Tarımsal yaz ürünlerin sentinel-2 uydu görüntülerinden rastgele orman algoritması ile nesne-tabanlı sınıflandırılması

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.