Research Article
BibTex RIS Cite

Comparison of object-based classification results and field data for forested areas

Year 2024, Volume: 25 Issue: 1, 55 - 66, 15.05.2024
https://doi.org/10.17474/artvinofd.1322949

Abstract

The aim of this study, which was carried out in the forest area, was to investigate both the success of the object-based classification method and whether the field study would be sufficient for the reference data needed before classification. In the object-based classification method, before classification, reference data such as aerial photographs, layouts, stand maps, field data are often needed in the selection of both segmentation parameters and training areas for the accuracy analysis. In this study, firstly, eCognition Developer 9.1 software was used on high resolution GeoEye-1 satellite image for a detailed extraction of "Coniferous, Broad-leaved, Agricultural field, Open field and Building" class types determined within the 12x12 km study area of Kastamonu Central Forest Department. Evaluation was made by using object-based classification method. After the evaluation, field studies were conducted with the Differential Global Navigation System method using a total of 150 points, 30 from each class, and the results were analyzed on a point basis with object-based classification results. According to the findings, it was concluded that the field data was sufficiently compatible with the classified satellite image and could be used as reference data.

References

  • Ahady AB, Kaplan G (2022) Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1): 24-31.
  • Aksoy B, Ercanoglu M (2012) Landslide identification and classification by object-based image analysis and fuzzy logic: an example from the Azdavay region (Kastamonu, Turkey). Computers & Geosciences, 38(1): 87-98.
  • Apaydın C, Abdikan S (2021) Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2): 107-114.
  • Avcı C, Budak M, Yağmur N, Balçık F (2023) Comparison between random forest and support vector machine algorithms for LULC classification. International Journal of Engineering and Geosciences, 8(1): 1-10.
  • Baatz M (2000) Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische İnformationsverarbeitung, 12-23.
  • Bayramoğlu Z, Uzar M (2023) Performance analysis of rule-based classification and deep learning method for automatic road extraction. International Journal of Engineering and Geosciences, 8(1): 83-97.
  • Belgiu M, Drăguţ L (2016) Random forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31.
  • Benz UC, Hofmann P, Willhauck G, Lingenfelder I, Heynen M (2004) Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58 (3-4): 239-258.
  • Bıyıklı D (2017) Yüksek çözünürlüklü görüntü verileri kullanarak ormanlık alanlarda sınıflandırma uygulamaları. Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Zonguldak.
  • Blaschke T (2010) Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2-16.
  • Blaschke T, Lang S, Hay G (Eds.) (2008) Object-based image analysis: spatial concepts for knowledge-driven remote sensing applications. Springer Science & Business Media.
  • Ceylan MC, Uysal M (2019) İnsansız hava araçlarından üretilen verilerin değerlendirilmesi ve ağaçlık alanların sınıflandırılması. Türkiye İnsansız Hava Araçları Dergisi, 1(1): 1-6.
  • Chen G, Thill JC, Anantsuksomsri S, Tontisirin N, Tao R (2018) Stand age estimation of rubber (Hevea brasiliensis) plantations using an integrated pixel-and object-based tree growth model and annual Landsat time series. ISPRS Journal of Photogrammetry and Remote Sensing, 144: 94-104.
  • Cheng, G, Xie X, Han J, Guo L, Xia GS (2020) Remote sensing image scene classification meets deep learning: challenges, methods, benchmarks, and opportunities. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 3735-3756.
  • Çömert R (2020) İnsansız hava aracı verilerinden nesne tabanlı sınıflandırma yaklaşımı ile sığ heyelanların tespiti. Anadolu Üniversitesi Doktora Tezi, Eskişehir.
  • Dou J, Chang KT, Chen S, Yunus AP, Liu JK, Xia H, Zhu Z (2015) Automatic case-based reasoning approach for landslide detection: integration of object-oriented image analysis and a genetic algorithm. Remote Sensing, 7(4): 4318-4342.
  • Doxani G, Karantzalos K, Tsakiri-Strati M (2015) Object-based building change detection from a single multispectral image and pre-existing geospatial information. Photogrammetric Engineering & Remote Sensing, 81(6): 481-489.
  • Dragozi E, Gitas IZ, Stavrakoudis DG, Theocharis JB (2014) Burned area mapping using support vector machines and the FuzCoC feature selection method on VHR IKONOS imagery. Remote Sensing, 6(12): 12005-12036.
  • eCognition (2011) Trimble Documentation. eCognition Developer 8.7 User Guide, München, Germany, 258pp.
  • Ersoy E, Yılmaz KT, Atak BK, Gülçin D (2019) Sentinel-2A uydu görüntüsünde nesne tabanlı sınıflandırma yöntemi kullanılarak kıyı habitatlarının haritalanması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 19(1): 152-161.
  • Hamal SNG, Ulvi A (2022) 3B Kent Modelleri oluşturma sürecinde İHA fotogrametrisi ve CBS entegrasyonu: Mersin Üniversitesi Çiftlikköy Kampüsü Örneği. Türkiye Coğrafi Bilgi Sistemleri Dergisi, 4(2): 97-105.
