Multi-year time series crop mapping

Son yıllarda geliştirilen öğreticili makine öğrenme yöntemleri klasik yöntemlere göre benzeri görülmemiş iyileştirme sağlamışlardır. Ancak, ürün sınıflandırma çalışmlarının çoğu aynı yıla ait verinin yine aynı yıla ait eğitim verisi kullanmaktadır. Bu yöntemlerin farklı yıllara ait eğitim verisi kullandığı durumlarda sınıflandırma sonuçları önemli ölçüde düşmektedir. Yıllar arası ürün eşlemesi, daha önce toplanmış verileri kullanarak sonraki yıllardaki ürün deseni haritalarını tahmin edilmesine izin verdiği için daha kullanışlıdır. Bu çalışmada, fenoloji vektörleri arasındaki açısal mesafeye göre bükme gerçekleştiren vektör dinamik zaman bükme algoritması geliştirilmiştir. Testler, önerilen VDTW yönteminin farklı tarım uygulamalarını, iklim ve atmosferik etkileri ve yıllar arasındaki ölçüm hatalarını telafi eden zamansal ve spektral değişimlere karşı gürbüz olduğunu göstermektedir. Ayrıca, sınırlı veri ile yüksek sınıflandırma doğruluklarına izin veren optimal zaman penceresini belirlemek için bir yöntem de geliştirilmiştir. Testlerde, 2013-2015 yılları arasında Harran Ovası'nda pamuk ve mısır, Bismil Ovası'nda mısır, pamuk ve soya fasülyesi ürünlerini içeren zaman serisi Landsat 8 uydu görüntüleri kullanılmıştır. Bunun yanında, 2017 ve 2018 yıllarında ABD, Kansas'taki VDTW mısır ve soya fasulyesini Harmonize Landsat Sentinel (HLS) verileriyle testler gerçekleştirildi. VDTW yöntemi, spektral açı eşleştiricisi (SAM), dinamik zaman bükme (DTW), zaman ağırlıklı DTW (TWDTW), rastgele orman (RF), destek vektör makineleri (SVM) ve derin uzun kısa süreli bellek (LSTM) dahil olmak üzere diğer en başarılı yaklaşımlara kıyasla daha az veri kullanarak yıllar arası doğrulukları %3 iyileştirdi.