Araştırma Makalesi
BibTex RIS Kaynak Göster

Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği

Yıl 2020, Cilt: 2 Sayı: 1, 29 - 41, 15.06.2020

Hatice Çatal Reis , Gülsena Yılancı

Öz

Uzaktan algılama doğal ve yapay kaynakların kullanılması, planlanması ve yönetilmesinde etkin bir şekilde görev alır. Özellikle tarım ve bitki örtüsü ile ilgili uygulamalarda yüksek doğrulukla sonuçlar üretmektedir. Arazi kullanımı ile ilgili detaylı bilgiler, bir ülkenin ekonomik ve tarımsal yapılandırması/reformu için önemli altlıklardır.
Bu çalışmada, Landsat uydu görüntüleri kullanılarak pamuk ekili alanlarının zamansal değişimi incelenmiştir. Uygulamada, Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI) ve Destek Vektör Makineleri (DVM-SVM) yöntemleri kullanılmıştır.
Çalışma alanı Harran Ovası, Şanlıurfa olarak seçilmiştir. Landsat 2000, 2005, 2010, 2015, 2019 yıllarına ait uydu görüntüleri kullanılarak DVM yöntemi ile sınıflandırma yapılmıştır. İlgili yıllara ait pamuk ekili alanların değişimi tespit edilmiştir. Bitki örtüsü tespiti işleminde, nesnelerin ilgili sınıf atanmasında NDVI kullanılmıştır.
Genel sınıflandırma doğrulukları yıllara göre sırasıyla %98.34, %97.75, %99.79, %95.43, %96.99 olarak hesaplanmıştır. DVM ile elde edilen sonuçlarda; 2000 yılında ekili alan 306.740 dekar, 2005 yılında 771.330 dekar, 2010 yılında 1.012.930 dekar, 2015 yılında 902.760 dekar, 2019 yılında ise 1.319.400 dekar olarak hesaplanmıştır. NDVI ile elde edilen sonuçlarda ise pamuk alanları; 2000 yılı 331.890 dekar, 2005 yılı 804.700 dekar, 2010 yılı 968.260 dekar, 2015 yılı 870.690 dekar ve son olarak 2019 yılı 1.288.020 dekar olarak bulunmuştur. NDVI ile DVM sonuçları alansal olarak ilişkilendirilerek karşılaştırma yapılmıştır.
Tarımsal ürünlerin yüksek doğrulukla tespit edilmesi ve ürün miktarının zamansal değişiminin izlenmesi, hem bölgesel hem de ülkenin çıkarları doğrultusunda fayda sağlamaktadır. Tarım alanlarının sürdürülebilir ve yönetilebilir olması tarımsal planlamayı kolaylaştıracaktır.

