Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması

Arıkan, Duygu; YILDIZ, FERRUH

Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması

Duygu ARIKAN, (Konya Teknik Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Harita Mühendisliği Bölümü, 42000, Konya, Türkiye)

Ferruh YILDIZ (Konya Teknik Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Harita Mühendisliği Bölümü, 42000, Konya, Türkiye)

Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online)

14 7

Yıl: 2023 Cilt: 6 Sayı: 2 Sayfa Aralığı: 1243 - 1260 Metin Dili: Türkçe İndeks Tarihi: 01-11-2023

Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması

Öz:

Son yıllarda, uydu teknolojisinde hızlı gelişmeler yaşanmaktadır. Bu gelişmeler doğrultusunda uzaktan algılama alanında yapay zekâ, makine öğrenmesi gibi yeni ve farklı araştırma konularının ortaya çıkmasına sebep olmuştur. Yeryüzüne ait bilgilerin toplanmasında sınıflandırma yöntemleri sıkça kullanılmaktadır. Çünkü göl, nehir gibi sulak alanlar veya kentsel bölgeler, ekolojik denge için önemlidir. Uzaktan algılama sayesinde yeryüzündeki mevcut durumun tespiti, zamanla olan değişimin izlenmesi gerçekleştirilebilmektedir. Bu çalışmanın amacı Sentinel-2 MSI uydu verileri kullanılarak Konya ili merkezinde yer alan tarım arazilerinin bir kısmı sınıflandırılmıştır. Piksel tabanlı sınıflandırma yöntemi ve destek vektör makinesi (DVM) ve rastgele orman (RO) algoritmaları kullanılmıştır. Python dilinde kodlanmış algoritmalardan elde edilmiş sonuç ürünlerin genel doğrulukları karşılaştırılmış ve yorumlanmıştır. Yapılan çalışma sonucunda DVM algoritmasından elde edilen genel doğruluk değeri %96,7 iken, RO’da %86,67 ve kappa değerleri DVM ve RO algoritmaları için sırasıyla 0.9535 ve 0.8148 bulunmuştur.

Anahtar Kelime: Destek vektör makineleri Piksel tabanlı sınıflandırma Rastgele orman Sentinel-2 uydu verileri

Pixel-Based Land Classification Using Support Vector Machine and Random Forest Algorithms In Sentinel-2 Satellite Images

Öz:

In recent years, there have been rapid advances in satellite technology. In line with these developments, new and different research topics such as artificial intelligence and machine learning have emerged in the field of remote sensing. Classification methods are frequently used in collecting Earth information because wetlands such as lakes, rivers or urban areas are essential for the environment and ecological balance. It is possible to detect the current situation on the Earth with remote sensing and monitor change in time. The purpose of this study is to classify some of the agricultural lands in the city center of Konya using Sentinel-2 MSI satellite data. Pixel-based classification method and support vector machine (SVM) and random forest (RF) algorithms are used. The general accuracy of the resulting products obtained from algorithms coded in Python language was compared and interpreted.As a result of the study, the overall accuracy value obtained from the SVM algorithm was 96.7%, while the RF was 86.67% and the kappa values were 0.9535 and 0.8148 for the SVM and RF algorithms, respectively.

Anahtar Kelime: Support Vector Machine Pixel Based Classification Random Forest Sentinel-2 satellite data

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

Akar Ö., Tunç Görmüş E. Göktürk-2 ve Hyperion EO-1 uydu görüntülerinden rastgele orman sınıflandırıcısı ve destek vektör makineleri ile arazi kullanım haritalarının üretilmesi. Geomatik 2019; 4(1): 68-81.
Aguilera MAZ. Classication of land-cover through machine learning algorithms for fusion of Sentinel- 2a and planetscope imagery. In 2020 IEEE Latin American GRSS & ISPRS Remote Sensing Conference 2020; 246-253.
Ahady AB., Kaplan G. Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences 2022; 7(1): 24-31.
Algancı U., Sertel E., Ozdogan M., Ormeci C. Parcel-Level identification of crop types using different classification algorithms and multi-resolution imagery in southeastern Turkey. Photogrammetric Engineering & Remote Sensing 2013; 79(11): 1053-1065.
Altun M., Türker M. Çoklu zamanlı sentinel-2 görüntülerinden tarımsal ürün tespiti: Mardin – Kızıltepe örneği. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 2021; 21(4): 881-899.
Apaydın C., Abdikan S. Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik 2021; 6(2): 107-114.
Atasever ÜH. Uydu görüntülerinin sınıflandırılmasında hızlandırma (boosting), destek vektör makineleri, rastgele orman (random forest) ve regresyon ağaçları yöntemlerinin kullanılması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, sayfa no:86, Kayseri, Türkiye, 2011.
Barret EC., Curtis LE. Introduction to environmental remote sensing. Third ed. Chapman ve Hall: London; 1992.
Breiman L. Bagging predictors. Machine Learning 1996; 24(2): 123-140.
Breiman L. Random forests. Machine Learning 2001; 45(1): 5-32.
Campbell JB., Wynne RH. Introduction to remote sensing. 5th ed. NewYork, USA: The Guilford Press; 2011.
Chappelle EW., Kim MS., McMurtrey JE. Ratio analysis of reflectance spectra (rars): an algorithm for the remote estimation of the concentrations of chlorophyll a, chlorophyll b, and carotenoids in soybean leaves. Remote Sensing of Environment 1991; 39: 239–247.
Conrad C., Fritsch S., Zeidler J., Rucker G., Dech S. Per-Field irrigated crop classification in arid Central Asia using spot and aster data. Remote Sensing 2010; 2(4): 1035 – 1056.
Çelik YB. Mısır ve pamuk ekili alanların çok zamanlı uydu görüntüleri ve obje tabanlı sınıflandırma yöntemi ile tespiti. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, sayfa no:71 İstanbul, Türkiye, 2015.
Dixon B., Candade N. Multispectral landuse classification using neural networks and support vector machines: one or the other or both. International Journal of Remote Sensing 2008; 29(4): 1185- 1206.
Dizdaroğlu T. Sentinel-1 ve Sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması. Hacettepe Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, sayfa no:131, Ankara, Türkiye, 2019.
ESA. URL: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 Erişim Tarihi: 11.01.2021.
Efe E., Alganci U. Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik 2023; 8(1): 27-34.
Foody GM., Mathur A. A relative evaluation of multiclass image classification by support vector machines. IEEE Transactions on Geoscience and Remote Sensing 2004; 42(6): 1335-1343.
Friedl MA., Sulla-Menashe D., Tan B., Schneider A., Ramankutty N., Sibley A., Huang XM. Modis collection 5 global land cover: 46 algorithm refinements and characterization of new datasets. Remote Sensing of Environment 2010; 114(1): 168-182.
Ge QZ., Ling ZC., Qiong L., Hui XX., Zhang G. High efficient classification on remote sensing images based on Svm. Remote Sensing and Spatial Information Sciences 2008; 37(B2).
Ge Y., Chen Y., Stein A., Li S., Hu J. Enhanced subpixel mapping with spatial distribution patterns of geographical objects. IEEE Transactions on Geoscience and Remote Sensing 2016; 54(4): 2356-2370.
Gualtieri JA., Cromp RF. Support vector machines for hyperspectral remote sensing classification. Proceedings SPIE 1998; 3584: 221- 232.
Gumma MK., Nelson A., Thenkabail PS., Singh AN. Mapping rice areas of South Asia using Modis multitemporal data. Journal Application Remote Sensing 2011; 5: 95–113.
Karabörk H., Makineci HB., Orhan O., Karakus P. Accuracy assessment of dems derived from multiple sar data using the Insar technique. Arabian Journal for Science and Engineering 2021; 46(6): 5755-5765.
Karagöl S., Bayram B., Erdem F., Bakirman T. Aktarımlı öğrenme ile Sentinel-2 görüntülerinden kıyı çizgisi bölütlemesi. Türkiye Uzaktan Algılama Dergisi 2021; 3(1): 1-7.
Karakuş P. Çok zamanlı uydu görüntü verileri ile tarımsal ürünlerin belirlenmesi ve verim tahmini. Selçuk Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi, sayfa no:124, Konya, Türkiye, 2017.
Kavzoglu T., Çölkesen I. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation 2009; 11(5): 352-359.
Kaynak T. Nesne tabanlı sınıflandırma yöntemlerinin karşılaştırılması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, sayfa no:144, Kayseri, Türkiye, 2017.
Keshtkar H., Voigt W., Alizadeh E. Land-cover classification and analysis of change using machine- learning classifiers and multi-temporal remote sensing imagery. Arabian Journal of Geosciences 2017; 10(6): 1-15.
Knopp L., Wieland M., Rättich M., Martinis S. A deep learning approach for burned area segmentation with Sentinel-2 data. Remote Sensing 2020; 12(15): 2422.
Köseoğlu M., Gündoğdu KS. Arazi toplulaştırma planlama çalışmalarında uzaktan algılama tekniklerinden yararlanma olanakları. Uludağ Üniversitesi Ziraat Fakültesi Dergisi 2004; 18(1): 45-56.
Mather PM., Koch M. Computer processing of remotely - Sensed images: An. Introduction. Fourth Edition. Wiley-Blackwell Copernicus Open Access Hub; ESA, 2011.
Melgani F., Bruzzone L. Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing 2004; 42(8): 1778-1790.
Mialhea F., Gunnell Y., Ignacio JAF., Delbart N., Ogania JL., Henry S. Monitoring land-use change by combining participatory land-use maps with standard remote sensing techniques: showcase from a remote forest catchment on Mindanao Philippines. International Journal of Applied Earth Observation and Geoinformation 2015; 36: 69–82.
Orhan O. Monitoring of land subsidence due to excessive groundwater exraction using small baseline subset technique in Konya, Turkey. Environmental Monitoring and Assessment 2021; 193(4):1- 17
Özlem A., Görmüş ET. Göktürk-2 ve Hyperion EO-1 uydu görüntülerinden rastgele orman sınıflandırıcısı ve destek vektör makineleri ile arazi kullanım haritalarının üretilmesi. Geomatik 2019; 4(1): 68-81.
Pal M., Mather PM. Support vector machines for classification in remote sensing. International Journal of Remote Sensing 2005; 26(5): 1007-1011.
Polat N., Kaya Y. Çok bantlı uydu görüntüleriyle orman yangınlarında hasar tespiti. Bartın Orman Fakültesi Dergisi 2021; 23(1): 172-181.
Rodriguez-Galiano VF, Ghimire B., Rogan J., Chica-Olmo M., RigolSanchez JP. An assessment of the effectiveness of a random forest classifier for landcover classification. ISPRS Journal of Photogrammetry and Remote Sensing 2012; 67: 93–104.
Saralıoğlu E. Pankromatik bandın piksel tabanlı sınıflandırmaya etkisi. Turkish Journal of Remote Sensing and GIS 2021; 2(1): 32-40.
Saralıoğlu E., Güngör O. Yüksek çözünürlüklü uydu görüntülerinden daha hızlı bölge tabanlı derin öğrenme modeli ile bina tespiti. Gümüşhane Üniversitesi Fen Bilimleri Dergisi 2022; 12(2): 550-563.
Shanahan JF., Schepers JS., Francis DD., Varvel GE., Wilhelm WW., Tringe JM., Schlemmer MR., Major DJ. Use of 47 remote-sensing imagery to estimate corn grain yield. Agronomy Journal 2001; 93(3): 583-589.
Taşcı I. Orta çözünürlüklü uydu görüntüleri kullanarak yanmış orman alanlarının farklı sınıflandırma yöntemleri ile haritalanması. Anadolu Üniversitesi Yüksek Lisans Tezi, sayfa no:110, Turkey, 2018.
Toming K., Kutser T., Laas A., Sepp M., Paavel B., Nõges T. First experiences in mapping lake water quality parameters with Sentinel-2 MSI imagery. Remote Sensing 2016; 8(8): 640
Tosun AG. Hayrabolu sulama sisteminde ürün dağılımının uydu görüntüleri yardımı ile belirlenmesi. Namık Kemal Üniversitesi Yüksek Lisans Tezi, sayfa no:45, Tekirdağ, Türkiye, 2009.
Tunca E., Köksal E. Sentinel-2 uydu görüntülerinden bitki türlerinin makine öğrenmesi ile belirlenmesi. ÇOMÜ Ziraat Fakültesi Dergisi 2021; 9(1): 189-200.
Üstüner M. Destek vektör makineleri yöntemi ile arazi kullanımı sınıflandırılmasında kernel fonksiyonlarına ait karşılaştırmalı parametre duyarlık analizi: rapideye ve spot örneği. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, sayfa no:74, İstanbul, Türkiye, 2013.
Vapnik VN. The nature of statistical learning theory. New York: Springer-Verlag; 1996.

