Uydu Görüntülerinden Piksel Tabanlı Sınıflandırma

Sınıflandırma iĢlemi Çizelge 6.6‟da gösterilen 9 sınıf için yeniden yapılmıĢtır. Landsat uydu görüntüsü için elde edilen sınıflandırma sonuçları ġekil 6.13‟de gösterilmiĢtir. Yapılan ilk değerlendirmede, sınıfların arazi örtüsünü temsil etmede daha baĢarılı olduğu ancak 12 sınıf için yapılan değerlendirmelere benzer Ģekilde paralel hatlar sınıflandırması yönteminin yerleĢim yerlerinin tespitinde yetersiz kaldığı görülmektedir. Ayrıca, paralel hatlar sınıflandırması sonucunda 1205 adet piksel sınıfsız olarak atanmıĢtır.

ġekil 6.13. Landsat uydu görüntüsü için sınıflandırma sonuçları a. En büyük olasılık b. En kısa mesafe c. Paralel hatlar sınıflandırma sonucu

Aster uydu görüntüsü için elde edilen sınıflandırma sonuçları ġekil 6.14‟de gösterilmiĢtir. Paralel hatlar sınıflandırması sonucunda 11208 adet piksel sınıfsız olarak atanmıĢtır. Ortalamaya en kısa mesafe yöntemi ile elde edilen sınıflandırma sonuçlarında özellikle toprak detay sınıfı ile ekili olmayan tarım alanı detay sınıfının

birbiri ile karıĢtığı görülmektedir. Yöntem bu iki detay sınıfının ayrımında yetersiz kalmaktadır.

ġekil 6.14. Aster uydu görüntüsü için sınıflandırma sonuçları a. En büyük olasılık b. En kısa mesafe c. Paralel hatlar sınıflandırma sonucu

RapidEye uydu görüntüsü için elde edilen sınıflandırma sonuçları ġekil 6.15‟de gösterilmiĢtir.

ġekil 6.15. RapidEye uydu görüntüsü için sınıflandırma sonuçları a. En büyük olasılık b. En kısa mesafe c. Paralel hatlar sınıflandırma sonucu

RapidEye uydu görüntüsü ile elde edilen sınıflandırma sonuçları incelendiğinde paralel hatlar sınıflandırması yönteminin tüm detay sınıflarının tespitinde, ortalamaya en kısa mesafe yönteminin ise özellikle yerleĢim yeri detay sınıfının tespitinde yetersiz kaldığı görülmektedir. Ayrıca, paralel hatlar sınıflandırması sonucunda 2133 adet piksel sınıfsız olarak atanmıĢtır.

6.8.2. Doğruluk AraĢtırması

Elde edilen sonuçlar için ġekil 6.12‟de gösterilen aynı 300 nokta kullanılarak yeniden doğruluk araĢtırması yapılmıĢtır. Landsat uydu görüntüsüne iliĢkin sonuçlar Çizelge 6.7‟de verilmiĢtir.

Sonuçlar incelendiğinde, üç yöntemin de ortalama doğruluklarının (%66.78, %59.14 ve %29.24) ve kapa değerlerinin (0.61, 0.51, 0.22) arttığı görülmektedir. En büyük olasılık sınıflandırması yöntemi özellikle yerleĢim alanı ve tarım alanı sınıflarının tespitinde diğer yöntemlere göre daha iyi bir yöntemdir.

Ortalamaya en kısa mesafe sınıflandırması yöntemi en büyük olasılık yöntemine yakın sonuçlar vermiĢtir. Özellikle su ve iğne yapraklı orman detay sınıfı için kullanılabilecek bir yöntemdir.

Paralel hatlar sınıflandırması yöntemi, yerleĢim alanı, orman ve toprak alanların tespitinde geçerli bir yöntem değildir. Görüntüdeki yerleĢim alanlarından hiçbiri bu yöntem ile tespit edilememiĢtir. Diğer sınıfların da doğrulukları çok düĢüktür. Bu yöntem sadece su detay sınıfı için kullanılabilecek bir yöntemdir.

GeniĢ yapraklı orman (az yoğun) detay sınıfının iğne yapraklı ormana göre doğruluk değerleri düĢüktür. ÇalıĢma bölgesinde yer alan ormanlık alanların geneli iğne yapraklı ormanlardır. GeniĢ yapraklı orman olarak nitelendirilen bölgeler bahçe tarzındaki küçük ağaçlık alanlardır. Bu alanlar ise 30 m çözünürlüklü görüntüde diğer sınıfların içinde kaybolmaktadır. Bu nedenle tespit edilebilme doğruluğu daha düĢüktür.

