Multi-temporal spectral unmixing for scale-aware land use/land cover classification using sentinel-2
Sentınel-2 kullanarak ölçeğe bağlı arazi kullanımı/örtüsü sınıflandırması için çok zamanlı spektral ayrıştırma
- Tez No: 987605
- Danışmanlar: PROF. DR. UĞUR MURAT LELOĞLU
- Tez Türü: Doktora
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
CORINE arazi örtüsü haritalama şeması, düzenli olarak güncellenen tutarlı sınıflandırma haritaları oluşturmak için bir ontoloji sağlamaktadır. Karma bir arazi kullanımı/ örtüsü standardı olduğundan, söz konusu pikselin yalnızca spektral ve zamansal özelliklerine dayalı sınıflandırma yeterli olmayıp, bağlamsal bilgilerin de dikkate alınması gerekmektedir. Bu çalışmada, çok bantlı çok zamanlı Sentinel-2 görüntüsünün arazi örtüsü haritalama şeması ile spektral ayrıştırma kullanan verimli bir sınıflandırma yöntemi önerilmiştir. Klasik piksel tabanlı sınıflandırmadan ziyade, süreç, görünümü sınıflandırılacak pikselin komşuluğu olarak tanımlandığı bir görünüm sınıflandırma problemi olarak kabul edilmektedir. Pikseller birden fazla materyal içerebileceğinden, ölçülen spektrumları yorumlamak zordur. Bu nedenle, görünüm ilk önce denetimli spektral ayrıştırma yoluyla üretilen temel malzemelerin son üye bolluğunu tahmin ederek analiz edilmiştir. Çok zamanlı son üyeler, doğru son üye tahmini için çok spektral verilerden uzun üyeler oluşturulurken zamansal bilgilerden düzgün bir şekilde yararlanılması için kullanılır. Temel malzemelerin bolluğu, komşuluk içindeki dağılımları ve zamansal özellikleri sınıflara özgüdür; dolayısıyla seçilen olgular bu özellikleri yansıtır. Rastgele orman algoritması daha sonra sınıflandırma için kullanılmıştır. Farklı örnekleme stratejilerinin etkisini görmek adına her bir alan için iki farklı temel arazi doğrulama seti oluşturulmuştur. Dördüncü CORINE hiyerarşik düzeyinde, Türkiye, Seydişehir için genel doğruluk %86,3, %97,4 veya %72,6'dır. Bu arada, Rüdersdorf, Almanya için genel doğruluk, üçüncü CORINE hiyerarşik düzeyi için %75,0, %99,4 veya %85,9'dur. Önerilen yöntemin daha geniş alanlardaki yararlılığını daha iyi değerlendirmek adına, genelleştirilmiş alanın performansı da test edilmiştir. Elde edilen sonuçlar, önerilen yaklaşımın özellikle daha derin hiyerarşi seviyelerinde tipik sınıflandırma yöntemlerinden daha iyi performans göstermiştir.
Özet (Çeviri)
CORINE Land Cover mapping scheme provides an ontology to create consistent classification maps that are regularly updated. Since CORINE is a mixed Land Use / Land Cover (LULC) standard, classification based solely on spectral and temporal properties of the pixel in question is not adequate and contextual information should also be considered. An efficient classification method, which uses spectral unmixing of multi-spectral multi-temporal Sentinel-2 imagery, has been proposed in this work. Rather than the classical pixel-based classification approach, the task is considered as a scene classification problem, where the scene is defined as the neighborhood of the pixel to be classified. Since the pixels may contain multiple materials, it is difficult to interpret the measured spectra. Hence, the scene is analyzed by first estimating the abundances of endmembers of the basic materials generated via supervised spectral unmixing. The abundances of basic materials, their distribution in the neighborhood, and their temporal properties are characteristic to classes; hence the chosen features reflect these characteristics. The random forest algorithm is then used for classification. Two different ground truth sets are created for each of the two study areas to see the effect of different sampling strategies. The overall accuracy for the first study area in Seydişehir, Turkey is 86.3%, 97.4%, or 72.6%, depending on the sampling strategy for the fourth CORINE hierarchical level. Meanwhile, the overall accuracy for the second area in Rüdersdorf, Germany is 75.0%, 99.4%, or 85.9% for the third CORINE hierarchical level. For better evaluation of the capabilities of the proposed method for larger areas, the performance of generalized area is also tested. Obtained results, specified that the proposed approach outperforms the typically classification methods specially in deeper hierarchy levels.
Benzer Tezler
- Soil classification with spaceborne multi-temporal hyperspectral imagery using spectral unmixing and image fusion
Spektral ayrıştırma ve görüntü kaynaştırma kullanarak uydu-tabanlı çok-zamanlı hiperspektral uzaktan algılama ile toprak sınıflandırması
EYLEM KABA
Doktora
İngilizce
2023
Jeodezi ve FotogrametriOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
PROF. DR. SEVDA ZUHAL AKYÜREK
PROF. DR. UĞUR MURAT LELOĞLU
- Arazi örtüsü değişimlerinin kentsel ısı adalarına olan etkilerinin zamansal ve mekansal olarak araştırılması
Spatio-temporal analyses of land cover changes and its impacts on urban heat islands
BAHADIR ÇELİK
Doktora
Türkçe
2019
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Wetland spectro-temporal unmixing using multitemporal multispectral satellite images
Çok zamanlı çok bantlı uydu görüntüleri kullanılarak sulak alanda spektro-zamansal ayrıştırma
ERDEM ÖZER
Doktora
İngilizce
2022
Mühendislik BilimleriOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. UĞUR MURAT LELOĞLU
- Mediterranean shrub classification using multi-temporal multi-spectral satellite images
Çok-zamanlı çok-bantlı uydu görüntüleri kullanarak Akdeniz çalı sınıflandırması
INDIRA APRILIA LISTIANI
Yüksek Lisans
İngilizce
2021
Ormancılık ve Orman MühendisliğiOrta Doğu Teknik ÜniversitesiJeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. UĞUR MURAT LELOĞLU
DR. UĞUR SİYAMİ ZEYDANLI
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE