Comparison of object based and pixel based classification methods in land use and land cover determination studies: The case of Yedigoze Reservoir Area

Öz

With the development of satellite techniques, satellite images and image classification algorithms are used more frequently to determine LULC (Land Use and Land Cover). The main purpose of this study is to perform the classification process with object-based and pixel-based image classification methods in the Yedigöze Reservoir area and to compare the general accuracies of the classification techniques. In this study, Sentinel -2B satellite image of Yedigöze Reservoir taken on June 24, 2023 was used. First, the image was classified by pixel-based classification using SVM (Support Vector Machines), ANN (Artificial Neural Networks) and MLC (Maximum Likelihood Classification) method. Then, the image was classified by object-based classification using the KNN (K-Nearest Neighbor) method. Using these algorithms, four classes were determined: water area, agricultural area, forest area and residential area. Overall accuracies were calculated as 92.92% for the SVM method, 92.42% for the ANN method, 86.71% for the MLC method and 93.18% for the KNN method. As a result of the study, it has been determined that all methods provide high accuracy and the object-based KNN method provides higher accuracy than other classification methods.

Anahtar Kelimeler

• Support Vector Machines
• Artificial Neural Networks
• Maximum Likelihood Classification
• K-nearest Neighbor
• Remote Sensing

Arazi kullanımı ve arazi örtüsü belirleme çalışmalarında nesne tabanlı ve piksel tabanlı sınıflandırma yöntemlerinin karşılaştırılması: Yedigöze Baraj Gölü ve çevresi örneği

Öz

Uydu tekniklerinin gelişmesiyle birlikte, AKAÖ (Arazi Kullanımı ve Arazi Örtüsü) belirlemek amacıyla uydu görüntüleri ve görüntü sınıflandırma algoritmaları daha sık kullanılmaktadır. Bu çalışmanın temel amacı Yedigöze Baraj Gölü çevresinde nesne tabanlı ve piksel tabanlı görüntü sınıflandırma yöntemleri ile sınıflama işlemini gerçekleştirmek ve sınıflama tekniklerinin genel doğruluklarını karşılaştırmaktır. Bu çalışmada Yedigöze Baraj Gölü'nün 24 Haziran 2023 tarihinde alınan Sentinel-2B uydu görüntüsü kullanılmıştır. İlk olarak görüntü, DVM (Destek Vektör Makineleri), YSA (Yapay Sinir Ağları) ve MOS (Maksimum Olabilirlik Sınıflandırması) yöntemiyle piksel tabanlı sınıflandırma yöntemiyle sınıflandırılmıştır. Daha sonra görüntü, KEYK (K-En Yakın Komşuluk) yöntemiyle nesne tabanlı sınıflandırma yöntemiyle sınıflandırılmıştır. Bu algoritmalar kullanılarak su alanı, tarım alanı, orman alanı ve yerleşim alanı olmak üzere dört sınıf belirlenmiştir. Genel doğruluklar DVM yöntemi için %92.92, YSA yöntemi için %92.42, MOS yöntemi için %86.71 ve KEYK yöntemi için %93.18 olarak hesaplanmıştır. Çalışma sonucunda, olarak, tüm yöntemlerin yüksek doğruluk sağladığı ve nesne tabanlı KEYK yönteminin diğer sınıflandırma yöntemlerine göre daha yüksek doğruluk sağladığı tespit edilmiştir.

Anahtar Kelimeler

• Destek Vektör Makineleri
• Yapay Sinir Ağları
• Maksimum Olabilirlik Sınıflandırması
• K-en yakın komşuluk
• Uzaktan Algılama

Kaynakça

1. M. Gholoobi, A. Tayyebi, M. Taleyi and A. H. Tayyebi, Comparing pixel based and object-based approaches in land use classification in mountainous areas. International Archives of the Photogrammetry. Remote Sensing and Spatial Information Science, 38 (8), 789-794, Kyoto, Japan,2010.
2. K. Kalkan ve D. Maktav, Nesne tabanlı ve piksel tabanlı sınıflandırma yöntemlerinin karşılaştırılması (IKONOS Örneği). III. UZAL-CBS, Gebze, 2010.
3. H. Zhang, Q. Li, L. Liu, X. Du, T. Dong, H. McNairn, C. Champagne, M. Liu and J. Shang, Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a random forest classifier. Geocarto Interratical, 33(10), 1017-1035, 2018.https://doi.org/10.1080/10106049.2017.1333533.
4. A. M. Al Fugara, B. Pradhan and T. A. Mohamed, Improvement of land-use classification using object-oriented and fuzzy logic approach. Applied Geomatics, 1(4), 111-120, 2019.https://doi.org/10.1007/s12518-009-0011-3.
5. B. R. Deilmai, B. B. Ahmad and H. Zabihi, Comparison of two classification methods (MLC and SVM) to extract land use and land cover in Johor Malaysia. In IOP conference series: Earth and environmental science, 20(1), 1-6, 2014.
6. M. Yaban, M. A. S. B. Azmi, M. Z. Zakaria and M. M. Isa, Comparison of support vector machines (SVMs) and maximum likelihood classification (MLC) for Nipa Palm (Nypa fruticans) extent in East Coast of Sabah, Malaysia. Asian Conference on Remote Sensing (ACRS 2022), 1-8, 2022.
7. Y. G. Yuh, W. Tracz, H. D.Matthews, and S. E. Turner, Application of machine learning approaches for land cover monitoring in northern Cameroon. Ecological informatics, 74, 1-15, 2023.https://doi.org/10.1016/ j.ecoinf.2022.101955
8. T. Kavzoğlu, İ. Çölkesen, Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi. Harita Dergisi, 144, 73-82, 2010.

