Sentinel-1 ve sentinel-2 verilerinden tarımsal ürün sınıflandırması için makine öğrenme algoritmalarının karşılaştırılması
Comparison of machine learning algorithms for agricultural crop classification from sentinel-1 and sentinel-2 data
- Tez No: 547253
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 131
Özet
Bu çalışmada, Gediz ovasında yetiştirilen tarımsal yaz ürünlerinin çok zamanlı Sentinel-1 SAR ve Sentinel-2 optik uydu görüntülerinden nesne-tabanlı sınıflandırması için makine öğrenme algoritmalarının karşılaştırması yapılmıştır. Çalışmada kullanılan makine öğrenme algoritmaları KA (Karar Ağacı), RO (Rastgele Orman) ve DVM (Destek Vektör Makineleri) dir. Çalışmada ayrıca Sentinel-1 ve Sentinel-2 uydu görüntülerinin orijinal bantlarına ek olarak NDVI (Normalize Edilmiş Bitki İndeksi Farkı) bitki indeksi bantı ve farklılık (dissimilarity), entropi (entropy), homojenlik (homogeneity), açısal ikinci moment (angular second moment), korelasyon (correlation) ve kontrast (contrast) doku bantları da hesaplanmış ve sınıflandırma işleminde kullanılmıştır. Çalışmada Sentinel-1 ve Sentinel-2 uydu görüntülerinin, Nisan-Kasım 2017 tarihleri arasında belirlenen 8 tarihe ait görüntüleri kullanılmıştır. Sentinel-1 uydusu için seçilen görüntü tarihleri 13 Nisan, 1 Mayıs, 1 Haziran, 30 Haziran, 31 Temmuz, 5 Eylül, 11 Ekim ve 16 Kasım 2017 iken Sentinel-2 uydu görüntüleri için seçilen görüntü tarihleri 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 olarak belirlenmiştir. Çalışmada öncelikle çoklu çözünürlük görüntü segmentasyonu işlemi yapılarak segmentler oluşturulmuştur. Oluşturulan segmentlerden her segmente ait özellikler hesaplanmıştır. Sınıflandırma işlemi KA, RO ve DVM algoritmalarıyla segment tabanlı gerçekleştirilmiştir. Sınıflandırma işleminde ayrıca Sentinel-1, Sentinel-2 orijinal bantları, doku özellikleri ve NDVI bitki indeksinden oluşan farklı kombinasyonlar kullanılmıştır. Sınıflandırmada yalnız orijinal bantlar kullanıldığında Sentinel-1 görüntüleri için en yüksek sınıflandırma doğruluğu (%90,48) RO algoritması ile elde edilmiştir. Sentinel-2 görüntüleri için yine en yüksek sınıflandırma doğruluğu (%90,96) RO algoritması ile hesaplanmıştır. Her iki uyduya ait görüntüler birlikte kullanıldığında (Sentinel-1+ Sentinel-2+NDVI) ise, en yüksek doğruluğu (%93,37) DVM algoritması vermiştir. Bu doğruluk oranı çalışmada elde edilen en yüksek sınıflandırma doğruluğudur. Elde edilen sonuçlara göre özellik kombinasyonları değerlendirdiğinde, doku ve standart sapma bantları sınıflandırma doğruluğunu arttırmamış aksine azaltmıştır. Doğruluktaki bu azalma, kullanılan özellik kombinasyonu ve algoritmaya göre %1 - %5 arasında değişmektedir. Öte yandan, Sentinel-1 orijinal bantlarının, Sentinel-2 bantlarıyla birlikte kullanıldığı kombinasyonlarda Sentinel-1 bantlarının sınıflandırma doğruluğuna olumlu etkisi tüm kombinasyonlarda yaklaşık %1-2 kadar olmuştur. Ayrıca, sadece Sentinel-1 bantlarının kullanıldığı kombinasyonlarda oldukça yüksek doğruluk değerlerine ulaşılmıştır. Son olarak NDVI ortalama değerlerine bakıldığında NDVI bantlarının tüm özellik kombinasyonları ve algoritmalarda doğruluğu arttırıcı etkisi olduğu görülmüştür. Bunun yanı sıra sınıflandırmada yalnızca NDVI bantları kullanıldığında bile yüksek doğruluk değerlerine ulaşılmıştır. Sadece NDVI bantlarının RO algoritmasıyla sınıflandırıldığı işlem sonucunda %92,65 genel doğruluk değeri hesaplanmıştır.