Anahtar Kelimeler

Destek Vektör Makineleri (DVM) Landsat Sınıflandırma

Kaynakça

  • Karimulla, S., Raja, A.R., 2016. Tree crown delineation from high resolution satellite images, Indian Journal of Science and Technology, 9(S1), DOI: 10.17485/ijst/2016/v9iS1/107913.
  • Willers, J.L., Wu, J., O’Hara, C., Jenkinsa, J.N., 2012. A categorical, improper probability method for combining NDVI and LiDAR elevation information for potential cotton precision agricultural applications, Computers and Electronics in Agriculture, 82, pp. 15-22.
  • Li, S., Chen, X., 2014. A new bare-soil index for rapid mapping developing areas using LANDSAT 8 data, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-4, 2014 ISPRS Technical Commission IV Symposium, 14 – 16 May 2014, Suzhou, China.
  • Yang, C., Odvody, G.N., Thomasson, J.A., Isakeit, T., Nichols, R.L., 2016. Change detection of cotton root rot infection over 10-year intervals using airborne multispectral imagery, Computers and Electronics in Agriculture, 123, pp. 154-162.
  • Zewdie, W., Csaplovics, E., Inostrozaa, L., 2017. Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability, Applied Geography, 79, pp. 167-178.
  • Hassan, M.A., Yang, M., Rasheed, A., Yang, G., Reynolds, M., Xia, X., Xiao, Y., He, Z., 2018. A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform, Plant Science, In Press.
  • Gündoğdu, K.S., Bantchina, B.B., 2018. Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ Üniversitesi Ziraat Fakültesi çiftlik arazisi örneği, Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 32(2), sf.. 45-53.
  • Mermer, A., Ünal, E., Doğan, H.M., M. Peşkircioğlu, M., Yıldız, H., Urla, Ö., Aydoğdu, M., Arpak, Ş., Yerdelen, A., Aydoğmuş, O., Güneş, N., Göker. B., 2012. Bazı illerde pamuk ekim alanlarının uzaktan algılama yöntemleri ile belirlenmesi, Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 11(1-2), sf. 120-131.
  • Zheng, B., Myint, S.W., Thenkabail, P.S., Aggarwal, R.M., 2015. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data, International Journal of Applied Earth Observation and Geoinformation, 34, pp.103-112.
  • Vapnik, V.N., 1995. The nature of statistical learning theory. New York, USA: Springer-Verlag.
  • Çölkesen, İ., Kavzoğlu, T., Yomralıoğlu, T., 2015. Uzaktan Algılanmış görüntülerde optimum bantların seçiminde destek vektör makinelerinin kullanımı, TUFUAB VIII. Teknik Sempozyumu, 21-23 Mayıs 2015, Konya.
  • Campbell, J.B., Wynne, R.H., 2011. Introduction to Remote Sensing (5th ed.), NewYork, USA: The Guilford Press.
  • Hatfield, J.L., Kanemasu, E.T., Asrar, G., Jackson, R.D., Pinter, P. J.Jr., Reginato R.J., Disco, S.B., 1985. Leaf area estimates from spectral measurements over various planting dates of wheat Int. J. Remote Sens. 6, pp. 167–75.
  • Yi, Q., Bao, A., Wang, Q., Zhao,J., 2013. Estimation of leaf water content in cotton by means of hyperspectral indices, Computers and Electronics in Agriculture, 90, pp. 144-151.
  • Joachims, T., 1998. Text categorization with support vector machines: learning with many relevant features. In Proceedings of European Conference on Machine Learning, 137-142.
  • Heisele, B., Serre, T., Prentice, S., Poggio, T., 2003. Hierarchical classification and feature reduction for fast face detection with support vector machines. Pattern Recognition, 36, 2007-2017.
  • Liu, C., Nakashima, K., Sako, H., Fujisawa, H., 2003. Handwritten digit recognition: benchmarking of state-of-the-art techniques. Pattern Recognition, 36, 2271–2285.
  • Hong, J., Min, J., Cho, U. ve Cho, S., 2008. Fingerprint classification using one-vs-all support vector machines dynamically ordered with naïve bayes classifiers. Pattern Recognition, 41, 662-671.
  • Kavzoglu, T., Colkesen, I., 2009. A kernel functions Analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352-359.
  • Song, X., Duan, Z., Jiang, X., 2012. Comparison of artificial neural setworks and support vector machine classifiers for land cover classification in Northern China using a SPOT-5 HRG image. International Journal of Remote Sensing. 33, 10, 3301-3320.
  • Cortes, C., Vapnik, V., 1995. Support vector machines. 1995 Kluwer Academic Publishers, Boston. Manufactured in the Netherlands, 20, 273-297.
  • Mathur, A., Foody, G.M., 2008. Crop classification by support vector machine with intelligently selected training data for an operational application. International Journal of Remote Sensing, 29, 2227–2240.
  • Vapnik, V.N., 2000. The nature of statistical learning theory, Second Edition. New York: Springer-Verlag.
  • Huang, C., Davis, L.S., Townshend, J.R.G., 2002. An assessment of support vector machines for land cover classification. International Journal Remote Sensing, 23, 4, 725-749.
  • Osuna, E.E., Freund, R., Girosi, F., 1997. Support vector machines: training and applications. Massachusetts Institute of Technology Artificial Intelligence Laboratory and Center for Biological and Computational Learning Department of Brain and Cognitive Sciences, A.I. Memo No: 1602, C.B.C.L Paper No: 144.
  • Melgani, F., Bruzzone, L., 2004. Classification of hyperspectral remote sensing images with support vector machines. IEEE transactions on geoscience and remote sensing. Vol.42, No. 8.
  • Karimi, F., Sultana, S., Babakan, A.S., Suthaharan, 2019. An enhanced support vector machine model for urban expansion prediction. Computers Environment and Urban Systems, 75, 61-75.
  • Keerthi, S.S., Lin, C.J., 2003. Asymptotic behaviors of support vector machines with Gaussian kernel. Neural Computation, 15, 1667-1689.
  • Montero P., Moser, G., 2005. Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE transactions on geoscience and remote sensing, Vol. 43, No. 3.
  • Mountrakis, G., Im, J., Ogelo, C., 2011. Support vector machines in remote sensing: a review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247-259.
  • Lu, W., Wang, W., Leung, A.T.Y., Lo, S., Yuen, R.K.K., Xu, Z. ve Fan, H., 2002. Air pollutant parameter forecasting using support vector machines. IJCNN '02,Proceedings of the 2002 International Joint Conference on Neural Networks, 630-635.
  • Çölkesen, İ., Kavzoğlu, T., (2008). Destek Vektör Makineleri Kullanarak Arazi Örtüsünün Sınıflandırılması: Gebze Örneği. 2. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 35-45.
  • URL1. https://landsat.usgs.gov/what-are-band designations-landsat-satellites, Erişim Tarihi: 08.04.2019.
  • URL2. https://eos.com/landsat-7/, Erişim Tarihi: 26.11.2019.

