Dergiler / Türk Uzaktan Algılama ve CBS Dergisi / 2022 / Cilt: 3 - Sayı: 2

Google Earth Engine Üzerinde Sentinel-2 Görüntülerinin Arazi Örtüsü Haritalama Doğruluğunun İyileştirilmesi

Improving the Land Cover Mapping Accuracy of the Sentinel-2 Imagery on Google Earth Engine

Sayfa
150–159
Yayın Tarihi
2022-09-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Trabzon ilinin şehir merkezinin çalışma bölgesi olarak seçildiği bu çalışmada, Rastgele Orman (RF) sınıflandırma algoritması kullanılarak üretilen arazi örtüsü haritasının doğruluğu kullanılan yardımcı veriler ile %83.51'den %92.78'e yükseltilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yeryüzü nesnelerinin başarılı bir şekilde izlenmesi, planlanması ve yönetimi için yüksek doğruluklu arazi örtüsü bilgisi gereklidir.
📊
Temel Bulgular & Veri:Bu çalışma, Sentinel-2 uydu görüntüsü ile üretilmiş bir arazi örtüsü haritasının doğruluğunu artırmayı amaçlamaktadır.
💡
Sonuç & Katkı:Trabzon ilinin şehir merkezinin çalışma bölgesi olarak seçildiği bu çalışmada, Rastgele Orman (RF) sınıflandırma algoritması kullanılarak üretilen arazi örtüsü haritasının doğruluğu kullanılan yardımcı veriler ile %83.51'den %92.78'e yükseltilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Google Earth Engine · Arazi örtüsü haritalama · Görüntü sınıflandırma

Özet

Yeryüzü nesnelerinin başarılı bir şekilde izlenmesi, planlanması ve yönetimi için yüksek doğruluklu arazi örtüsü bilgisi gereklidir. Ücretsiz erişilebilen uydu görüntüleri sayesinde, birçok uygulamada temel altlık verisi olarak kullanılabilen yüksek doğruluklu tematik haritaların oluşturulmasına yönelik çalışmalar yoğunlaşmıştır. Bulut tabanlı Google Earth Engine (GEE) platformu, bu tür uydu görüntülerine erişmeyi, depolamayı ve işlemeyi kolaylaştırmaktadır. Bu çalışma, Sentinel-2 uydu görüntüsü ile üretilmiş bir arazi örtüsü haritasının doğruluğunu artırmayı amaçlamaktadır. Bu amaçla, ilk aşamada, çalışma alanı Sentinel-2 verilerinin yalnızca geleneksel bantları kullanılarak sınıflandırılmıştır. Daha sonra, sınıflandırma doğruluğunu iyileştirmek için Sentinel-2 görüntüsünün geleneksel bantlarına Sentinel-1 Yapay Açıklıklı Radar (SAR) verisi, Gelişmiş Arazi Gözlem Uydusu (ALOS) 3 boyutlu sayısal yükseklik modeli verileri, çeşitli spektral indeksler ve Gri Seviyeli Eşdizimlilik Matrisi (GLCM) özellikleri eklenerek çok kaynaklı bir sınıflandırma prosedürü geliştirilmiştir. Trabzon ilinin şehir merkezinin çalışma bölgesi olarak seçildiği bu çalışmada, Rastgele Orman (RF) sınıflandırma algoritması kullanılarak üretilen arazi örtüsü haritasının doğruluğu kullanılan yardımcı veriler ile %83.51'den %92.78'e yükseltilmiştir.

Abstract

Accurate land cover information is necessary for successful monitoring, planning and management of the land cover features. Thanks to free-access satellite images, studies have focused on the creation of more accurate thematic maps, which have been used as a base data in many applications. The cloud-based Google Earth Engine (GEE) service makes it easier to access, store and process these satellite images. This study aims to improve the accuracy of a land cover map produced with the Sentinel-2 satellite image. For this purpose, as the very first step, study site was classified using only traditional bands of the Sentinel-2 data. To improve the classification accuracy, Sentinel-1 Synthetic Aperture Radar (SAR) data, Advanced Land Observing Satellite (ALOS) World 3D data, various spectral indices and gray-level co-occurrence matrix (GLCM) features were added to the traditional bands of the Sentinel-2 data, leading to a multi-source classification process. In this study, where the city center of Trabzon was selected as the study area, the accuracy of the land cover map produced using the Random Forest (RF) classification algorithm was increased from 83.51% to 92.78% with the auxiliary data used.

🔖

Bu Makaleye Atıf Yap

YILMAZ, Ç. Ş. (2022). Google Earth Engine Üzerinde Sentinel-2 Görüntülerinin Arazi Örtüsü Haritalama Doğruluğunun İyileştirilmesi. Türk Uzaktan Algılama ve CBS Dergisi, Cilt: 3 - Sayı: 2, 150–159. https://ajindex.com/articles/706817

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Akar, A., Gökalp, E., Akar, Ö., & Yılmaz, V. (2017). Improving classification accuracy of spectrally similar land covers in the rangeland and plateau areas with a combination of WorldView-2 and UAV images. Geocarto International, 32(9), 990-1003.
  2. Akar, Ö., & Güngör, O. (2012). Classification of multispectral images using Random Forest algorithm. Journal of Geodesy and Geoinformation, 1(2), 105-112.
  3. Amani, M., Salehi, B., Mahdavi, S., Granger, J. E., Brisco, B., & Hanson, A. (2017). Wetland classification using multi-source and multi-temporal optical remote sensing data in Newfoundland and Labrador, Canada. Canadian Journal of Remote Sensing, 43(4), 360-373.
  4. Ayhan, B., & Kwan, C. (2020). Tree, shrub, and grass classification using only RGB images. Remote Sensing, 12(8), 1333. doi: 10.3390/rs12081333. Birhanu, L., Hailu, B. T., Bekele, T., & Demissew, S. (2019). Land use/land cover change along elevation and slope gradient in highlands of Ethiopia. Remote Sensing Applications: Society and Environment, 16, 100260. doi: 10.1016/j.rsase.2019.100260. Chen, D., Shevade, V., Baer, A., He, J., Hoffman-Hall, A., Ying, Q.,. & Loboda, T. V. (2021). A disease control-oriented land cover land use map for Myanmar. Data, 6(6), 63-78.
  5. Chen, W., Liu, L., Zhang, C., Wang, J., Wang, J., & Pan, Y. (2004, September). Monitoring the seasonal bare soil areas in Beijing using multitemporal TM images. In IGARSS 2004 - 2004 IEEE International Geoscience and Remote Sensing Symposium (Vol. 5, pp. 3379-3382).
  6. IEEE. Chong, L. U. O., Liu, H. J., Lu, L. P., Liu, Z. R., Kong, F. C., & Zhang, X. L. (2021). Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine. Journal of Integrative Agriculture, 20(7), 1944-1957.
  7. Congalton, R. G. (1991). A review of assessing the accuracy of classifications of remotely sensed data. Remote sensing of environment, 37(1), 35-46.
  8. Congalton, R. G., & Green, K. (2019). Assessing the accuracy of remotely sensed data: principles and practices. Boca Raton, FL: CRC press. Conners, R. W., Trivedi, M. M., & Harlow, C. A. (1984). Segmentation of a high-resolution urban scene using texture operators. Computer Vision, Graphics, and Image Processing, 25(3), 273-310.
  9. Coulter, L. L., Stow, D. A., Tsai, Y. H., Ibanez, N., Shih, H. C., Kerr, A.,. & Mensah, F. (2016). Classification and assessment of land cover and land use change in southern Ghana using dense stacks of Landsat 7 ETM+ imagery. Remote Sensing of E