Crop classification provides important information for agricultural management, ensuring food security and developing agricultural policy. Generally, crop species are estimated based on vegetation indexes calculated from satellite images or by using various image classification techniques. However, this approach has low success rate due to different crop species have similar phenological and spectral features. For this reason, a new, accurate and robust approach is needed. The aim of this study was to classify crop from satellite image by using Random Forest (RO), Support Vector Machines (DVM) and K-Nearest Neighbors (K-NN) machine learning algorithms. Within the scope of the study, Sentinel 2 satellite images were used in time series format for the crop classification of grown in the field of Gökhöyük Agricultural Enterprise Directorate in 2020. According to the result of this study, while the most successful classification result obtained from RO, the lowest success was obtained from DVM. Classification success with K-NN was calculated as 91.8%.
Uydu görüntülerinden bitkisel ürünlerin sınıflandırılması tarım alanlarının yönetimi, gıda güvenliğinin sağlanması ve tarımsal politikaların oluşturulması için oldukça önemli bilgiler sağlar. Bitki türleri genel olarak uydu görüntülerinden hesaplanan vejetasyon indekslerine dayalı olarak veya çeşitli görüntü sınıflandırma teknikleri ile tahmin edilmektedir. Fakat bu yaklaşımlarda farklı bitkilerin benzer fenelojik ve spektral özelliklere sahip olması nedeniyle başarı oranı düşüktür. Bu nedenle bitki türlerinin uydu görüntüleri ile sınıflandırılması işleminde yeni, hassas ve başarılı bir yaklaşıma ihtiyaç duyulmaktadır. Bu çalışmanın amacı Rassal Orman (RO), Destek Vektör Makinesi (DVM) ve K-En Yakın Komşu (K-NN) makine öğrenme algoritmaları kullanılarak uydu görüntülerinden bitki türlerinin sınıflandırılmasıdır. Çalışma kapsamında 2020 yılı Gökhöyük Tarım İşletmesi Müdürlüğü’ne ait bitkisel üretim sahasında yetiştirilen bitkilerin sınıflandırılmasında zaman serisi biçiminde Sentinel 2 uydu görüntüleri kullanılmıştır. Çalışmadan elde edilen sonuçlara göre en başarılı sınıflandırma (%95.3) RO ile hesaplanırken en düşük başarı DVM ile elde edilmiştir (%75.9). K-NN ile yapılan sınıflandırma başarısı ise %91.8 olarak hesaplanmıştır.