Özet (Çeviri)
In this thesis, machine learning algorithms were compared for object-based classification of multi-date Sentinel-1 SAR and Sentinel-2 optical satellite images of agricultural summer crops grown in Gediz plain. The machine learning algorithms used in the study were DT (Decision Tree), RF (Random Forest) and SVM (Support Vector Machines). In addition to the original bands of Sentinel-1 and Sentinel-2 satellite images, NDVI (Normalized Difference Vegetation Index) bands and texture (dissimilarity, entropy, homogeneity, angular second moment, correlation and correlation) bands were also calculated and used in the classification process. Eight images selected between April and November 2017 of the Sentinel-1 and Sentinel-2 satellite images have been used in the study. The selected dates of Sentinel-1 satellite images were 13 April, 1 May, 1 June, 30 June, 31 July, 5 September, 11 October and 16 November 2017, while the dates selected for Sentinel-2 satellite images were 10 April, 3 May, 2 June, 2 July, 1 August, 7 September, 10 October and 16 November 2017. In the first step of the study segments were created by performing multi-resolution image segmentation. Features were calculated for each of the generated segments. The classification process was carried out through object-based DT, RF and SVM algorithms. Different combinations of Sentinel-1, Sentinel-2 original bands, texture bands and NDVI bands were used in the classification process. When only the original bands are used in classification, the highest classification accuracy for Sentinel-1 images was obtained by the RF algorithm (90.48%). Similarly, for the Sentinel-2 images, the highest classification accuracy was also calculated by the RF algorithm (90.96%). When the images of both satellites were used together (Sentinel-1 + Sentinel-2 + NDVI), the highest accuracy (%93,37) was given by the SVM algorithm and this was the highest accuracy value obtained in this study. Based on the results, when the combination of features were evaluated, the texture and standart deviation bands did not increase the classification accuracy, whereas they decreased the accuracy. The reduction in the accuracy varies between 1% and 5% depending on the combination of features and the classfication algorithm used. On the other hand, when Sentinel-1 original bands were used in combination with Sentinel-2 bands, the positive effect of Sentinel-1 bands on the classification accuracy was approximately 1-2% in all combinations. In addition, in the feature combinations where Sentinel-1 bands were used alone, very high accuracy values have been calculated. Finally, when NDVI mean values were considered, it was seen that NDVI bands have increased the accuracy in all feature combinations and algorithms. Furthermore, high accuracy values were achieved when the classification was carried out using the NDVI bands only.The overall accuracy of 92,65% was calculated when classification was carried out using the RF algorithm and NDVI bands only.
Benzer Tezler
- Integration of optical and synthetic aperture radar imagery for improving crop mapping
Ürün deseni haritası üretimini iyileştirmek üzere optik ve sentetik açıklıklı radar görüntülerinin entegrasyonu
ROUHOLLAH NASIRZADEHDIZAJI
Doktora
İngilizce
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FÜSUN BALIK ŞANLI
PROF. DR. ZİYADİN ÇAKIR
- 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
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Çiftçi kayıt verileri ve açık kaynak kodlu EO-Learn kütüphanesi kullanılarak tarımsal ürün desen tespiti ve kontrolü
Agricultural product pattern detection and control using farmer registration data and open source code EO-Learn library
FATİH FEHMİ ŞİMŞEK
Doktora
Türkçe
2022
Jeodezi ve FotogrametriNecmettin Erbakan ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN SAVAŞ DURDURAN
- Classification of agricultural land cover using satellite imagery with deep learning
Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması
ABDULWAHEED ADEBOLA YUSUF
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP AYDIN
- Uzaktan algılama ve makine öğrenmesi tabanlı hububat ekili alanların belirlenmesi, verimlilik haritasının oluşturulması
Determination of cereal plant areas based on remote sensing and machine learning, creation of productivity map
SERCAN GÜNEŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriErciyes ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT BOSTANCI