  • Haralick RM, Shapiro LG (1985) Image segmentation techniques. Computer Vision, Graphics, and Image Processing, 29(1): 100-132.
  • Heinl M, Walde J, Tappeiner G, Tappeiner U (2009) Classifiers vs. input variables—the drivers in image classification for land cover mapping. International Journal of Applied Earth Observation and Geoinformation, 11(6): 423-430.
  • Jensen JR (1996) Introductory Digital Image Processing: A Remote Sensing Perspective (No. Ed. 2). Prentice-Hall Inc.
  • Kabadayı A, Uysal M (2020) Çok yüksek çözünürlüklü İHA verilerinden bina tespiti. Türkiye İnsansız Hava Araçları Dergisi, 2(2): 43-48.
  • Kavzoglu T, Tonbul H (2018) An experimental comparison of multi-resolution segmentation, SLIC and K-means clustering for object-based classification of VHR imagery. International Journal of Remote Sensing, 39(18): 6020-6036.
  • Kavzoğlu T, Tonbul H, Çölkesen İ, Sefercik UG (2021) The use of object-based image analysis for monitoring 2021 marine mucilage bloom in the sea of Marmara. International Journal of Environment and Geoinformatics, 8(4): 529-536.
  • Köhl M, Magnussen S, Marchetti M (2006) Sampling methods, remote sensing and GIS multiresource forest inventory. (Vol. 2). Heidelberg: Springer.
  • Li X, Myint SW, Zhang Y, Galletti C, Zhang X, Turner II BL (2014) Object-based land-cover classification for metropolitan Phoenix, Arizona, using aerial photography. International Journal of Applied Earth Observation and Geoinformation, 33: 321-330.
  • Lillesand T, Kiefer RW, Chipman J (2015) Remote sensing and Image Interpretation. John Wiley & Sons.
  • Lu D, Weng Q (2007) A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5): 823-870.
  • Ma L, Li M, Ma X, Cheng L, Du P, Liu Y (2017) A review of supervised object-based land-cover image classification. ISPRS Journal of Photogrammetry and Remote Sensing, 130: 277-293.
  • Machala M, Zejdová L (2014) Forest mapping through object-based image analysis of multispectral and LiDAR aerial data. European Journal of Remote Sensing, 47(1): 117-131.
  • Marangoz AM (2009) Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Yöntemiyle Belirlenmesi ve CBS Ortamında Bütünleştirilmesi. Yıldız Teknik Üniversitesi FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan Doktora Tezi, İstanbul.
  • Mitri GH, Gitas IZ (2004) A semi-automated object-oriented model for burned area mapping in the Mediterranean region using Landsat-TM imagery. International Journal of Wildland Fire, 13(3): 367-376.
  • Myint SW, Gober P, Brazel A, Grossman-Clarke S, Weng Q (2011) Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, 115(5): 1145-1161.
  • Pal NR, Pal SK (1993) A review on image segmentation techniques. Pattern Recognition, 26(9): 1277-1294.
  • Saralıoğlu E (2021) pankromatik bandın piksel tabanlı sınıflandırmaya etkisi. Turkish Journal of Remote Sensing and GIS, 2(1): 32-40.
  • Sefercik UG, Kavzoğlu T, Çölkesen İ, Nazar M, Öztürk MY, Adali S, Dinç S (2023) 3D positioning accuracy and land cover classification performance of multispectral RTK UAVs. International Journal of Engineering and Geosciences, 8(2): 119-128.
  • Sevgen SC (2019) Airborne lidar data classification in complex urban area using random forest: a case study of Bergama, Turkey. International Journal of Engineering and Geosciences, 4(1): 45-51.
  • Teke M, Deveci HS, Öztoprak F, Efendioğlu M, Küpçü R, Demirkesen C, Demirpolat C (2016) Akıllı tarım fizibilite projesi: hassas tarım uygulamaları için havadan ve yerden veri toplanması, işlenmesi ve analizi. 6. Uzaktan Algılama-CBS (UZAL-CBS), 5-7 Ekim 2016, Ankara.
  • Tırmanoğlu B, İsmailoğlu İ, Kokal AT, Musaoğlu N (2023) Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü/arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu. Geomatik, 8(1): 79-90.
  • Trimble (2012) eCognition developer user guide. Trimble Germany GmbH, München, 261 pp.
  • Tso B, Mather P (2009) Classification methods for remotely sensed data. Danvers.
  • URL-1:http://www.nik.com.tr/content_sistem_uydu.asp?id=12, Erişim tarihi: 02.04.2023.
  • Wells WK (2010) Object-based segmentation and classification of one meter imagery for use in forest management plans. Utah State University.
  • Xu X, Shi Z (2017) Multi-objective based spectral unmixing for hyperspectral images. ISPRS Journal of Photogrammetry and Remote Sensing, 124: 54-69.
  • Yan E, Wang X, Huang J (2006) Concept and classification of coarse woody debris in forest ecosystems. Frontiers of Biology in China, 1: 76-84.
  • Yan G (2003) Pixel based and object oriented image analysis for coal fire research. Enschede, The Netherlands: ITC.
  • Yılmaz OS, Gülgen F, Güngör R, Kadı F (2018) Coğrafi bilgi sistemleri ve uzaktan algılama teknikleri ile arazi kullanım değişiminin incelenmesi, Köprübaşı İlçesi Örneği. Geomatik, 3(3): 233-241.
  • Yiğit AY, Uysal M (2019) Nesne tabanlı sınıflandırma yaklaşımı kullanılarak yolların tespiti. Türkiye Fotogrametri Dergisi, 1(1): 17-24.
  • Zeybek M, Şanlıoğlu İ (2019) Topoğrafik yüzey değişimlerinin görüntü işleme teknikleriyle belirlenmesi üzerine bir araştırma. Doğal Afetler ve Çevre Dergisi, 5(2): 350-367.
  • Zhang L, Jia K, Li X, Yuan Q, Zhao X (2014) Multi-scale segmentation approach for object-based land-cover classification using high-resolution imagery. Remote Sensing Letters, 5(1): 73-82.

Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması

Year 2024, Volume: 25 Issue: 1, 55 - 66, 15.05.2024
https://doi.org/10.17474/artvinofd.1322949

Abstract

Ormanlık alanda gerçekleştirilen bu çalışmanın amacı, hem nesne tabanlı sınıflandırma yönteminin başarısını hem de sınıflandırma öncesi ihtiyaç duyulan referans veri ihtiyacı için arazi çalışmasının yeterli olup olmayacağını araştırmaktır. Nesne tabanlı sınıflandırma yönteminde sınıflandırma öncesi hem segmentasyon parametrelerinin hem de doğruluk analizi için seçilecek eğitim alanlarının seçiminde çoğu zaman hava fotoğrafları, paftalar, meşcere haritaları, arazi verisi gibi referans veriye ihtiyaç duyulmaktadır. Bu çalışma da ilk olarak Kastamonu İli Merkez Orman Şefliğine ait 12x12 km’lik çalışma alanı içerisinde belirlenen “İbreli, Yapraklı, Tarım alanı, Açık alan ve Bina” sınıf türlerine ait detay çıkarımı için yüksek çözünürlüklü GeoEye-1 uydu görüntüsü üzerinden eCognition Developer 9.1 yazılımı kullanılarak, nesne tabanlı sınıflandırma yöntemi ile değerlendirme yapılmıştır. Değerlendirme sonrası Diferansiyel Küresel Navigasyon Sistemi yöntemi ile her sınıftan 30 adet olmak üzere toplamda 150 adet nokta ile arazi çalışması yürütülmüş ve sonuçlar nesne tabanlı sınıflandırma sonuçları ile nokta bazında analiz edilmiştir. Araştırma bulgularına göre, arazi verisinin sınıflandırılmış uydu görüntüsü ile yeterli miktarda uyumlu ve referans veri olarak kullanılabilir olduğu sonucu elde edilmiştir.