9. M. G. Gümüş, S. S. Durduran. The performance analyses of support vector machine classifiers for examination of the temporal change of land-use/cover in the Beyşehir Basin in Turkey (1984-2018). Jeodezi Ve Jeoinformasyon Dergisi, 8(1), 57-71, 2021. https://doi.org/10.9733/JGG.2021R0005.E.
10. Ö. Akar, O. Güngör. Rastgele Orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 106, 139–146, 2012. https://doi.org/10.9733/jgg.241212.1t
11. S. Doğan, E. Buğday, E. Modeling of temporal and spatial changes of land cover and land use by artificial neural networks: Kastamonu Sample. Bartın Orman Fakültesi Dergisi, 20(3), 653-663, 2018.
12. ESA, European Space Agency Data Hub. https://scihub.copernicus.eu/dhus/#/home, Accessed 20 April 2024.
13. T.C. Milli Savunma Bakanlığı Harita Genel Müdürlüğü. https://www.harita.gov.tr/urunler/, Accessed 07 June 2024.
14. G. Mountrakis, J. Im and C. Ogole, Support vector machines in remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247–259, 2011.
15. S.Y. Çiçekli, A. Şekertekin, N. Arslan, C. Dönmez, Comparison of pixel and object-based classification methods in wetlands using Sentinel-2 Data. 3rd International Mediterranean Science and Engineering Congress (IMSEC 2018), 298-302, 2018.
16. A. J. Scott and M. J. Symons, Clustering methods based on likelihood ratio criteria. Biometrics, 27 (2), 387–397, 1971.
17. L. Kimfung, W. Shi and H. A. Zhang, Fuzzy topology-based maximum likelihood classification. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 103-114, 2011.
18. S. Bulut ve A. Günlü, Arazi kullanım sınıfları için farklı kontrollü sınıflandırma algoritmalarının karşılaştırılması. Kastamonu University Journal of Forestry Faculty, 16 (2), 528–535, 2016.https://doi.org/10.17475/kastorman.289762.
19. M. M. Hamed, M. G. Khalafallah and E. A. Hassanien, Prediction of wastewater treatment plant performance using artificial neural networks. Environmental Modelling & Software, 19(10), 919-928, 2004. https://doi.org/10.1016/j.envsoft.2003.10.005
20. M. S. Nasr, M. A. E. Moustafa, H. A. E. Seif and G. E. Kobrosy, Application of Artificial Neural Network (ANN) for the prediction of EL-AGAMY wastewater treatment plant performance-EGYPT. Alexandria Engineering Journal, 51(1), 37-43, 2012.https://doi.org/10.1016/j.aej.2012.07.005
21. S. Haykin, Neural networks: a comprehensive foundation. Macmillan College Publishing Company, 1994.
22. R. E. McRoberts, M. D. Nelson and D. G. Wendt, Stratified estimation of forest area using satellite imagery, inventory data, and the k-Nearest Neighbors technique. Remote Sensing of Environment, 82(2-3), 457-468, 2002. https://doi.org/10.1016/S0034-4257(02)00064-0
23. C. Witharana and D. L. Civco, Optimizing multi-resolution segmentation scale using empirical methods: Exploring the sensitivity of the supervised discrepancy measure Euclidean distance 2 (ED2). ISPRS Journal of Photogrammetry and Remote Sensing, 87, 108-121, 2014. https://doi.org/10.1016/j.isprsjprs.2013.11.006
24. A. Sabuncu, F. Sunar. Ortofotolar ile nesne tabanlı görüntü sınıflandırma uygulaması: Van-Erciş depremi örneği. Artvin Çoruh Üniversitesi Doğal Afetler Uygulama ve Araştırma Merkezi Doğal Afetler Ve Çevre Dergisi, 3(1), 1-8, 2017. https://doi.org/ 10.21324/dacd.271091
25. L. Sang, Y. Xu, R. Cao, Y. Chen, Y. Guo, R. Xu. Modelling of GaN HEMT by using an improved k-nearest neighbors algorithm. Journal of Electromagnetic Waves and Applications, 25(7), 949-959, 2011.https://doi.org/0.1163/156939311795254019
26. İ. Çölkesen, T. Yomralioğlu, Arazi örtüsü ve kullanımının haritalanmasında WorldView-2 uydu görüntüsü ve yardımcı verilerin kullanımı. Harita Dergisi. 80(152), 12 – 24,2014.
27. T. Kavzoglu, I. Colkesen, A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352–359,2009.https://doi.org/10.1016/j.jag.2009.06.002
28. M. Ayaz, Makine öğrenmesi algoritmalari ile covid-19 hastalarinin belirlenmesi, Yüksek Lisans Tezi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, 2021.
29. Google LLC, 2024. Google Earth Engine (Computer software) https://earthengine.google.com. Accessed 06.05.2024.
30. H. B. Makineci, E. N. Akosman. Sentinel-2A verileriyle Trabzon İli 2019-2020 yılları arasında ortaya çıkan sınıflandırma farklarının çeşitli algoritmalarla değerlendirilmesi. Türkiye Uzaktan Algılama Dergisi, 5(2), 78–88, 2023. https://doi.org/10.51489/ tuzal.1383784
31. S.Y. Çiçekli. Otomatize edilmiş nesne tabanli arazi örtüsü siniflandirma modeli: Aşaği Seyhan Ovasi Örneği. Doktora Tezi, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, 2022.
32. H. E. Adam, E. Csaplovics, M. F. Elhaja. A comparison of pixel-based and object-based approaches for land use land cover classification in semi-arid areas, Sudan. 8th IGRSM International Conference and Exibition on Remote Sensing&GIS, 2016.