APA	Arıkan D, YILDIZ F (2023). Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. , 1243 - 1260.
Chicago	Arıkan Duygu,YILDIZ FERRUH Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. (2023): 1243 - 1260.
MLA	Arıkan Duygu,YILDIZ FERRUH Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. , 2023, ss.1243 - 1260.
AMA	Arıkan D,YILDIZ F Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. . 2023; 1243 - 1260.
Vancouver	Arıkan D,YILDIZ F Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. . 2023; 1243 - 1260.
IEEE	Arıkan D,YILDIZ F "Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması." , ss.1243 - 1260, 2023.
ISNAD	Arıkan, Duygu - YILDIZ, FERRUH. "Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması". (2023), 1243-1260.

APA	Arıkan D, YILDIZ F (2023). Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online), 6(2), 1243 - 1260.
Chicago	Arıkan Duygu,YILDIZ FERRUH Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online) 6, no.2 (2023): 1243 - 1260.
MLA	Arıkan Duygu,YILDIZ FERRUH Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online), vol.6, no.2, 2023, ss.1243 - 1260.
AMA	Arıkan D,YILDIZ F Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online). 2023; 6(2): 1243 - 1260.
Vancouver	Arıkan D,YILDIZ F Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online). 2023; 6(2): 1243 - 1260.
IEEE	Arıkan D,YILDIZ F "Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması." Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online), 6, ss.1243 - 1260, 2023.
ISNAD	Arıkan, Duygu - YILDIZ, FERRUH. "Sentinel-2 Uydu Görüntülerinde Destek Vektör Makinesi ve Rastgele Orman Algoritmaları Kullanılarak Piksel Tabanlı Arazi Sınıflandırması". Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi (Online) 6/2 (2023), 1243-1260.