EVALUATION OF SENTINEL-2 MSI DATA FOR LAND USE / LAND COVER CLASSIFICATION USING DIFFERENT VEGETATION INDICES

Accurate determination of Land Use/Land Cover (LULC) categories has very important role for environmental monitoring and management applications. Classification of remotely sensed data is one of the popular method to determine LULC information in different scale. Many methods have been developed and applied to classify satellite images. Freely available Sentinel-2 MSI data is new generation remotely sensed data which can be used efficiently to determine the land use and land cover categories for environmental monitoring applications. In this study, Sentinel-2A level 1C data acquired in July 2018 were downloaded from Earth Explorer web page. A test site from Çatalca District of İstanbul, Turkey was selected as the study area. Çatalca is very important district for İstanbul because of its valuable agricultural fields. Different land use/cover types have been defined in the selected study area such as; water surfaces, forest areas, agricultural fields (sunflowers), open mining area, settlements, and road. Sentinel-2 data four bands with 10 m spatial resolution was classified by maximum likelihood classification (MLC) method to investigate the potential of the data to determine the LULC types in selected region, as the first data set. Beside the original bands, different vegetation indices such as Normalized Difference Vegetation Index (NDVI), Green–red normalized difference vegetation index (GRNDVI), were calculated for Sentinel-2 data. These calculated indices and red-edge band were added to the original bands, and classified as the other data sets. The results of these 4 data sets of Sentinel-2 image were compared based on the field collected ground control data and error matrix. Sentinel-2 data had a satisfactory performance in land cover classification; (the overall classification accuracy using the MLC classifier applied data set 2 was higher than the other three data set).

Farklı Bitki Endeksleri Kullanarak Arazi Kullanımı/ Arazi Sınıflandırması İçin SENTINEL-2 MSI Verilerinin Değerlendirilmesi

Arazi Kullanımı / Arazi Örtüsü (AKAÖ) sınıflarının doğru belirlenmesi, çevresel izleme ve yönetim uygulamaları için çok önemli bir role sahiptir. Uzaktan algılama verilerinin sınıflandırılması, farklı ölçeklerde AKAÖ bilgilerinin belirlenmesi için kullanılan popüler yöntemlerden biridir. Uydu görüntülerini sınıflandırmak için birçok yöntem geliştirilmiş ve uygulanmıştır. Bu çalışmada, Temmuz, 2018 tarihli yeni nesil Sentinel-2 MSI uydu görüntüleri AKAÖ sınıflarını belirlemek amacıyla kullanılmıştır. Çalışma alanı olarak İstanbul Çatalca İlçesi'nden bir test bölgesi seçilmiştir. Çatalca, değerli tarım alanları nedeniyle İstanbul için çok önemli bir bölgedir. Seçilen arazi alanında farklı AKAÖ tipleri tanımlanmıştır; su yüzeyleri, orman alanları, farklı tarım alanları (Ayçiçeği), açık maden alanı, yerleşim yerleri ve yol. Bu çalışma için dört farklı veri seti oluşturulmuş ve seçilen bölgede AKAÖ kategorilerini belirlemek için maksimum benzerlik sınıflaması (MLC) yöntemiyle sınıflandırılmıştır. Birinci veri seti olarak Sentinel-2 uydu görüntüsünün 10 m mekansal çözünürlüğe sahip dört bandı kullanılmıştır. Orijinal bantların yanı sıra, Sentinel-2 verileri için Normalleştirilmiş Fark Bitki İndeksi (NDVI), ve Yeşil-kırmızı normalleştirilmiş fark bitki indeksi (GRNDVI) gibi farklı indeksler hesaplanmıştır. Bu hesaplanmış indeksler ve kırmızı kenar bandı, orijinal bantlara eklenmiş ve diğer veri setleri olarak sınıflandırılmıştır. Dört veri setine ait sınıflandırma sonuçları, yer kontrol verileri ve hata matrisi kullanılarak karşılaştırılmıştır. Sentinel-2 verileri arazi örtüsü sınıflandırmasında genel doğruluk dört veri seti için tatmin edici bir performans sergilemiştir (% 85 ve üzeri). Veri seti 2 için hesaplanan genel doğruluk ve Kappa değerleri diğer üç veri setinden daha yüksek elde edilmiştir.

PDF

___

Bektas Balcik, F., Karakacan Kuzucu, A., 2016, “Determination of Land Cover/Land Use Using SPOT 7 Data With Supervised Classification Methods”, GeoAdvances Workshop, Istanbul.

Bektas Balcik, F., 2014, “Determining the Impact of Urban Components on Land Surface Temperature of Istanbul by using Remote Sensing Indices”, Environmental Monitoring and Assessment, Vol. 186, pp. 859-872.

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P., Meygret, A., Spoto, F., Sy, O., Marchese, F., Bargellini, P., 2012, “Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services”, Remote Sensing of Environment, Vol. 120, pp. 25–36.

Esetlili, T., Bektaş Balçık, F., Balı,k Şanlı, F., Üstüner, M., Kalkan, K., Göksel, Ç., Gazioğlu, C., Kurucu Y., 2018, “Comparison of Object and Pixel-Based Classifications for Mapping Crops Using Rapideye Imagery: A Case Study of Menemen Plain, Turkey”, International Journal of Environment and Geoinformatics (IJEGEO), Vol. 5(2), pp. 231- 243.

Foody, G.M., 2002, “Status of Land Cover Classification Accuracy Assessment”, Remote Sensing of Environment, Vol. 80, pp. 185– 201.

Gong, P., 2002, Remote Sensing and Image Analysis Textbook, http://nature.berkeley.edu/~penggong/textbo ok/chapter7/html/sect73.htm.

İrfanoğlu, F., Bektaş Balçık, F., 2018, “Determination of LULC Categories using Object Based Classification and Sentinel-2 MSI data (In Turkish)”, UZALCBS, Eskisehir, Turkiye.

Lu, D., Weng, Q., 2007, “A Survey of Image Classification Methods And Techniques For Improving Classification Performance”, International Journal of Remote Sensing, Vol. 28 (5), pp. 823–870.

Liu, J. G., Mason, P. J., 2009, Essential Image Processing and GIS for Remote Sensing, John Wiley Sons, Inc.

Kahya, C., Bektaş Balçık, F., Öztaner Y. B., Ozcomak D., Seker, D.Z., 2017, “Spatio Temporal Analysis of PM 2.5 Over Marmara Region, Turkey”, Fresenius Environmental Bulletin, Vol. 26,1, pp. 310-317.

Topaloğlu, H., Sertel, E., Musaoğlu, N., 2016, “Assessment of Classification Accuracies of Sentinel-2 and Landsat-8 Data For Land Cover / Use Mapping”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLI-B8, 2016 XXIII ISPRS Congress, Prague, Czech Republic.