Affiliation:
1. TARIM VE ORMAN BAKANLIĞI
Abstract
Bu çalışmada, Sentinel-1 Sentetik Açıklıklı Radar (Synthetic Aperture Radar-SAR) ve Sentinel-2 (Multispektral) verilerinin, sınıflandırma ile tarımsal ürün deseni tespitine olan etkisi araştırılmıştır. Çalışma alanı Çukurova Ovası sınırları içerisinde bulunan yaklaşık 2200 km2’lik alanı kapsamaktadır. Çalışma kapsamında 2021 yılına ait çok zamanlı Sentinel-1 ve Sentinel-2 görüntüleri ile aşırı gradyan arttırma (XGBoost) algoritması kullanılarak mısır, pamuk, buğday, ayçiçeği, karpuz, yer fıstığı ve narenciye ağaçlarının yanı sıra, buğdaydan sonra ekilen ikinci ürün mısır, soya ve pamuk ürünlerini içeren tarımsal ürün desen sınıflandırması yapılmıştır. Çalışmada referans parsel olarak Çiftçi Kayıt Sistemi (ÇKS)’ne kayıtlı parseller kullanılmış olup, ÇKS verisinin yer doğruluk verisi olarak kullanılmasından önce ön düzenleme ve kural tabanlı silme işlemleri gerçekleştirilmiş, ardından hatalı ve yanlış beyanlar elemine edilmiştir. Çalışmada yalnızca Sentinel-1 verileri ile (VH, VV, VH/VV) yapılan sınıflandırma sonucu genel doğruluk değeri %72.3, yalnızca Sentinel-2 verileri ile (R, G, B, NIR, NDVI) yapılan sınıflandırma sonucu genel doğruluk değeri %87.2, Sentinel-1 ve Sentinel-2 verilerinin birlikte kullanıldığı sınıflandırma sonucunda ise genel doğruluk değeri %92.1 olarak hesaplanmıştır. Sınıflandırma çalışması ürün bazında incelendiğinde en düşük doğruluğu yine sadece Sentinel-1 verileri ile hesaplanan sınıflara ait iken, en yüksek doğruluk oranı Sentinel-1 ve Sentinel-2 verilerinin birlikte kullanıldığı sınıflandırmaya ait olduğu tespit edilmiştir. Özellikle çok yakın fenolojik dönemlere sahip olan ikinci ürünlerde Sentinel-1 ve Sentinel-2 verilerinin birlikte kullanılmasının, başarım oranını oldukça arttığı tespit edilmiştir.
Reference40 articles.
1. Acar, E., & Altun, M. (2021). Classification of the agricultural crops using landsat-8 NDVI parameters by support vector machine. Balkan Journal of Electrical and Computer Engineering, 9(1), 78-82. https://doi.org/10.17694/bajece.863147
2. Altun, M., & Turker, M. (2022). Integration of Sentinel-1 and Landsat-8 images for crop detection: The case study of Manisa, Turkey. Advanced Remote Sensing, 2(1), 23-33.
3. Bağcı, R. Ş., Acar, E., & Türk, Ö. (2023). Identification of cotton and corn plant areas by employing deep transformer encoder approach and different time series satellite images: A case study in Diyarbakir, Turkey. Computers and Electronics in Agriculture, 209, 107838. https://doi.org/10.1016/j.compag.2023.107838
4. Bort Escabias, C. (2017). Tree Boosting Data Competitions with XGBoost [Master's thesis, Universitat Politècnica de Catalunya].
5. Cai, Y., Lin, H., & Zhang, M. (2019). Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data. Advances in Space Research, 64(11), 2233-2244.
https://doi.org/10.1016/j.asr.2019.08.042
Cited by
1 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