). Tropical forest cover density mapping. Tropical Ecology, 43(1), 39–47.
• Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
• Rouse, J. W., Jr., Haas, R. H., Deering, D. W., Schell, J. A., & Harlan, J. C. (1974). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation (NASA/GSFC Type III, Final Report, No. E75-10354). Greenbelt, MD: NASA Goddard Space Flight Center.
• Roy, D. P., Kovalskyy, V., Zhang, H. K., Vermote, E. F., Yan, L., Kumar, S. S., & Egorov, A. (2016). Characterization of Landsat 7 to Landsat 8 reflective wavelength and normalized difference vegetation index continuity. Remote Sensing of Environment, 185, 57–70. https://doi.org/10.1016/j.rse.2015.12.024
• Sesnie, S. E., Gessler, P. E., Finegan, B., & Thessler, S. (2008). Integrating Landsat TM and SRTM-DEM derived variables with decision trees for habitat classification and change detection in complex neotropical environments. Remote Sensing of Environment, 112(5), 2145–2159. https://doi.org/10.1016/j.rse.2007.08.025
• Stehman, S. V. (2014). Estimating area and map accuracy for stratified random sampling when the strata are different from the map classes. International Journal of Remote Sensing, 35(13), 4923–4939. https://doi.org/10.1080/01431161.2014.930207
• T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. (2023). Bilecik ili çevre durum raporu 2023. Ankara: Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. https://webdosya.csb.gov.tr/db/ced/icerikler/b-lec-k_-cdr2023-20241001094723.pdf
• Waśniewski, A., Hościło, A., & Aune-Lundberg, L. (2023). The impact of selection of reference samples and DEM on the accuracy of land cover classification based on Sentinel-2 data. Remote Sensing Applications: Society and Environment, 32, Article 101035. https://doi.org/10.1016/j.rsase.2023.101035
• Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583–594. https://doi.org/10.1080/01431160304987