Multitemporal co-polar x-band sar data classification as a tool for paddy-rice phenology estimation

Abstract

Tahıl ürünlerine olan talebin global olarak artışına paralel olarak tahıl ürünlerinin uzaktan algılama yöntemleriyle ekin takibinin yapılması da popüler bir hale gelmiştir. Ekin gelişiminin takibi, fenoloji hakkında bilgi çıkartımı, hasat tahmini gibi çalışmalar uzaktan algılama ile hassas tarımın birleştirildiği önemli çalışma konularındandır. Bu konular üzerine hem yerküre tabanlı hem de uydu tabanlı çalışmalar yapılmaktadır. Büyük tarım organizasyonları drone kullanmak, traktör üzerine sensör yerleştirmek gibi yerel çözümler üzerine yoğunlaşırken global uygulamalar yapmak isteyen uluslararası kuruluşlar veya devletlere bağlı araştırma merkezleri de uydu tabanlı sensörler aracılığıyla uygulamalar geliştirmeye çalışmaktadır. Yeni nesil uydu tabanlı sensörlerin mekansal ve zamansal çözünürlüğünün yüksekliği sayesinde tarım uygulamalarında kullanımı gittikçe daha kolay hale gelmiştir. Uydu tabanlı uzaktan algılama sistemlerinin global ve çok daha etkin bir biçimde kullanılabilir olduğunu biliyoruz. Ayrıca, aktif uzaktan algılama sistemlerinin pasif sistemlere göre çok daha kullanışlı, çevresel koşullardan etkilenmeyen ve daha detaylı bilgi toplayabilen sistemler olduğunu da göz önünde bulundurarak daha fazla önem taşıdığını rahatlıkla söyleyebiliriz. Bu gerekçeler göz önünde bulundurularak bu çalışmada uydu tabanlı bir aktif uzaktan algılama sensörü olan TerraSAR-X kullanılmıştır. TerraSAR-X, ikili polarizasyona sahip, co-polar, bir X-bant aktif Yapay Açıklıklı Radar sensörüdür. SAR sistemlerinde genellikle çok karmaşık matematiksel operasyonlar gerektiren, kompleks fizik altyapısı içeren gerisaçılım teorileri kullanılmaktadır. Bu sistemler karmaşık olmasından dolayı veri işleme yükünün de oldukça ağır olduğu çözümlerdir. Bu karmaşık sistemlerden kaçınmak amacıyla bu çalışmada SAR verisi üzerinde sınıflandırma algoritmaları kullanılmıştır. Sınıflandırma için kullanılan algoritmalar Destek Vektör Makineleri, k-En Yakın Komşuluk ve Kompakt Karar Ağaçları kullanılmıştır. Destek Vektör Makineleri kullanılırken çekirdek fonksiyonları aracılığıyla hem doğrusal hem de doğrusal olmayan vektörler üretilmiş; sınıflandırma hem doğrusal hem de doğrusal olmayan koşullara göre yapılmıştır. Sınıflandırma başarısını etkileyen parametreleri kontrol etmek amacıyla değişik vakalar oluşturulmuş ve tek tek incelenmiştir. Bu vakalar farklı sınıf sayıları ve sınıf aralıkları, farklı öznitelik verileri ve verinin farklı kümelenme yöntemleri üzerine yoğunlaşmıştır. Ayrıca, yapılan deneylerin global ölçekte kullanılabilir olup olmadığının kontrolü için deneyler birbirinden tamamen bağımsız iki farklı veri seti üzerinde gerçekleştirilmiştir. İlk veri seti İspanya'nın Seville şehrinin güneyinde bulunan çeltik tarlalarının görüntülerini içermektedir. Bu veri seti tüm hasat dönemini kapsayan, aynı zamanda 12 adet tarlanın çeltiklerin gelişimine ait yersel ölçümleri de içeren 12 adet görüntüden oluşmaktadır. İkinci veri seti ise Türkiye - Yunanistan sınırında bulunan İpsala kasabasının batısında bulunan çeltik tarlalarını kapsayan 6 adet görüntü ile 8 tarlanın yersel ölçümden oluşmaktadır. İpsala veri setinin görüntülerinin tüm ekim dönemini kapsamamasından ve yeterli sayıda yersel ölçümün de bulunmamasından dolayı tüm deneyler Seville veri setinde yapılmış ve en uygun yöntem İpsala veri setinde denenip işlevsel olduğu kanıtlanmıştır. İncelenen ilk parametre sınıf sayısı ve sınıf aralıkları olmuştur. Sınıf sayısı aynı zamanda ne kadar detaylı bir sınıflandırma yapılacağını da belirlediği için kilit niteliğindedir. Çeltiğin gelişim evresini 3, 5, 6 ve 10 sınıfa bölerek dört farklı değerlendirme yapılmıştır. Her ne kadar sınıf sayısı arttıkça sınıflandırma performansında düşüş gözleniyor olsa da herhangi bir ek bilgi veya algoritmaları geliştirici yöntem kullanmadan tüm vakalar için % 70'in üzerinde sınıflandırma performansı elde edilmiştir. Bu sonuç araştırmanın geliştirilmesi açısından cesaret vericidir.