Geri Dön

Decision tree classification of multı-temporal images for field-based crop mapping

Parsel bazlı ürünün haritalanması için çok zamanlı uydu görüntülerinin karar ağacıyla sınıflandırılması

  1. Tez No: 153429
  2. Yazar: SEÇİL ŞENCAN
  3. Danışmanlar: YRD. DOÇ. DR. MUSTAFA TÜRKER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Karar ağacı sınıflandırması, çok zamanlı maskeleme, parsel bazlı analiz, ürün haritalama, Landsat 7 ETM+. vıı, Decision tree classification, multi-temporal masking, field-based analysis, crop mapping, Landsat 7 ETM+
  7. Yıl: 2004
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 137

Özet

oz PARSEL BAZLI ÜRÜNÜN HARİTALANMASI İÇİN ÇOK ZAMANLI UYDU GÖRÜNTÜLERİNİN KARAR AĞACIYLA SINIFLANDIRILMASI Şencan, Seçil Yüksek Lisans, Jeodezi ve Coğrafi Bilgi Teknolojileri Bölümü Tez Danışmanı: Yrd. Doç. Dr. Mustafa Türker Ağustos 2004, 125 sayfa Karacabey (Bursa), Türkiye, yakınlarındaki tarımsal alanlarda Ağustos ayına ait tarım ürünlerini sınıflandırmak için karar ağacı sınıflandırma tekniği ile beraber çok zamanlı uydu görüntüleri kullanılmıştır. Analizler için Mayıs, Temmuz ve Ağustos 2000'de elde edilen Landsat 7 ETM+ görüntülerinden yararlanılmıştır. Orijinal bantlara ek olarak NDVI, PCA ve Tasselled Cap Transformation bantları oluşturulmuş ve sınıflandırma işlemine dahil edilmiştir. Öncelikle, karar ağacı sınıflandırma yaklaşımı ile beraber çok zamanlı maskeleme tekniği kullanılarak görüntüler piksel bazlı olarak sınıflandırılmıştır. Elde edilen görüntülere parsel bazlı analiz uygulanarak parsellerdeki ürün bilgileri doğrudan Coğrafi Bilgi Sistemi (CBS) veritabanına girilmiştir. Sınıflandırma sonuçları, üç adet görüntünün geleneksel en büyük olasılık algoritması kullanılarak elde edilen sınıflandırma sonuçlan ile karşılaştırılmıştır. Önerilen yaklaşımla elde edilen toplam doğruluğun sınıf sayıları az olan Mayıs ve Ağustos görüntüleri için oldukça yüksek olduğu gözlenmiştir. Mayıs ve Temmuz aylarında karar ağacı yöntemi ile 91.10% ve 66.15%, en büyük olasılık sınıflandırma yöntemi ile ise vı84.38% ve 63.55% doğruluk değerleri elde edilmiştir. Bununla beraber, Ağustos ayında en büyük olasılık (70.82%) ve karar ağacı sınıflandırma (69.14%) yöntemleri için yaklaşık olarak aynı toplam doğruluk sonuçlan elde edilmiştir. Ek olarak kullanılan bantların karar ağacı sınıflandırma yönteminde şeker pancarı, domates, bezelye, biber ve pirinç sınıflarının görüntü üzerinden ayrılabilirliğini arttırdığı gözlemlenmiştir.

Özet (Çeviri)

ABSTRACT DECISION TREE CLASSIFICATION OF MULTI-TEMPORAL IMAGES FOR FIELD-BASED CROP MAPPING Şencan, Seçil M. Sc, Department of Geodetic and Geographic Information Technologies Supervisor: Assist. Prof. Dr. Mustafa Türker August 2004, 125 pages A decision tree (DT) classification approach was used to identify summer (August) crop types in an agricultural area near Karacabey (Bursa), Turkey from multi-temporal images. For the analysis, Landsat 7 ETM+ images acquired in May, July, and August 2000 were used. In addition to the original bands, NDVI, PCA, and Tasselled Cap Transformation bands were also generated and included in the classification procedure. Initially, the images were classified on a per-pixel basis using the multi-temporal masking technique together with the DT approach. Then, the classified outputs were applied a field-based analysis and the class labels of the fields were directly entered into the Geographical Information System (GIS) database. The results were compared with the classified outputs of the three dates of imagery generated using a traditional maximum likelihood (ML) algorithm. It was observed that the proposed approach provided significantly higher overall accuracies for the May and August images, for which the number of classes were low. In May and July, the DT approach produced the classification accuracies of 91.10% and 66.15% while the ML classifier produced IV84.38% and 63.55%, respectively. However, in August nearly the similar overall accuracies were obtained for the ML (70.82%) and DT (69.14%) approaches. It was also observed that the use of additional bands for the proposed technique improved the separability of the sugar beet, tomato, pea, pepper, and rice classes.

Benzer Tezler

  1. Kent mobilyaları tasarımında kullanılabilecek kavramsal bir model

    Başlık çevirisi yok

    SEÇİL YAYLALI

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Ürünleri Tasarımı Ana Bilim Dalı

    DOÇ. DR. SEMRA AYDINLI

  2. Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data

    Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması

    MERVE BOZO

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  3. Yüzey sıcaklığı ve iklimsel veriler kullanılarak zamansal değişimin belirlenmesi (Kabil şehri örneği)

    Determination of temporal change using surface temperature and climatic data (Kabul city example)

    QAIS AHMAD ARIA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Jeodezi ve FotogrametriEskişehir Teknik Üniversitesi

    Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı

    DOÇ. DR. UĞUR AVDAN

  4. İkili değişkenli verilerde Boole cebri yardımıyla bir sınıflandırma algoritmasının oluşturulması ve dijital reklamcılık üzerine uygulanması

    A classification algorithm for binary variable data using Boolean algebra and an application on digital advertising

    HAYDAR EKELİK

    Doktora

    Türkçe

    Türkçe

    2023

    Ekonometriİstanbul Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. MUSTAFA TEKİN

  5. Fair allocation of in-kind donations in post-disaster phase

    Afet sonrası dönemde ayni bağışların adil dağıtımı

    ZEHRANAZ VAROL

    Doktora

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. BAHAR YETİŞ

    DOÇ. DR. ÖZLEM KARSU