Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği

Aleyna Şimşek; Esra Tunç Görmüş

doi:10.48123/rsgis.1603128

EN TR

Determination of Rice’s Phenological Structure with Sentinel-2 Images: Case Study of Ipsala

Öz

This study was conducted to predict the phenological stages (planting and harvest dates) of rice fields within the boundaries of the İpsala district in Edirne province. The research was carried out by analyzing a total of 36 Sentinel-2 satellite images from the years 2020, 2021, and 2022 using the Google Earth Engine (GEE) platform and the Time Series Decomposition and Analysis (DATimeS) software, which is a MATLAB-based add-on. Within the scope of the study, the Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), and Leaf Area Index (LAI) were calculated, and interpolation and phenological evaluation methods were applied to the data. The Gauss Process Regression (GPR) method was used in the interpolation phase to predict phenological stages. According to the phenological analysis results, the sowing and harvest dates were found to be consistent with the control data provided by the Trakya Agricultural Research Institute. The LAI index estimated the sowing and harvest dates on average 15 ± 3 days earlier and 10 ± 5 days later, respectively, yielding the highest accuracy. Consequently, the LAI index derived from Sentinel-2 data was determined to be more reliable than other indices for monitoring rice phenology. This study presents an effective methodological approach for phenological stage analysis in rice cultivation, demonstrating that the integration of GPR and DATimeS ensures high accuracy in remote sensing-based analyses.

Anahtar Kelimeler

Rice, Phenological features, Temporal series analysis, Sentinel 2

Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği

Öz

Bu çalışma, Edirne ili İpsala ilçesi sınırları içindeki çeltik tarlasının fenolojik evrelerinin (ekim ve hasat tarihleri) tahminine yönelik olarak gerçekleştirilmiştir. Araştırma, Google Earth Engine (GEE) platformu ve MATLAB eklentisi bir yazılım aracı olan Zaman Serilerinin Ayrıştırılması ve Analizi (DATimeS) kullanılarak, 2020, 2021 ve 2022 yıllarına ait toplam 36 adet Sentinel-2 uydu görüntüsünün analiz edilmesiyle yürütülmüştür. Çalışma kapsamında, Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI), Geliştirilmiş Bitki Örtüsü İndeksi (EVI) ve Yaprak Alanı İndeksi (LAI) hesaplanmış ve bu veriler üzerinde enterpolasyon ile fenolojik değerlendirme yöntemleri uygulanmıştır. Enterpolasyon aşamasında Gauss Süreç Regresyonu (GPR) yöntemi kullanılarak fenolojik evreler tahmin edilmiştir. Fenolojik analiz sonuçlarına göre ekim ve hasat tarihleri, Trakya Tarımsal Araştırma Enstitüsü kontrol verileriyle uyumlu bulunmuş; LAI indeksi, ekim ve hasat tarihlerini sırasıyla ortalama 15 ±3 gün erken ve 10 ±5 gün geç tahmin ederek en yüksek doğruluğu vermiştir. Sonuç olarak, Sentinel-2 verilerinden türetilen LAI indeksinin çeltik fenolojisinin izlenmesinde diğer indekslere kıyasla daha güvenilir olduğu belirlenmiştir. Bu çalışma, çeltik tarımına yönelik fenolojik evre analizlerinde etkili bir metodolojik yaklaşım sunarak, GPR ve DATimeS entegrasyonunun uzaktan algılama tabanlı analizlerde yüksek doğruluk sağladığını göstermiştir.

Anahtar Kelimeler

Pirinç, Çeltik, Fenolojik özellikler, Zamansal seri analizi, Sentinel-2

Kaynakça

ARTMO. (2021). DATimeS. ARTMO Toolbox. https://artmotoolbox.com/plugins-standalone/91-plugins-standalone/34-datimes.html
Belda, S., Pipia, L., Morcillo-Pallarés, P., Rivera-Caicedo, J. P., Amin, E., Grave, C., & Verrelst, J. (2020). DATimeS: A machine learning time series GUI toolbox for gap-filling and vegetation phenology trends detection. Environmental Modelling & Software, 127, Article 104666. https://doi.org/10.1016/j.envsoft.2020.104666
Boegh, E., Soegaard, H., Broge, N., Hasager, C., Jensen, N., Schelde, K., & Thomsen, A. (2002). Airborne multi-spectral data for quantifying leaf area index, nitrogen concentration and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 81(2–3), 179–193.
Dela Torre, D. M. G., Gao, J., Macinnis-Ng, C., & Shi, Y. (2021). Phenology-based delineation of irrigated and rainfed paddy fields with Sentinel-2 imagery in Google Earth Engine. Geo-spatial Information Science, 24(4), 695–710. https://doi.org/10.1080/10095020.2021.1984183
Dineshkumar, C., Nitheshnirmal, S., Bhardwaj, A., & Priyadarshini, K. N. (2019). Phenological monitoring of paddy crop using time series MODIS data. Proceedings, 24(1), Article 19. https://doi.org/10.3390/IECG2019-06205
Estévez, J., Salinero-Delgado, M., Berger, K., Pipia, L., Rivera-Caicedo, J. P., Wocher, M., Reyes-Muñoz, P., Tagliabue, G., Boschetti, M., & Verrelst, J. (2022). Gaussian processes retrieval of crop traits in Google Earth Engine based on Sentinel-2 top-of-atmosphere data. Remote Sensing of Environment, 273, Article 112958. https://doi.org/10.1016/j.rse.2022.112958
European Environment Agency. (2018). CORINE Land Cover 2018 (CLC2018). Copernicus Land Monitoring Service. https://land.copernicus.eu/en/products/corine-land-cover/clc2018
European Space Agency. (2025, August 15). Copernicus Sentinel-2 mission. https://sentinels.copernicus.eu/web/ sentinel/missions/sentinel-2.
Google Earth Engine (2024, May 5). Google Earth Engine data catalog. Google Developers. https://developers.google.com/earth-engine/datasets
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. https://doi.org/10.1016/j.rse.2017.06.031

Hatfield, J. L., Kanemasu, E. T., Asrar, G., Jackson, R. D., Pinter, P. J., Reginato, R. J., & Idso, S. B. (1985). Leaf area estimates from spectral measurements over various planting dates of wheat. International Journal of Remote Sensing, 6, 167–175.
Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1–6. https://doi.org/10.1007/s11676-020-01155-1
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
Jensen, J. R. (2009). Remote sensing of the environment: An earth resource perspective (2nd ed.). Pearson Education.
Kim, H. O., & Yeom, J. M. (2012). Multi-temporal spectral analysis of rice fields in South Korea using MODIS and RapidEye satellite imagery. Journal of Astronomy and Space Sciences, 29(4), 407–418. https://doi.org/10.5140/JASS.2012.29.4.407
Luo, Y., Zhang, Z., Chen, Y., Li, Z., & Tao, F. (2020). ChinaCropPhen1km: A high-resolution crop phenological dataset for three staple crops in China during 2000–2015 based on leaf area index (LAI) products. Earth System Science Data, 12, 197–214. https://doi.org/10.5194/essd-12-197-2020
Meier, U. (2001). Growth Stages of Mono and Dicotyledonous Plants. BBCH Monograph, Federal Biological Research Centre for Agriculture and Forestry, Bonn.
Narin, O. G., & Abdikan, S. (2020). Monitoring of phenological stage and yield estimation of sunflower plant using Sentinel-2 satellite images. Geocarto International, 37(5), 1378–1392. https://doi.org/10.1080/10106049.2020.1765886
NASA. (2025, May 9). MODIS - Moderate Resolution Imaging Spectroradiometer. NASA Earth Science. https://modis.gsfc.nasa.gov
Nguyen, D., Wagner, W. Naeimi, V. & Cao, S. (2015). Rice-planted area extraction by time series analysis of ENVISAT ASAR WS data using a phenology-based classification approach: A case study for Red River Delta, Vietnam. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-7/W3, 77-83.
Orusa, T., Viani, A., Cammareri, D., & Borgogno Mondino, E. (2022). A Google Earth Engine algorithm to map phenological metrics in mountain areas worldwide with Landsat collection and Sentinel-2. Geomatics, 3(1), 12–32. https://doi.org/10.3390/geomatics3010012
Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian processes for machine learning. MIT Press. https://doi.org/10.7551/mitpress/3206.001.0001
Salinero-Delgado, M., Estévez, J., Pipia, L., Belda, S., Berger, K., Paredes Gómez, V., & Verrelst, J. (2022). Monitoring cropland phenology on Google Earth Engine using Gaussian process regression. Remote Sensing, 14, Article 146. https://doi.org/10.3390/rs14010146
Şimşek, O., Nadaroğlu, Y., Yücel, G., Dokuyucu, Ö., & Gökdağ, Ş. A. (2014). Türkiye fenoloji atlası. Meteoroloji Genel Müdürlüğü, Araştırma Dairesi Başkanlığı, Zirai Meteoroloji Şube Müdürlüğü.
Taşlıgil, N., & Şahin, G. (2011). Türkiye’de çeltik (Oryza sativa L.) yetiştiriciliği ve coğrafi dağılımı. Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(6), 182–203. https://doi.org/10.14520/adyusbd105
Türkiye İstatistik Kurumu. (2023, 5 Mayıs). Türkiye’deki pirinç ekim alanları ve üretim miktarı. TÜİK. https://www.tuik.gov.tr
Verrelst, J., Alonso, L., Camps-Valls, G., Delegido, J., & Moreno, J. (2011). Retrieval of vegetation biophysical parameters using Gaussian process techniques. IEEE Transactions on Geoscience and Remote Sensing, 50(5), 1832–1843.
Verrelst, J., Rivera, J. P., Moreno, J., & Camps-Valls, G. (2013). Gaussian processes uncertainty estimates in experimental Sentinel-2 LAI and leaf chlorophyll content retrieval. ISPRS Journal of Photogrammetry and Remote Sensing, 86, 157–167.
Wang, J. (2023). An intuitive tutorial to Gaussian process regression. Computing in Science & Engineering, 25(4), 4–11. https://doi.org/10.1109/MCSE.2023.3342149
Yang, K., Gong, Y., Fang, S., Duan, B., Yuan, N., Peng, Y., Wu, X., & Zhu, R. (2021). Combining spectral and texture features of UAV images for the remote estimation of rice LAI throughout the entire growing season. Remote Sensing, 13(15), Article 3001. https://doi.org/10.3390/rs13153001

