Mapping Barley and Wheat Crops Using Cadastral Parcel Boundaries as Objects and Multi-Temporal Sentinel-2 Satellite Images

Yıl 2024, , 1 - 14, 28.03.2024

Oğuzhan Yaşar , Ali Levent Yağcı

https://doi.org/10.48123/rsgis.1309618

Öz

Wheat and barley are the most important two grains in Türkiye. The wheat and barley farmers are annually funded through agricultural support programs by the Ministry of Agriculture and Forestry based on their declaration. However, control of these farmers’ declarations is not possible with classical methods. Therefore, this study aimed to establish a fully automated control system using the Normalized Difference Vegetation Index (NDVI) images acquired by Sentinel-2 satellites and official parcel boundaries distributed via the Parcel Inquiry Application by the General Directorate of Land Registry and Cadastre. The results were compared to the ground validation data collected in the Central District of Yozgat Province. The results indicated that although NDVI curves of wheat and barley fields were somewhat changed due to the land use and land cover classes such as scrubs and shrubs, barren areas, unpaved roads, irrigation canals and trees within the parcel boundaries, it didn’t impact the accuracy of classification results. However, the method produced inaccurate results when wheat and barley were planted together with other crop types in the same field.

Anahtar Kelimeler

Remote sensing, Python, TKGM parcel boundaries, NDVI

Kadastro Parsel Sınırlarının Obje Olarak Kullanılarak Arpa ve Buğday Ürünlerinin Çok Zamanlı Sentinel-2 Uydu Görüntüleri ile Belirlenmesi

Öz

Ülkemizde buğday ve arpa sırasıyla en önemli iki tahıl ürünüdür ve her yıl arpa ve buğday eken çiftçiler T.C. Tarım ve Orman Bakanlığı tarafından çiftçi beyanları temel alınarak maddi olarak desteklenmektedir. Ancak çiftçilerin bu destekleri amacına uygun kullanıp kullanmadığının kontrolü, klasik yöntemler ile mümkün değildir. Bu nedenle, bu çalışmada Sentinel-2-tabanlı Normalize Edilmiş Bitki Fark İndeksi (NDVI) zaman serileri ve Tapu Kadastro Genel Müdürlüğü (TKGM) parsel sorgu uygulamasından indirilen parsel sınırları kullanılarak tam otomatik bir kontrol sistemi kurulması amaçlanmıştır. Elde edilen sonuçlar, tahıl üretimini yoğun olduğu Yozgat ilinin Merkez ilçesinde toplanan yersel doğrulama verileri ile karşılaştırılmıştır. Sonuçlara göre, bazı parsellerin sınırları içinde kalan çalılık, otluk, çorak alan, toprak yol, sulama kanalı ve ağaç gibi arazi kullanımı ve örtüsü sınıfları arpa ve buğday parsellerin NDVI eğrilerine genellikle küçük etki yarattığı için sonuçların doğruluğunu etkilememiştir. Ancak, bir parsele iki farklı ürün dikildiğinde yöntem hatalı sonuçlar vermektedir.

