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

Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü / arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu

Sayfa
79–90
Yayın Tarihi
2023-04-10
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)

PRISMA görüntüsünün sınıflandırma sonuçlarında spektral çözünürlüğün katkısı nedeniyle sınıfların büyük bölümünde Sentinel-2 sonuçlarına göre daha yüksek doğruluğa ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Dünya gözlem uydularının gelişmesiyle Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) sınıflandırması, ekosistemleri izlemede ve kaynak yönetiminde değerli bilgiler sağlayan önemli bir uygulama haline gelmiştir.
📊
Temel Bulgular & Veri:Bu çalışmada Marmara Denizi’ne önemli ölçüde deşarjı olan Susurluk Nehri ve çevresine ait 13.05.2021 tarihli PRISMA ve 14.05.2021 tarihli Sentinel-2 görüntülerinden sınıflandırma ile ekili tarım alanı, boş arazi, orman, yerleşim & sanayi, yol, göl, akarsu, bataklık sınıfları belirlenmiş ve sonuçları karşılaştırılmıştır.
💡
Sonuç & Katkı:PRISMA görüntüsünün sınıflandırma sonuçlarında spektral çözünürlüğün katkısı nedeniyle sınıfların büyük bölümünde Sentinel-2 sonuçlarına göre daha yüksek doğruluğa ulaşılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2021 Verileri
⚙️Değişkenler:PRISMA · Sentinel · AÖ/AK

Özet

Dünya gözlem uydularının gelişmesiyle Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) sınıflandırması, ekosistemleri izlemede ve kaynak yönetiminde değerli bilgiler sağlayan önemli bir uygulama haline gelmiştir. Multispektral görüntüler ile AÖ/AK sınıfları belirli detayda çıkartılabilirken bazı uygulamalarda spektral çözünürlük nedeniyle sınıfların ayırt edilebilirliğinde problemler ortaya çıkabilmektedir. Hiperspektral uydu görüntüleri yüksek spektral çözünürlük sağladıklarından sınıfların ayırt edilebilirliğini arttırmaktadır. Bu çalışmada Marmara Denizi’ne önemli ölçüde deşarjı olan Susurluk Nehri ve çevresine ait 13.05.2021 tarihli PRISMA ve 14.05.2021 tarihli Sentinel-2 görüntülerinden sınıflandırma ile ekili tarım alanı, boş arazi, orman, yerleşim & sanayi, yol, göl, akarsu, bataklık sınıfları belirlenmiş ve sonuçları karşılaştırılmıştır. Öncelikle, Sentinel-2 görüntüsü 30 m mekânsal çözünürlüğe yeniden örneklenmiştir. Her iki görüntünün orijinal veri setleri, görüntülere temel bileşenler analizi (TBA) ve minimum gürültü fraksiyonu (MGF) uygulanmış veri setleri olmak üzere toplamda altı veri setine Maksimum Olabilirlik algoritması (MOA) ve Destek Vektör Makineleri (DVM) yöntemleri uygulanmıştır. Doğruluk analizinde, hesaplanan F1 puanı, hassasiyet ve geri çağırma metrik sonuçları karşılaştırılmıştır. PRISMA veri setlerine MOA uygulanan görüntüler incelendiğinde, en düşük ortalama F1 puan değeri (0.712) orijinal görüntünün sınıflandırma sonucunda elde edilirken en yüksek değer (0.924) TBA sonucunun sınıflandırılması ile elde edilmiştir. Bunun sebebi, hiperspektral verilerde boyut indirgeme yöntemlerinin uygulanarak korelasyonu yüksek bantların elimine edilmesidir. PRISMA görüntüsünün sınıflandırma sonuçlarında spektral çözünürlüğün katkısı nedeniyle sınıfların büyük bölümünde Sentinel-2 sonuçlarına göre daha yüksek doğruluğa ulaşılmıştır.

🔖

Bu Makaleye Atıf Yap

TIRMANOĞLU, B., İSMAİLOĞLU, İ., KOKAL, A. T., MUSAOĞLU, N. (2023). Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü / arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu. Geomatik, Cilt: 8 - Sayı: 1, 79–90. https://ajindex.com/articles/878517

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  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.
  2. Aizerman, M. A. (1964). Theoretical foundations of the potential function method in pattern recognition learning. Automation and remote control, 25, 821-837.
  3. 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.
  4. Akça, M. D., & Doğan, S. (2002). Sayısal görüntülerde ana bileşenler dönüşümü. Harita dergisi, 69(128), 1-15.
  5. Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114. ASI, (2020). PRISMA Products Specification Document, [Erişim Tarihi: 10.05.2022], http://prisma.asi.it/missionselect/docs/PRISMA%20Product%20Specifications_Is2_3.pdf ASI, (2022).
  6. Hyperspectral Satellite, Capable of Observing from the Optical to the Near Infrared, Roma, [Erişim Tarihi: 12.05.2022], https://www.asi.it/en/earth-science/prisma/
  7. Awad, M., & Khanna, R. (2015). Support vector machines for classification. In Efficient learning machines (pp. 39-66).
  8. Apress, Berkeley, CA. Cattell, R. B. (1966). The scree test for the number of factors. Multivariate behavioral research, 1(2), 245-276.
  9. Çetin, M. (2007). Sündiken Kütlesi’ndeki Yükselti-İklim Kuşaklarının ve Orman Toplumlarının Özelliklerinin Uydu Görüntüleri ile Belirlenmesi. Doktora Tezi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 146p. Clevers, J. G. P. W. (2000).
  10. Centre for Geo Information, Maximum likelihood classification. Wageningen University and Research Centre, Hollanda. [Erişim Tarihi: 12.05.2022]: http://www.geo-informatie.nl/courses/grs20306/lectures/default.htm
  11. Çömert, R., Matcı, D. K., & Avdan, U. (2019). Object based burned area mapping with random forest algorithm. International Journal of Engineering and Geosciences, 4(2), 78-87. Copernicus, (2022). Copernicus Open Access Hub, [Erişim Tarihi: 11.05.2022], https://scihub.copernicus.eu/dhus/#/home
  12. Dabiri, Z., & Lang, S. (2018). Comparison of independent component analysis, principal component analysis, and minimum noise fraction transformation for tree species classification using APEX hyperspectral imagery. ISPRS International Journal of Geo-Information, 7(12), 488.