References

  • Ahady AB, Kaplan G (2022) Classification comparison of Landsat-8 and Sentinel-2 data in Google Earth Engine, study case of the city of Kabul. International Journal of Engineering and Geosciences, 7(1): 24-31.
  • Aksoy B, Ercanoglu M (2012) Landslide identification and classification by object-based image analysis and fuzzy logic: an example from the Azdavay region (Kastamonu, Turkey). Computers & Geosciences, 38(1): 87-98.
  • Apaydın C, Abdikan S (2021) Fındık bahçelerinin Sentinel-2 verileri kullanılarak piksel tabanlı sınıflandırma yöntemleriyle belirlenmesi. Geomatik, 6(2): 107-114.
  • Avcı C, Budak M, Yağmur N, Balçık F (2023) Comparison between random forest and support vector machine algorithms for LULC classification. International Journal of Engineering and Geosciences, 8(1): 1-10.
  • Baatz M (2000) Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische İnformationsverarbeitung, 12-23.
  • Bayramoğlu Z, Uzar M (2023) Performance analysis of rule-based classification and deep learning method for automatic road extraction. International Journal of Engineering and Geosciences, 8(1): 83-97.
  • Belgiu M, Drăguţ L (2016) Random forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31.
  • Benz UC, Hofmann P, Willhauck G, Lingenfelder I, Heynen M (2004) Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58 (3-4): 239-258.
  • Bıyıklı D (2017) Yüksek çözünürlüklü görüntü verileri kullanarak ormanlık alanlarda sınıflandırma uygulamaları. Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Zonguldak.
  • Blaschke T (2010) Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2-16.
  • Blaschke T, Lang S, Hay G (Eds.) (2008) Object-based image analysis: spatial concepts for knowledge-driven remote sensing applications. Springer Science & Business Media.
  • Ceylan MC, Uysal M (2019) İnsansız hava araçlarından üretilen verilerin değerlendirilmesi ve ağaçlık alanların sınıflandırılması. Türkiye İnsansız Hava Araçları Dergisi, 1(1): 1-6.
  • Chen G, Thill JC, Anantsuksomsri S, Tontisirin N, Tao R (2018) Stand age estimation of rubber (Hevea brasiliensis) plantations using an integrated pixel-and object-based tree growth model and annual Landsat time series. ISPRS Journal of Photogrammetry and Remote Sensing, 144: 94-104.
  • Cheng, G, Xie X, Han J, Guo L, Xia GS (2020) Remote sensing image scene classification meets deep learning: challenges, methods, benchmarks, and opportunities. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 3735-3756.
  • Çömert R (2020) İnsansız hava aracı verilerinden nesne tabanlı sınıflandırma yaklaşımı ile sığ heyelanların tespiti. Anadolu Üniversitesi Doktora Tezi, Eskişehir.
  • Dou J, Chang KT, Chen S, Yunus AP, Liu JK, Xia H, Zhu Z (2015) Automatic case-based reasoning approach for landslide detection: integration of object-oriented image analysis and a genetic algorithm. Remote Sensing, 7(4): 4318-4342.
  • Doxani G, Karantzalos K, Tsakiri-Strati M (2015) Object-based building change detection from a single multispectral image and pre-existing geospatial information. Photogrammetric Engineering & Remote Sensing, 81(6): 481-489.
  • Dragozi E, Gitas IZ, Stavrakoudis DG, Theocharis JB (2014) Burned area mapping using support vector machines and the FuzCoC feature selection method on VHR IKONOS imagery. Remote Sensing, 6(12): 12005-12036.
  • eCognition (2011) Trimble Documentation. eCognition Developer 8.7 User Guide, München, Germany, 258pp.
  • Ersoy E, Yılmaz KT, Atak BK, Gülçin D (2019) Sentinel-2A uydu görüntüsünde nesne tabanlı sınıflandırma yöntemi kullanılarak kıyı habitatlarının haritalanması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 19(1): 152-161.
  • Hamal SNG, Ulvi A (2022) 3B Kent Modelleri oluşturma sürecinde İHA fotogrametrisi ve CBS entegrasyonu: Mersin Üniversitesi Çiftlikköy Kampüsü Örneği. Türkiye Coğrafi Bilgi Sistemleri Dergisi, 4(2): 97-105.
  • Haralick RM, Shapiro LG (1985) Image segmentation techniques. Computer Vision, Graphics, and Image Processing, 29(1): 100-132.
  • Heinl M, Walde J, Tappeiner G, Tappeiner U (2009) Classifiers vs. input variables—the drivers in image classification for land cover mapping. International Journal of Applied Earth Observation and Geoinformation, 11(6): 423-430.
  • Jensen JR (1996) Introductory Digital Image Processing: A Remote Sensing Perspective (No. Ed. 2). Prentice-Hall Inc.
  • Kabadayı A, Uysal M (2020) Çok yüksek çözünürlüklü İHA verilerinden bina tespiti. Türkiye İnsansız Hava Araçları Dergisi, 2(2): 43-48.
  • Kavzoglu T, Tonbul H (2018) An experimental comparison of multi-resolution segmentation, SLIC and K-means clustering for object-based classification of VHR imagery. International Journal of Remote Sensing, 39(18): 6020-6036.