Determination of cotton planted areas using support vector machines and NDVI: a case study of Harran plain

Yıl 2020, Cilt: 2 Sayı: 1, 29 - 41, 15.06.2020

Hatice Çatal Reis , Gülsena Yılancı

Öz

Remote
sensing is actively involved in the planning and management of natural and
artificial resources. It gives high precision results especially in agriculture
and vegetation applications. Detailed information on land use is an important
basis for a country's economic and agricultural structuring/reform. In this
study, temporal changes of cotton cultivated areas were examined by using
Landsat satellite images The study area was selected as Harran Plain, Sanlıurfa.
Landsat 2000, 2005, 2010, 2015, 2019 satellite images are classified by Support
Vector Machines (DVM) and Normalized Difference Vegetation Index (NDVI). General classification accuracy was
calculated as 98.34%, 97.75%, 99.79%, 95.43%, and 96.99% respectively. The
results obtained with SVM; the cultivated area was calculated as 306.740 decares
in 2000, 771.330 decares in 2005, 1.012.930 decares in 2010, 902.760 decares in
2015 and 1.319.400 decares in 2019. Areas found with NDVI; it is 331.890
decares in 2000, 804.700 decares in 2005, 968.260 decares in 2010, 870.690
decares in 2015 and 1.288.020 decares in 2019. NDVI and SVM results were
correlated and analyzed. Detecting agricultural products with high accuracy and
monitoring the change of product amount in time is beneficial for both regional
and national interests. Sustainable and manageable agricultural areas will
facilitate agricultural planning. 