Anahtar Kelimeler

Uzaktan algılama, Python, TKGM parsel sınırları, NDVI

Kaynakça

• Altun, M., & Türker, M. (2021). Çoklu Zamanlı Sentinel-2 Görüntülerinden Tarımsal Ürün Tespiti: Mardin – Kızıltepe Örneği. Afyon Kocatepe University Journal of Science and Engineering, 21(4), 881–899.
• Aydoğdu, M., Akçar, H. T., & Çullu, M. A. (2011). Coğrafi Bilgi Sistemleri (CBS) ve Uzaktan Algılama (UA) Kullanılarak Çiftçi Kayıt Sistemi (ÇKS) Verilerinin Analizi ile Pamuk ve Mısır Primlerinin Ödenmesi (Şanlıurfa-Harran İlçesi Örneği). Jeodezi ve Jeoinformasyon Dergisi, 104(Özel Sayı 1), 47–52.
• Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F. (2018). Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific Data, 5(1), 180214. https://doi.org/10.1038/sdata.2018.214
• Eğilmez, S. (2022). Tarım Ürünleri Piyasaları- Arpa. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE).
• Gillies, S. (2013). Rasterio: Geospatial raster I/O for Python programmers. Mapbox. 12 Aralık 2022’de https://github.com/rasterio/rasterio adresinden erişildi.
• Gillies, S., van der Wel, C., Van den Bossche, J., Taves, M. W., Arnott, J., Ward, B. C., & Others. (2022). Shapely. Zenodo. https://doi.org/10.5281/zenodo.7428463
• Harris, C. R., Millman, K. J., Van Der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357-362. https://doi.org/10.1038/s41586-020-2649-2
• İnan, H. İ., & Yomralıoğlu, T. (2006). Türkiye’de Tarım Reformu Uygulamalarının Konumsal Veri ve Bilgi İhtiyacı Açısından İrdelenmesi: Trabzon Örneği. Tarım Bilimleri Dergisi, 12(4), 313–322.
• İspir, M. A., & Aybek, A. (2022). Kahramanmaraş İli Kartalkaya Sol Sahil Sulama Birliği Sahasında Uzaktan Algılama (UA) ve Coğrafi Bilgi Sistemleri (CBS) Teknikleri Kullanılarak Ürün Sınıflandırılması. International Journal of Eastern Mediterranean Agricultural Research, 5(1), 37–57.
• Jordahl, K., Van Den Bossche, J., Fleischmann, M., McBride, J., Wasserman, J., Richards, M., … Mesejo-León, D. (2022). geopandas/geopandas: v0.12.1 (v0.12.1). Zenodo. https://doi.org/10.5281/zenodo.7262879
• Karabulut, A. A., Ceylan, N., Bahar, E., & Kurşun, İ. (2021). Crop Phenology-Based, Object-Oriented Classification Approach Using SENTINEL-2A and NDVI Time Series: Sunflower Crops in Kırklareli TURKEY. International Journal of Environment and Geoinformatics, 8(3), 316–327. doi:10.30897/ijegeo.858456
• Kaya, Y., & Polat, N. (2021). Bitki indeksleri kullanarak buğday bitkisinin rekolte tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(1), 99–110. https://doi.org/10.24012/dumf.860325
• Li, B. (2022). Farm parcel extraction in high resolution remote sensing ımage based on hierarchical spectrum and shape features. Research Square. https://doi.org/10.21203/rs.3.rs-1218962/v1
• Luo, K., Lu, L., Xie, Y., Chen, F., Yin, F., & Li, Q. (2023). Crop type mapping in the central part of the North China Plain using Sentinel-2 time series and machine learning. Computers and Electronics in Agriculture, 205, 107577. https://doi.org/10.1016/j.compag.2022.107577
• Perry, M. T. (2015). Rasterstats. https://pythonhosted.org/rasterstats/ adresinden alındı.
• Polat, K. (2022). Tarım Ürünleri Piyasaları- Buğday. Tarımsal Ekonomi ve Politika Geliştirme Enstitüsü (TEPGE).
• Snevajs, H., Charvat, K., Onckelet, V., Kvapil, J., Zadrazil, F., Kubickova, H., Seidlova, J., & Batrlova, I. (2022). Crop Detection Using Time Series of Sentinel-2 and Sentinel-1 and Existing Land Parcel Information Systems. Remote Sensing, 14(5), 1095. https://doi.org/10.3390/rs14051095
• Şentürk, Ü. G. (2020). Uzaktan Algılama Teknikleri Kullanılarak Kayısı Bahçelerinin Tespiti ve Rekolte Tahmini; Malatya Battalgazi Örneği [Yüksek lisans tezi, Necmettin Erbakan Üniversitesi]. YÖK Ulusal Tez Merkezi. https://tez.yok.gov.tr/UlusalTezMerkezi.
• Şimşek, F. F., & Durduran, S. S. (2023). Açık kaynak kodlu Eo-learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri ile tarımsal ürün sınıflandırması. Journal of Geodesy and Geoinformation, 10(1), 45-62. https://doi.org/10.9733/JGG.2023R0004.T
• Tavus, B., Karataş, K., & Türker, M. (2019). Tarımsal alanlarda yüksek çözünürlüklü IKONOS uydu görüntüsünden nesne-tabanlı ürün deseni tespiti. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(5), 603–614.
• The Pandas Development Team. (2023). pandas-dev/pandas: Pandas. Zenodo. https://doi.org/10.5281/ZENODO.3509134
• Türkiye İstatistik Kurumu. (2021a). Bitkisel Üretim İstatistikleri, 2021. Türkiye İstatistik Kurumu (TÜİK). 19 Ekim 2021’de https://data.tuik.gov.tr/Bulten/Index?p=Bitkisel-Uretim-Istatistikleri-2021-37249 adresinden alındı.
• Türkiye İstatistik Kurumu. (2021b). Merkezi Dağıtım Sistemi. Türkiye İstatistik Kurumu (TÜİK). 14 Kasım 2022’de https://biruni.tuik.gov.tr/medas/?locale=tr adresinden alındı.
• United States Department of Agriculture. (2021). Grain: World Markets and Trade. United States Department of Agriculture Foreign Agricultural Service. https://downloads.usda.library.cornell.edu/usda-esmis/files/zs25x844t/ h702r804t/02871x159/grain.pdf
• Virtanen, P., Gommers, R., Burovski, E., Oliphant, T. E., Weckesser, W., Cournapeau, D., … Striega, K. (2021). scipy/scipy: SciPy 1.6.3. Zenodo. https://doi.org/10.5281/zenodo.4718897
• Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402. https://doi.org/10.1016/j.rse.2019.111402
• Yaşar, O., & Yağcı, A. L. (2023). Yersel referans verilerinin doğruluğunun çok zamanlı Sentinel-2 uydu görüntüleri ile araştırılması: Arpa ve Buğday örneği. Geomatik, 8(3), 277–292. https://doi.org/10.29128/geomatik.1210252
• Yozgat İl Tarım ve Orman Müdürlüğü. (2021, 19 Eylül). Yozgat’ta hububat ekimi. 6 Ekim 2021’de https://yozgat.tarimorman.gov.tr/Menu/18/Tarim-Takvimi adresinden alındı.
• Zhang, H., Liu, M., Wang, Y., Shang, J., Liu, X., Li, B., Song, A., & Li, Q. (2021). Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net. International Journal of Applied Earth Observation and Geoinformation, 105, 102557. https://doi.org/10.1016/j.jag.2021.102557
• Zhang, S., Yang, J., Leng, P., Ma, Y., Wang, H., & Song, Q. (2023). Crop type mapping with temporal sample migration. International Journal of Remote Sensing. Advance online publication. https://doi.org/10.1080/01431161.2023.2192881