Crop classification with polarimetric synthetic aperture radar images: Comparative analysis
Polarimetrik sentetik açıklıklı radar görüntüleri ile ürün deseni sınıflandırması: Karşılaştırmalı analiz
- Tez No: 619601
- Danışmanlar: PROF. DR. FÜSUN BALIK ŞANLI, DOÇ. DR. GÖKHAN BİLGİN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 108
Özet
Polarimetrik SAR görüntüleri, hedef objelerin tam saçılımlarına ilişkin faydalı bilgiler içermektedir ve bu bilgiler de hedef objelerin fiziksel ve geometric yapılarına ilişkin bilgi elde etme noktasında önemli avantajlar sağlamaktadır. İklim koşullarından bağımsız ve gece/gündüz olarak yeryüzünü görüntüleyebilme özelliği nedeniyle SAR görüntüleri, özellikle zamansal izlemenin kritik derecede önemli olduğu çalışmalarda büyük öneme sahiptir. Tarım uygulamaları özelinde bakıldığında ise, ürün dokusunun/deseninin belirlenmesinde çok zamanlı görüntülerin kullanımı zorunlu olmaktadır. Bu zorunluluğun nedeni ise, tarımsal ürünlerin kısa zaman aralığında dinamik bir yapısal değişiklik göstermesidir. Her bir tarım ürünü aynı zaman frekansında farklı büyüme göstereceğinden bu farklılık ürünlerin birbirinden daha iyi ayrılmasını sağlayacaktır. PolSAR datasının 2x2 lik saçılım matrisi, doğal kaynaklara ilişkin üç temel saçılım bilgisini direkt olarak sunmamaktadır ve PolSAR verisi ikinci dereceden istatistiksel dönüşüm aracılığı ile elde edilen 3x3 lük koherens yada kovaryans matrislerine dönüştürülmelidir. Böyle bir durumda, üç temel saçılımın elde edilmesinde polarimetrik ayrıştırma teknikleri kullanılmaktadır. Bu tez çalışmasında, çok zamanlı PolSAR verisinden üretilen orijinal ve polarimetrik özelliklerin ürün dokusu tespitindeki karşılaştırmalı performans analizi üç farklı makine öğrenme algoritmasından faydalanarak yapılmıştır. Polarimetrik özelliklerin üretilmesi aşamasında, üç farklı koherent olmayan polarimetrik ayrıştırma tekniği kullanılmıştır (Cloude-Pottier decomposition, Freeman-Durden ve Van Zyl (hybrid) ayrıştırma teknikleri). Çalışma kapsamında kullanılan LightGBM yöntemi ise, yeni bir yöntem olup uzaktan algılama çalışmalarındaki kullanımı az sayıdadır. Deneysel sonuçlar, en yüksek sınıflandırma doğruluğunun (0.96) LightGBM sınıflandırma yönteminden faydalanarak Van Zyl ve aynı zamanda Freeman-Durden polarimetrik ayrıştırma teknikleri ile elde edildiğini göstermiştir. İşlem süresi açısından ise, LightGBM yönteminin doğrusal polarizasyon, koherens matrisi ve Cloude-Pottier polarimetrik ayrıştırma tekniklerinin sınıflandırılması işlemlerinde, DVM ve RO algoritmalarına kıyasla 10 kat daha hızlı olduğu görülmüştür. Bu tez çalışması, ürün dokusunun sınıflandırılmasında model tabanlı ve hybrid ayrıştırma teknikleri ile, PolSAR verisinin orijinal özelliklerine kıyasla daha yüksek sınıflandırma doğruluğu elde edilebileceği sonucuna varmıştır.
Özet (Çeviri)
Polarimetric Synthetic Aperture Radar (PolSAR) images could provide beneficial information regarding the complete scattering about the objects or targets and this could be advantageous to derive the physical and geometrical structure. Due to the benefits of the imaging capability day/night and weather-independent, Synthetic Aperture Radar (SAR) sensors are of vital importance for time-critical practices, especially in agricultural applications. In specific to agricultural practices, multi-temporal or time series data is a pre-requisite for timely monitoring or identification of crop pattern. This is because crops have a dynamically changing structure in temporal domain. Each crop has different structural and physical changes in temporal domain and the use of multi-temporal data leads to better separation of crops. The PolSAR data by itself (2x2 complex Sinclair scattering matrix) do not explicitly/directly provide the“ready-to-use”information about the three elementary scattering (surface, double bounce and volume scattering) for natural targets and the data needs to be converted to second order statistical formalism (3x3 complex matrices) for extracting the scattering properties. In such a case, polarimetric decomposition methods can be used to extract the three elementary scattering for the targets precisely. In this thesis, the comparative performance of the original features (linear polarizations and coherency matrix) and polarimetric features (incoherent polarimetric decompositions) from multi-temporal PolSAR data was investigated for crop pattern identification through three different machine learning algorithms (Light Gradient Boosting Machine, Support Vector Machine and Random Forest). In order to create the polarimetric features, three different incoherent polarimetric decompositions were utilized as follows: Cloude-Pottier decomposition (eigenvector-based), Freeman-Durden decomposition (model-based) and Van Zyl (hybrid) decomposition. Among these machine learning algorithms, Light Gradient Boosting Machines was recently introduced to machine learning community and have not been much explored in remote sensing for classification purposes. The experimental results demonstrated that highest classification accuracy (0.96) were received by Van Zyl decomposition as well as Freeman-Durden through LightGBM. The results also addressed that LightGBM is much faster (almost ten times) than RF and SVM for linear polarizations, coherency matrix and Cloude-Pottier decomposition. This thesis also highlights the benefits of model-based and hybrid decompositions about obtaining the higher performance in comparison to original features for crop pattern classification.
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
- Multitemporal co-polar x-band sar data classification as a tool for paddy-rice phenology estimation
Çeltik tarlası fenoloji kestirimi için çok zamanlı co-polar x-bant sar verisi üzerinde sınıflandırma yöntemi
ÇAĞLAR KÜÇÜK
Yüksek Lisans
İngilizce
2016
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
YRD. DOÇ. DR. GÜLŞEN TAŞKIN KAYA
YRD. DOÇ. DR. ESRA ERTEN
- Crop classification with attention based BI-LSTM and temporal convolution neural network combination for remote sensing Breizhcrop time series data
Uzaktan algılama Breizhcrop zaman serisi verileri için dikkat tabanlı BI-LSTM ve zamansal evrişimli sinir ağı kombinasyonu ile mahsul sınıflandırması
AMER NAJMUALDEEN ALI AKBAR BANDAR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY
- Akıllı tarım için derin öğrenme ile yabani ot ve mahsul sınıflandırılması
Weed and crop classification with deep learning for precision agriculture
ŞEYDANUR EKİNCİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERCHAN APTOULA
- Random forest classification of tomato fields with planet satellite image data and accuracy assessment
Planet uydu görüntü verileriyle yüksek doğruluklu domates ürün tipi sınıflandırmasında rastgele orman sınıflandırma yönteminin kullanımı ve doğruluk analizi
BETÜL ŞALLI
Yüksek Lisans
İngilizce
2020
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR