Ahmet Tarık Torun

ÖZET: Türkiye tarım alanları bakımından zengin bir ülke konumundadır. Bu nedenle bu alanların kullanımı hakkında bilgi edinilmesi önem arz etmektedir. Uzaktan algılama ile görüntü sınıflandırma işlemleri uydu görüntülerinden bilgi çıkarımı konusunda büyük bir paya sahiptir. Tarım alanlarının uydu görüntüleri üzerinden sınıflandırılması, bu alanlar hakkında bilgi edinme açısından çeşitli kolaylıklar sunmaktadır. Uydu görüntüleri üzerinden tarımsal nitelikteki alanları belirlemek ve hangi alanda hangi ürünün yetiştiği hakkında bilgi çıkarımı yapmak mümkündür. Uzaktan algılamada görüntü sınıflandırma işlemlerinde birçok yöntem kullanılmaktadır. Bu yöntemler başlıca, en yakın mesafe, maksimum benzerlik, paralelkenar yöntemi vb. olarak sıralanabilir. Yapay zeka optimizasyon algoritmaları klasik yöntemlere alternatif olarak ortaya çıkmıştır. Çalışmamızda, çok yüksek çözünürlüklü uydu görüntüleri kullanılarak yapay arı koloni algoritması (YAKA) ile uydu görüntüleri sınıflandırılmıştır. Araziden ve hava fotoğraflarından yararlanılarak gerekli olan yer kontrol noktaları ve eğitim verileri toplanmıştır. Çalışma alanı olarak, bitki örtüsü, arazi topoğrafyası ve tarım alanları göz önüne alınarak, Rize ili pilot bölge olarak seçilmiştir. Uygulama sonucunda Yapay Arı Koloni Algoritması ile elde edilen doğruluk değerleri klasik sınıflandırma yöntemleri ile karşılaştırılarak değerlendirilmiş ve YAKA ile elde edilen doğruluk oranlarının daha iyi olduğu sonucuna ulaşılmıştır.
ABSTRACT
Turkey is a rich country when it comes to agricultural areas. Therefore it is substantial to gain information about the usage of these areas. Image classification processes with remote sensing has a large share in the extraction of information from satellite images. Classification of agricultural areas from satellite images provides various conveniences in terms of gain information about these areas. It is possible to detect agricultural areas and extract information about which products are grown in which areas through the satellite images. Various methods are used in remote sensing for image classification process. These methods can be sorted as minimum distance, maximum likelihood and parallelepiped method etc.. Artificial intelligence optimization algorithms have emerged as an alternative to conventional methods. In this study, satellite images were classified with artificial bee colony algorithm (ABC) by using very high resolution satellite images. Necessary control points and training data were collected by using land and aerial images. Rize was chosen for the pilot region as a study area by taking into consideration the vegetation, land topography and agricultural areas. At the end of the application accuracy values that obtained by using the artificial bee colony algorithm were compared with the conventional classification methods and accuracy rates of artificial bee colony algorithm was better.

In this study, it is aimed to calculate snow density, depth, and snow water equivalent with the help of single polarization TerraSAR-X data. In this context, Mount Erciyes/Turkey was chosen as the pilot study area and TerraSAR-X data with HH polarization were used. In addition, in situ measurements were performed simultaneously with the satellite pass to be used as input and validation data for the model to be used. Also, snow densities were obtained by inverse approach, Kriging, and ISO-4355 methods. Snow densities, in situ measurements, and SAR data were integrated into the produced D-InSAR snow depth model; snow depth, snow volume, and snow water equivalent were estimated. Consequently, it has been revealed that the snow depth, snow volume, and snow water equivalent parameters vary according to the snow density-calculated methods. Also, in this study performed with a single polarization, it is revealed that snow parameters can be accessed without multiple polarization. Snow densities were evaluated separately for 0.31g/cm3 and 0.36 g/cm3, and snow depth, snow volume, and snow water equivalent maps were produced. Our study, which is supported by in situ measurements, has been shown to be consistent with the snow depth results in the region. Besides, the results of the model produced in the study were found to be compatible with in situ measurements.

Uydu teknolojilerinin gelişmesi ile Uzaktan Algılama (UA) kullanıcısı her geçen gün artmaktadır. UA arazi örtüsü ve kullanımının tespit edilmesi, su kaynakları yönetimi, değişim analizi vb. olmak üzere birçok kullanım alanına sahiptir. UA teknikleriyle elde edilen veriler, özellikle arazi örtüsü kullanımının zamansal değişiminin belirlenmesinde yaygın olarak kullanılmaktadır. Arazi örtü değişiminin kullanımında, o alanın zamanla başka arazi kullanımı ve bitki örtüsü sınıflarına dönüşüp dönüşmediği gözlemlenmektedir. Su kaynaklarının izlenmesi, korunması ve optimum kullanım koşullarının değerlendirilmesi çalışmalarında uzaktan algılama teknolojilerinden de yararlanılmaktadır. Bu teknolojiler, su kaynakları ile ilgili araştırmalarda karar verme ve yönetim konularında önemli altlık oluşturmaktadır. Ayrıca, su kaynaklarındaki zamansal değişimlerin belirlenmesi ve gerekli önlemlerin alınması aşamasında da uzaktan algılama çok önemli avantajlar sağlamaktadır. Bu çalışmada da Ankara'ya 20 km uzaklıkta bulunan Gölbaşı ilçesinde yer alan Mogan Gölü ve çevresinin Landsat uydu görüntüleri kullanılarak su yüzeyi ve arazi örtüsünün değişim analizi belirlenmiştir. Çalışma alanına ait 1998-2010 yılları arası üç periyot olacak şekilde Landsat TM5 uydu görüntüleri ve 2019 yılına ait Landsat 8 OLI_TIRS uydu görüntüsü kullanılmıştır. Metot olarak kontrolsüz ve kontrollü sınıflandırma (en çok benzerlik) yöntemleri kullanılarak su yüzey alanları, yapay yüzeyler, tarım alanları, ormanlık ve doğal alanlar olmak üzere 4 adet sınıf belirlenmiştir. Bölgeye ait alansal değişim incelenmiş ve yıllara göre değişimler birbiriyle karşılaştırılmıştır.