  • Kavzoğlu T, Tonbul H, Çölkesen İ, Sefercik UG (2021) The use of object-based image analysis for monitoring 2021 marine mucilage bloom in the sea of Marmara. International Journal of Environment and Geoinformatics, 8(4): 529-536.
  • Köhl M, Magnussen S, Marchetti M (2006) Sampling methods, remote sensing and GIS multiresource forest inventory. (Vol. 2). Heidelberg: Springer.
  • Li X, Myint SW, Zhang Y, Galletti C, Zhang X, Turner II BL (2014) Object-based land-cover classification for metropolitan Phoenix, Arizona, using aerial photography. International Journal of Applied Earth Observation and Geoinformation, 33: 321-330.
  • Lillesand T, Kiefer RW, Chipman J (2015) Remote sensing and Image Interpretation. John Wiley & Sons.
  • Lu D, Weng Q (2007) A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5): 823-870.
  • Ma L, Li M, Ma X, Cheng L, Du P, Liu Y (2017) A review of supervised object-based land-cover image classification. ISPRS Journal of Photogrammetry and Remote Sensing, 130: 277-293.
  • Machala M, Zejdová L (2014) Forest mapping through object-based image analysis of multispectral and LiDAR aerial data. European Journal of Remote Sensing, 47(1): 117-131.
  • Marangoz AM (2009) Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Yöntemiyle Belirlenmesi ve CBS Ortamında Bütünleştirilmesi. Yıldız Teknik Üniversitesi FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan Doktora Tezi, İstanbul.
  • Mitri GH, Gitas IZ (2004) A semi-automated object-oriented model for burned area mapping in the Mediterranean region using Landsat-TM imagery. International Journal of Wildland Fire, 13(3): 367-376.
  • Myint SW, Gober P, Brazel A, Grossman-Clarke S, Weng Q (2011) Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment, 115(5): 1145-1161.
  • Pal NR, Pal SK (1993) A review on image segmentation techniques. Pattern Recognition, 26(9): 1277-1294.
  • Saralıoğlu E (2021) pankromatik bandın piksel tabanlı sınıflandırmaya etkisi. Turkish Journal of Remote Sensing and GIS, 2(1): 32-40.
  • Sefercik UG, Kavzoğlu T, Çölkesen İ, Nazar M, Öztürk MY, Adali S, Dinç S (2023) 3D positioning accuracy and land cover classification performance of multispectral RTK UAVs. International Journal of Engineering and Geosciences, 8(2): 119-128.
  • Sevgen SC (2019) Airborne lidar data classification in complex urban area using random forest: a case study of Bergama, Turkey. International Journal of Engineering and Geosciences, 4(1): 45-51.
  • Teke M, Deveci HS, Öztoprak F, Efendioğlu M, Küpçü R, Demirkesen C, Demirpolat C (2016) Akıllı tarım fizibilite projesi: hassas tarım uygulamaları için havadan ve yerden veri toplanması, işlenmesi ve analizi. 6. Uzaktan Algılama-CBS (UZAL-CBS), 5-7 Ekim 2016, Ankara.
  • Tırmanoğlu B, İsmailoğlu İ, Kokal AT, Musaoğlu N (2023) Yeni nesil multispektral ve hiperspektral uydu görüntülerinin arazi örtüsü/arazi kullanımı sınıflandırma performanslarının karşılaştırılması: Sentinel-2 ve PRISMA Uydusu. Geomatik, 8(1): 79-90.
  • Trimble (2012) eCognition developer user guide. Trimble Germany GmbH, München, 261 pp.
  • Tso B, Mather P (2009) Classification methods for remotely sensed data. Danvers.
  • URL-1:http://www.nik.com.tr/content_sistem_uydu.asp?id=12, Erişim tarihi: 02.04.2023.
  • Wells WK (2010) Object-based segmentation and classification of one meter imagery for use in forest management plans. Utah State University.
  • Xu X, Shi Z (2017) Multi-objective based spectral unmixing for hyperspectral images. ISPRS Journal of Photogrammetry and Remote Sensing, 124: 54-69.
  • Yan E, Wang X, Huang J (2006) Concept and classification of coarse woody debris in forest ecosystems. Frontiers of Biology in China, 1: 76-84.
  • Yan G (2003) Pixel based and object oriented image analysis for coal fire research. Enschede, The Netherlands: ITC.
  • Yılmaz OS, Gülgen F, Güngör R, Kadı F (2018) Coğrafi bilgi sistemleri ve uzaktan algılama teknikleri ile arazi kullanım değişiminin incelenmesi, Köprübaşı İlçesi Örneği. Geomatik, 3(3): 233-241.
  • Yiğit AY, Uysal M (2019) Nesne tabanlı sınıflandırma yaklaşımı kullanılarak yolların tespiti. Türkiye Fotogrametri Dergisi, 1(1): 17-24.
  • Zeybek M, Şanlıoğlu İ (2019) Topoğrafik yüzey değişimlerinin görüntü işleme teknikleriyle belirlenmesi üzerine bir araştırma. Doğal Afetler ve Çevre Dergisi, 5(2): 350-367.
  • Zhang L, Jia K, Li X, Yuan Q, Zhao X (2014) Multi-scale segmentation approach for object-based land-cover classification using high-resolution imagery. Remote Sensing Letters, 5(1): 73-82.
There are 53 citations in total.

