Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması

Öz

Son yıllarda, uydu teknolojisinde hızlı gelişmeler yaşanmaktadır. Bu gelişmeler doğrultusunda uzaktan algılama alanında yapay zekâ, makine öğrenmesi gibi yeni ve farklı araştırma konularının ortaya çıkmasına sebep olmuştur. Yeryüzüne ait bilgilerin toplanmasında sınıflandırma yöntemleri sıkça kullanılmaktadır. Çünkü göl, nehir gibi sulak alanlar veya kentsel bölgeler, ekolojik denge için önemlidir. Uzaktan algılama sayesinde yeryüzündeki mevcut durumun tespiti, zamanla olan değişimin izlenmesi gerçekleştirilebilmektedir. Bu çalışmanın amacı Sentinel-2 MSI uydu verileri kullanılarak Konya ili merkezinde yer alan tarım arazilerinin bir kısmı sınıflandırılmıştır. Piksel tabanlı sınıflandırma yöntemi ve destek vektör makinesi (DVM) ve rastgele orman (RO) algoritmaları kullanılmıştır. Python dilinde kodlanmış algoritmalardan elde edilmiş sonuç ürünlerin genel doğrulukları karşılaştırılmış ve yorumlanmıştır. Yapılan çalışma sonucunda DVM algoritmasından elde edilen genel doğruluk değeri %96,7 iken, RO’da %86,67 ve kappa değerleri DVM ve RO algoritmaları için sırasıyla 0.9535 ve 0.8148 bulunmuştur.

Anahtar Kelimeler

• Destek vektör makineleri
• Piksel tabanlı sınıflandırma
• Rastgele orman
• Sentinel-2 uydu verileri

Pixel-Based Land Classification Using Support Vector Machine and Random Forest Algorithms In Sentinel-2 Satellite Images

Öz

In recent years, there have been rapid advances in satellite technology. In line with these developments, new and different research topics such as artificial intelligence and machine learning have emerged in the field of remote sensing. Classification methods are frequently used in collecting Earth information because wetlands such as lakes, rivers or urban areas are essential for the environment and ecological balance. It is possible to detect the current situation on the Earth with remote sensing and monitor change in time. The purpose of this study is to classify some of the agricultural lands in the city center of Konya using Sentinel-2 MSI satellite data. Pixel-based classification method and support vector machine (SVM) and random forest (RF) algorithms are used. The general accuracy of the resulting products obtained from algorithms coded in Python language was compared and interpreted.As a result of the study, the overall accuracy value obtained from the SVM algorithm was 96.7%, while the RF was 86.67% and the kappa values were 0.9535 and 0.8148 for the SVM and RF algorithms, respectively.

Anahtar Kelimeler

• Support Vector Machine
• Pixel Based Classification
• Random Forest
• Sentinel-2 satellite data

Kaynakça

1. Of Sentinel-2a And Planetscope Imagery. In 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS) (pp. 246-253). IEEE.
2. Algancı, U., Sertel, E., Ozdogan ve M., Ormeci, C. (2013). Parcel-Level Identification of Crop Types Using Different Classification Algorithms and Multi-Resolution Imagery in Southeastern Turkey. Photogrammetric Engineering & Remote Sensing, Vol. 79(11), 1053 – 1065.
3. Altun, M. ve 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. Apaydın, C. ve Abdikan, S. (2021). Fındık Bahçelerinin Sentinel-2 Verileri Kullanılarak Piksel Tabanlı Sınıflandırma Yöntemleriyle Belirlenmesi. Geomatik, 6 (2), 107-114.
5. Atasever, Ü. H. (2011). Uydu Görüntülerinin Sınıflandırılmasında Hızlandırma (Boosting), Destek Vektör Makineleri, Rastgele Orman (Random Forest) ve Regresyon Ağaçları Yöntemlerinin Kullanılması, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, Harita Mühendisliği Anabilim Dalı, Kayseri (Tez no: 276782)
6. Barret, E.C. ve Curtis, L.E. (1992). Introduction to Environmental Remote Sensing. Third ed. Chapman ve Hall, London.
7. Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140.
8. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.

