SavedAdd your journal

Journals / Geomatik / 2021 / Cilt: 6 - Sayı: 2

Fındık Bahçelerinin Sentinel-2 Verileri Kullanılarak Piksel Tabanlı Sınıflandırma Yöntemleriyle Belirlenmesi

Ceyhun Apaydın
Saygın Abdikan
Journal
Geomatik
Pages
107–114
Publication Date
2022-10-19
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sınıflandırmalara ilişkin genel doğruluk değerleri RO, K-EYK ve DVM algoritmaları için sırasıyla 85,3870, 87,5398 ve 91,0948 olarak tespit edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Dünyada fındık üretiminin yaklaşık %75’ini Türkiye sağlamaktadır.
📊
Key Findings & Data:Bu nedenle fındık alanlarının doğru bir şekilde belirlenmesi, üretilecek fındık miktarının ve verimlilik çalışmaları için önemlidir.
💡
Conclusion & Impact:Sınıflandırmalara ilişkin genel doğruluk değerleri RO, K-EYK ve DVM algoritmaları için sırasıyla 85,3870, 87,5398 ve 91,0948 olarak tespit edilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2019 Verileri
⚙️Variables:Fındık · Rastgele Orman · Sentinel-2

Özet

Dünyada fındık üretiminin yaklaşık %75’ini Türkiye sağlamaktadır. Bu nedenle fındık alanlarının doğru bir şekilde belirlenmesi, üretilecek fındık miktarının ve verimlilik çalışmaları için önemlidir. Bu çalışmada 02.07.2019 tarihli Sentinel-2 uydu görüntüsü kullanılarak fındık bahçelerinin belirlenmesi amaçlanmıştır. Bu kapsamda çalışma alanı olarak Trabzon ili Beşikdüzü ilçesi, uygulama alanı olarak ilçe merkezi seçilmiştir. Uygulama alanına ait görüntü arazi tespit çalışması için piksel tabanlı görüntü sınıflandırma yöntemi kullanılmıştır. Fındık bahçelerinin belirlenmesi için üç farklı makine öğrenme algoritması rastgele orman (RO), K en yakın komşu (K-EYK) ve destek vektör makineleri (DVM) ele alınmıştır. Sınıflandırmalara ilişkin genel doğruluk değerleri RO, K-EYK ve DVM algoritmaları için sırasıyla 85,3870, 87,5398 ve 91,0948 olarak tespit edilmiştir.

🔖

Cite This Article

Apaydın, C., Abdikan, S. (2022). Fındık Bahçelerinin Sentinel-2 Verileri Kullanılarak Piksel Tabanlı Sınıflandırma Yöntemleriyle Belirlenmesi. Geomatik, Cilt: 6 - Sayı: 2, 107–114. https://ajindex.com/articles/524703

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Abdikan S., Bilgin G., Sanli F.B., Uslu E., Ustuner M. (2015) - Enhancing land use classification with fusing dual-polarized TerraSAR-X and multispectral RapidEye data. Journal of Applied Remote Sensing, 9: 096054-096054.
  2. Adam, E., Mutanga, O., Odindi, J, Abdel-Rahman, E.M. (2014). Land-Use/Cover Classification İn A Heterogeneous Coastal Landscape Using Rapideye İmagery: Evaluating The Performance Of Random Forest And Support Vector Machines Classifiers. Int. J. Remote Sens. 2014, 35, 3440–3458.
  3. Akar, Ö., Güngör, O., (2013). Eş Dizimlilik Matrisi Ve Rastgele Orman Sınıflandırıcısı İle Çay Ve Fındık Alanlarının Sınıflandırılması, Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB’2013), 23-25 Mayıs 2013,
  4. KTÜ, Trabzon. Akbulut, Y., Sengur, A,. Guo, Y., Smarandache, F. (2017). NS-k-NN: Neutrosophic Set-Based k-Nearest Neighbors classifier. Symmetry 2017, 9, 179 Breiman, L. (2001). Random forests,machine learning, 2001 Kluwer Academic Publishers, 45(1), 5-32.
  5. Comert, R., Matcı, D.K., Avdan U. (2019). Object Based Burned Area Mapping with Random Forest Algorithm, International Journal of Engineering and Geosciences (IJEG), 4 (2), 078-087
  6. Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P. ve Martimort, P. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services, Remote Sens. Environ.,no. 120, p. 25–36.
  7. Duda, R., Hart, P. (1973). Pattern Classification and Scene Analysis; John Wiley & Sons: New York, NY, USA, 1973.
  8. Franco-Lopez, H., Ek, A.R., Bauer, M.E. (2001). Estimation and mapping of forest stand density, volume and cover type using the k-Nearest Neighbors method. Remote Sens. Environ. 2001, 77, 251–274.
  9. Genbatu G., Zhongjie S., Yuanjun Z., Xiaohui Y., Yuguang H. (2020). Land use/cover classification in an arid desert-oasis mosaic landscape of China using remote sensed imagery: Performance assessment of four machine learning algorithms, Conservation Volume, June 2020, e00971 Ghosh, A., Joshi, P.K. A. (2014). Comparison Of Selected Classification Algorithms For Mapping Bamboo Patches İn Lower Gangetic Plains Using Very High Resolution Worldview 2 İmagery. Int. J. Appl. Earth Obs. Geoinf. 2014, 26, 298–311.
  10. Gupta, N. and Bhadauria, H.S, (2014). Object Based Information Extraction from High Resolution Satellite Imagery using eCognition, International Journal of Computer sciences Issues, Vol. 11, 3, No. 2, 139-144.
  11. He, H., Garcia, E.