Optimum management of water and water bodies is crucial in ensuring and maintaining the natural ecosystem cycle. Benefits from wetlands in the world and in our country keep humanity alive. Resources that are of vital importance should be monitored and changes should be observed. Thanks to the science of remote sensing, researchers in many parts of the world can monitor changes in the waters of the earth through satellite imagery and terrestrial supporting studies. The main component of change detection in remote sensing is the classification process. Nowadays, the Classification process has reached different dimensions with the contributions of artificial intelligence and machine learning algorithms. The emergence of different classification techniques also affected the results obtained from the analyzes. In this study, the change occurred between 1990-2000-2010-2019 in Karakaya Dam Lake, which is included in the borders of Malatya - Elazig provinces, was observed. In this context, supervised classification processes and change detection analyzes were performed using Landsat satellite data with maximum likelihood, neural network, support vector machine and decision tree algorithms. For detecting the change analysis, the lake boundaries obtained from official sources were used and compared. The data obtained as a result of the study were compared for each technique and the amount of change was interpreted.

Özet
Uzaktan algılamada kullanılan en önemli görünü işleme yöntemlerinden biri sınıflandırma işlemidir. Uzaktan algılamada kullanılan görüntü sınıflandırma yöntemleri gelişen bilgisayar teknolojisine paralel olarak değişiklikler ve farklılıklar göstermektedir. Günümüzde sınıflandırmada kullanılan klasik istatistik yöntemlerin (En Çok Benzerlik, En Kısa Mesafe, Mahalonobis Uzaklığı, Paralelkenar Yöntemi vb.) yanı sıra son yıllarda yapay zeka uygulamalarından yapay zeka optimizasyon algoritmaları, yapay sinir ağları, uzman sistemler ve bulanık mantık gibi yaklaşımlarda kullanılmaya başlanmıştır. Klasik sınıflandırma yöntemlerine alternatif olarak ortaya çıkan bu yöntemlerle daha yüksek sınıflandırma doğruluklarına ulaşılmaktadır. Yapay zeka optimizasyon algoritmalarından biri olan Yapay Arı Koloni Algoritması(YAKA) arıların doğadaki davranışlarından ilham alınarak ortaya çıkarılmıştır. Pek çok alanda kendine yer bulan bu algoritma son yıllarda uzaktan algılama teknolojisinde de kullanılmaya başlanmıştır. Bu çalışmada, Yapay Arı Koloni algoritması Yapay Sinir Ağları ile optimize edilerek Landsat uydu görüntülerinin sınıflandırılmasında kullanılması amaçlanmıştır. Seçilen pilot bölgede sınıflandırma işlemlerinde kullanılmak üzere eğitim ve test verileri toplanmıştır. Matlab yazılımında düzenlenen algoritma kodları sınıflandırma işlemine uygun hale getirildikten sonra sınıflandırma işlemleri yapılmıştır. Elde edilen sınıflandırma doğrulukları Yapay Sinir Ağları ile yapılan sınıflandırma işlemi ile karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda YSA-YAKA sınıflandırma yönteminin Landsat uydu görüntülerinde kullanılabilirliği ortaya konmuştur.
Abstract
Classification process is one of the most important image processing methods used in remote sensing. Image classification methods used in remote sensing show changes and differences in together with emerging computer technology. Nowadays, in artificial intelligence applications such as artificial intelligence optimization algorithms, artificial neural networks, expert systems and fuzzy logic have been used as well as the classical statistical methods (Maximum Likelihood, Minimum Distance, Mahalonobis Distance, Parallelepiped) used in remote sensing. Higher classification accuracies can achieve with these methods which emerged as an alternative to classical methods. Artificial Bee Colony Algorithm (ABC), which is one of artificial intelligence optimization algorithms, was revealed the behavior of bees inspired by nature. This algorithm placed many areas in recent years, has been used in remote sensing technology In this study, it is aimed to use the Artificial Bee Colony algorithm to classify Landsat satellite images by optimizing them with Artificial Neural Networks. Training and test data were collected for use in the selected pilot region classification process. After the algorithm codes prepared in Matlab software are made suitable for the classification process, they are classified. The obtained classification accuracies are compared with the results of classification with artificial neural networks. As a result of the comparisons made, the ANN-ABC classification method can be used in Landsat satellite images.