Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü / arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu

Year 2023, Volume: 8 Issue: 1, 79 - 90, 10.04.2023

Buse Tırmanoğlu , İrem İsmailoğlu , Aylin Tuzcu Kokal , Nebiye Musaoğlu

https://doi.org/10.29128/geomatik.1126685

Cited By: 5

Abstract

Dünya gözlem uydularının gelişmesiyle Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) sınıflandırması, ekosistemleri izlemede ve kaynak yönetiminde değerli bilgiler sağlayan önemli bir uygulama haline gelmiştir. Multispektral görüntüler ile AÖ/AK sınıfları belirli detayda çıkartılabilirken bazı uygulamalarda spektral çözünürlük nedeniyle sınıfların ayırt edilebilirliğinde problemler ortaya çıkabilmektedir. Hiperspektral uydu görüntüleri yüksek spektral çözünürlük sağladıklarından sınıfların ayırt edilebilirliğini arttırmaktadır. Bu çalışmada Marmara Denizi’ne önemli ölçüde deşarjı olan Susurluk Nehri ve çevresine ait 13.05.2021 tarihli PRISMA ve 14.05.2021 tarihli Sentinel-2 görüntülerinden sınıflandırma ile ekili tarım alanı, boş arazi, orman, yerleşim & sanayi, yol, göl, akarsu, bataklık sınıfları belirlenmiş ve sonuçları karşılaştırılmıştır. Öncelikle, Sentinel-2 görüntüsü 30 m mekânsal çözünürlüğe yeniden örneklenmiştir. Her iki görüntünün orijinal veri setleri, görüntülere temel bileşenler analizi (TBA) ve minimum gürültü fraksiyonu (MGF) uygulanmış veri setleri olmak üzere toplamda altı veri setine Maksimum Olabilirlik algoritması (MOA) ve Destek Vektör Makineleri (DVM) yöntemleri uygulanmıştır. Doğruluk analizinde, hesaplanan F1 puanı, hassasiyet ve geri çağırma metrik sonuçları karşılaştırılmıştır. PRISMA veri setlerine MOA uygulanan görüntüler incelendiğinde, en düşük ortalama F1 puan değeri (0.712) orijinal görüntünün sınıflandırma sonucunda elde edilirken en yüksek değer (0.924) TBA sonucunun sınıflandırılması ile elde edilmiştir. Bunun sebebi, hiperspektral verilerde boyut indirgeme yöntemlerinin uygulanarak korelasyonu yüksek bantların elimine edilmesidir. PRISMA görüntüsünün sınıflandırma sonuçlarında spektral çözünürlüğün katkısı nedeniyle sınıfların büyük bölümünde Sentinel-2 sonuçlarına göre daha yüksek doğruluğa ulaşılmıştır.  

Keywords

PRISMA, Sentinel, AÖ/AK, Maksimum Olabilirlik, Temel Bileşenler Analizi

Supporting Institution

Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK), İstanbul Teknik Üniversitesi Bilimsel Araştırmalar Projeleri Birimi

Project Number

121G142 proje numaralı Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) Projesi, MDK-2021-43054 numaralı İstanbul Teknik Üniversitesi Bilimsel Araştırmalar Projesi

Thanks

Bu çalışma, İtalyan Uzay Ajansı'nın (ASI) ©, Lisansı altında teslim edilen PRISMA Ürünleri kullanılarak gerçekleştirilmiştir. Yazarlar, 121G142 proje numaralı Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) Projesi'ne ve MDK-2021-43054 numaralı İstanbul Teknik Üniversitesi Bilimsel Araştırmalar Projesine desteği için teşekkür etmektedir.

