Tarımsal Yaz Ürünlerin Sentinel-2 Uydu Görüntülerinden Rastgele Orman Algoritması İle Nesne-Tabanlı Sınıflandırılması

In this thesis, the summer crops of the Gediz Plain have been detected using object-based classification with random forest (RF) algorithm from the multi-date Sentinel-2 satellite images of the year 2017. The detected crops are pepper, corn, eggplant, wheat, tomato, cotton, grapes, clover and olive that heavily exist in Gediz Plain. The ground truth data were collected through field works as well as using the farmer registration system (FRS). The FRS data have been checked parcel by parcel and confirmed with the fieldworks. The classification process using RF algorithm was carried out as segment based. 8 satellite images (April 10th, May 3rd, June 2nd, July 2nd, August 1st, September 7th, October 10th and November 16th), covering the study area were selected. Normalized Difference Vegetation Index (NDVI) bands were generated from each of the selected satellite images. Before the classification process, multi resolution image segmentation was carried out using the original bands (Blue, Green, Red and Near Infrared) and the NDVI bands. Then, for each image segment, the spectral features mean and standard deviation and texture measurements homogeneity, difference, and entropy were generated. Object based RF classification was carried out using the original bands, NDVI bands and feature bands. Furthermore, the NDVI images of May, July, September, and October were determined as the most important four features by using the variable importance function of the RF algorithm and the classification processes were carried out with different combinations of these four features. Based on the achieved results, texture and standard deviation bands did not increase the accuracy of classification, on the contrary, it decreased in small quantities. The combination of features, which has the highest K ̂ (Khat-Kappa) value of 0.9365 were the original bands + NDVI bands. The K ̂ value of 0.9156 was calculated as a result of the classification with the most important four features. The most important three features May, July, and September NDVI bands were used in the single-date classifications. For these dates, the K ̂ values were computed as 0.5865, 0.6349 and 0.5738, respectively. As a result of the classification of the most important three features with their binary combinations, the K ̂ values were computed as 0.7678 for the May-NDVI and July-NDVI combination, 0.8628 for the May-NDVI and September-NDVI combination, and 0.8452 for the July-NDVI and September-NDVI combination. Since the out of bag (OOB) data, which are used for the verification in RF algorithm are selected randomly, even if other parameters are the same, the accuracy would change in each classification process. Furthermore, number of trees (ntree) and number of random features (mtry), which are the parameters of RF algorithm, affect the classification accuracy. In order to obtain the highest accuracy within all these variables, an application (Random Forest with the Highest Accuracy-RFHA) was written in R program to increase the accuracy of the RF algorithm. Depending on band combination, the rate of increase in accuracy was was up to 3%.Bu tez çalışmasında, Gediz ovasında tarımsal yaz ürünleri, 2017 yılına ait çok zamanlı Sentinel-2 uydu görüntülerinden Rastgele Orman (RO) algoritması ile nesne-tabanlı sınıflandırma yapılarak tespit edilmiştir. Tespit edilen ürünler Gediz ovasında yoğun biçimde bulunan biber, buğday, domates, mısır, patlıcan, pamuk, üzüm, yonca ve zeytindir. Arazi gerçeği verileri yapılan arazi çalışmalarından ve çiftçi kayıt sistemi (ÇKS) verisi kullanılarak oluşturulmuştur. ÇKS verileri parsel parsel incelenmiş ve arazi çalışmaları ile doğrulanmıştır. Sınıflandırma işlemi RO algoritması ile segment tabanlı yapılmıştır. Çalışma alanını kapsayan 8 uydu görüntüsü (10 Nisan, 3 Mayıs, 2 Haziran, 2 Temmuz, 1 Ağustos, 7 Eylül, 10 Ekim ve 16 Kasım) seçilmiştir. Seçilen her uydu görüntüsünden NDVI (Normalized Difference Vegetation Index–Normalleştirilmiş Fark Bitki İndeksi) bantları üretilmiştir. Sınıflandırma işleminden önce, orijinal bantlar (Mavi, Yeşil, Kırmızı ve Yakın Kızılötesi) ve NDVI bantları kullanılarak çoklu çözünürlük görüntü segmentasyonu yapılmıştır. Sonra, her görüntü segmenti için spektral özellikler olan ortalama ve standart sapma ile doku ölçümü özellikleri olan homojenlik, farklılık ve entropi değerleri hesaplanarak bu özellikleri gösteren bantlar oluşturulmuştur. Orijinal bantlar, NDVI bantları ve özellik bantları kullanılarak nesne-tabanlı RO sınıflandırma işlemi yapılmıştır. Çalışmada ayrıca, en önemli dört özellik (bant), RO algoritmasının en önemli özellik fonksiyonu ile Mayıs, Temmuz, Eylül ve Ekim NDVI görüntüleri olarak tespit edilmiş olup sınıflandırma işlemleri söz konusu dört özelliğin farklı kombinasyonları ile de gerçekleştirilmiştir. Elde edilen sonuçlara göre, doku ve standart sapma bantları sınıflandırma doğruluğunu artırmamış, aksine, az miktarda da olsa, düşürmüştür. En yüksek doğruluğa sahip olan özellik kombinasyonu, 0,9365 K ̂ (Khat-Kappa) değeri ile Orijinal bantlar + NDVI bantlarıdır. En önemli 4 özellik ile yapılan sınıflandırma sonucunda 0,9156 K ̂ değerine ulaşılmıştır. Tek tarihle yapılan sınıflandırmalarda, en önemli üç özellik olan Mayıs, Temmuz ve Eylül NDVI bantları kullanılmıştır. Bu tarihler için K ̂ değerleri sırasıyla 0,5865, 0,6349, 0,5738 olarak hesaplanmıştır. En önemli üç özelliğin ikili kombinasyonları ile yapılan sınıflandırmalar neticesinde K ̂ değerleri, Mayıs - NDVI ile Temmuz – NDVI için 0,7678, Mayıs - NDVI ile Eylül – NDVI için 0,8628 ve Temmuz - NDVI ile Eylül – NDVI için 0,8452 için olarak hesaplanmıştır. RO algoritmasında doğrulama için kullanılan Genelleştirilmiş Hatalar (Out of Bag – OOB) verisi rastgele seçildiği için diğer parametreler aynı bile olsa, yapılan her sınıflandırma işleminde doğruluk değişebilmektedir. Ayrıca, RO algoritmasının iki parametresi olan ağaç sayısı (ntree) ve rastgele özellik sayısı (mtry) sınıflandırma doğruluğunu etkilemektedir. Tüm bu değişkenler içinde en yüksek doğruluğu elde etmek için R programında bir uygulama (En Yüksek Doğruluklu Rastgele Orman–EYDRO) hazırlanarak RO algoritmasının doğruluğu artırılmıştır. Doğruluk artış oranı bant kombinasyonuna göre değişmekle birlikte yaklaşık %3 oranına kadar çıkmıştır