Agricultural Land Classification Using Vegetation Indices, PCA, and Google Earth Engine: Case Study of Söke/Aydın

Melis İnalpulat; Neslişah Civelek; Metin Uşaklı; Levent Genç

Makale detayları

Agricultural Land Classification Using Vegetation Indices, PCA, and Google Earth Engine: Case Study of Söke/Aydın

Yazarlar:

Melis İnalpulat | Neslişah Civelek | Metin Uşaklı | Levent Genç

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.96-104

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293325

pISSN:

2147-8384

Anahtar kelimeler:

Özet:

 Land 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.

 Land 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.

 Land 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.

 Arazi 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.

Makale detayları

Agricultural Land Classification Using Vegetation Indices, PCA, and Google Earth Engine: Case Study of Söke/Aydın

Yazarlar:

Melis İnalpulat | Neslişah Civelek | Metin Uşaklı | Levent Genç

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.96-104

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293325

pISSN:

2147-8384

Agricultural Land Classification Using Vegetation Indices

PCA

and Google Earth Engine: Case Study of Söke/AydınAna Bileşenler Analizi

Google Earth Enine

Sentinel-2

sınıflama doğruluğu

tarımsal alan

vejetasyon indeksleri.

Sayı

Makale detayları

Yazarlar: Melis İnalpulat | Neslişah Civelek | Metin Uşaklı | Levent Genç

Yayıncı: Çanakkale Onsekiz Mart University

Ana Başlıklar: Ziraat Mühendisliği

Dergi: ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.96-104

Belge Tipi: Makale

Yayın Tarihi: 7/2023

Belge Dili: İngilizce

Document ID (Org No.): 2001293325

pISSN: 2147-8384

Sayı

Yazarlar:

Melis İnalpulat | Neslişah Civelek | Metin Uşaklı | Levent Genç

Yayıncı:

Çanakkale Onsekiz Mart University

Ana Başlıklar:

Ziraat Mühendisliği

Dergi:

ÇOMÜ Ziraat Fakültesi Dergisi Vol.11 Issue 1, pp.96-104

Belge Tipi:

Makale

Yayın Tarihi:

7/2023

Belge Dili:

İngilizce

Document ID (Org No.):

2001293325

pISSN:

2147-8384