Google Earth Engine ile arazi kullanımı haritalarının üretimi

Amaç & Hipotez:Sürekli gelişen şehirler, nüfus artışı ve iklimsel koşullar gibi ekosistem de meydana gelen olumsuz etkenler ile arazi kullanımı değişime uğramaktadır.

📊

Temel Bulgular & Veri:Bu amaçla 01/01/2019 ve 01/01/2020 tarihleri arasında Landsat 8, Sentinel 1 ve Sentinel 2 uyduları tarafından çekilen tüm görüntüler kullanılmıştır.

💡

Sonuç & Katkı:Bu kombinasyonda toplam doğruluk 96.62 ve kappa katsayısı 95.76 olmuştur.

🔬Tür:Araştırma Makalesi

📍Kapsam:2019 Verileri

⚙️Değişkenler:Arazi kullanım haritaları · Eskişehir · Google Earth Engine

Özet

Sürekli gelişen şehirler, nüfus artışı ve iklimsel koşullar gibi ekosistem de meydana gelen olumsuz etkenler ile arazi kullanımı değişime uğramaktadır. Uzaktan algılama uyduları tarafından üretilen veriler, yeryüzü araştırmalarda önemli bir rol oynamaktadır. Arazi örtüsü/kullanımı haritaları bu veriler kullanılarak hazırlanmaktadır. Arazi örtüsü haritaları, su ve biyokimyasal döngüler, enerji değişimleri veya biyolojik çeşitlilik değişiklikleri gibi çevresel süreçleri daha iyi anlamamıza yardımcı olur. Bu çalışma, Google Earth Engine bulut platformunda arazi kullanım haritalarının üretilebilirliğini test etmek amacıyla gerçekleştirilmiştir. Bu amaçla 01/01/2019 ve 01/01/2020 tarihleri arasında Landsat 8, Sentinel 1 ve Sentinel 2 uyduları tarafından çekilen tüm görüntüler kullanılmıştır. Daha sonra 5 farklı endeks; NDVI (Normalleştirilmiş fark bitki örtüsü endeksi), EVI(Gelişmiş Bitki Örtüsü Endeksi), NDWI (Normalleştirilmiş fark su endeksi), NDBI (Normalleştirilmiş fark oluşturma indeksi) ve UI (Kentsel indeks) hesaplanmış ve 19 farklı veri kombinasyonu dikkate alınmıştır. Daha sonra bu kombinasyonların her biri Destek Vektör Makineleri yöntemi(LibSVM) kullanılarak 5 sınıfa (Şehir alanı-yollar, su, ormanlık-koruluk, tarım dışı araziler ve tarım arazileri) ayrılmıştır. Her sınıflandırma için genel doğruluk ve Kappa Katsayısı hesaplanmış ve sonuçlar karşılaştırılmıştır. En iyi sınıflandırma, Landsat8, Sentinel-2, Sentinel-1 (VV), Landsat 8'den NDVI, Sentinel-2'den NDVI, NDBI, UI ve NDWI veri kombinasyonuna aittir. Bu kombinasyonda toplam doğruluk 96.62 ve kappa katsayısı 95.76 olmuştur.

Abstract

Land use are changing due to negative factors occurring in the ecosystem such as continuously developing cities, population growth, and climatic conditions. Data produced by remote sensing satellites play an essential role in ground-based research. Land cover maps are prepared using this data. Land cover maps help us better understand environmental processes such as water and biogeochemical cycles, energy changes, or biodiversity changes. This study was carried out to test the producibility of land use maps on the Google Earth Engine cloud platform. All images acquired between 01/01/2019 and 01/01/2020 from Landsat 8, Sentinel 1, and Sentinel 2 were used in this study. Then 5 different indices NDVI, NDWI, NDBI, Ui, and EVI were calculated, and 19 different combinations of data were considered. Then, for each of these combinations, classification was performed by the LibSVM method in 5 classes: Urban Roads, Water, Forest-Grove, Non-agricultural Lands, and Agricultural Lands. Overall Accuracy and Kappa Coefficient were calculated for each classification, and results were compared. The best classification with Overall Accuracy 96.62 and Kappa Coefficient 95.76 belongs to the data combination of Landsat 8, Sentinel-1(VV), Sentinel-2, NDVI, NDBI, UI and NDWI from Sentinel-2 and NDVI from Landsat 8.