References

• Ahady, A. B. & Kaplan, G. (2022). Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1), 24-31.
• Aizerman, M. A. (1964). Theoretical foundations of the potential function method in pattern recognition learning. Automation and remote control, 25, 821-837.
• Akar, Ö. & Tunç Görmüş, E. (2019). Göktürk-2 ve Hyperion EO-1 Uydu Görüntülerinden Rastgele Orman Sınıflandırıcısı ve Destek Vektör Makineleri ile Arazi Kullanım Haritalarının Üretilmesi. Geomatik, 4(1), 68-81.
• Akça, M. D., & Doğan, S. (2002). Sayısal görüntülerde ana bileşenler dönüşümü. Harita dergisi, 69(128), 1-15.
• Apaydın, C., & Abdikan, S. (2021). Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2), 107-114.
• ASI, (2020). PRISMA Products Specification Document, [Erişim Tarihi: 10.05.2022], http://prisma.asi.it/missionselect/docs/PRISMA%20Product%20Specifications_Is2_3.pdf
• ASI, (2022). Hyperspectral Satellite, Capable of Observing from the Optical to the Near Infrared, Roma, [Erişim Tarihi: 12.05.2022], https://www.asi.it/en/earth-science/prisma/
• Awad, M., & Khanna, R. (2015). Support vector machines for classification. In Efficient learning machines (pp. 39-66). Apress, Berkeley, CA.
• Cattell, R. B. (1966). The scree test for the number of factors. Multivariate behavioral research, 1(2), 245-276.
• Çetin, M. (2007). Sündiken Kütlesi’ndeki Yükselti-İklim Kuşaklarının ve Orman Toplumlarının Özelliklerinin Uydu Görüntüleri ile Belirlenmesi. Doktora Tezi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 146p.
• Clevers, J. G. P. W. (2000). Centre for Geo Information, Maximum likelihood classification. Wageningen University and Research Centre, Hollanda. [Erişim Tarihi: 12.05.2022]: http://www.geo-informatie.nl/courses/grs20306/lectures/default.htm
• Çömert, R., Matcı, D. K., & Avdan, U. (2019). Object based burned area mapping with random forest algorithm. International Journal of Engineering and Geosciences, 4(2), 78-87.
• Copernicus, (2022). Copernicus Open Access Hub, [Erişim Tarihi: 11.05.2022], https://scihub.copernicus.eu/dhus/#/home
• Dabiri, Z., & Lang, S. (2018). Comparison of independent component analysis, principal component analysis, and minimum noise fraction transformation for tree species classification using APEX hyperspectral imagery. ISPRS International Journal of Geo-Information, 7(12), 488.
• Delalay, M., Tiwari, V., Ziegler, A. D., Gopal, V., & Passy, P. (2019). Land-use and land-cover classification using Sentinel-2 data and machine-learning algorithms: operational method and its implementation for a mountainous area of Nepal. Journal of Applied Remote Sensing, 13(1), 014530.
• ED Chaves, M., CA Picoli, M., & D. Sanches, I. (2020). Recent applications of Landsat 8/OLI and Sentinel-2/MSI for land use and land cover mapping: A systematic review. Remote Sensing, 12(18), 3062.
• Elmahdy, S., Mohamed, M., & Ali, T. (2020). Land use/land cover changes impact on groundwater level and quality in the northern part of the United Arab Emirates. Remote Sensing, 12(11), 1715.
• ERDAS, (2003). ERDAS Field GuideTM,, 7.Baskı, GIS & Mapping, LLC, Atlanta, Georgia, USA, [ErişimTarihi:13.05.2022], http://www.geoservis.ftn.uns.ac.rs/downloads/ISP/FieldGuide.pdf
• ESA, (2022). Sentinel-2 Colour Vision for Copernicus. [Erişim Tarihi: 12.05.2022], https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2
• Fisher, R. A. (1912). On an absolute criterion for fitting frequency curves. Messenger of mathematics, 41, 155-156.
• Ha, N. T., Manley-Harris, M., Pham, T. D., & Hawes, I. (2020). A comparative assessment of ensemble-based machine learning and maximum likelihood methods for mapping seagrass using sentinel-2 imagery in Tauranga Harbor, New Zealand. Remote Sensing, 12(3), 355.
• Hidalgo, D. R., Cortés, B. B., & Bravo, E. C. (2021). Dimensionality reduction of hyperspectral images of vegetation and crops based on self-organized maps. Information Processing in Agriculture, 8(2), 310-327.
• Holland, S. M. (2019). Principal Components Analysis (PCA). Department of Geology University of Georgia, Athens, GA, 30602-2501. [Erişim Tarihi: 12.05.2022] http://strata.uga.edu/software/pdf/pcaTutorial.pdf
• İlhan, F. (2007). Faktör Analizi ve Tarımsal Araştırmalarda Elde Edilen Verilere Uygulanması Üzerine Bir Çalışma. Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya, 55p.
• Karakuş, P., Karabork, H., & Kaya, S. (2017). A comparison of the classification accuracies in determining the land cover of Kadirli Region of Turkey by using the pixel based and object based classification algorithms. International Journal of Engineering and Geosciences, 2(2), 52-60.
