Rastgele orman sınıflandırıcısına doku özellikleri entegre edilerek benzer spektral özellikteki tarımsal ürünlerin sınıflandırılması

Abstract

Trabzon Sürmene'de yetiştirilen iki ana ürün fındık ve çaydır. Bundan dolayı, tez çalışması Trabzon-Sürmene bölgesine ait uydu görüntülerini kullanarak yetiştirilen fındık ve çay alanlarının dağılımlarını ve bu ürünlerin ekili olduğu alanların doğru ve hızlı bir şekilde belilenmesini amaçlamaktadır. Çalışmada 8 adet spektral banda (MS:2m) ve 1 adet yüksek konumsal çözünürlüklü pankromatik banda (PAN:0.5m) sahip WorldView-II uydu görüntüsü kullanılmıştır. Çalışma bölgesi farklı dönemlerde gelişim gösteren tarımsal ürünleri bünyesinde barındırdığı için hem yaz hem de kış dönemlerine ait uydu görüntüleri kullanılmıştır. Bu görüntüler Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Gentle AdaBoost (GAB) gibi makine öğrenme tabanlı yöntemler yanında klasik istatistik tabanlı En Çok Benzerlik (EÇB) yöntemiyle de sınıflandırılmış ve sonuçlar irdelenmiştir. Yaz dönemi için sadece spektral değerler kullanılarak elde edilen sınıflandırma sonuçları %79.05 genel doğrulukla RO' nun, GAB? den ~%7, DVM? den ~%10 ve EÇB? den de ~%19 daha yüksek sınıflandırma doğruluğu verdiğini göstermiştir. Kış dönemi için ise %71.84 genel doğrulukla RO, GAB? den ~%7, DVM? den ~%6 ve EÇB? den de ~%8 daha başarılı olmuştur. Ayrıca Eş Dizimlilik Matrisi (EDM), gabor ve curvelet gibi farklı özellik çıkarım yöntemleri ve NDVI bitki indeksi ve Sayısal Yükseklik Modeli (SYM) de RO' ya katılmış ve bu özelliklerin sınıflandırma başarısına katkıları irdelenmiştir. Bu yöntemler arasında en başarılı olan Gabor filtresi ve NDVI indeksi, RO? nun sınıflandırma doğruluğunu yaz dönemi için %9 oranında, kış dönemi için ise %8 oranında artırmıştır. Sonraki aşamada sınıflandırılmış görüntülerden ürün tematik haritaları ve veri tabanı oluşturulmuştur. Son olarak üretilen tematik haritalar mevcut durum ve güncel kadastral haritalar ile karşılaştırılmış ve yersel verilerle sınıflandırma sonuçları doğrulanmıştır.

Hazelnut and tea are two main crop types cultivated in Trabzon, Sürmene. This dissertation aims to determine extent and distribution of hazelnut and tea grown areas, fast and accurately using satellite images taken over Trabzon, Sürmene region. In this study, Worldview-2 satellite images , which have eight multi spectral bands (MS:2m) and one high spatial resolution panchromatic band (PAN:0.5m) were used. Since the study area contains agricultural products, which are grown in different seasons, satellite images belonging both summer and winter periods were used. These images were classified with machine learning based algorithms such as Random Forest (RF), Support Vector Machine (SVM) and Gentle AdaBoost (GAB) as well as classical statistical based Maximum Likelihood Classification (MLC) method, and the results were evaluated. For summer period, preliminary results acquired using only spectral values indicated that RF with 79.05% overall accuracy gives higher classification accuracy than other methods, that is ~7%, ~10% and ~19% better accuracy than GAB, SVM and MLC, respectively. For winter period, results indicated that RF, with 71.84 % overall accuracy, is also more successful other methods, that is ~7%, ~%6 and ~%8 better accuracy than GAB, SVM and MLC, respectively. Furthermore, integration of different feature extraction methods such as co-occurrence matrix, gabor, curvelet, NDVI vegetation index and Digital Elevation Model (DEM) and their contributions to success of RF classification method was examined. Gabor filter and NDVI index, which are the most successful ones among these methods, improved the overall accuracies of the RF around 9% for summer period and around 8% for winter period. Then, thematic crop maps and a data base were generated using classified images. Finally, produced thematic maps were compared with up to date and cadastral maps to validate classification results with ground truth data.