Details

Primary Language Turkish
Subjects Forestry Sciences (Other)
Journal Section Research Article
Authors

Duygu Bıyıklı 0000-0002-0220-5101

Aycan Murat Marangoz 0000-0003-4409-6000

Publication Date May 15, 2024
Acceptance Date December 28, 2023
Published in Issue Year 2024Volume: 25 Issue: 1

Cite

APA Bıyıklı, D., & Marangoz, A. M. (2024). Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 25(1), 55-66. https://doi.org/10.17474/artvinofd.1322949
AMA Bıyıklı D, Marangoz AM. Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması. ACUJFF. May 2024;25(1):55-66. doi:10.17474/artvinofd.1322949
Chicago Bıyıklı, Duygu, and Aycan Murat Marangoz. “Ormanlık Alanlar için Nesne Tabanlı sınıflandırma sonuçları Ile Arazi Verisinin karşılaştırılması”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25, no. 1 (May 2024): 55-66. https://doi.org/10.17474/artvinofd.1322949.
EndNote Bıyıklı D, Marangoz AM (May 1, 2024) Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25 1 55–66.
IEEE D. Bıyıklı and A. M. Marangoz, “Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması”, ACUJFF, vol. 25, no. 1, pp. 55–66, 2024, doi: 10.17474/artvinofd.1322949.
ISNAD Bıyıklı, Duygu - Marangoz, Aycan Murat. “Ormanlık Alanlar için Nesne Tabanlı sınıflandırma sonuçları Ile Arazi Verisinin karşılaştırılması”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25/1 (May 2024), 55-66. https://doi.org/10.17474/artvinofd.1322949.
JAMA Bıyıklı D, Marangoz AM. Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması. ACUJFF. 2024;25:55–66.
MLA Bıyıklı, Duygu and Aycan Murat Marangoz. “Ormanlık Alanlar için Nesne Tabanlı sınıflandırma sonuçları Ile Arazi Verisinin karşılaştırılması”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, vol. 25, no. 1, 2024, pp. 55-66, doi:10.17474/artvinofd.1322949.
Vancouver Bıyıklı D, Marangoz AM. Ormanlık alanlar için nesne tabanlı sınıflandırma sonuçları ile arazi verisinin karşılaştırılması. ACUJFF. 2024;25(1):55-66.
Creative Commons License
Artvin Coruh University Journal of Forestry Faculty is licensed under a Creative Commons Attribution 4.0 International License.