Geri Dön

Aşırı Gradyan Artırma Algoritması kullanarak Sentınel-1 zaman serisi görüntülerinden ürün sınıflandırma

Crop classification from Sentinel-1 time-series images using extreme Gradient Boosting Algorithm

PDF İndir

  1. Tez No: 692632
  2. Yazar: SERHAT ÇABUK
  3. Danışmanlar: PROF. DR. MUSTAFA TÜRKER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 93

Özet

Bu tez çalışmasında; Gediz ovası bölgesinde yetiştirilen yaz dönemine ait tarım ürünlerinin, Sentinel-1 SAR çok zamanlı uydu görüntüleri kullanılarak sınıflandırması için makine öğrenme algoritmaları kullanılmış ve karşılaştırmaları yapılmıştır. Sınıflandırmada, Aşırı Gradyan Arttırma (XGBoost) ve Rastgele Orman (RO) algoritmaları kullanılmıştır. Görüntü olarak, 2017 yılı yaz tarım ürünlerinin üretim dönemlerini kapsayan 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 tarihlerine ait 8 adet Sentinel-1 SAR uydu görüntüsü seçilmiştir. Sentinel-1 SAR uydu görüntüleri bantlarına ek olarak; DY (Düşey-Yatay)/DD (Düşey-Düşey) Oranı, Karşıtlık (Kontrast), Homojenlik (Homogeneity), Farklılık (Dissimilarity), Entropi (Entropy), Açısal İkinci Moment (Angular Secondary Moment), Ortalama, Varyans (Variance) ve Korelasyon (Correlation) doku özellik bantları da oluşturulmuş ve sınıflandırma işlemine dâhil edilmiştir. Sınıflandırmada, bütün zaman serisi görüntüleri ve doku özellik bantları küme olarak kullanılmıştır. Sınıflandırma doğruluğunun hesaplanması için araziden toplanan yer gerçekleri verileri ve Çiftçi Kayıt Sistemi (ÇKS) sistemi verileri referans veri olarak kullanılmıştır. Sınıflandırma ile tespit edilen ürünler buğday, domates, mera, mısır, pamuk, üzüm, yonca ve zeytindir. Referans veriler rastgele olarak yarı yarıya eğitim ve test veri setleri poligonları olarak ayrılmıştır. Elde edilen sonuçlara göre, XGBoost algoritması genel doğruluk değeri (%83,67) ve değeri (0,8059), RO algoritması genel doğruluk değeri (%83,55) ve değerinden (0,8056), çok düşük oranda da olsa, daha yüksek çıkmıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde pamuk %99,13 ile en yüksek kullanıcı doğruluğu, %96,59 ile en yüksek üretici doğruluğu ve %98,25 ile en yüksek dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine pamuk; %99,34 ile en yüksek kullanıcı doğruluğu, %96,87 ile en yüksek üretici doğruluğu ve %98,40 ile en yüksek dengelenmiş doğruluğu sağlamıştır. XGBoost algoritması ile sınıflandırmada ürün seviyesinde yonca %23,96 ile en düşük kullanıcı doğruluğu, %10,39 ile en düşük üretici doğruluğu ve %55,03 ile en düşük dengelenmiş doğruluğu sağlamıştır. RO algoritması ile sınıflandırmada ürün seviyesinde yine yonca %25,17 ile en düşük kullanıcı doğruluğu, %5,74 ile en düşük üretici doğruluğu ve %52,79 ile en düşük dengelenmiş doğruluğu sağlamıştır.

Özet (Çeviri)

In this thesis, machine learning algorithms were used and made comparison to make classification of summer crop types in Gediz plain by using multitemporal Sentinel-1 SAR satellite images. Extreme Gradient Boosting (XGBoost) and Random Forest (RF) machine learning algorithms were used in the classification. A series of eight Sentinel-1 SAR images acquired during the crop growth season of 2017 (April 10, May 3, June 2, August 1, September 7, October 10 and November 16) were selected as the images. In addition to original bands of Sentinel-1, the VH/VV ratio band, and the computed texture bands contrast, homogeneity, dissimilarity, entropy, angular second moment, variance, and correlation were included in the classification operation. All time series images and texture bands were used as a layer stack in the classification. To compute classification accuracy, the data collected through field survey and the farmer's registry system database were used as reference data. The crop types used in classification are wheat, tomato, pasture, corn, cotton, wineyard, clover, and olive trees. The reference dataset was randomly divided into two halves, one half for training and the other half for validation. Based on the results obtained, the overall accuracy (83.67%) and value (0.8059) of the XGBoost algorithm were sligthly higher than the overall accuracy (83.55%) and value (0.8056) of the RF algorithm. At crop type level, cotton provided the highest user's accuracy of 99.13%, the highest producer's accuracy of 96.59%, and the highest balanced accuracy of 98.25% in classification using the XGBoost algorithm. In classification using the RF algorithm, again cotton provided the highest user's accuracy of 99.34%, the highest producer's accuracy of 96,87%, and the highest balanced accuracy of 98,40%. On the other hand, clover provided the lowest user's accuracy of %23,96, the lowest producer's accuracy of %10,39, and the lowest balanced accuracy of %55,03 in classification using the XGBoost algorithm. In classification using the RF algorithm, again clover provided the lowest user's accuracy of %25,17, the lowest producer's accuracy of %5,74, and the lowest balanced accuracy of %52,79.

Benzer Tezler

  1. Tez No

    825956

    Determination of spatial distributions of greenhouses using satellite images and object-based image analysis approach

    Nesne tabanlı sınıflandırma yaklaşımı ve uydu görüntüleri kullanılarak seraların mekansal dağılımının belirlenmesi

    GİZEM ŞENEL

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÇİĞDEM GÖKSEL

    PROF. DR. MANUEL ANGEL AGUILAR TORRES

  2. Tez No

    634839

    Sales forecasting in fashion retail industry with classical and machine learning methods

    Moda perakendesi sektöründe klasik ve makine öğrenmesi metodları ile satış tahmini

    HANİFE IŞIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Ekonomiİstanbul Teknik Üniversitesi

    Ekonomi Ana Bilim Dalı

    DOÇ. DR. TOLGA YURET

  3. Tez No

    768890

    A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Tez No

    816948

    Fraud detection using big data tools and machine learning in banking

    Bankacılıkta büyük veri araçları ve makine öğrenmeyi kullanarak dolandırıcılık tespiti

    EMRE VANLIOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    BankacılıkBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TAMER UÇAR

  5. Tez No

    611092

    Predicting breast cancer using gradient boosting machine

    Gradyan arttırma makinesini kullanarak meme kanseri tahmini

    SAHR IMAD ABED

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

Geri Dön