Dergiler / Geomatik / 2023 / Cilt: 8 - Sayı: 2

Rastgele orman algoritması ve Sentinel-2 MSI ile fındık ekili alanların belirlenmesi: Piraziz Örneği

Sayfa
91–98
Yayın Tarihi
2023-08-15
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)

Veri seti 1 için hesaplanan genel doğruluk %98.98 ve Kappa değeri 0,98 ile diğer dört veri setinden daha yüksek elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Türkiye’de yetiştirilen sert kabuklu meyvelerin başında gelen fındık, özellikle Doğu Karadeniz bölgesi için ekonomik olarak büyük önem taşımaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada, 22 Ekim, 2020 tarihli Sentinel-2 MSI uydu görüntüsü bantları ve hesaplanan indeksler ile oluşturulan farklı veri setleri kullanılarak fındık ekili tarım alanları belirlenmiştir.
💡
Sonuç & Katkı:Veri seti 1 için hesaplanan genel doğruluk %98.98 ve Kappa değeri 0,98 ile diğer dört veri setinden daha yüksek elde edilmiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:2020 Verileri
⚙️Değişkenler:Uzaktan Algılama · Rastgele Orman Sınıflandırması · Sentinel-2 MSI

Özet

Türkiye’de yetiştirilen sert kabuklu meyvelerin başında gelen fındık, özellikle Doğu Karadeniz bölgesi için ekonomik olarak büyük önem taşımaktadır. Bu çalışmada, 22 Ekim, 2020 tarihli Sentinel-2 MSI uydu görüntüsü bantları ve hesaplanan indeksler ile oluşturulan farklı veri setleri kullanılarak fındık ekili tarım alanları belirlenmiştir. Çalışmaya dâhil edilen farklı bitki indekslerinin hesaplanması ile 5 veri seti üretilmiştir. Giresun ili Piraziz ilçesi çalışma bölgesi seçilmiştir. Sınıflandırma işlemi için rastgele orman (RO) görüntü sınıflandırma yöntemi kullanılmıştır. Çalışma alanında 7 farklı Arazi Kullanımı/Arazi Örtüsü (AKAÖ) tipleri tanımlanmıştır. Birinci veri seti için; seçilen Sentinel-2 MSI bantları RO algoritması ile sınıflandırılmıştır. Diğer veri setlerinde sırasıyla; Normalize Edilmiş Fark Bitki Örtüsü İndeksi (NDVI), Yeşil Bant Normalize Edilmiş Fark Bitki Örtüsü İndeksi (GNDVI) ve Normalize Edilmiş Fark Kırmızı Kenar İndeksi (NDVIre) eklenmiştir. 5 veri setine ait sınıflandırma sonuçları hata matrisi kullanılarak karşılaştırılmıştır. McNemar testi sonuçlarına göre her veri seti için sınıflandırma doğruluğu arasındaki farkların istatistiksel olarak anlamlı olmadığı görülmüştür. Veri seti 1 için hesaplanan genel doğruluk %98.98 ve Kappa değeri 0,98 ile diğer dört veri setinden daha yüksek elde edilmiştir.

🔖

Bu Makaleye Atıf Yap

TÜRK, S. T., BALÇIK, F. (2023). Rastgele orman algoritması ve Sentinel-2 MSI ile fındık ekili alanların belirlenmesi: Piraziz Örneği. Geomatik, Cilt: 8 - Sayı: 2, 91–98. https://ajindex.com/articles/886110

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  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. Akar, Ö., & Güngör, O. (2013). Eş Dizimlilik Matrisi ve Rastgele Orman Sınıflandırıcısı ile Çay ve Fındık Alanlarının Sınıflandırılması. Amliana, D. R., Prasetyo, Y., & Sukmono, A. (2016). Analisis Perbandingan Nilai Ndvı Landsat 7 Dan Landsat 8 Pada Kelas Tutupan Lahan (Studi Kasus: Kota Semarang, Jawa Tengah). Jurnal Geodesi Undip, 5(1), 264-274.
  3. Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
  4. Archer, K. J., & Kimes, R. V. (2008). Empirical characterization of random forest variable importance measures. Computational statistics & data analysis, 52(4), 2249-2260.
  5. Aydinoglu, A. C. (2010). Examining environmental condition on the growth areas of Turkish Hazelnut (Corylus Colurna L.). African Journal Of Biotechnology, 9(39), 6492-6502.
  6. Balçık, F. B. (2018). Evaluation Of Sentinel-2 Msi Data for Land Use/Land Cover Classification Using Different Vegetation İndices. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 6, 839-846.
  7. Bayburt, S. (2009). Uydu Görüntülerinin Piksel ve Nesne Tabanlı Sınıflandırma Sonuçlarının Karşılaştırılması (Doğu Trakya Bölgesi Örneği) (Doctoral Dissertation, Fen Bilimleri Enstitüsü). Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 114, 24-31.
  8. Bigler, C., Gavin, D. G., Gunning, C., & Veblen, T. T. (2007). Drought induces lagged tree mortality in a subalpine forest in the Rocky Mountains. Oikos, 116(12), 1983-1994.
  9. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
  10. Brinkhoff, J., Vardanega, J., & Robson, A. J. (2019). Land Cover Classification Of Nine Perennial Crops Using Sentinel-1 And-2 Data. Remote Sensing, 12(1), 96. Congalton, R. G., & Green, K. (2009). Assessing The Accuracy Of Remotely Sensed Data, 2. Baskı,
  11. Crc Press,
  12. New York. Çölkesen, İ., & Yomralıoğlu, T. (2014). Arazi örtüsü ve kullanımının haritalanmasında WorldView-2 uydu görüntüsü ve yardımcı verilerin kullanımı. Harita Dergisi, 152(2), 12-24.
  13. Delen, A., Balık Şanlı, F., (2017), Determination of Cotton Fields By Object-Based Classification Method: A Case Study in Menemen District. Journal Of