Yüksek mekânsal çözünürlüklü uydu görüntülerinden nesne tabanlı sınıflandırma yaklaşımı ile çay bahçelerinin çıkarılması

Abstract

Ülkemizde özellikle Doğu Karadeniz bölgesinde yetişmekte olan çay bitkisi bölgede yaşayan halkın geçim kaynağının büyük bir kısmını oluşturmaktadır. Ancak Doğu Karadeniz Bölgesinde yağışlara bağlı olarak meydana gelen heyelanlar çay alanlarının sürekli hasara uğramasına neden olmaktadır. Bu doğrultuda çay alanlarının zamansal izlenmesi ve takibi için haritalanması önemli bir konu olarak karşımıza çıkmaktadır. Bu çalışmada yüksek çözünürlüklü WorldView-2 uydu görüntüleri kullanılarak çay bahçelerinin belirlenmesi amaçlanmıştır. Bu kapsamda çalışma alanı olarak Artvin ili Hopa ilçesinde 8 km2 ’lik bir alan test alanı olarak seçilmiştir. Çay alanlarına ait tematik harita üretimi için nesne tabanlı görüntü analizi uygulanmıştır. Segmentasyon aşamasında çoklu çözünürlükle segmentasyon algoritması kullanılmıştır. Sınıflandırma aşamasında ise makine öğrenme algoritmalardan k- en yakın komşuluk ve rastgele orman algoritması kullanılmıştır. Elde edilen sonuçlar incelendiğinde rastgele orman algoritmasının k-en yakın komşuluk algoritmasına göre daha iyi sonuçlar verdiği tespit edilmiştir.

Keywords

• nesne tabanlı görüntü analizi,çay bitkisi,rastgele orman,K-NN

Extractıon of tea gardens by object-based classifıcation approach from high spatial resolutıon satellite images

Abstract

The tea plant, which grows especially in the Eastern Black Sea region, constitutes a large part of the livelihood of the people living in this region. However, landslides that occur due to rainfall in the Eastern Black Sea Region cause continuous damage to the tea areas. In this respect, mapping of tea areas for temporal monitoring and observation is an important issue. In this study, it was aimed to determine tea gardens by using high resolution WorldView-2 satellite images. For this purpose, 8 km2 area was selected as a test area in Hopa district of Artvin province. Object-based image analysis was applied for the production of thematic maps of tea gardens. Multiresolution segmentation algorithm was used in the segmentation step. In the classification step, the K-nearest neighbor and random forest algorithm were used. When the obtained results were examined, it was found that random forest algorithm gave better results than K-nearest neighbor algorithm.  

Keywords

• tea plant,Random forest,K_NN,object based image analysis

References

1. Akar, Ö., Güngör, O., 2012, Eş Dizimlilik Matrisi ve Rastgele Orman Sınıflandırıcısı İle Çay ve Fındık Alanlarının Sınıflandırılması ,Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB’2013), 23-25 Mayıs 2013, KTÜ, Trabzon.
2. Baatz, M., & Schape, A. (2001). Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische Informationsverarbeitung, (pp. 12-23): Wichmann-Verlag, Heidelberg
3. Benz, U., & Schreier, G. (2001). Definiens Imaging GmbH: Object oriented classification and feature detection. IEEE Geoscience and Remote Sensing Society Newsletter, 9, 16-20
4. Breiman, L., 2001, Random Forests, Machine learning, 2001 Kluwer Academic Publishers, 45(1), 5-32.
5. Çelik, Y. B., 2015, Mısır Ve Pamuk Ekili Alanların Çok Zamanlı Uydu Görüntüleri Ve Obje Tabanlı Sınıflandırma Yöntemi İle Tespiti.
6. Çölkesen, İ., 2015, Yüksek Çözünürlüklü Uydu Görüntüleri Kullanarak Benzer Spektral Özelliklere Sahip Doğal Nesnelerin Ayırt Edilmesine Yönelik Bir Metodoji Geliştirme. Çölkesen, İ., Kavzoğlu T., 2016, Nesne-Tabanlı Sınıflandırmada Filtreleme Tabanlı Özellik Seçimi Algoritmalarının Kullanımı Ve Sınıflandırma Doğruluğuna Etkilerinin İncelenmesi, Uzaktan Algılama-Cbs Sempozyumu, Adana, Türkiye: Ekim 5, 7.
7. Duro, D. C., Franklin, S. E., Dube, M. G., 2012, Multi-scale object-based image analysis and feature selection of multisensor earth observation imagery using random forests. International Journal of Remote Sensing, 33(14), 4502-4526.
8. Harman, C., 2014, KARADENİZ BÖLGESİ’NDEKİ ENDEMİK TARIM ÜRÜNLERİ: FINDIK, ÇAY VE KİVİ’NİN ÜRETİMİ, PAZARLANMASI VE TÜKETİMİ ,Giresun Üniversitesi Fen Bilimleri Enstitüsü , Yüksek lisans tezi ,Giresun, 1-39s.

9. He, F. L., Legendre, P., 2002, Species diversity patterns derived from species-area models. Ecology, 83(5), 1185-1198.
10. Jensen, J. (2005). Thematic information extraction: pattern recognition. Introductory Digital Image Processing: A Remote Sensing Perspective, 337-406
11. Kalkan, K. ve Maktav, D., 2010, Nesne Tabanlı Ve Piksel Tabanlı Sınıflandırma Yöntemlerinin Karşılaştırılması (IKONOS ÖRNEĞİ ), II. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 11 – 13 Ekim 2010, Gebze – KOCAELİ.
12. Köktürk, F., 2012, K-En Yakın Komşuluk, Yapay Sinir Ağları ve Karar Ağaçları Yöntemlerinden Sınıflandırma Başarısının Karşılaştırılması, Bülent Ecevit Üniversitesi, Sağlık Bilimleri Enstitüsü , Doktora Tezi, Zonguldak 15-22s.
13. Pohl, C., & Van Genderen, J. L. (1998). Review article multisensor image fusion in remote sensing: concepts, methods and applications. International journal of remote sensing, 19(5), 823-854..
14. http://www.nik.com.tr/content_sistem_uydu.asp?id=31. 21 Ağustos 2011