Kaynakça

  • Karimulla, S., Raja, A.R., 2016. Tree crown delineation from high resolution satellite images, Indian Journal of Science and Technology, 9(S1), DOI: 10.17485/ijst/2016/v9iS1/107913.
  • Willers, J.L., Wu, J., O’Hara, C., Jenkinsa, J.N., 2012. A categorical, improper probability method for combining NDVI and LiDAR elevation information for potential cotton precision agricultural applications, Computers and Electronics in Agriculture, 82, pp. 15-22.
  • Li, S., Chen, X., 2014. A new bare-soil index for rapid mapping developing areas using LANDSAT 8 data, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XL-4, 2014 ISPRS Technical Commission IV Symposium, 14 – 16 May 2014, Suzhou, China.
  • Yang, C., Odvody, G.N., Thomasson, J.A., Isakeit, T., Nichols, R.L., 2016. Change detection of cotton root rot infection over 10-year intervals using airborne multispectral imagery, Computers and Electronics in Agriculture, 123, pp. 154-162.
  • Zewdie, W., Csaplovics, E., Inostrozaa, L., 2017. Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability, Applied Geography, 79, pp. 167-178.
  • Hassan, M.A., Yang, M., Rasheed, A., Yang, G., Reynolds, M., Xia, X., Xiao, Y., He, Z., 2018. A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform, Plant Science, In Press.
  • Gündoğdu, K.S., Bantchina, B.B., 2018. Landsat uydu görüntülerinden NDVI değer dağılımının parsel bazlı değerlendirilmesi, Uludağ Üniversitesi Ziraat Fakültesi çiftlik arazisi örneği, Bursa Uludağ Üniversitesi Ziraat Fakültesi Dergisi, 32(2), sf.. 45-53.
  • Mermer, A., Ünal, E., Doğan, H.M., M. Peşkircioğlu, M., Yıldız, H., Urla, Ö., Aydoğdu, M., Arpak, Ş., Yerdelen, A., Aydoğmuş, O., Güneş, N., Göker. B., 2012. Bazı illerde pamuk ekim alanlarının uzaktan algılama yöntemleri ile belirlenmesi, Tarla Bitkileri Merkez Araştırma Enstitüsü Dergisi, 11(1-2), sf. 120-131.
  • Zheng, B., Myint, S.W., Thenkabail, P.S., Aggarwal, R.M., 2015. A support vector machine to identify irrigated crop types using time-series Landsat NDVI data, International Journal of Applied Earth Observation and Geoinformation, 34, pp.103-112.
  • Vapnik, V.N., 1995. The nature of statistical learning theory. New York, USA: Springer-Verlag.
  • Çölkesen, İ., Kavzoğlu, T., Yomralıoğlu, T., 2015. Uzaktan Algılanmış görüntülerde optimum bantların seçiminde destek vektör makinelerinin kullanımı, TUFUAB VIII. Teknik Sempozyumu, 21-23 Mayıs 2015, Konya.
  • Campbell, J.B., Wynne, R.H., 2011. Introduction to Remote Sensing (5th ed.), NewYork, USA: The Guilford Press.
  • Hatfield, J.L., Kanemasu, E.T., Asrar, G., Jackson, R.D., Pinter, P. J.Jr., Reginato R.J., Disco, S.B., 1985. Leaf area estimates from spectral measurements over various planting dates of wheat Int. J. Remote Sens. 6, pp. 167–75.
  • Yi, Q., Bao, A., Wang, Q., Zhao,J., 2013. Estimation of leaf water content in cotton by means of hyperspectral indices, Computers and Electronics in Agriculture, 90, pp. 144-151.
  • Joachims, T., 1998. Text categorization with support vector machines: learning with many relevant features. In Proceedings of European Conference on Machine Learning, 137-142.
  • Heisele, B., Serre, T., Prentice, S., Poggio, T., 2003. Hierarchical classification and feature reduction for fast face detection with support vector machines. Pattern Recognition, 36, 2007-2017.
  • Liu, C., Nakashima, K., Sako, H., Fujisawa, H., 2003. Handwritten digit recognition: benchmarking of state-of-the-art techniques. Pattern Recognition, 36, 2271–2285.
  • Hong, J., Min, J., Cho, U. ve Cho, S., 2008. Fingerprint classification using one-vs-all support vector machines dynamically ordered with naïve bayes classifiers. Pattern Recognition, 41, 662-671.
  • Kavzoglu, T., Colkesen, I., 2009. A kernel functions Analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11, 352-359.
  • Song, X., Duan, Z., Jiang, X., 2012. Comparison of artificial neural setworks and support vector machine classifiers for land cover classification in Northern China using a SPOT-5 HRG image. International Journal of Remote Sensing. 33, 10, 3301-3320.
  • Cortes, C., Vapnik, V., 1995. Support vector machines. 1995 Kluwer Academic Publishers, Boston. Manufactured in the Netherlands, 20, 273-297.
  • Mathur, A., Foody, G.M., 2008. Crop classification by support vector machine with intelligently selected training data for an operational application. International Journal of Remote Sensing, 29, 2227–2240.
  • Vapnik, V.N., 2000. The nature of statistical learning theory, Second Edition. New York: Springer-Verlag.
  • Huang, C., Davis, L.S., Townshend, J.R.G., 2002. An assessment of support vector machines for land cover classification. International Journal Remote Sensing, 23, 4, 725-749.
  • Osuna, E.E., Freund, R., Girosi, F., 1997. Support vector machines: training and applications. Massachusetts Institute of Technology Artificial Intelligence Laboratory and Center for Biological and Computational Learning Department of Brain and Cognitive Sciences, A.I. Memo No: 1602, C.B.C.L Paper No: 144.
  • Melgani, F., Bruzzone, L., 2004. Classification of hyperspectral remote sensing images with support vector machines. IEEE transactions on geoscience and remote sensing. Vol.42, No. 8.
  • Karimi, F., Sultana, S., Babakan, A.S., Suthaharan, 2019. An enhanced support vector machine model for urban expansion prediction. Computers Environment and Urban Systems, 75, 61-75.
  • Keerthi, S.S., Lin, C.J., 2003. Asymptotic behaviors of support vector machines with Gaussian kernel. Neural Computation, 15, 1667-1689.
  • Montero P., Moser, G., 2005. Partially supervised classification of remote sensing images through SVM-based probability density estimation. IEEE transactions on geoscience and remote sensing, Vol. 43, No. 3.
  • Mountrakis, G., Im, J., Ogelo, C., 2011. Support vector machines in remote sensing: a review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247-259.
  • Lu, W., Wang, W., Leung, A.T.Y., Lo, S., Yuen, R.K.K., Xu, Z. ve Fan, H., 2002. Air pollutant parameter forecasting using support vector machines. IJCNN '02,Proceedings of the 2002 International Joint Conference on Neural Networks, 630-635.
  • Çölkesen, İ., Kavzoğlu, T., (2008). Destek Vektör Makineleri Kullanarak Arazi Örtüsünün Sınıflandırılması: Gebze Örneği. 2. Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Sempozyumu, 35-45.
  • URL1. https://landsat.usgs.gov/what-are-band designations-landsat-satellites, Erişim Tarihi: 08.04.2019.
  • URL2. https://eos.com/landsat-7/, Erişim Tarihi: 26.11.2019.
Toplam 34 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Araştırma Makaleleri
Yazarlar

