Classification of Vegetation Species with Multi-Spectral Camera by Using Unmanned Aerial Vehicles

Abstract

The distinction between the types of vegetation on earth is used extensively in remote sensing studies. Remote sensing studies using satellite imagery are inadequate in the studies requiring high accuracy and precise in temporal and spatial resolutions caused by frequency of revisit time and ground sample distance. In this study, an application was performed with the opportunities offering flexible mobility of unmanned aerial vehicle (UAV) technology which is rapidly increasing and widening recently. UAVs have flexible mobility thanks to the ability to fly at an altitude proper for the desired time and ground sampling distance.  The multispectral imagery acquired from a camera mounted on a UAV. Determining the land uses and researching the product efficiency by classifying the species of vegetation on earth can give a new perspective to the remote sensing studies by using the images obtained from the multispectral camera mounted on the UAV. Detectability of clover and soybean was investigated using green, red, red-edge and near-infrared imagery obtained from multispectral camera. Vegetation classification was carried out by composite imagery created from multispectral imagery.

Keywords

• Remote Sensing,UAV,Vegetation,Multispectral Camera,Clover,Soybean

İHA İLE MULTİSPEKTRAL KAMERALARDAN SAĞLANAN GÖRÜNTÜLER YARDIMIYLA BİTKİ TÜRLERİNİN SINIFLANDIRILMASI

Öz

Yeryüzündeki bitki örtüsü türlerinin ayırt edilmesi uzaktan algılama çalışmalarında yoğun olarak kullanılmaktadır. Uydu görüntüleri kullanılarak yapılan bu uzaktan algılama çalışmaları, uyduların gerek her zaman aynı yerden görüntü elde edememesi gerekse yer örnekleme aralıklarından kaynaklanan sebeplerle zamansal ve mekânsal çözünürlükleri yüksek hassasiyet ve doğruluk istenen çalışmalarda yetersiz kalmaktadır. Bu çalışmada, son zamanlarda hızla artan ve yaygınlaşan İnsansız Hava Aracı (İHA) teknolojisinin esnek hareket kabiliyetine sahip olması nedeniyle sunmuş olduğu olanaklar üzerinde bir uygulama gerçekleştirilmiştir. İHA’ların istenilen zaman ve yer örnekleme aralığına uygun yükseklikte uçurulabilmesi esnek hareket kabiliyetine sahip olmasını sağlamaktadır. İHA üzerine yerleştirilen multispektral kameradan elde edilen görüntüler ile yeryüzündeki bitki örtüsü türlerinin tespiti yapılıp sınıflandırılarak arazi kullanımlarının belirlenmesi ve ürün verimliliğinin araştırılması gibi konular uzaktan algılama çalışmalarına yeni bir bakış açısı kazandırabilir. İHA üzerine monte edilen kameranın elde ettiği yeşil, kırmızı, kırmızı-kenar ve yakın kızıl ötesi görüntüler kullanılarak yonca ve soya bitkilerinin tespit edilebilirliği incelenmiştir. Multispektral görüntülerden oluşturulan kompozit görüntüler yardımıyla tür sınıflandırması yapılmıştır.

Anahtar Kelimeler

• Uzaktan Algılama,İHA,Bitki Türü,Multispektral Kamera,Yonca,Soya

Kaynakça

1. Adam, E. ve Mutanga, O. (2009). Spectral discrimination of papyrus vegetation (Cyperus papyrus L.) in swamp wetlands using field spectrometry, ISPRS Journal of Photogrammetry and Remote Sensing, 64 (6), 612-620.
2. Ahmad, A., Tahar, K. N., Udin, W. S., Hashim, K. A., Darwin, N., Hafis, M., Room, M., Hamid, N. F. A., Azhar, N. A. M. ve Azmi, S. M. (2013). Digital aerial imagery of unmanned aerial vehicle for various applications, Control System, Computing and Engineering (ICCSCE), 2013 IEEE International Conference on, 535-540.
3. Anchang, J. Y., Ananga, E. O. ve Pu, R. (2016). An efficient unsupervised index based approach for mapping urban vegetation from IKONOS imagery, International Journal of Applied Earth Observation and Geoinformation, 50, 211-220.
4. Dudley, K. L., Dennison, P. E., Roth, K. L., Roberts, D. A. ve Coates, A. R. (2015). A multi-temporal spectral library approach for mapping vegetation species across spatial and temporal phenological gradients, Remote Sensing of Environment, 167, 121-134.
5. Fassnacht, F. E., Latifi, H., Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., Straub, C. ve Ghosh, A. (2016). Review of studies on tree species classification from remotely sensed data, Remote Sensing of Environment, 186, 64-87.
6. Ishida, T., Kurihara, J., Viray, F. A., Namuco, S. B., Paringit, E. C., Perez, G. J., Takahashi, Y. ve Marciano, J. J. (2018). A novel approach for vegetation classification using UAV-based hyperspectral imaging, Computers and Electronics in Agriculture, 144, 80-85.
7. Jia, K., Wu, B., Tian, Y., Li, Q. ve Du, X. (2011). Spectral discrimination of opium poppy using field spectrometry, IEEE Transactions on Geoscience and Remote Sensing, 49 (9), 3414-3422.
8. Martínez-Verduzco, G. C., Galeana-Pizaña, J. M. ve Cruz-Bello, G. M. (2012). Coupling Community Mapping and supervised classification to discriminate Shade coffee from Natural vegetation, Applied Geography, 34, 1-9.

9. Peña, J., Torres-Sánchez, J., Serrano-Pérez, A., de Castro, A. ve López-Granados, F. (2015). Quantifying Efficacy and Limits of Unmanned Aerial Vehicle (UAV) Technology for Weed Seedling Detection as Affected by Sensor Resolution, Sensors, 15 (3), 5609.
10. Salamí, E., Barrado, C. ve Pastor, E. (2014). UAV Flight Experiments Applied to the Remote Sensing of Vegetated Areas, Remote Sensing, 6 (11), 11051.
11. Somers, B. ve Asner, G. P. (2014). Tree species mapping in tropical forests using multi-temporal imaging spectroscopy: Wavelength adaptive spectral mixture analysis, International Journal of Applied Earth Observation and Geoinformation, 31, 57-66.