Tez No İndirme Tez Künye Durumu
305028
A segment-based approach to classify agricultural lands using multi-temporal Kompsat-2 and Envisat ASAT data / Tarım alanlarının çok tarihli Kompsat-2 ve Envisat ASAR görüntüleri kullanılarak sınıflandırılmasında bölüt tabanlı bir yaklaşım
Yazar:ASLI ÖZDARICI OK
Danışman: DOÇ. DR. ZUHAL AKYÜREK
Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Jeodezi ve Coğrafi Bilgi Teknolojileri Ana Bilim Dalı
Konu:Jeodezi ve Fotogrametri = Geodesy and Photogrammetry ; Mühendislik Bilimleri = Engineering Sciences ; Ziraat = Agriculture
Dizin:
Onaylandı
Doktora
İngilizce
2012
280 s.
Tarım Türkiye'de önemli bir role sahiptir, bu nedenle sürdürülebilirliğinin sağlanabilmesi açısından tarımsal faaliyetlerin otomatik yaklaşımlar ile yürütülmesinin önemi büyüktür. Bu çalışmanın amacı, Türkiye'nin kuzey batısında yer alan Karacabey ovasında yetiştirilen sekiz ürün türünün çok tarihli Kompsat-2 ve Envisat ASAR uydu görüntüleri kullanılarak sınıflandırılmasıdır. Bu amaç doğrultusunda, ilk olarak, homojen tarım alanlarını bulabilmek için keskinleştirilmiş (fused) Kompsat-2 görüntülerine bölütleme işlemi uygulanmıştır. En uygun bölütlerin belirlenebilmesi için üretilen bölütler çoklu istatistiksel indeksler yardımıyla değerlendirilmiştir. Ardından çok bantlı ve tek tarihli Kompsat-2 görüntüleri, Envisat ASAR verileri ile En Büyük Olasılık ve Destek Vektör Makineleri sınıflandırma yöntemleri yardımıyla sınıflandırılmıştır. Çok tarihli görüntülerin sınıflandırılması yoluyla elde edilen tematik haritala ait bilgilerin birleştirilebilmesi amacıyla her bir tematik harita için olasılık haritaları üretilmiş ve tematik haritalara ait doğruluk oranları bölüt bazında değerlendirilmiştir. Sonuçlar, en yüksek sınıflandırma doğruluklarının Kompsat-2 ve Envisat ASAR görüntülerinin bölüt tabanlı Destek Vektör Makineleri yöntemiyle sınıflandırılması sonucunda elde edildiğini göstermiştir. Tematik haritaların birleştirilmesi yoluyla elde edilen Haziran-Ağustos ve Haziran-Temmuz-Ağustos aylarına ait görüntülerin en yüksek genel ortalama hataları (%92 genel hata oranı ve 0.90 kappa) sağladığı gözlenmiştir. Elde edilen doğrulukların bölüt tabanlı olarak gerçekleştirilen En Büyük Olasılık sınıflandırma yöntemiyle elde edilen en iyi sonuçtan %4 oranında daha yüksek olduğu saptanmıştır. Bu çalışmada ayrıca, üretilen tematik haritalar gerçek tarım parselleri ile çakıştırılarak parsel tabanlı analiz sonuçları da incelenmiştir. Analizler, sınıflandırma doğruluklarının parsel büyüklükleri ile doğru orantılı olduğunu göstermiştir.
Agriculture has an important role in Turkey; hence automated approaches are crucial to maintain sustainability of agricultural activities. The objective of this research is to classify eight crop types cultivated in Karacabey Plain located in the north-west of Turkey using multi-temporal Kompsat-2 and Envisat ASAR satellite data. To fulfill this objective, first, the fused Kompsat-2 images were segmented separately to define homogenous agricultural patches. The segmentation results were evaluated using multiple goodness measures to find the optimum segments. Next, multispectral single-date Kompsat-2 images with the Envisat ASAR data were classified by MLC and SVMs algorithms. To combine the thematic information of the multi-temporal data set, probability maps were generated for each classification result and the accuracies of the thematic maps were then evaluated using segment-based manner. The results indicated that the segment-based approach based on the SVMs method using the multispectral Kompsat-2 and Envisat ASAR data provided the best classification accuracies. The combined thematic maps of June-August and June-July-August provided the highest overall accuracy and kappa value around 92% and 0.90, respectively, which was 4% better than the highest result computed with the MLC method. The produced thematic maps were also evaluated based on field-based manner and the analysis revealed that the classification performances are directly proportional to the size of the agricultural fields.