Classification of agricultural land cover using satellite imagery with deep learning
Derin öğrenme ile uydu görüntüleri kullanılarak tarımsal arazi örtüsünün sınıflandırılması
- Tez No: 875849
- Danışmanlar: PROF. DR. GALİP AYDIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gıda Güvenliği, Arazi Örtüsü, Arazi Kullanımı, Derin Öğrenme, Uydu Görüntüleri, Uzaktan Algılama, Mahsul Haritalama, Food Security, Land Cover, Land Use, Deep Learning, Satellite Imagery, Remote Sensing, Crop Mapping
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gıda güvensizliği, en yıkıcı etkilerinin Madagaskar gibi gelişmekte olan ülkelerde yaşandığı korkunç bir küresel olgudur. Son zamanlarda mahsul haritaları, yabani ot kontrolü, verim tahmini, mahsul izleme ve gıda güvenliğini büyük ölçüde artırabilecek diğer yenilikçi uygulamalar için geliştirilen karmaşık tarım sistemleri için paha biçilmez araçlar haline geldi. Büyük ölçeklerde doğru ürün haritaları üretmenin uygun maliyetli bir yolu, uydu görüntüsü verilerinden oluşturulan derin öğrenme sınıflandırıcılarının çıktılarını kullanmaktır. Bununla birlikte, gelişmekte olan ülkelerde tarım arazileri ayrımcılığına yönelik uydu tabanlı derin öğrenme modelinin geliştirilmesi konusunda gerçekleştirilen önceki çalışmalar, eğitim veri setinin oluşturulmasına yönelik uygun temel gerçek kayıtların bulunmamasından dolayı çok azdır. Bu çalışmada, Madagaskar'daki Antsirabe'yi bir araç olarak kullanarak arazi örtüsü ve mahsul ayrımcılığına yönelik sınıflandırıcılar geliştirmek amacıyla, Bitki Değerlendirme ve İzleme Ortak Deneyi (JECAM) yer gerçeği kaydından oluşturulan özelleştirilmiş multispektral Sentinel-2 L1C görüntü verilerine derin öğrenme algoritmaları uyguladık. ilgi bölgesi. Ayrıca, Arazi Kullanımı ve Arazi Örtüsü (LULC) ayrımcılığına yönelik derin sınıflandırıcılar oluşturmak için Eurosat arazi örtüsü veri kümesini kullanan, son teknoloji ürünü bir transfer öğrenme yöntemi olan Büyük Transferi (BiT) araştırdık. Sınıf bazlı değerlendirme metriklerini kullanarak, çift yönlü uzun kısa süreli bellek (LSTM) sınıflandırıcı, hem arazi örtüsü hem de ürün ayrımcılığı görevlerinde en yüksek performansı sergiledi ve ardından evrişim sinir ağı (CNN) ve LSTM modelinin bir melezi geldi. Sonucumuz ayrıca, model mimarisinin derinliğinin ve yukarı akış eğitimleri için kullanılan görüntü örneklerinin bolluğunun, sonuçta ortaya çıkan aşağı akış modellerinin ayrım performanslarının iyileştirilmesine katkıda bulunduğunu göstermektedir; ancak ikincisi, aşağı yönlü ayrımcılık görevleri için model performansının iyileştirilmesinde daha yüksek önem göstermektedir. Gelecekte, gelişmiş LULC ve ürün ayrımcılığı için görüntü veri setinin doğasında bulunan sınıf dengesizliği sorununu çözmek amacıyla spektral indeksler paradigmasından yararlanmayı planlıyoruz.
Özet (Çeviri)
Food insecurity is a dreadful global phenomenon with its most devastating impacts experienced in developing countries such as Madagascar. Lately, crop maps have been invaluable tools to developed complex agricultural systems for weed control, yield estimation, crop monitoring and other innovative applications that can drastically promote food security. A cost-effective way of producing accurate crop maps at large scales is the use of outputs from deep learning classifiers built from satellite image data. However, previous works carried out in the development of satellite-based deep learning model for agriculture landscapes discrimination in developing countries are very few due to absence of appropriate ground truth record for the creation of training dataset. In this work, we applied deep learning algorithms on customized multispectral Sentinel-2 L1C image data, generated from Joint Experiment for Crop Assessment and Monitoring (JECAM) ground truth record, to develop classifiers for land cover and crop discrimination using Antsirabe in Madagascar as a region of interest. We further explored Big Transfer (BiT), a state-of-the-art transfer learning method, employing Eurosat land cover dataset to build deep classifiers for Land Use and Land Cover (LULC) discrimination. Using class-based evaluation metrics, bidirectional long short-term memory (LSTM) classifier exhibited the highest performance for both land cover and crop discrimination tasks followed by a hybrid of convolution neural network (CNN) and LSTM model. Our result further shows that depth of the model architecture and the abundance of image samples employed for upstream trainings are contributive to improving discrimination performances of resulting downstream models; however, the latter demonstrates higher significance in improving model performance for downstream discrimination tasks. In the future, we intend to exploit spectral indices paradigm to address class imbalance problem, which is inherent in the imagery dataset, for improved LULC and crop discrimination.
Benzer Tezler
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN
- Uydu görüntüleri kullanılarak arazi kullanımı arazi örtüsündeki değişimlerin belirlenmesi ve Samsun örneği
Detection of land use Land cover changes using satellite imagery, a case study: Samsun
DERYA ÖZTÜRK
Yüksek Lisans
Türkçe
2002
Jeodezi ve FotogrametriOndokuz Mayıs ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
PROF. DR. SEBAHATTİN BEKTAŞ
YRD. DOÇ. DR. BÜLENT BAYRAM
- Uydu görüntüleri ve makine öğrenimi yöntemlerini kullanarak arazi örtüsü ve arazi kullanım haritalarının üretilmesi: Haçmaz-Şabran örneği
Generation of land cover and land use maps using satellite imagery and machine learning methods: The case of Khachmaz-Shabran
NARIMAN IMRANLI
Yüksek Lisans
Türkçe
2023
Astronomi ve Uzay BilimleriMilli Savunma ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Sentinel-2 uydu verileri ile arazi kullanım sınıflandırması: Makine öğrenmesi algoritmalarının karşılaştırılması
Land use classification with sentinel-2 satellite data: Comparison of machine learning algorithms
MEHMET OKTAY KUTRAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH YILDIZ
- Assessment of the land and sea interaction by using different types of satellite data
Farklı özellikteki uydu verileri ile kara-deniz etkileşiminin belirlenmesi
AYLİN TUZCU KOKAL
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU