FINDIK DİKİLİ ALANLARIN SENTİNEL-2 UYDU GÖRÜNTÜLERİNDEN RASTGELE ORMAN ALGORİTMASI İLE PİKSEL TABANLI SINIFLANDIRILMASI-Reference-Cited by-同舟云学术

FINDIK DİKİLİ ALANLARIN SENTİNEL-2 UYDU GÖRÜNTÜLERİNDEN RASTGELE ORMAN ALGORİTMASI İLE PİKSEL TABANLI SINIFLANDIRILMASI

Published:2022-12-13 Issue: Volume: Page:
ISSN:2564-6761
Container-title:Geomatik
language:tr
Short-container-title:

Author:

TERZİ TÜRK Seda¹,BALÇIK Filiz²

Affiliation:

1. PLATO MESLEK YÜKSEKOKULU, PLATO MESLEK YÜKSEKOKULU

2. İSTANBUL TEKNİK ÜNİVERSİTESİ

Abstract

Türkiye sahip olduğu uygun iklim koşulları ve topografya özellikleri ile 1900 yıllarından itibaren fındık üretiminde dünyada birinci sıradadır. Bu üretimin sürdürülebilir devamlılığı için fındık ekili alanların yüksek doğruluk ile tespit edilmesi ve ekili alanların tematik haritalarının üretilmesi oldukça önemlidir. Uzaktan algılama verileri ile geniş alanların sürekli ve doğru olarak belirlenmesi mümkündür. Bu çalışmada; 22.10.2020 tarihli Sentinel-2 MSI uydu görüntüsü ile oluşturulan farklı veri setleri kullanılarak fındık dikili alanlar belirlenmiştir. Çalışmada 5 farklı veri seti farklı bitki indekslerinin hesaplanması ile oluşturulmuştur. Çalışma bölgesi olarak Karadeniz Bölgesi’nde bulunan Giresun ilinin Piraziz ilçesi seçilmiştir. Fındık ekili alanları tespit etmek için piksel tabanlı rastgele orman (RO) görüntü sınıflandırma yöntemi kullanılmıştır. Uydu görüntüsünden 7 farklı sınıf (fındık, orman, tarım/mera, şehir yapısı, endüstriyel ve ticari alan, yol, su yüzeyi) için eğitim ve test verileri oluşturulmuştur. Çalışmanın birinci aşamasında; sınıflandırma için seçilen uydu görüntüsü bantları ile RO algoritması çalıştırılmış; genel sınıflandırma doğruluğu ve Kappa istatistiği hesaplanmıştır. Çalışmanın ikinci aşamasında; çalışmaya bitki indekslerinden Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), Yeşil Bant Normalize Edilmiş Fark Bitki Örtüsü İndeksi (GNDVI) ve Normalize Edilmiş Fark Kırmızı Kenar İndeksi (NDVIre) eklenerek sınıflandırmaya katkısı değerlendirilmiştir. 5 veri setine ait sınıflandırma sonuçları hata matrisi kullanılarak karşılaştırılmıştır. Genel doğruluk 5 veri seti için de tatmin edici performans sergilemiştir. McNemar testi sonuçlarına göre her veri seti için sınıflandırma doğruluğu arasındaki farkların istatistiksel olarak anlamlı olmadığı görülmüştür. Veri seti 1 için hesaplanan genel doğruluk %98.98, Kappa değeri %98.65 ile diğer dört veri setinden daha yüksek elde edilmiştir.

Publisher

Geomatik

Subject

General Earth and Planetary Sciences

Reference33 articles.

1. Kayalak, S. (2009). Türkiye Fındık Piyasasındaki Ekonomik Değişkenlerin Yapısal Değişimi Ve Zaman Serisi Analizi. Ankara Üniversitesi Fen Bilimleri Enstitüsü, Yayınlanmamış Doktora Tezi, Ankara.

2. Doğru, B. (2020). Fındık, İklim Değişikliği Ve Çevresel Etkiler Raporu. Rainforest Alliance Https://Www.Rainforest-Alliance.Org/ (Access Date: 09.09.2020)

3. Delen A, Balık Şanlı F, (2017), Determınatıon Of Cotton Fıelds By Object-Based Classıfıcatıon Method: A Case Study In Menemen Dıstırıct. Journal Of New Results İn Engineering And Natural Science, Number:6, 1-8

4. Brinkhoff, J., Vardanega, J., & Robson, A. J. (2019). Land Cover Classification Of Nine Perennial Crops Using Sentinel-1 And-2 Data. Remote Sensing, 12(1), 96.

5. Aydinoglu, A. C. (2010). Examining Environmental Condition On The Growth Areas Of Turkish Hazelnut (Corylus Colurna L.). African Journal Of Biotechnology, 9(39), 6492-6502.

Cited by 3 articles. 订阅此论文施引文献订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献

1. Python-based evaluation of road network constraints for electric scooters and bicycles: Izmit Example;International Journal of Engineering and Geosciences;2024-02-15

2. Arazi kullanımı ve Arazi Örtüsü Değişikliklerinin Uzaktan Algılama ve CBS Yöntemi ile İzlenmesi: Mersin, Türkiye Örneği;Türkiye Coğrafi Bilgi Sistemleri Dergisi;2023-06-30

3. Evaluation of Land Suitability for Olive (Olea europaea L.) Cultivation Using the Random Forest Algorithm;Agriculture;2023-06-07