Classification of Kızıltepe Agricultural Land Images Based on Development in Different Period of Crops

Öz

In this research, images of Kızıltepe (Mardin) agricultural land are classified based on development in different period of crops (1-sowing term, 2-little ripe term, 3-ripe term and 4-harvest term). The digital crop images are derived from TARIT (Agricultural Crop Forecast and Following Project) stations. The texture feature vectors are obtained from images of different crop periods with using Gray Level Co-Occurrence Matrix (GLCM) and Law’s Texture Energy Measure (TEM) which are very popular methods for image texture extraction. GLCM and TEM based feature vectors are applied to different type of classifiers as inputs and the performance results of each system are compared.For classification the crop images, Multilayer Perceptron (MLP) neural network, k-Nearest Neighbor (k- NN) and Support Vector Machine (SVM) methods are used. While the best performance is observed as 100% in GLCM based SVM classifier only, the same performance is observed in TEM based all classifier types. Texture features of crop images based on TEM method allow us to exhibit high performance in all classifiers.

Kızıltepe Tarımsal Kızıltepe Tarımsal Alan İmgelerinin Ekinin Ürün Gelişimine Göre Sınıflandırılması

Öz

Bu çalışmada, Kızıltepe (Mardin) tarım alanlarına ilişkin imgelerin, bitkinin farklı gelişim dönemlerine (ekim dönemi, az gelişmiş dönem, tam gelişmiş dönem ve hasat dönemi) göre sınıflandırılması amaçlanmıştır. İmgeler TARİT (Tarımsal Rekolte İzleme ve Tahmin Sistemi) projesi kapsamında kurulan istasyonlardan elde edilmiştir. İmge dokusuna duyarlı olan yöntemlerden Gri Seviyeli Eş-oluşum Matrisleri (GLCM) ve Law’ın doku enerji ölçümü (TEM) kullanılarak, ürünün gelişim sürecine ilişkin imgelerin öznitelik vektörleri elde edilmiştir. Her iki yöntem ile elde edilen öznitelik vektörleri ayrı ayrı sınıflandırıcılarda test edilerek, elde edilen performans sonuçları karşılaştırılmıştır.Sınıflandırıcı olarak Çok Katmanlı Algılayıcı (MLP), k-En Yakın Komşu (k-NN) ve Destek Vektör Makineleri (SVM) yöntemleri kullanılmıştır. GLCM tabanlı sınıflama işlemlerinde, sadece SVM sınıflandırıcının %100 performansa ulaştığı gözlenirken, TEM tabanlı sınıflama işlemlerinde tüm sınıflayıcıların %100 sınıflama başarısına eriştiği gözlenmiştir. Ürün imgelerine ilişkin özniteliklerin TEM yöntemi ile ürün gruplarına göre doğru karakterize edilmiş olması, tüm sınıflandırıcıların yüksek performans sergilemesine olanak tanımıştır.