Vejetasyon İndeksleri, Ana Bileşenler Analizi ve Google Earth Engine Kullanılarak Tarımsal Alan Sınıflandırması: Söke/Aydın Örneği

Basit Öğe Kaydı
dc.contributor.authorİnalpulat, Melis
dc.contributor.authorCivelek, Neslişah
dc.contributor.authorUşaklı, Metin
dc.contributor.authorGenç, Levent
dc.date.accessioned2025-05-29T05:25:04Z
dc.date.available2025-05-29T05:25:04Z
dc.date.issued2023
dc.departmentÇanakkale Onsekiz Mart Üniversitesi
dc.description.abstractArazi kullanım ve arazi örtüsü (AKAÖ) sınıflaması çevresel değişim ve bozunmanın dünya genelinde en çok kullanılan göstergelerinden biri olarak bilinmektedir. AKAÖ sınıflaması için çeşitli algoritmalar ve metotlar var olup, en önemli hususların başında sınıflama haritalarının güvenliği gelmektedir. Çalışma, Google Earth Engine (GEE) platform kullanılarak tarımsal sınıflama için en geliştirici metotu belirlemek için Sentinel-2 görüntülerinin original bantlarının yanında Normalize Edilmiş Farklılık Vejetasyon İndeksi (NDVI), Yeşil NDVI (GNDVI) ve Ana Bileşenler Analizi (ABA) ile üretilmiş AKAÖ haritalarının doğruluğunun değerlendirilmesi üzerine odaklanmıştır. Bunun yanında, seçilen alan içerisindeki kısa dönem AKAÖ değişimlerinin belirlenmesi amaçlanmıştır. Amaçlara ulaşabilmek için, farklı yılların aynı ayında alınmış olan bulutluluk oranı %10’ dan az olan görüntüler kullanılarak AKAÖ2018 ve AKAÖ2022 haritaları eldesi için Mayıs 2018 ve Mayıs 2022 için ortalama görüntüler oluşturulmuştur. Alan rassal orman (RO) algoritması ile zeytin (Z), ekili tarım (E), Dikili tarım (D), orman (O) doğal vejetasyon (DV), yerleşim alanı (Y) ve su yüzeyi (S) olmak üzere yedi ana sınıfa ayrılmıştır. AKAÖ haritalarının güvenilirlikleri sınıf alanı büyüklüğüne göre rastgele dağıtılmış control noktaları göz önünde bulundurularak değerlendirilmiştir. Sınıfların birbirlerine dönüşümleri belirlenmiştir
dc.description.abstractLand use and land cover (LULC) classification is known to be one of the most widely used indicators of environmental change and degradation all over the world. There are various algorithms and methods for LULC classification, whereby reliability of the classification maps presents the principal concern. The study focused on evaluation of accuracies of LULC maps produced from original bands of Sentinel-2 imageries together with Normalized Difference Vegetation Index (NDVI), Green NDVI (GNDVI), and Principal Component Analysis (PCA) using Google Earth Engine (GEE) platform to identify best enhancing method for agricultural land classification. Moreover, short-term LULC changes aimed to be identified in the specified area. To achieve the aims, all available imageries acquired in the same month of different years with less than 10% cloud contamination were used to compose averaged images for May 2018 and May 2022 for generating LULC2018 and LULC2022 maps. The area has separated into seven main classes, namely, olive (O), perennial cultivation (P), non-perennial cultivation (NP), forest (F), natural vegetation (N), settled area-bare land (S), and water surface (W) via random forest algorithym. Reliabilities of LULC maps were evaluated through accuracy assessment procedures considering stratified randomized control points. Transitions between each LULC classes were identified.
dc.identifier.doi10.33202/comuagri.1295054
dc.identifier.endpage104
dc.identifier.issn2147-8384
dc.identifier.issn2564-6826
dc.identifier.issue1
dc.identifier.startpage96
dc.identifier.urihttps://doi.org/10.33202/comuagri.1295054
dc.identifier.urihttps://hdl.handle.net/20.500.12428/31118
dc.identifier.volume11
dc.language.isoen
dc.publisherÇanakkale Onsekiz Mart Üniversitesi
dc.relation.ispartofCOMU Journal of Agriculture Faculty
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_DergiPark_20250529
dc.subjectAna Bileşenler Analizi
dc.subjectGoogle Earth Enine
dc.subjectSentinel-2
dc.subjectsınıflama doğruluğu
dc.subjecttarımsal alan
dc.subjectvejetasyon indeksleri.
dc.titleVejetasyon İndeksleri, Ana Bileşenler Analizi ve Google Earth Engine Kullanılarak Tarımsal Alan Sınıflandırması: Söke/Aydın Örneği
dc.title.alternativeAgricultural Land Classification Using Vegetation Indices, PCA, and Google Earth Engine: Case Study of Söke/Aydın
dc.typeResearch Article

Dosyalar

Koleksiyon

DergiPark