Ayrıntılar

Birincil Dil

Türkçe

Konular

Fotogrametri ve Uzaktan Algılama

Bölüm

Araştırma Makalesi

Yazarlar

Aleyna Şimşek ^*
0009-0006-0477-4021
Türkiye

Esra Tunç Görmüş
0000-0002-3334-2061
Türkiye

Yayımlanma Tarihi

26 Mart 2026

Gönderilme Tarihi

17 Aralık 2024

Kabul Tarihi

3 Aralık 2025

Yayımlandığı Sayı

Yıl 2026 Cilt: 7 Sayı: 1

DOI

https://doi.org/10.48123/rsgis.1603128

IZ

https://izlik.org/JA52TW87YX

APA

Şimşek, A., & Tunç Görmüş, E. (2026). Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği. Türk Uzaktan Algılama ve CBS Dergisi, 7(1), 1-18. https://doi.org/10.48123/rsgis.1603128

AMA

1.Şimşek A, Tunç Görmüş E. Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği. Turk J Remote Sens GIS. 2026;7(1):1-18. doi:10.48123/rsgis.1603128

Chicago

Şimşek, Aleyna, ve Esra Tunç Görmüş. 2026. “Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği”. Türk Uzaktan Algılama ve CBS Dergisi 7 (1): 1-18. https://doi.org/10.48123/rsgis.1603128.

EndNote

Şimşek A, Tunç Görmüş E (01 Mart 2026) Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği. Türk Uzaktan Algılama ve CBS Dergisi 7 1 1–18.

IEEE

[1]A. Şimşek ve E. Tunç Görmüş, “Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği”, Turk J Remote Sens GIS, c. 7, sy 1, ss. 1–18, Mar. 2026, doi: 10.48123/rsgis.1603128.

ISNAD

Şimşek, Aleyna - Tunç Görmüş, Esra. “Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği”. Türk Uzaktan Algılama ve CBS Dergisi 7/1 (01 Mart 2026): 1-18. https://doi.org/10.48123/rsgis.1603128.

JAMA

1.Şimşek A, Tunç Görmüş E. Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği. Turk J Remote Sens GIS. 2026;7:1–18.

MLA

Şimşek, Aleyna, ve Esra Tunç Görmüş. “Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği”. Türk Uzaktan Algılama ve CBS Dergisi, c. 7, sy 1, Mart 2026, ss. 1-18, doi:10.48123/rsgis.1603128.

Vancouver

1.Aleyna Şimşek, Esra Tunç Görmüş. Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği. Turk J Remote Sens GIS. 01 Mart 2026;7(1):1-18. doi:10.48123/rsgis.1603128

Cited By

Land surface phenology dynamics using a 41-year Landsat NDVI time series in the semi-arid agriculture-dominated Altinekin Basin, Türkiye

Turkish Journal of Remote Sensing

https://doi.org/10.51489/tuzal.1919600

Turkish Journal of Remote Sensing and GIS (Türk Uzaktan Algılama ve CBS Dergisi), Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanlanmıştır.

Determination of Rice’s Phenological Structure with Sentinel-2 Images: Case Study of Ipsala

Öz

Anahtar Kelimeler

Sentinel-2 Görüntüleriyle Çeltiğin Fenolojik Yapısının Belirlenmesi: İpsala Örneği

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Land surface phenology dynamics using a 41-year Landsat NDVI time series in the semi-arid agriculture-dominated Altinekin Basin, Türkiye