Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışma metodolojik yaklaşımı itibari ile yüksek radyometrik ve alansal çözünürlüklü uydu görüntüleri zaman serileriyle, CBS ve uzaktan algılama teknolojilerinin birlikte kullanılması, ürün uzmanları tarafından gerçekleştirilen arazi gözlemlerinin de algoritmalara dahil edilmesiyle, ürün ekiliş alanlarının daha hassas belirlenebileceğini, ancak büyük alanlarda bölgesel algoritmaların geliştirilmesi gerektiğini ortaya koymuştur.
📌 3 Maddede Bu Makale
Özet
Bu çalışmadaki amaç, ürün gelişme döngüsü fenolojik dönemlerini temsilen, yüksek çözünürlüklü SENTINEL-2A uydu görüntüleri zaman serisi yardımı ile ayçiçeği ekiliş alanlarının belirlenmesine yönelik bir metodolojinin geliştirilmesi ve Kırklareli ili bazında uygulanmasıdır. Uydu görüntüleri ve bitki vejetasyon indisi (NDVI) zaman serileri yardımı ile fenolojik dönemleri temsil eden spektral bilgiler elde edilmiş ve bu bilgilere dayalı olarak nesne tabanlı sınıflandırma yaklaşımı geliştirilmiştir. Bu spektral bilgilerin yanında, nesne biçim kriterleri ve yardımcı diğer tematik haritaların kullanılmasıyla segmentasyon ve sınıflandırma karar ağacı algoritmaları üretilmiştir. Segmentasyonda en iyi performans “multiresolution” yönteminde, “Canny edge” tarım parselleri kenar belirleme katmanının etki ağırlık katsayısının artırılmasıyla sağlanmıştır. Elde edilen parselasyon üzerinden nesne tabanlı sınıflandırma gerçekleştirilmiştir. Oluşturulan sınıflandırma karar ağacı algoritmaları ile önce yazlık, kışlık, nadas ve sürekli yeşil alanlar belirlenmiştir. Daha sonra yazlık ve kışlık ürünler kendi içlerinde, koordinatları arazi çalışmasında belirlenen ürün bazlı öğrenme örnekleri parsel spektral bilgilerine göre sınıflandırılmıştır. Sınıf tanımı yapılamayan ürünler “sınıfsız” grubunda tekrar ikinci bir elemeden geçirilmiş ve sınıflarına atanmıştır. Son aşamada sınıf tanımı yapılamayan parseller “diğer” sınıfı altında toplanmıştır. Standart hata matrisi ve doğruluk analizi sonucuna göre erken ve geç ekim olarak iki sınıfta belirlenen ayçiçeği % 98 (erken ekim) ve %92 (geç ekim) doğruluk seviyesinde sınıflandırılmıştır. Bu çalışma metodolojik yaklaşımı itibari ile yüksek radyometrik ve alansal çözünürlüklü uydu görüntüleri zaman serileriyle, CBS ve uzaktan algılama teknolojilerinin birlikte kullanılması, ürün uzmanları tarafından gerçekleştirilen arazi gözlemlerinin de algoritmalara dahil edilmesiyle, ürün ekiliş alanlarının daha hassas belirlenebileceğini, ancak büyük alanlarda bölgesel algoritmaların geliştirilmesi gerektiğini ortaya koymuştur.
Abstract
The aim of this study is to develop a methodology for determining sunflower cultivated areas with the help of high resolution SENTINEL-2A satellite images time series representing the phenological stages of the crop growth cycle, and its application in Kırklareli province. Spectral information representing phenological periods was obtained with the help of satellite images and normalized difference vegetation index (NDVI) time series, and an object-oriented classification approach was developed based on this spectral information database. Segmentation and classification decision tree algorithms were produced by using this spectral information database, object shape criteria and other auxiliary thematic maps. The best performance in segmentation was achieved by increasing the weight coefficient of the "Canny edge” layer, which is the edge determination layer defined in the multiresolution method of "Canny edge” algorithm to define the agricultural parcels. Object-oriented classification was carried out based on the this segmented parcels. First, summer, winter, fallow and continuous green areas were determined through the classification decision tree algorithms. The summer and winter crops were classified using the parcel spectral information of the crop-based learning samples that allocated in field work. The crops for which class definition could not be made were passed through a second elimination in the "unclassified" group and later assigned to their classes. In the last stage, parcels whose class definition could not be made were named as "other" class. According to the confusion matrix and accuracy analysis results, sunflower, which was determined in two classes as early and late sowing, was classified at 98% and 92% accuracy, respectively.