İkincil olarak incelenen parametre ise sınıflandırmada kullanılan öznitelik setleridir. Sensörün iki kanalından (yatay-yatay ve dikey-dikey) alınan verilerle toplamda 9 adet polarimetrik öznitelik verisi üretilmiştir. Ayrıca, tarlaların doku özelliklerini incelemek amacıyla iki kanalın da ayrı ayrı Haralick öznitelik verileri çıkartılmış ve doku öznitelik verileri olarak kullanılmıştır. Her ne kadar SAR verisi çeltik tarlası gibi rastgele medyalarda doku özelliği taşımasa da problemin çokzamanlı yapısından kaynaklı doku öznitelik verileri sınıflandırma performansını yükseltmiş; bu da araştırmanın ilerletilmesi için motivasyon sağlamıştır. Sınıflandırma performansına etkisi en fazla olan öznitelik verilerini belirlemek için farklı yaklaşımlara sahip üç adet öznitelik seçme algoritması kullanılmıştır. Öznitelik seçme algoritmalarında filtreleme, sarma ve gömülü yöntemler kullanan Kruskal-Wallis, Ayrık Bayesçi Multinomial Biçimsel Regresyon ve Destek Vektör Makineleri Gereksiz Öznitelik Elemesi yöntemleri kullanılmıştır. Deneyler sonucunda beklendiği üzere en önemli öznitelik verileri polarimetrik veriler olarak belirlenmiştir. Ancak, şaşırtıcı biçimde doku verilerinin çokzamanlı problemlerde sınıflandırma başarısını arttırabildiği gözlenmiştir. Öznitelik seçme deneyleri aynı zamanda 9 polarimetrik ve her iki kanal için 8 adet üretilmiş doku verileriyle toplamda 25 öznitelik verisiyle elde edilen sınıflandırma performansının aynısını yalnızca 4 öznitelik verisiyle de elde edebilmiş; işlem maliyetini ciddi bir biçimde azaltılabildiğini göstermiştir.Üçüncü incelenen parametre ise öznitelik verilerinin nasıl üretildiğiydi. Sensörden alınan veri piksel bazında olup sınıflandırma ise tarla bazındaydı. Yüksek mekansal çözünürlük ve tarlaların boyutları göz önüne alındığında piksel ölçeğinden tarla ölçeğine geçmenin incelenmesi gereken bir konu olduğuna karar verildi. Tarımsal uygulamalarda önlenmesi çok zor birçok sorun nedeniyle tarla içindeki düzensizliğin önüne geçmek, aynı zamanda sınırlı miktarda olan eğitim verisini arttırmak için üç farklı kümeleme seçeneği belirlendi ve deneyler yapıldı. Aykırı piksel değerlerinden kurtulmak için tarlaların yarıdan fazlasını içeren tek küme kullanımı olumlu sonuç vermese de tarlaları farklı parçalara ayıran ve bunun yanında aykırı değerleri de çıkartan bir algoritma sınıflandırma performansını oldukça iyileştirdi. Tüm bu analizlerin ardından ise belirlenen en iyi sınıflandırma yöntemi ilk veri grubundan tamamen bağımsız olan İpsala verisi üzerinde denenip yöntemin geçerliliği test edilmiş ve başarılı sonuçlar alınmıştır.Sonuç olarak; bu çalışmada SAR verisi üzerinde sınıflandırma algoritmaları kullanarak çokzamanlı görüntülerde çeltik tarlalarının gelişim sürecinin takip edilebileceği gösterilmiş ve sınıflandırma performansının yeterince yüksek olduğu gözlenmiştir. Neredeyse tüm deneylerin sonunda elde edilen sınıflandırma performansı Kappa sayısı biriminde önemli derecede uyuşma olduğunu ortaya koymuştur. Bu sonuçlar ışığında elbette ki geliştirilecek uygulamanın gereksinimlerine bağlı olmak koşuluyla sınıflandırma algoritmalarının pirinç gelişim evrelerinin belirlenmesinde kullanılabilir olduğunu söyleyebiliriz.

