Uydu görüntüleri ve makine öğrenimi yöntemlerini kullanarak arazi örtüsü ve arazi kullanım haritalarının üretilmesi: Haçmaz-Şabran örneği
Generation of land cover and land use maps using satellite imagery and machine learning methods: The case of Khachmaz-Shabran
- Tez No: 909789
- Danışmanlar: PROF. DR. ELİF SERTEL
- Tez Türü: Yüksek Lisans
- Konular: Astronomi ve Uzay Bilimleri, Astronomy and Space Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Atatürk Stratejik Araştırmalar ve Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Uçak ve Uzay Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uydu Teknolojileri Bilim Dalı
- Sayfa Sayısı: 80
Özet
Haçmaz ve Şabran şehirleri Azerbaycan'ın önemli yerleşim bölgelerinden ikisidir. Her iki şehir de ülkenin kuzeydoğusunda yer almaktadır. Her iki şehir doğal güzellikleri, kültürel zenginlikleri ve tarihi değerleriyle tanınır. Bu bölgeler ülkenin tarım sektöründe önemli yerlere sahiptir, aynı zamanda çeşitli turistik tesisleri ve konaklama imkanları da mevcuttur. Uzaktan algılama, coğrafi bilgi sistemleri, jeoloji, tarım, ormancılık, çevre yönetimi, arazi planlaması, felaket yönetimi ve diğer birçok alanda kullanılmaktadır. Bu teknoloji, dünya üzerindeki değişiklikleri izleme, doğal kaynakların yöntemini, arazi kullanım analizi, çevresel etkilerin izlenmesi ve tahminlerin yapılması gibi birçok faydalı uygulama sunmaktadır. Bu çalışmada, Haçmaz-Şabran şehirleri için farklı çözünürlükteki uydu görüntüleri kullanılarak, CORINE projesinin 2. seviye Arazi Örtüsü/Arazi Kullanım (AÖ/AK) sınıf tanımları ile uyumlu, AÖ/AK haritasının hazırlanması hedeflenmiştir. Bu amaçla, 1 Ağustos 2020 tarihli yüksek çözünürlüklü Azersky ve orta çözünürlüklü Sentinel-2 görüntülerinden faydalanmıştır. Bu çalışma, makine öğrenimi (MÖ) yöntemlerini ve uzaktan algılanmış verileri kullanarak Azerbaycan Haçmaz-Şabran bölgesinin AÖ/AK haritasını üretmeyi amaçlamaktadır. Bu amaçla, iki yaygın makine öğrenmesi sınıflandırma algoritması olan Rastgele Orman (RO) ve Destek Vektör Makinesi (DVM) kullanılmıştır. Başlangıçta hem Azersky, hem de Sentinel-2'de bulunan, kırmızı, yeşil, mavi ve yakın kızılötesi spektral bantlar kullanılarak 2 farklı makine öğrenmesi yöntemi ile sınıflandırma yapılmıştır. Yapılan incelemelerde, Yerleşim Alanı ile çok az ya da hiç Vejetasyon olmayan Yüzeylerin karıştığı tespit edilmiştir. Bu sınıfların ayırt edilebilirliğini artırmak amacı ile Normalleştirilmiş Fark Toprak İşleme İndeksi (NDTI), Kırmızı Kenar Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVIre) ve Normalize Edilmiş Fark Su İndeksi (NDW) oluşturularak hem spektral bantlar, hem de bu indekslerin dahil edildiği yeni sınıflandırmalar gerçekleştirilmiştir. İlgili indekslerin oluşturulmasında ihtiyaç duyulan spektral bantlar Sentinel-2 uydusunda olduğu için, bu yeni yaklaşm sadece Sentinel-2 uydu görüntüsünün sınıflandırılması için uygulanmıştır. Yapılan görsel analizlerde indeksleri sınıflandırma işlemine entegre etmenin, AÖ/AK sınıfları arasındaki karışıklığı azalttığı görülmüştür. Sınıflandırma adımından sonra, doğruluk değerlendirmesi için, Sentinel-2 ve Azersky için aynı referans noktaları kullanılarak hata matrisleri oluşturulmuştur. Bu hata matrisleri aracılığıyla istatistiksel değerlendirmeler yapılmış ve Kappa değeri, toplam doğruluk, üretici doğruluğu ve kullanıcı doğruluğu değerleri hesaplanmıştır. Bölgenin AÖ/AK haritalarını elde etmede daha iyi performans gösteren yaklaşımı belirlemek için iki sınıflandırmanın sonuçları karşılaştırılmıştır, en yüksek doğruluk Sentinel-2 uydu görüntüsünün indeks ve spektral bantları kullanılarak RO yöntemi ile sınıflandırılma sonucundan elde edilmiştir. Bu sınıflandırma için, genel doğruluk değeri 0.85, Kappa değeri ise 0.84 olarak hesaplanmıştır.
