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
- Tez No: 692632
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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
- Sar ve optik veri entegrasyonuna dayalı çeltik alanlarının tespiti ve açıklanabilir yapay zeka (SHAP) ile analizi
Identification of rice fields based on sar and optical data integration and analysis with explainable artificial intelligence (SHAP)
MERİÇ BEKTAŞ
Yüksek Lisans
Türkçe
2026
Zonguldak Bülent Ecevit ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- 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
- Hydraulic modeling of Ortaköy Muğla water distribution network by EPANET
Ortaköy Muğla su dağıtım şebekesinin EPANET ile hidrolik modellenmesi
ABDINASIR ABDIRAHMAN HASHI
Yüksek Lisans
İngilizce
2022
Muğla Sıtkı Koçman Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Yapay zeka destekli üretim süreçleri: Otomotiv sektöründe hata tahmini ve kök neden analizi
Ai-supported manufacturing processes: Fault prediction and root cause analysis in the automotive industry
KÜBRA ÖZDEMİR
Yüksek Lisans
Türkçe
2026
Bursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Kütüphane ortamlarının verimlilik analizi:IOt sensörleri ve makine öğrenimi ile optimum çalışma koşullarının belirlenmesi
Efficiency analysis of library environments: determining optimum working conditions with iot sensors and machine learning
SARKAN MAMMADOV