Hatice Çatal Reis 0000-0003-2696-2446

Gülsena Yılancı 0000-0003-2696-2446

Yayımlanma Tarihi 15 Haziran 2020
Kabul Tarihi 9 Ocak 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 2 Sayı: 1

Kaynak Göster

APA Çatal Reis, H., & Yılancı, G. (2020). Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği. Türkiye Uzaktan Algılama Dergisi, 2(1), 29-41.
AMA Çatal Reis H, Yılancı G. Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği. TUZAL. Haziran 2020;2(1):29-41.
Chicago Çatal Reis, Hatice, ve Gülsena Yılancı. “Destek vektör Makineleri Ve NDVI Kullanarak Pamuk Ekili alanların Tespiti: Harran Ovası örneği”. Türkiye Uzaktan Algılama Dergisi 2, sy. 1 (Haziran 2020): 29-41.
EndNote Çatal Reis H, Yılancı G (01 Haziran 2020) Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği. Türkiye Uzaktan Algılama Dergisi 2 1 29–41.
IEEE H. Çatal Reis ve G. Yılancı, “Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği”, TUZAL, c. 2, sy. 1, ss. 29–41, 2020.
ISNAD Çatal Reis, Hatice - Yılancı, Gülsena. “Destek vektör Makineleri Ve NDVI Kullanarak Pamuk Ekili alanların Tespiti: Harran Ovası örneği”. Türkiye Uzaktan Algılama Dergisi 2/1 (Haziran 2020), 29-41.
JAMA Çatal Reis H, Yılancı G. Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği. TUZAL. 2020;2:29–41.
MLA Çatal Reis, Hatice ve Gülsena Yılancı. “Destek vektör Makineleri Ve NDVI Kullanarak Pamuk Ekili alanların Tespiti: Harran Ovası örneği”. Türkiye Uzaktan Algılama Dergisi, c. 2, sy. 1, 2020, ss. 29-41.
Vancouver Çatal Reis H, Yılancı G. Destek vektör makineleri ve NDVI kullanarak pamuk ekili alanların tespiti: Harran ovası örneği. TUZAL. 2020;2(1):29-41.
 Kapak Resmi İndir