Özet (Çeviri)
Khachmaz and Shabran cities are two of the most important settlements of Azerbaijan. Both cities are located in the north-east of the country and are known for their natural beauty, cultural richness and historical values. These regions have significant importance in the agricultural sector of the country, as well as various tourist facilities and accommodation facilities. Remote sensing, geographic information systems, geology, agriculture, forestry, environmental management, land planning, disaster management and many other fields. This technology offers many useful applications such as monitoring changes on earth, assessing resources, land use analysis, monitoring environmental impacts and making forecasts. In this study, it was aimed to prepare a Land Cover/Land Use (LC/LU) map for the cities of Khachmaz-Shabran in accordance with the 2nd level Land Cover/Land Use (LC/LU) class definitions of the CORINE project using satellite imagery. For this purpose, high resolution Azersky and medium resolution Sentinel-2 images dated 1 August 2020 were used. This study focuses on the production of a map of the LU/LC of the Khachmaz-Shabran region of Azerbaijan using machine learning (ML) methods and remotely sensed data. For this purpose, two common machine learning classification algorithms, Random Forest (RF) and Support Vector Machine (SVM), were used. At the beginning, two different machine learning methods were used for classification using the red, green, blue and near infrared spectral bands from both Azersky and Sentinel-2. In the analyses, it has been determined that there is a mixture of Settlement Area and Surfaces with little or no Vegetation. In order to increase the distinguishability of these classes, Normalised Difference Tillage Index (NDTI), Red Edge Normalised Difference Vegetation Index (NDVIre) and Normalised Difference Water Index (NDW) were created and both spectral bands and new classifications including these indices were performed. Since the spectral bands needed for the creation of the relevant index are available on the Sentinel-2 satellite, this new approach was applied only for the classification of Sentinel-2 satellite imagery. Visual analyses have shown that integrating the indices into the classification process reduces the confusion between the LC/LU classes. After the classification step, error matrices were created using the same reference points for Sentinel-2 and Azersky for accuracy assessment. These error matrices were used to perform statistical evaluations and Kappa value, total accuracy, producer accuracy and user accuracy values were calculated. The results of the two classifications were compared in order to determine the better performing approach in obtaining LC/LU maps of the region, the highest accuracy was obtained from the classification result with the RO method using the index and spectral bands of the Sentinel-2 satellite image. The overall accuracy was 0.85 with a Kappa value of 0.84.
Benzer Tezler
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Analyzing and investigating the dynamics of Land Use and Land Cover (LULC)) transformation using satellite data: A case study of Adana, Türkiye
Uydu verileri kullanılarak Arazi Kullanımı ve Arazi Örtüsü (AKAÖ) dönüşüm dinamiklerinin incelenmesi ve analizi: Adana, Türkiye'de bir vaka çalışması
MWILA LAMPI
Yüksek Lisans
İngilizce
2024
Astronomi ve Uzay BilimleriÇukurova ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
PROF. DR. NİYAZİ ARSLAN
- Makine öğrenimi tabanlı sınıflandırma yöntemleri kullanılarak çay bahçelerinin belirlenmesi
Identifying tea gardens using machine learning based classification methods
BURCU SÜSLÜ ALGÜR
Yüksek Lisans
Türkçe
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- High-resolution soil salinity mapping using machine learning based regression and classification methods
Makine öğrenimi tabanlı regresyon ve sınıflandırma yöntemlerini kullanarak yüksek çözünürlüklü toprak tuzluluğu haritalaması
AYLİN YILDIRIM
Yüksek Lisans
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ELİF SERTEL