Multispektral uydu görüntüleri kullanarak nesne tabanlı arazi örtüsü değişim tespiti

Abstract

Arazi örtüsü değişim tespiti ve süreci yaşadığımız dünyanın ekolojik modelinin belirlenmesinde uzaktan algılama verileri önemlidir. Değişim tespiti uygulamalarında segmentasyon ve sınıflandırma önemli bir işlem adımıdır. Bu çalışmada iki bölge incelenmiştir. Rize ve Yalova illerinde arazi örtüsü/arazi kullanımı değişim tespiti için çalışma yapılmıştır. İki çalışma bölgesindeki 2016 ve 2022 yılları için Sentinel-2A uydu görüntüleri kullanılmıştır. Çalışmada eCognition ve QGIS yazılımları kullanılmıştır. QGIS yazılımında ortalama kayma segmentasyonu yapılmış olup bunun sonucunda nesne tabanlı sınıflandırma yapılmıştır. eCognition yazılımında çoklu çözünürlüklü segmentasyon kullanılmış ve segment edilen görüntülere nesne tabanlı sınıflandırma yöntemi kullanılmıştır. Nesne tabanlı sınıflandırma destek vektör sonucu iki görüntü arasındaki fark alınarak değişiklik tespiti yapılmıştır. Üretilen sınıfların farklarına bakılarak hesaplanan yeni sınıflandırma haritası değişimin ne yönde olduğu gösterilmiştir. Daha sonra doğruluk değerlendirilmesi yapılmıştır. Bu çalışmada, iki bölgedeki her iki görüntünün ortalama kayma segmentasyonu sonucu destek vektör makineleri sınıflandırılması ile genel doğruluğu %84- %94 arasındadır. Çoklu çözünürlüklü segmentasyon sonucu en yakın komşuluk sınıflandırılması ile genel doğruluk %97-%99 arasındadır. 2016 ile 2022 yılları arasında nesne tabanlı sınıflandırma sonrası değişiklik tespiti, oluşturulan sınıflar arasında bazı bölgelerde düşüş, bazı bölgelerde yükseliş görülmüştür.Remote sensing data is essential in determining the land cover change detection and the ecological model of our world. Segmentation and classification is an important process step in change detection applications. Two regions were examined in this study. A study was conducted to determine the land cover/land use change in the provinces of Rize and Yalova. Sentinel-2A satellite images were used for 2016 and 2022 in the two study regions. eCognition and QGIS software were used in the study. Mean shift segmentation was done in QGIS software, and as a result, object-based classification was made. Multi-resolution segmentation was used in eCognition software and object-based classification method was used for segmented images. Object-based classification support vector machines and the nearest neighbour classifier method are used. Change detection was made by taking the difference between the two images as a result of classification. The new classification map calculated by looking at the differences of the produced classes shows the direction of the change. Afterwards, an accuracy assessment was made. In this study, the overall accuracy of the support vector machine classification is between 84% and 94% due to the average shift segmentation of both images in two regions. With the nearest neighbor classification resulting from multi-resolution segmentation, the overall accuracy is between 97%-99%. Between 2016 and 2022, change detection after objectbased classification, a decrease in some regions and an increase in some regions were observed among the classes created.