Landsat 8 uydu görüntü indeksleri kullanılarak tarımsal ürünlerin makine öğrenme yöntemleri ile tespit edilmesi
Yükleniyor...
Tarih
2021-02-15
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Attribution-ShareAlike 3.0 United States
Attribution-ShareAlike 3.0 United States
Özet
Gelişen uydu görüntü teknolojilerinden elde edilen spektral özellikler makine öğrenme
teknikleri ile birlikte kullanıldığında, küçük bir alan üzerindeki verilerle eğitilen sistem sayesinde büyük
bir alan üzerindeki tarımsal ürünlerin kısa zamanda yüksek doğruluk oranı ile tespiti mümkündür. Bu
çalışmada, uydu görüntü indeksleri ve farklı makina öğrenme teknikleri kullanılarak tarımsal ürünlerin
tespiti amaçlanmıştır.
İlk aşamada, tespiti yapılacak nesnenin üzerinde bulunduğu alana ait Landsat-8 uydu
görüntüleri temin edilmiş ve nesne olarak tarımsal ürünler kullanılmıştır. Tarım ürünleri içerisindeki
gelişme ve hasat zamanları göz önünde bulundurularak buğday ve mercimek ürünlerinin yoğunlukta
olduğu bir tarım arazisi seçilmiştir. Görüntülerdeki yansıma indekslerinin hesaplanması için tarımsal
ürünlerin gelişim ve hasat zamanına yakın olduğu bir zaman dilimi seçilmiş; 2018 yılının Mayıs ve
Ağustos aylarına karşılık gelen Landsat-8 uydu görüntüleri kullanılmıştır. Daha sonra, pilot tarım alanı
içerisinde belirlenen örnek noktalara karşılık gelen koordinatlar, Landsat-8 uydu görüntüleri üzerine
aktarılmış ve uydu görüntülerinin 4. ve 5. bantlarına denk gelen yansıma indeksleri yardımıyla, bu
noktalar için NDVI değerleri hesaplanmıştır.
Son aşamada, elde edilen NDVI indeks değerleri farklı makine öğrenme tekniklerinin (K En
Yakın Komşu, Destek Vektör Makineleri ve Naive Bayes) girişlerinde kullanılarak tarımsal ürünler
(Mercimek ve Buğday) tespit edilmiştir. Sonuç olarak, en iyi performansa %86,4 ortalama doğruluk ile
Naive Bayes yöntemiyle ulaşılmıştır. Ayrıca, gelişim dönemine ait uydu görüntüsünden elde edilen
NDVI değerlerinin tespit aşamasında daha yüksek performans gösterdiği gözlemlenmiştir.
When spectral features obtained from developing satellite-imaging technologies are used together with machine learning techniques, it is possible to detect agricultural crops on a large area with high accuracy in a short time thanks to the system trained with data on a small area. In this study, it is aimed to determine agricultural products by using satellite image indexes and different machine learning techniques. In the first stage, Landsat-8 satellite images of the area where the object to be detected is located were obtained and agricultural products were used as objects. Considering the development and harvest times of agricultural products, an agricultural land where wheat and lentil products are concentrated was selected. In order to compute the reflection indexes in the images, a time period in which agricultural products are close to the development and harvest time was preferred; Landsat-8 satellite images corresponding to May and August 2018 were used. Then, the coordinates corresponding to the sample points determined in the pilot agricultural area were imported to the Landsat-8 satellite images and NDVI values for these points were calculated with the help of the reflection indexes corresponding to the 4th and 5th bands of the satellite images. In the last stage, agricultural crops (Lentil and Wheat) were determined by using the obtained NDVI index values as the inputs of different machine learning techniques (K Nearest Neighbor, Support Vector Machines and Naive Bayes). As a result, the best performance was achieved with the Naive Bayes method with an average accuracy of 86.4%. In addition, it was observed that NDVI values obtained from the satellite image of the development period showed higher performance in the detection phase.
When spectral features obtained from developing satellite-imaging technologies are used together with machine learning techniques, it is possible to detect agricultural crops on a large area with high accuracy in a short time thanks to the system trained with data on a small area. In this study, it is aimed to determine agricultural products by using satellite image indexes and different machine learning techniques. In the first stage, Landsat-8 satellite images of the area where the object to be detected is located were obtained and agricultural products were used as objects. Considering the development and harvest times of agricultural products, an agricultural land where wheat and lentil products are concentrated was selected. In order to compute the reflection indexes in the images, a time period in which agricultural products are close to the development and harvest time was preferred; Landsat-8 satellite images corresponding to May and August 2018 were used. Then, the coordinates corresponding to the sample points determined in the pilot agricultural area were imported to the Landsat-8 satellite images and NDVI values for these points were calculated with the help of the reflection indexes corresponding to the 4th and 5th bands of the satellite images. In the last stage, agricultural crops (Lentil and Wheat) were determined by using the obtained NDVI index values as the inputs of different machine learning techniques (K Nearest Neighbor, Support Vector Machines and Naive Bayes). As a result, the best performance was achieved with the Naive Bayes method with an average accuracy of 86.4%. In addition, it was observed that NDVI values obtained from the satellite image of the development period showed higher performance in the detection phase.
Açıklama
Anahtar Kelimeler
Landsat-8, Makine Öğrenmesi, Buğday, Mercimek, NDVI, Uzaktan Algılama, Machine Learning, Wheat, Lentil, Remote Sensing
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Altun, M.(2021). Landsat 8 uydu görüntü indeksleri kullanılarak tarımsal ürünlerin makine öğrenme yöntemleri ile tespit edilmesi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Fen Bilimleri Enstitüsü, Batman.
