SavedAdd your journal

Journals / Geomatik / 2023 / Cilt: 8 - Sayı: 1

Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi

Esma EFE
Ugur ALGANCI
Journal
Geomatik
Pages
27–34
Publication Date
2023-04-10
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)

Çalışma sonucunda yüzde 83,88 doğruluk oranı ile Temel Bileşen Analizi-Regresyon Ağacı yöntem ikilisinin en yüksek doğruluk sağlayan yaklaşım olduğu ortaya konmuştur.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yeryüzündeki değişimin saptanması ve izlenmesi her zaman dikkate değer bir konu olmuştur.
📊
Key Findings & Data:Zaman içinde insan faaliyetleri genişlemiş ve arazi örtüsünde bu faaliyetlerin etkisi açıkça görülmüştür.
💡
Conclusion & Impact:Çalışma sonucunda yüzde 83,88 doğruluk oranı ile Temel Bileşen Analizi-Regresyon Ağacı yöntem ikilisinin en yüksek doğruluk sağlayan yaklaşım olduğu ortaya konmuştur.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Uzaktan Algılama · Sentinel 2 · LandCover 2.0

Özet

Yeryüzündeki değişimin saptanması ve izlenmesi her zaman dikkate değer bir konu olmuştur. Zaman içinde insan faaliyetleri genişlemiş ve arazi örtüsünde bu faaliyetlerin etkisi açıkça görülmüştür. Sanayi faaliyetlerinin artması, yerleşimin fazlalaşması gibi konular nedeniyle arazi örtüsündeki değişimi izlenmesi ve takip edilmesi karar vericiler açısından kritik bir konu haline gelmiştir. Uzaktan algılama alanında bu konu ile ilgili çokça çalışma yapılmış ve yeryüzündeki değişimin en doğru sonuçla belirlenmesi için yöntemler ve araçlar sürekli gelişim göstermiştir. Çalışma kapsamında, Kocaeli ilinde şehirleşme ve tarımsal faaliyete bağlı olarak gelişen arazi örtüsü değişimini LandCover 2.0 standartlarına göre dinamik değişim belirleme çerçevesinde saptamak için çok zamanlı Sentinel 2 uydu görüntüleri kullanılarak Yerleşim İndisi-Rastgele Orman, Temel Bileşen Analizi-Rastgele Orman, Yerleşim İndisi-Regresyon Ağacı ve Temel Bileşen Analizi-Regresyon Ağacı olmak üzere dört farklı veri indirgeme – sınıflandırma yöntem kombinasyonlarının başarımı karşılaştırmalı olarak değerlendirilmiştir. Google Earth Engine platformu üzerinde gerçekleştirilen sınıflandırma analizlerinin sonuçları tematik harita haline getirilmiş ve doğruluk değerlendirmesi gerçekleştirilmiştir. Çalışma sonucunda yüzde 83,88 doğruluk oranı ile Temel Bileşen Analizi-Regresyon Ağacı yöntem ikilisinin en yüksek doğruluk sağlayan yaklaşım olduğu ortaya konmuştur.

🔖

Cite This Article

EFE, E., ALGANCI, U. (2023). Çok zamanlı Sentinel 2 uydu görüntüleri ve makine öğrenmesi tabanlı algoritmalar ile arazi örtüsü değişiminin belirlenmesi. Geomatik, Cilt: 8 - Sayı: 1, 27–34. https://ajindex.com/articles/878511

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (7)

  1. Ahady, A. B., & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31. Akar Ö & Güngör O (2012). Rastgele orman algoritması kullanılarak çok bantlı görüntülerin sınıflandırılması. Jeodezi ve Jeoinformasyon Dergisi, 1(2), 139-146.
  2. Akar, Ö., & Tunç Görmüş, E. (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68-81.
  3. Alganci, U. (2019). Dynamic Land Cover Mapping of Urbanized Cities with Landsat 8 Multi-temporal Images: Comparative Evaluation of Classification Algorithms and Dimension Reduction Methods. ISPRS International Journal of Geo-Information, 8(3), 139. Anderson, J. R., Hardy, E. E., Roach, J. T., & Witmer, R. E. (1976). A Land Use and Land Cover Classification System for Use with Remote Sensor Data; Professional Paper 964; US Geological Survey Government Printing Office: Washington, DC, USA. Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. Bégué A, Arvor D, Bellon B, Betbeder J, De Abelleyra D P D. Ferraz R, Lebourgeois V, Lelong C, Simões M R & Verón S (2018). Remote Sensing and Cropping Practices: A Review. Remote Sensing, 10(1), 99. Belgiu, M., & Dragut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31 Belward AS & Skoien JO (2015). Who launched what, when and why; trends in global land-cover observation capacity from civilian earth observation satellites. ISPRS Journal of Photogrammetry and Remote Sensing, 103, 115-128.
  4. Bishop, C. M. (2006). Pattern recognition and machine learning, Springer. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Routledge. Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
  5. Breiman, L., & Cutler, A. (2005), Random forest, http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm, erişim tarihi:16.01.2021.
  6. Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1), 35-46.
  7. Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: principles and prac