Crop monitoring with remote sensing techniques become more important as the demand of crops increases. Monitoring crop development, controlling their phenology, checking for problems and yield prediction are some of the most popular applications of remote sensing technology in precision agriculture. In those remote sensing techniques, it is also possible to use the space based sensors thanks to the new sensors' high spatial and temporal resolution. Usage of space based sensors also enables the user to make global applications, which increases the importance of those technologies even more. Active remote sensing systems are used in this study which enables observation without affecting from daylight or weather conditions. In this study, SAR images are used which have been taken by TerraSAR-X, operating in X-band. Generally electromagnetic modelling has been applied for phenology estimation with SAR systems. Those modellings require too complex mathematical operations with complex Physics background. In order to find alternative approaches, this study is focused on determining and monitoring the phenological information of rice fields with machine learning algorithms.As classification algorithms, Support Vector Machines (SVM), k-Nearest Neighbours (kNN) and Compact Decision Trees (CDT) were used in the experiments. In order to control the parameters effecting the classification accuracy, different cases were appended in the experiments with different number of classes, different features sets and different clustering approaches. Two different datasets were used in the experiments. One of them is images covering the rice fields around Seville, Spain with ground information covering whole cultivation period. The second dataset used in the experiments covers rice fields around Ipsala, Turkey but with limited ground information, covering two thirds of the cultivation period with less amount of fields. Therefore, all the experiments were done for Seville dataset and the best method was applied for Ipsala dataset to control the applicability of the method. First parameter to be controlled was class labelling, which also corresponds to the precision of information obtained by classification. Four different class labelling cases were appended with 3, 5, 6 and 10 classes, having different growth intervals. Without making any supplementary achievement, the classification accuracies were higher than 70 %, which encouraged to keep the research.Second parameter to be used was usage of feature sets. Using the two polarimetric channels that the sensor has, 9 polarimetric and 8 gray level co-occurrence features were calculated for the two channels. Then, classification performances with different features sets were compared and observed that textural features have a contribution to the classification accuracy. With this positive information, research was extended to feature selection algorithms and the most important features were defined. It is observed that the same classification performance could be achieved with 4 features in stead of 25 features; which reduces the computational cost a lot.Third parameter to be inspected was the evaluation of features using the pixels within the fields. In order to deal with the non-homogeneity of fields and lack of sampling data; different clustering approaches were produced and tested. In the end, classification performance was increased by removing outlier pixels and increasing the number of samples for the same ground information. To sum up, this paper explores the performance of classification algorithms for multitemporal SAR images on rice crops.