Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.13091/479
Title: | İnsansız hava araçları kullanılarak multi-spektral kameralar ile bitki örtüsü türlerinin ayırt edilmesi ve sınıflandırılması | Other Titles: | Discrimination and classification of vegetation species with multi-spectral camera by using unmanned aerial vehicles | Authors: | Doğan, Yusuf | Advisors: | Yıldız, Ferruh | Keywords: | Jeodezi ve Fotogrametri Geodesy and Photogrammetry Mühendislik Bilimleri Engineering Sciences Görüntü sınıflandırma Image classification İnsansız hava aracı Unmanned aerial vehicle |
Publisher: | Konya Teknik Üniversitesi | Abstract: | Günümüzde yeryüzündeki bitki örtüsü türlerinin ayırt edilmesi uzaktan algılama çalışmalarında yoğun olarak kullanılmaktadır. Uydu görüntüleri kullanılarak yapılan bu uzaktan algılama çalışmaları, uyduların gerek her zaman aynı yerden görüntü elde edememesi gerekse yer örnekleme aralıklarından kaynaklanan sebeplerle zamansal ve mekânsal çözünürlükleri yüksek hassasiyet ve doğruluk istenen çalışmalarda yetersiz kalmaktadır. Bu yüzden çalışmamızda, son zamanlarda hızla artan ve yaygınlaşan İHA (İnsansız Hava Aracı) teknolojisi esnek hareket kabiliyetine sahip olması nedeniyle tercih edilmiştir. Son on yılda İHA teknolojisinin gelişmesi ile kullanımı birçok sivil uygulama alanında yaygınlaştığı gibi tarım faaliyetlerinde de yaygınlaşmıştır. İlaçlama, arazi kullanımı tespiti, kuraklık zararı tespiti, bitki sağlığının izlenmesi gibi birçok tarımsal faaliyetlerde kullanımı söz konusudur. İHA'lara monte edilen multispektral kameralar ile arazi kullanımı ve bitki örtüsü türlerinin tespiti mümkün olmaktadır. Bu çalışmada bitki türünün tespit edilerek haritada gösterilmesi amacıyla yonca ve soya bitkilerinin ekildiği araziden multispektral görüntüler elde edildi. Görüntüler çeşitli yazılımlarda işlenerek üç farklı algoritma ile sınıflandırıldı. Bu sınıflandırma çalışmalarının doğruluğu incelendi. Yapılan sınıflandırmalarda aynı eğitim bölgeleri ve örneklem noktaları kullanıldı. Sınıflandırmalar sonucu Maximum Likelihood için doğruluk %87, Support Vector Machine için ise %81 olarak hesaplandı. Bu istatistiki bilgilere göre çalışmamız için en iyi sonucu veren sınıflandırma algoritmasının Maximum Likelihood olduğu ortaya çıkmıştır. Nowadays, discrimination of vegetation species on earth is used extensively in remote sensing studies. Remote sensing studies using satellite imagery are inadequate in studies where high accuracy of spatial and temporal resolutions are required due to the fact that satellites are not always able to obtain images from the same location and due to ground sampling distance. Therefore, in our study, UAV (Unmanned Aerial Vehicle) technology, which has been increasing and becoming widespread recently, has been preferred because of its flexible mobility. In the last decade, with the development of UAV technology, its use has become widespread in many civil application areas as well as in agricultural activities. It is used in many agricultural activities such as disinfestation, land use detection, drought damage detection, plant health monitoring. Multispectral cameras mounted in UAVs enable the identification of land use and vegetation types. In this study, multispectral images were obtained from the field where clover and soybean plants were planted in order to identify the plant species on the map. Images were processed in various software and classified with three different algorithms. The accuracy of these classification studies was examined. The same training sites and random sampling points were used in the classifications. As a result of the classifications, accuracy was calculated as 87% for Maximum Likelihood and 81% for Support Vector Machine. According to this statistical information, the best-performing classification algorithm for our study was observed to be is Maximum Likelihood. |
URI: | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=jNRDC1RLfVd4_T7x7ZXmmTiArSm_a2FSvcavKInlaXZqLhmtD7mzZV8vt5VGEBh_ https://hdl.handle.net/20.500.13091/479 |
Appears in Collections: | Tez Koleksiyonu |
Files in This Item:
File | Size | Format | |
---|---|---|---|
572478.pdf | 6.71 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
646
checked on Aug 26, 2024
Download(s)
632
checked on Aug 26, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.