9. Campbell, J.B ve Wynne, R.H. (2011). Introduction to Remote Sensing (5th ed.). NewYork, USA: The Guilford Press.
10. Chappelle E.W., Kim M.S. ve McMurtrey J.E. (1991). Ratio analysis of reflectance spectra (RARS): An algorithm for the remote estimation of the concentrations of chlorophyll A, chlorophyll B, and carotenoids in soybean leaves. Remote Sensing of Environment, cilt 39, p. 239–247.
11. Conrad, C., Fritsch, S., Zeidler, J., Rucker, G. ve Dech, S. (2010). Per-Field Irrigated Crop Classification in Arid Central Asia Using SPOT and ASTER Data. Remote Sensing, 2 (4), 1035 – 1056.
12. Çelik, Y.B. (2015). Mısır ve pamuk ekili alanların çok zamanlı uydu görüntüleri ve obje tabanlı sınıflandırma yöntemi ile tespiti. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi (Tez no: 393009)
13. Dixon, B. ve Candade N. (2008). Multispectral landuse classification using neural networks and support vector machines: one or the other or both, International Journal of Remote Sensing 29(4): 1185-1206.
14. Dizdaroğlu, T. (2019). Sentinel-1 ve Sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması. Hacettepe Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi (Tez no: 547253)
15. ESA, 2021. URL: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 (Erişim Tarihi: 11.01.2021)
16. Foody, G. M. ve Mathur, A. (2004), A relative evaluation of multiclass image classification by support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42 (6), 1335-1343.
17. Friedl, M.A., Sulla-Menashe, D., Tan, B., Schneider, A., Ramankutty, N., Sibley, A. ve Huang, X. M. (2010). MODIS Collection 5 Global Land Cover: 46 Algorithm Refinements and Characterization of New Datasets, Remote Sensing of Environment, 114 (1), 168-182.
18. Ge, Q. Z., Ling, Z. C., Qiong, L., Hui, X. X. ve Zhang, G. (2008), High Effıcient Classification On Remote Sensing Images Based On Svm, The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences, Vol. XXXVII. Part B2. Beijing.
19. Ge, Y., Chen, Y., Stein, A., Li, S. ve Hu, J. (2016). Enhanced subpixel mapping with spatial distribution patterns of geographical objects. IEEE Transactions on Geoscience and Remote Sensing, 54(4), 2356-2370.
20. Gualtieri, J. A. ve Cromp, R. F. (1998), Support vector machines for hyperspectral remote sensing classification. Proceedings SPIE, (3584):221- 232.
21. Gumma, M.K., Nelson, A., Thenkabail, P.S. ve Singh, A.N. (2011). Mapping rice areas of South Asia using MODIS multitemporal data. J. Appl. Rem. Sens., 5, 95–113. Kalkan K. ve Maktav D. (2010), Nesne Tabanlı ve Piksel Tabanlı Sınıflandırma Yöntemlerinin Karşılaştırılması (IKONOS Örneği). III. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, Kocaeli, Türkiye, 11-13 Ekim 2010.
22. Karabörk, H., Makineci, H. B., Orhan, O., & Karakus, P. (2021). Accuracy Assessment of DEMs Derived from Multiple SAR Data Using the InSAR Technique. Arabian Journal for Science and Engineering, 46(6), 5755-5765.
23. Karagöl, S., Bayram, B., Erdem, F. & Bakirman, T. (2021). Aktarımlı Öğrenme ile SENTINEL-2 Görüntülerinden Kıyı Çizgisi Bölütlemesi. Türkiye Uzaktan Algılama Dergisi, 3 (1), 1-7.
24. Karakuş P. (2017). Çok Zamanlı Uydu Görüntü Verileri ile Tarımsal Ürünlerin Belirlenmesi ve Verim Tahmini. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi (Tez no: 467364)
25. Karakuş P. ve Karabörk H. (2016), Esp ile Nesne Tabanlı Sınıflandırma Kullanılarak Arazı Örtüsünün Çıkarılması. 6. Uzaktan Algılama-Cbs Sempozyumu (Uzal-Cbs 2016), Adana, Türkiye, 5-7 Ekim 2016.
26. Kavzoglu, T. ve Çölkesen, I. (2009). A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation 11(5): 352-359.
