Atıf Sayısı
13
Görüntüleme
60
İndirme
4
Sürekli gelişen şehirler, nüfus artışı ve iklimsel koşullar gibi ekosistem de meydana gelen olumsuz etkenler ile arazi kullanımı değişime uğramaktadır. Uzaktan algılama uyduları tarafından üretilen veriler, yeryüzü araştırmalarda önemli bir rol oynamaktadır. Arazi örtüsü/kullanımı haritaları bu veriler kullanılarak hazırlanmaktadır. Arazi örtüsü haritaları, su ve biyokimyasal döngüler, enerji değişimleri veya biyolojik çeşitlilik değişiklikleri gibi çevresel süreçleri daha iyi anlamamıza yardımcı olur. Bu çalışma, Google Earth Engine bulut platformunda arazi kullanım haritalarının üretilebilirliğini test etmek amacıyla gerçekleştirilmiştir. Bu amaçla 01/01/2019 ve 01/01/2020 tarihleri arasında Landsat 8, Sentinel 1 ve Sentinel 2 uyduları tarafından çekilen tüm görüntüler kullanılmıştır. Daha sonra 5 farklı endeks NDVI (Normalleştirilmiş fark bitki örtüsü endeksi), EVI(Gelişmiş Bitki Örtüsü Endeksi), NDWI (Normalleştirilmiş fark su endeksi), NDBI (Normalleştirilmiş fark oluşturma indeksi) ve UI (Kentsel indeks) hesaplanmış ve 19 farklı veri kombinasyonu dikkate alınmıştır. Daha sonra bu kombinasyonların her biri Destek Vektör Makineleri yöntemi(LibSVM) kullanılarak 5 sınıfa (Şehir alanı-yollar, su, ormanlık-koruluk, tarım dışı araziler ve tarım arazileri) ayrılmıştır. Her sınıflandırma için genel doğruluk ve Kappa Katsayısı hesaplanmış ve sonuçlar karşılaştırılmıştır. En iyi sınıflandırma, Landsat8, Sentinel-2, Sentinel-1 (VV), Landsat 8'den NDVI, Sentinel-2'den NDVI, NDBI, UI ve NDWI veri kombinasyonuna aittir. Bu kombinasyonda toplam doğruluk 96.62 ve kappa katsayısı 95.76 olmuştur.
Continuously developing cities, population growth and climate conditions, the ecosystem are also changing with negative factors and land use. Data produced by remote detection satellites plays an important role in Earth research. Land cover/use maps are prepared using these data. Earth covering maps help us better understand environmental processes such as water and biochemical cycles, energy changes or biological diversity changes. This study was conducted to test the productivity of land use maps on the Google Earth Engine cloud platform. For this purpose, all images taken by the Landsat 8, Sentinel 1 and Sentinel 2 satellites between 01/01/2019 and 01/01/2020 were used. Then 5 different indicators were calculated NDVI (Normalized Difference Plant Cover Index), EVI (Advanced Plant Fertilizer Index), NDWI (Normalized Difference Water Index), NDBI (Normalized Difference Creation Index) and UI (City Index) and 19 different data combinations were taken into account. Then each of these combinations was divided into 5 classes using the Support Vector Machinery Method (LibSVM) (City-Roads, Water, Forestry-Protection, Non-Agricultural Land and Agricultural Land). For each classification, the general accuracy and the Cappuccino ratio are calculated and the results are compared. The best classification belongs to the Landsat8, Sentinel-2, Sentinel-1 (VV), Landsat 8 to NDVI, Sentinel-2 to NDVI, NDBI, UI and NDWI data combination. In this combination, the total accuracy is 96. 62 and the cappa ratio was 95.76.
Land use are changing due to negative factors occurring in the ecosystem such as continuously developing cities, population growth, and climatic conditions. Data produced by remote sensing satellites play an essential role in ground-based research. Land cover maps are prepared using this data. Land cover maps help us better understand environmental processes such as water and biogeochemical cycles, energy changes, or biodiversity changes. This study was carried out to test the producibility of land use maps on the Google Earth Engine cloud platform. All images acquired between 01/01/2019 and 01/01/2020 from Landsat 8, Sentinel 1, and Sentinel 2 were used in this study. Then 5 different indices NDVI, NDWI, NDBI, Ui, and EVI were calculated, and 19 different combinations of data were considered. Then, for each of these combinations, classification was performed by the LibSVM method in 5 classes: Urban Roads, Water, Forest-Grove, Non-agricultural Lands, and Agricultural Lands. Overall Accuracy and Kappa Coefficient were calculated for each classification, and results were compared. The best classification with Overall Accuracy 96.62 and Kappa Coefficient 95.76 belongs to the data combination of Landsat 8, Sentinel-1(VV), Sentinel-2, NDVI, NDBI, UI and NDWI from Sentinel-2 and NDVI from Landsat 8.
Alan : Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
