Uydu görüntülerinden farklı sınıflandırma algoritmaları kullanılarak ürün deseni belirlenmesi – ılgın örneği
Determination of product pattern from satellite images using different classification algorithms – a case study of ilgin
- Tez No: 965118
- Danışmanlar: DOÇ. DR. MERT DEDEOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Ziraat, Agriculture
- Anahtar Kelimeler: En çok benzerlik, Konya, Rastgele Orman, Sentinel-2, Sınıflandırma, Uzaktan algılama, Ürün deseni, Classification, Konya, Maximum likelihood, Product pattern, Random forest, Remote sensing Sentinel-2
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Spektral veriler ve makine öğrenim algoritmalarından faydalanılarak tarımsal ürün desenlerinin belirlenmesi, uzaktan algılama teknolojisinin dijital tarım konusunda kullanım alanlarının başında gelmektedir. Bu çalışmada Konya ili Ilgın ilçesi Ağalar mahallesinde bulunan 1128.80 ha tarım alanlarında 2024 yılına ait Sentinel-2 uydu görüntülerinde öğrenim algoritmaları ile sınıflandırma yapılarak farklı ürün desenlerinin belirlenebilirliği araştırılmıştır. Çalışma alanında yaygın ürün çeşitleri hububat (buğday- arpa), ayçiçeği, mısır, şeker pancarı ve yonca bitkileri olarak dağılım göstermektedir. Görüntü sınıflandırma algoritmaları olarak En çok benzerlik EB (Maximum likelihood) ve Rastgele orman RO (Random forest) teknikleri kullanılmıştır. Algoritmalarda kullanılacak eğitim ve test alanlarını belirlemek amacıyla mayıs ve eylül ayları arasında arazi çalışması yürütülmüş ve 140 parselde alınan yer gerçeği verilerinin 98 tanesi (%70) eğitim, 42 tanesi (%30) test verisi olarak rastgele seçilmiştir. Makine öğrenim algoritmalarının doğruluk testleri ve hata matrisleri oluşturularak karşılaştırma yapılmıştır. Sentinel-2 uydu görüntüleri 2024 yılında bitki çeşitlerinin vejetasyon dönemlerini temsil eden 8 farklı tarihte temin edilmiştir. Sınıflandırmada bu görüntülerden 10 m konumsal çözünürlükteki B2, B3, B4 ve B8 bantlar ve bu bantlar ile oluşturulan NDVI indeksi kullanılmıştır. Çok zamanlı ve çok bantlı görüntü yığını tek seferde sınıflandırmaya dahil edilerek yapılan sınıflandırmada Rastgele Orman algoritmasında genel doğruluk oranı %93.48 ve En çok benzerlik algoritmasında genel doğruluk oranı % 91.31 olarak tespit edilmiştir. Aynı zamanda sınıflandırma sonrası çalışma alanına ait ürün beyanı verilmeyen 280 parselde %90 doğruluk hangi ürünlerin ekili olduğu belirlenmiş ve ÇKS beyanı hatalı 179 (%18) parsel tespit edilmiştir. Araştırma sonucu üretilen tematik haritaların afiş, broşür, sosyal medya vb., kaynaklar ve çeşitli iletişim kanalları aracılığıyla duyurulmasının çiftçi bazında hatalı ve/veya yanıltıcı beyanların önüne geçmesinde etkili olabileceği değerlendirilmiş, çalışma ile uydu görüntüleri kullanılarak yapılan ürün sınıflandırmasının sadece bilimsel bir yöntem uygulaması olarak sınırlı kalmaması, pratikte tarımsal üretim süreçlerinin izlenmesi ve yönetilmesinde yerli altyapı olanakları ile desteklenerek etkili bir teknik araç haline getirilebilmesi önerilmiştir.
Özet (Çeviri)
Determination of agricultural crop patterns by utilizing spectral data and machine learning algorithms is one of the primary areas of use of remote sensing technology in digital agriculture. In this study, the determination of different crop patterns was investigated by classifying the Sentinel-2 satellite images of 1128.80 hectares of agricultural land located in Ağalar neighborhood of Ilgın district of Konya province with learning algorithms belonging to the year 2024. Common crop types in the study area are distributed as cereals (wheat - barley), sunflower, corn, sugar beet and alfalfa plants. Maximum likelihood and Random forest techniques were used as image classification algorithms. In order to determine the training and test areas to be used in the algorithms, a field study was carried out between May and September and 98 (%70) of the ground truth data taken in 140 parcels were randomly selected as training and 42 (%30) as test data. Accuracy tests and error matrices of machine learning algorithms were created and comparisons were made. Sentinel-2 satellite images representing the vegetation periods of satellite image plant varieties were obtained on 8 different dates. In the classification, B2, B3, B4 and B8 bands with 10 m spatial resolution from these images and the NDVI index created with these bands were used. In the classification made by including the multi-temporal and multi-band image stack in the classification at once, the general accuracy rate was determined as 93.48% in the RO algorithm and 91.31% in the EB algorithm. At the same time, after the classification, it was determined with 90% accuracy which products were planted in 280 parcels whose product declaration was not given in the study area and 179 (18%) parcels with incorrect ÇKS declaration were detected. It has been evaluated that the thematic maps produced as a result of the research can be announced through posters, brochures, social media etc., resources and various communication channels, which can be effective in preventing erroneous and/or misleading statements on a farmer basis, and it has been suggested that the product classification made using satellite images should not be limited to the application of a scientific method, but can be turned into an effective technical tool in monitoring and managing agricultural production processes in practice, supported by local infrastructure facilities.
Benzer Tezler
- Ürün deseni belirlenmesinde farklı bitki örtüsü indekslerinin etkilerini piksel ve nesne tabanlı sınıflandırma örneğinde analizi
Analysing the effects of diffrerent indices for determining crop types using piksel and object based classification
AHMET DELEN
Yüksek Lisans
Türkçe
2017
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. FÜSUN BALIK ŞANLI
- Uydu görüntüleri, meteorolojik veriler ve kamera fotoğrafları ile pamuk ve mısır bitkileri için rekolte tahmin modeli tasarımı: Şanlıurfa örneği
Crop yield estimation model design for cotton and maize crops using satellite imagery, meteorological data and camera photographs: Şanlıurfa case study
UĞUR ALGANCI
Doktora
Türkçe
2014
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CANKUT ÖRMECİ
- Gelişmiş makine öğrenimi teknikleri ile çok zamanlı hava ve uydu görüntüleri kullanılarak mısır (Zea mays) türlerinin fenoloji tabanlı sınıflandırılması
Phenology- based classification of maize (Zea mays) species using multi̇- temporal aerial and satellite imagery with advanced machine learning techniques
OSMAN YAVUZ ALTUNTAŞ
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriGebze Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇÖLKESEN
- DSSAT bitki simülasyon modeli ve uzaktan algılama verilerinden elde edilen indisler kullanılarak buğday verim tahmini: İslahiye ve Nurdağı örneği
Wheat yield estimation using DSSAT crop simulation model and indices obtained from remote sensing: Islahiye and Nurdagi case
ÖMER VANLI
Doktora
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BURAK BERK ÜSTÜNDAĞ
- 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