Arazi kullanımı ve arazi örtüsü sınıflandırmasında sentinel-2 görüntülerinin analizi

Abstract

Uzaktan algılama ile elde edilen uydu görüntülerinden arazi kullanımı ve arazi örtüsü tespiti için çeşitli makine öğrenmesi yöntemleri uygulanmalıdır. Bu çalışmada, Çanakkale iline ait Sentinel-2 uydu görüntüsünden seçilen bir bölge için B2 B3 B4 B8 bantlarını içeren bir veri seti oluşturulmuştur. Bu veri setine kontrolsüz bir sınıflandırma metodu olan K-Kümeleme algoritması sırasıyla 5, 7 ve 9 küme olarak uygulanarak küme merkezlerine dayalı tahmin modelleri üretilmiştir. Daha sonra ESA SNAP uygulaması ile çeşitli arazi türlerine ait örnek alan vektörleri belirlenerek dört banda ait piksel değerleri üretilerek arazi türlerinin küme numaraları tahmin edilmiştir. Oluşan modelimizi eğitim ve test veri seti olmak üzere ikiye ayrılarak eğitim setimize kontrollü bir sınıflandırma metodu olan K-En Yakın Komşu algoritmasını uygulayarak hata matrisleri ile doğruluk analizleri gerçekleştirilmiştir. Son olarak arazi türlerini daha küçük ve homojen alanlar olarak belirleyerek bu bölgeler de sınıflandırmıştır. Son aşamada uygulanan sınıflandırma ile çeşitli arazi türlerinin dört bantlı değerlendirmede çıkarım kapasitesinin ortaya konulması amaçlanmıştır. Tüm uygulamalar Python programlama dili kütüphanelerine dayalı geliştirilen script programlar ile gerçekleştirilmiştir. Sonuç olarak homojenlik oranları incelenerek kümeleme sonucu ortaya çıkan sınıflandırma ile arazi türlerinin ne ölçüde çalışma bölgesini temsil ettiği istatistiksel olarak belirlenmiştir. Elde edilen sonuçlar küme sayısındaki artışın arazi türlerinde sınıflandırma doğruluğunu olumsuz etkilediğini göstermiştir. Arazi türüne bağlı ve küme sayısına bağlı olarak en yüksek doğruluk %98 iken, en düşük doğruluk %31 olarak tespit edilmiştir.

Various machine learning methods should be applied for land use and land cover detection from satellite images obtained by remote sensing. In this study, a data set containing B2 B3 B4 B8 bands was created for a region selected from the Sentinel-2 satellite image of Çanakkale province. Prediction models based on cluster centers were produced by applying the K-Clustering algorithm, which is an uncontrolled classification method, to this data set as 5, 7, and 9 clusters, respectively. Then, with the ESA SNAP application, the sample area vectors of various land types were determined and the pixel values of the four bands were produced and the cluster numbers of the land types were estimated. By dividing our model into two training and test datasets, accuracy analyzes were carried out with confusion matrices by applying the K-Nearest Neighbors algorithm, which is a controlled classification method, to our training set. Finally, new additional land type samples were also determined as smaller and homogeneous areas, then, they were also classified. With the classification applied in the last stage, it is aimed to reveal the inference capacity of various land types in the four-band assessment. All applications were carried out with script programs developed based on Python programming language libraries. As a result, by examining the homogeneity rates, it was determined statistically to what extent the land types represented the study region with the classification that emerged as a result of the clustering. The results showed that the increase in the number of clusters negatively affected the classification accuracy in land types. Depending on the terrain type and the number of clusters, the highest accuracy was 98%, while the lowest accuracy was 31%.