Açık kaynak kodlu Eo-learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri ile tarımsal ürün sınıflandırması

Abstract

Öz: Bu çalışmada, Denizli ili, Baklan, Çal ve Çivril ilçeleri sınırları arasında kalan Çivril-Baklan Ovası'nda 2020 yılına ait tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma işleminde, uzaktan algılama çalışmalarında makine öğrenmesi ile derin öğrenme algoritmalarını kullanan açık kaynak kodlu Eo-Learn kütüphanesi ve çok zamanlı Sentinel-2 görüntüleri kullanılmıştır. Çalışmada referans parsel olarak Çiftçi Kayıt Sistemi'ne (ÇKS) kayıtlı parseller kullanılmış olup, ÇKS verisinin yer doğruluk verisi olarak kullanılmasından önce ön düzenleme ve kural tabanlı silme işlemleri gerçekleştirilmiştir. Hafif gradyan artırma makineleri (Light Gradient Boosting Machines, LightGBM) algoritması kullanarak hububat, mısır, şeker pancarı, ayçiçeği, haşhaş, üzüm, meyve ağacı ve yonca ürünlerini içeren tarımsal ürün desen sınıflandırması yapılmıştır. Sınıflandırma sonuçlarının değerlendirilmesinde k-katmanlı çapraz doğrulama yöntemi kullanılmış ve genel doğruluk %93.5 olarak elde edilmiştir. Sınıflandırma işlemine eğitim verisi olarak girmemiş Tarım Sigortaları Havuzu (TARSİM) parselleri ile ikinci bir doğruluk analizi yapılmış olup genel doğrulukta %91.1 kappa katsayısında 0.89 değerine ulaşılmıştır. Anahtar Sözcükler: Eo-Learn, Sentinel-2, ÇKS, TARSİM, Sınıflandırma, Uzaktan algılama, Tarım Agricultural crop classification with open source Eo-learn library and multi-temporal Sentinel-2 images Abstract: In this study, agricultural crop classification for 2020 was carried out in Çivril-Baklan Plain, which is located between the borders of Denizli Province, Baklan, Çal and Çivril districts. The open-source Eo-Learn library that uses machine learning and deep learning algorithms in remote sensing studies and multi-temporal Sentinel-2 images was utilized in the classification process. In this study, the parcels registered in the Farmer Registration System (FRS) were used as reference parcels and before using FRS data as ground truth data, pre-editing and rule-based deletion processes were performed. By using Light Gradient Boosting Machines (LightGBM) algorithm, agricultural product pattern classification was carried out including cereal, maize, sugar beet, sunflower, hash, vineyard, fruit tree and clover crops. Classification results were evaluated using k-fold cross-validation with an overall accuracy of %93.5. A second accuracy assessment was performed with Agricultural Insurance Parcels (TARSİM) that were not included in the classification process as training data, achieving an overall accuracy of %91.1 and Kappa coefficient of 0.89.