27. Kaynak, T. (2017). Nesne tabanlı sınıflandırma yöntemlerinin karşılaştırılması, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi (Tez no: 476250)
28. Knopp, L., Wieland, M., Rättich, M., & Martinis, S. (2020). A deep learning approach for burned area segmentation with Sentinel-2 data. Remote Sensing, 12(15), 2422
29. Köseoğlu, M., & Gündoğdu, K. S. (2004). Arazi toplulaştırma planlama çalışmalarında uzaktan algılama tekniklerinden yararlanma olanakları. Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 18(1), 45-56.
30. Mather, P.M. ve Koch, M. (2011). Computer Processing of Remotely - Sensed Images: An. Introduction, Fourth Edition, Wiley-Blackwell Copernicus Open Access Hub, ESA.
31. Melgani, F. ve Bruzzone, L. (2004). Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8), 1778-1790.
32. Mialhea, F., Gunnell, Y, Ignacio, J.A.F., Delbart, N., Ogania, J.L. ve Henry, S. (2015). Monitoring Land-Use Change by Combining Participatory Land-Use Maps with Standard Remote Sensing Techniques: Showcase from a Remote Forest Catchment on Mindanao, Philippines. International Journal of Applied Earth Observation and Geoinformation, 36, 69–82.
33. Orhan, O. (2021). Monitoring of land subsidence due to excessive groundwater extraction using small baseline subset technique in Konya, Turkey. Environmental Monitoring and Assessment, 193(4), 1-17. Pal, M. ve Mather P. M. (2005). Support vector machines for classification in remote sensing. International Journal of Remote Sensing, 26(5): 1007-1011.doi:10.1080/01431160512331314083
34. Polat, N. ve Kaya, Y. (2021). Çok Bantlı Uydu Görüntüleriyle Orman Yangınlarında Hasar Tespiti. Bartın Orman Fakültesi Dergisi, 23 (1), 172-181.
35. Rodriguez-Galiano V.F, Ghimire B., Rogan J., Chica-Olmo M. ve RigolSanchez J.P. (2012). An assessment of the effectiveness of a random forest classifier for landcover classification. ISPRS Journal of Photogrammetry and Remote Sensing, cilt 67, p.93–104.
36. Saralıoğlu, E. (2021). Pankromatik Bandın Piksel Tabanlı Sınıflandırmaya Etkisi. Turkish Journal of Remote Sensing and GIS, 2 (1), 32-40.
37. Saralıoğlu, E., & Güngör, O. (2022). Yüksek Çözünürlüklü Uydu Görüntülerinden Daha Hızlı Bölge Tabanlı Derin Öğrenme Modeli İle Bina Tespiti. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 550-563. Shanahan, J.F., Schepers, J.S., Francis, D.D., Varvel, G.E., Wilhelm, W.W., Tringe, J.M., Schlemmer, M.R., Major, D.J. (2001). Use of 47 Remote-Sensing Imagery to Estimate Corn Grain Yield, Agronomy Journal, 93(3), 583-589.
38. Taşcı, I. (2018). Orta Çözünürlüklü Uydu Görüntüleri Kullanarak Yanmış Orman Alanlarının Farklı Sınıflandırma Yöntemleri Ile Haritalanması (Doctoral dissertation, Anadolu University (Turkey)).
39. Toming, K., Kutser, T., Laas, A., Sepp, M., Paavel, B., & Nõges, T. (2016). First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery. Remote Sensing, 8(8), 640. Tosun, A. G. (2009). Hayrabolu sulama sisteminde ürün dağılımının uydu görüntüleri yardımı ile belirlenmesi (Master's thesis, Namık Kemal Üniversitesi).
40. Tunca, E. ve Köksal, E. (2021). Sentinel 2 Uydu Görüntülerinden Bitki Türlerinin Makine Öğrenmesi ile Belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi, 9 (1), 189-200.
41. Üstüner, M. (2013). Destek vektör makineleri yöntemi ile arazi kullanımı sınıflandırılmasında kernel fonksiyonlarına ait karşılaştırmalı parametre duyarlık analizi: rapideye ve spot örneği, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi (Tez no: 411514)
42. Vapnik, V.N. (1996). The Nature of Statistical Learning Theory. New York: Springer-Verlag.