Sentinel-1 ve Sentinel-2 Verilerinden Tarımsal Ürün Sınıflandırması İçin Makine Öğrenme Algoritmalarının Karşılaştırılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, Geomatik Mühendisliği A.B.D., Türkiye

Tezin Onay Tarihi: 2019

Tezin Dili: Türkçe

Öğrenci: TİMUÇİN DİZDAROĞLU

Danışman: Mustafa Türker

Özet:

Bu çalışmada, Gediz ovasında yetiştirilen tarımsal yaz ürünlerinin çok zamanlı Sentinel-1 SAR ve Sentinel-2 optik uydu görüntülerinden nesne-tabanlı sınıflandırması için makine öğrenme algoritmalarının karşılaştırması yapılmıştır. Çalışmada kullanılan makine öğrenme algoritmaları KA (Karar Ağacı), RO (Rastgele Orman) ve DVM (Destek Vektör Makineleri) dir. Çalışmada ayrıca Sentinel-1 ve Sentinel-2 uydu görüntülerinin orijinal bantlarına ek olarak NDVI (Normalize Edilmiş Bitki İndeksi Farkı) bitki indeksi bantı ve farklılık (dissimilarity), entropi (entropy), homojenlik (homogeneity), açısal ikinci moment (angular second moment), korelasyon (correlation) ve kontrast (contrast) doku bantları da hesaplanmış ve sınıflandırma işleminde kullanılmıştır.

Çalışmada Sentinel-1 ve Sentinel-2 uydu görüntülerinin, Nisan-Kasım 2017 tarihleri arasında belirlenen 8 tarihe ait görüntüleri kullanılmıştır. Sentinel-1 uydusu için seçilen görüntü tarihleri 13 Nisan, 1 Mayıs, 1 Haziran, 30 Haziran, 31 Temmuz, 5 Eylül, 11 Ekim ve 16 Kasım 2017 iken Sentinel-2 uydu görüntüleri için seçilen görüntü tarihleri 10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım 2017 olarak belirlenmiştir.

Çalışmada öncelikle çoklu çözünürlük görüntü segmentasyonu işlemi yapılarak segmentler oluşturulmuştur. Oluşturulan segmentlerden her segmente ait özellikler hesaplanmıştır. Sınıflandırma işlemi KA, RO ve DVM algoritmalarıyla segment tabanlı gerçekleştirilmiştir. Sınıflandırma işleminde ayrıca Sentinel-1, Sentinel-2 orijinal bantları, doku özellikleri ve NDVI bitki indeksinden oluşan farklı kombinasyonlar kullanılmıştır. Sınıflandırmada yalnız orijinal bantlar kullanıldığında Sentinel-1 görüntüleri için en yüksek sınıflandırma doğruluğu (%90,48) RO algoritması ile elde edilmiştir. Sentinel-2 görüntüleri için yine en yüksek sınıflandırma doğruluğu (%90,96) RO algoritması  ile hesaplanmıştır. Her iki uyduya ait görüntüler birlikte kullanıldığında (Sentinel-1+ Sentinel-2+NDVI) ise, en yüksek doğruluğu (%93,37) DVM algoritması vermiştir. Bu doğruluk oranı çalışmada elde edilen en yüksek sınıflandırma doğruluğudur.

Elde edilen sonuçlara göre özellik kombinasyonları değerlendirdiğinde, doku ve standart sapma bantları sınıflandırma doğruluğunu arttırmamış aksine azaltmıştır. Doğruluktaki bu azalma, kullanılan özellik kombinasyonu ve algoritmaya göre %1 - %5  arasında değişmektedir. Öte yandan, Sentinel-1 orijinal bantlarının, Sentinel-2 bantlarıyla birlikte kullanıldığı kombinasyonlarda Sentinel-1 bantlarının sınıflandırma doğruluğuna olumlu etkisi tüm kombinasyonlarda yaklaşık %1-2 kadar olmuştur. Ayrıca, sadece Sentinel-1 bantlarının kullanıldığı kombinasyonlarda oldukça yüksek doğruluk değerlerine ulaşılmıştır. Son olarak NDVI ortalama değerlerine bakıldığında NDVI bantlarının tüm özellik kombinasyonları ve algoritmalarda doğruluğu arttırıcı etkisi olduğu görülmüştür. Bunun yanı sıra sınıflandırmada yalnızca NDVI bantları kullanıldığında bile yüksek doğruluk değerlerine ulaşılmıştır. Sadece NDVI bantlarının RO algoritmasıyla sınıflandırıldığı işlem sonucunda %92,65 genel doğruluk değeri hesaplanmıştır.