• Lazzeri, G., Frodella, W., Rossi, G., & Moretti, S. (2021). Multitemporal Mapping of Post-Fire Land Cover Using Multiplatform PRISMA Hyperspectral and Sentinel-UAV Multispectral Data: Insights from Case Studies in Portugal and Italy. Sensors, 21(12), 3982.
• Li, C., Wang, J., Wang, L., Hu, L., & Gong, P. (2014). Comparison of classification algorithms and training sample sizes in urban land classification with Landsat thematic mapper imagery. Remote sensing, 6(2), 964-983.
• Loizzo, R., Guarini, R., Longo, F., Scopa, T., Formaro, R., Facchinetti, C., & Varacalli, G. (2018, July). PRISMA: The Italian hyperspectral mission. In IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium (pp. 175-178). IEEE.
• Nguyen, H. T. T., Doan, T. M., Tomppo, E., & McRoberts, R. E. (2020). Land Use/land cover mapping using multitemporal Sentinel-2 imagery and four classification methods—A case study from Dak Nong, Vietnam. Remote Sensing, 12(9), 1367.
• Öztürk, E., & Küçük, F. (2017). Simav Çayı’nın balık faunası. Süleyman Demirel Üniversitesi Eğirdir Su Ürünleri Fakültesi Dergisi, 13(2), 132-152.
• PRISMA ASI, (2022). WSO2 Identity Server, [Erişim Tarihi: 12.05.2022], https://prisma.asi.it/
• Ramsar, (1998). Ramsar Sites İnformation Service, Lake Uluabat, [Erişim Tarihi: 11.05.2022], https://rsis.ramsar.org/ris/944
• Randazzo, G., Cascio, M., Fontana, M., Gregorio, F., Lanza, S., & Muzirafuti, A. (2021). Mapping of Sicilian Pocket Beaches Land Use/Land Cover with Sentinel-2 Imagery: A Case Study of Messina Province. Land, 10(7), 678.
• Ringnér, M. (2008). What is principal component analysis?. Nature biotechnology, 26(3), 303-304.
• Sarı, E. (2018). Doğrulayıcı Faktör Analizi ve Rüzgâr Enerjisi Ölçeğine Uygulaması. Bursa Uludağ Üniversitesi Yüksek Lisans Tezi. Sosyal Bilimleri Enstitüsü, Bursa, 71p.
• Sisodia, P. S., Tiwari, V., & Kumar, A. (2014, May). Analysis of supervised maximum likelihood classification for remote sensing image. In International conference on recent advances and innovations in engineering (ICRAIE-2014) (pp. 1-4). IEEE.
• Steinhausen, M. J., Wagner, P. D., Narasimhan, B., & Waske, B. (2018). Combining Sentinel-1 and Sentinel-2 data for improved land use and land cover mapping of monsoon regions. International journal of applied earth observation and geoinformation, 73, 595-604.
• SUHET, (2015). ESA Standard Document Sentinel-2 User Handbook. European Space Agency Agence Spatiale Europeenne, [Erişim Tarihi: 11.05.2022]. http://sentinel.esa.int/documents/247904/685211/Sentinel-2_User_Handbook
• Tadesse, H. K., Qu, J. J., Aguirre, A. A., Komba, M., & Maggioni, V. (2017). Land use classification and analysis using radar data mining in Ethiopia. International Journal of Advanced Remote Sensing and GIS, 1(6), 2006-2022.
• Tharwat, A. (2020). Classification assessment methods. Applied Computing and Informatics., 17(1), 168-192.
• Topaloğlu, R. H., Sertel, E., & Musaoğlu, N. (2016). Assessment of classıfıcatıon accuracıes of Sentınel-2 and Landsat-8 data for land cover/use mappıng. International archives of the photogrammetry, remote sensing & spatial Information Sciences, 41.
• Tso, B., & Mather, P. M. (2009). Classification methods for remotely sensed data. US, CRC Press.
• Tuzcu Kokal, A., İsmailoğlu, İ., & Musaoğlu, N. (2022). Comparison of LANDSAT-9 and Prisma Satellite Data for Land Use/Land Cover Classification. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 46, 197-201.
• Vangi, E., D’Amico, G., Francini, S., Giannetti, F., Lasserre, B., Marchetti, M., & Chirici, G. (2021). The new hyperspectral satellite PRISMA: Imagery for forest types discrimination. Sensors, 21(4), 1182.
• Vapnik, V. (2013). The nature of statistical learning theory. Springer Science & Business Media.
• Vapnik, V. N. (1979). Reconstruction of Dependences from Empirical Data.
• Yılmaz, O. S., Gülgen, F., Güngör, R., & Kadı, F. (2018). Uzaktan algılama teknikleri ile arazi kullanım değişiminin incelenmesi: Köprübaşı İlçesi örneği. Geomatik ,3(3), 234-241. Zabcı, C. (2021). Çok bantlı Landsat 8-OLI ve Sentinel-2A MSI uydu görüntülerinin karşılaştırmalı jeoloji uygulaması: Örnek çalışma alanı olarak Doğu Anadolu Fayı boyunca Palu–Hazar Gölü bölgesi (Elazığ, Türkiye). Geomatik, 6(3), 238-246.
• Zhang, T., Su, J., Xu, Z., Luo, Y., & Li, J. (2021). Sentinel-2 satellite imagery for urban land cover classification by optimized random forest classifier. Applied Sciences, 11(2), 543.