Anahtar kelimeler

Arazi kullanım haritaları Eskişehir Google Earth Engine kontrollü sınıflandırma uzaktan algılama Land use maps Supervised classification Remote sensing

🔖

Bu Makaleye Atıf Yap

AGHLMAND, M., KALKAN, K., ONUR, M. İ., ÖZTÜRK, G., ULUTAK, E. (2021). Google Earth Engine ile arazi kullanımı haritalarının üretimi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 10 - Sayı: 1, 38–47. https://ajindex.com/articles/290060

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

J. Liu, C. Zhang, L. Kou, and Q. Zhou, Effects of climate and land use changes on water resources in the Taoer river. Advances in Meteorology, 2017, Article ID 1031854, 13 pages 2017. https://doi.org/10.1155/ 2017/1031854 G. Cai, H. Ren, L. Yang, N. Zhang, M. Du, and C. Wu, Detailed urban land use land cover classification at the metropolitan scale using a three-layer classification scheme. Sensors, 19(14), 3120, 2019. https://doi.org/ 10.3390/s19143120 A. A. Vaighan, N. Talebbeydokhti, and A. M. Bavani, Assessing the impacts of climate and land use change on streamflow, water quality and suspended sediment in the Kor River Basin, Southwest of Iran. Environ Earth Sci, 76(15), 543, 2017. https://doi.org/10.1007 /s12665-017-6880-6
L. Li, Y. Chen, X. Yu, R. Liu, and C. Huang, Sub-pixel flood inundation mapping from multispectral remotely sensed images based on discrete particle swarm optimization. ISPRS J. Photogramm. Remote Sens., 101, 10–21, 2015. https://doi.org/10.1016/j.isprsjprs. 2014.11.006 X. Zhang, L. Han, L. Han, and L. Zhu, How well do deep learning-based methods for land cover classification and object detection perform on high resolution remote sensing imagery?. Remote Sens., 12(3), 417, 2020. https://doi.org/10.3390/rs12030417
C. Zhang, P. A. Harrison, X. Pan, H. Li, I. Sargent, and P. M. Atkinson, Scale Sequence Joint Deep Learning (SS-JDL) for land use and land cover classification. Remote Sens. Environ., 237:111593, 2020. https://doi.org/10.1016/j.rse.2019.111593
C. Zhang, S. Wei, S. Ji, and M. Lu, Detecting large-scale urban land cover changes from very high resolution remote sensing images using cnn-based classification. ISPRS Int J Geo-Information, 8(4), 189, 2019. https://doi.org/10.3390/ijgi8040189
K. Hussein, K. Alkaabi, D. Ghebreyesus, M. U. Liaqat, and H. O. Sharif, Land use/land cover change along the Eastern Coast of the UAE and its impact on flooding risk. Geomatics, Nat Hazards Risk, 11(1), 112–30, 2020. https://doi.org/10.1080/19475705.2019.1707718
E. F. Lambin, H. J. Geist, and E. Lepers, Dynamics of land-use and land-cover change in tropical regions. Annu. Rev. Environ. Resour., 28(1), 205–41, 2003. https://doi.org/10.1146/annurev.energy.28.050302.105459
Essential Climate Variables, World Meteorological Organization (WMO). https://public.wmo.int/en/ programmes/global-climate-observing-system/essential-climate-variables Accessed: Jan. 05, 2021.
N. Pettorelli et al., Framing the concept of satellite remote sensing essential biodi