Crop type classification using Sentinel 2A-derived Normalized Difference Red Edge Index (NDRE) and machine learning approach

Abstract

Satellite remote sensing (RS) enables the extraction of vital information on land cover and crop type. Land cover and crop type classification using RS data and machine learning (ML) techniques have recently gained considerable attention in the scientific community. This study aimed to enhance remote sensing research using high-resolution satellite imagery and a ML approach. To achieve this objective, ML algorithms were employed to demonstrate whether it was possible to accurately classify various crop types within agricultural areas using the Sentinel 2A-derived Normalized Difference Red Edge Index (NDRE). Five ML classifiers, namely Support Vector Machines (SVM), Random Forest (RF), Decision Tree (DT), K-Nearest Neighbors (KNN), and Multi-Layer Perceptron (MLP), were implemented using Python programming on Google Colaboratory. The target land cover classes included cereals, fallow, forage, fruits, grassland-pasture, legumes, maize, sugar beet, onion-garlic, sunflower, and watermelon-melon. The classification models exhibited strong performance, evidenced by their robust overall accuracy (OA). The RF model outperformed, with an OA rate of 95% and a Kappa score of 92%. It was followed by DT (88%), KNN (87%), SVM (85%), and MLP (82%). These findings showed the possibility of achieving high classification accuracy using NDRE from a few Sentinel 2A images. This study demonstrated the potential enhancement of the application of high-resolution satellite RS data and ML for crop type classification in regions that have received less attention in previous studies.

Uzaktan algılama, arazi örtüsü ve bitki türleriyle ilgili kritik bilgilerin edinilmesini sağlayarak tarım alanındaki araştırmalara önemli katkılar sunmaktadır. Son zamanlarda, uzaktan algılama verileri ve makine öğrenimi algoritmaları aracılığıyla arazi örtüsü ve ürün türlerinin sınıflandırılması konusu büyük ilgi çekmektedir. Bu çalışmanın ana amacı, yüksek çözünürlüklü uydu görüntüleri ve makine öğrenimi yaklaşımını kullanarak uzaktan algılama araştırma alanını geliştirmektir. Bu hedefe ulaşmak adına, Sentinel 2A'dan elde edilen Normalleştirilmiş Fark Kırmızı Kenar İndeksi (NDRE) ile tarım alanlarındaki çeşitli ürün türlerinin etkili bir şekilde sınıflandırılmasının mümkün olup olmadığını değerlendirmek amacıyla çeşitli makine öğrenimi yöntemleri kullanılmıştır. Karar Ağaçları (KA), Destek Vektör Makineleri (DVM), Rastgele Orman (RO), K-En Yakın Komşular (KEYK) ve Çok Katmanlı Algılayıcı (ÇKA) dahil olmak üzere beş makine öğrenimi sınıflandırıcı algoritması uygulanmıştır. Analizde değerlendirilen hedef arazi örtüsü sınıfları arasında tahıllar, nadas, yem bitkileri, meyveler, çayır-mera, baklagiller, mısır, şeker pancarı, soğan-sarımsak, ayçiçeği ve karpuz-kavun bulunmaktadır. Elde edilen sınıflandırma modelleri, yüksek doğruluk oranları ile güçlü bir performans sergilemiştir. RF modeli %95'lik genel doğruluk (OA) oranı ve %92'lik Kappa skoru ile en yüksek performans göstermiştir. Bunu sırasıyla %88, %87, %85 ve %82 OA ile KA, KEYK, DVM ve ÇKA takip etmiştir. Bu bulgular, az sayıda Sentinel 2A görüntüsünden NDRE kullanılarak yüksek sınıflandırma doğruluğu elde edilebileceğini göstermektedir. Bu çalışma, yüksek mekânsal çözünürlüğe sahip uydu uzaktan algılama verileri ve makine öğrenimi algoritmalarının, mahsul türü sınıflandırması için potansiyel bir gelişim sağlayabileceğini doğrulamıştır.

Anahtar Kelimeler