Analysis of multitemporal remote sensed images

Abstract

Tarım faaliyetlerinin izlenmesi ve denetlenebilmesi için çeşitli uydulardan herhangi bir konuma ait farklı spektral bantlarda ve farklı zamanlarda görüntüler elde edilmektedir. Bu görüntü verileri, arazi örtüsü, arazi kullanım haritası hesaplanması ve tarım alanlarında mahsul sınıflandırma gibi birçok uygulamada kullanılmaktadır. Bu spektral ve zamansal bilgilerden nasıl fayda sağlanacağı ve nasıl analiz edileceği, bu alanda hala açık bir sorundur. Bu çalışmada bu soruna, yani çoklu zamanlı uzaktan algılanmış mahsul görüntülerinin sınıflandırılması üzerine odaklanılmıştır. Bu tez kapsamında mahsul sınıflandırma için uzaktan algılama alanında önemli problemlerden biri olan etiketli veri azlığına ve derin morfolojik ağların katkısı üzerine çalışmalar yapılmış ve iki farklı yöntem önerilmiştir. İlk yöntemde, her ne kadar uydulardan sürekli veri algılansa da ne yazık ki etiket üretimi son derece zahmetli ve pahalı bir süreçtir. Bu yüzden bol miktarda ulaşabildiğimiz etiketsiz verilerden azami derecede yararlanılması önemlidir. Bu amaç doğrultusunda, etiketsiz çoklu-zamanlı verileri mahsul sınıflandırma bağlamında kıymetlendirmek adına, yarı gözetimli uzun kısa vadeli bellek oto kodlayıcıları yaklaşımı önerilmiştir. İkinci yöntemde ise eğitilebilir morfolojik operatörlerin katkısını görmek için klasik morfolojik filtrelemeyi taklit eden morfolojik ağları kullanarak morfolojik uzun kısa vadeli bellek yaklaşımı önerilmiştir. Bu tez için yapılan deneylerde literatürde zorlu bir zaman serisi olan Breizhcrops veri kümesi ve Türkiye'ye ait bir veri kümesi olan Sakarya kullanılmış ve önerilen yöntemler literatürde yapılan diğer çalışmalar ile karşılaştırılmıştır. Çalışmalar sonucunda mahsul sınıflandırma alanında önerdiğimiz yarı gözetimli uzun kısa vadeli bellek oto kodlayıcılar yaklaşımının literatürdeki en iyi başarımı veren yaklaşımın başarısına ulaştığı gözlemlenmiştir. Sonuçlar mahsul sınıflandırma alanında etiketsiz verilerin kullanım potansiyeline ışık tutmaktadır.In order to monitor and control agricultural activities, images are obtained from various satellites in different spectral bands and at different times of any location. This image data is used in many applications such as land cover, land use map calculation and crop classification in agricultural areas. How to exploit and analyze this spectral and temporal information is still an open challenge in the field. This study focuses on the problem of classification of multi-temporal remotely sensed crop images. Within the scope of this thesis, studies have been carried out on the contribution of deep morphological networks and the lack of labeled data, which is one of the important problems in the field of remote sensing for crop classification and two different methods have been proposed. In the first method, as satellites continuously detect data, label production is an extremely laborious and expensive process. That's why it's important to make the most of the unlabeled data that we have ample access to. For this purpose, a semi-supervised long-short-term memory autoencoder approach is proposed to evaluate unlabeled multi-temporal data in the context of crop classification. In the second method, a deep morphological long-short-term memory approach is proposed using morphological operators that mimics classical morphological filtering to study the contribution of trainable morphological operators. In the experiments conducted for this thesis, the Breizhcrops dataset, which is a challenging time series in the literature, and Sakarya, a dataset from Turkey, were used and the proposed methods were observed and compared with other studies in the state of-the-art. As a result of the studies, it has been observed that the proposed semi supervised lstm autoencoder approach leads to performances comparable to the state of-the-art. The results shed light on the potential for use of unlabeled data in the field of crop classification.