Çizelge 6.7. Landsat uydu görüntüsü ile sınıflandırma sonuçları (9 sınıf)

Sınıflar En Büyük Olasılık En Kısa Mesafe Paralel Hatlar

ÜD (%) KD (%) ÜD (%) KD (%) ÜD (%) KD (%)

YerleĢim Alanı 74.58 73.33 47.46 71.79 1.69 25.0 Tarım Alanı (Ekili) 90.70 72.22 76.74 50.77 83.72 34.95 Tarım Alanı (BoĢ) 63.64 53.85 36.36 36.36 68.18 22.39 Orman Az Yoğ.Ġğne Yap. 73.91 41.46 82.61 51.35 39.13 27.27 Orman Yoğun Ġğne Yap. 56.52 100 60.67 100 8.70 100 Orman Az Yoğ.GeniĢ Yap. 83.33 22.73 33.33 11.76 83.33 7.69 Orman Yoğun GeniĢ Yap. 41.67 55.56 50.0 75.0 16.67 28.57 Açık Arazi Toprak 51.04 80.33 53.13 62.20 2.08 100

Su 88.24 100 100 100 94.12 100 Genel Doğruluk Kapa 66.78 0.6069 59.14 0.5096 29.24 0.2249

Aster uydu görüntüsüne iliĢkin doğruluk araĢtırması sonuçları Çizelge 6.8‟de verilmiĢtir. Aster uydu görüntüsünün hem konumsal çözünürlüğü hem de spektral çözünürlüğü Landsat uydu görüntüsüne göre daha iyidir. Bu durum kullanılan üç yöntem için de sınıflandırma sonuçlarını doğrudan etkilemiĢtir.

En büyük olasılık sınıflandırması için tüm sınıfların ortalama doğruluğu %69‟dur. Kapa değeri ise 0.63 olarak tespit edilmiĢtir. Yöntem, geniĢ yapraklı orman detay sınıfı dıĢındaki tüm sınıfların tespiti için %70‟in üzerinde doğruluğa ulaĢmıĢtır.

En kısa mesafe yöntemi, Landsat uydu görüntüsüne göre detay sınıflarının tespitinde daha yetersiz kalmıĢtır. Bezer durum paralel hatlar sınıflandırması için de geçerlidir. Ayrıca, paralel hatlar sınıflandırması ile su ve iğne yapraklı orman detay sınıfı dıĢındaki hiçbir sınıf tespit edilememiĢtir.

Çizelge 6.8. Aster uydu görüntüsü ile sınıflandırma sonuçları (9 sınıf)

Sınıflar En Büyük Olasılık En Kısa Mesafe Paralel Hatlar

ÜD (%) KD (%) ÜD (%) KD (%) ÜD (%) KD (%)

YerleĢim Alanı 81.03 68.12 32.76 51.35 18.97 57.89 Tarım Alanı (Ekili) 89.47 73.91 42.11 30.77 65.79 28.41 Tarım Alanı (BoĢ) 76.67 63.89 60.0 31.58 63.33 26.03 Orman Az Yoğ.Ġğne Yap. 76.0 48.72 60.0 42.86 60.0 50.0 Orman Yoğun Ġğne Yap. 54.55 100 18.18 100 13.64 75.0 Orman Az Yoğ.GeniĢ Yap. 14.29 25.0 14.29 4.17 28.57 4.76 Orman Yoğun GeniĢ Yap. 72.73 53.33 36.36 44.44 18.18 20.0 Açık Arazi Toprak 51.06 75.0 35.11 50.00 12.77 80.0

Su 100 100 93.75 83.33 100 100 Genel Doğruluk Kapa 69.10 0.6320 41.53 0.3133 34.88 0.2722

Konumsal çözünürlüğü yüksek olan RapidEye uydu görüntüsü diğer uydu görüntülerine göre daha düĢük spektral çözünürlüğe sahiptir. Bu durumun sınıflandırma sonuçlarını direkt olarak etkilediği görülmektedir. Çünkü sınıflandırma ile detay tespitinde sadece konumsal çözünürlüğün iyi olması yeterli değildir. Görüntünün spektral çözünürlüğünün yüksek olması detayların birbirlerinden ayırt edilebilirliğini artırmaktadır. Bu nedenle sınıflandırma ile detay tespitinde spektral çözünürlüğü yüksek olan uydu görüntüleri tercih edilmektedir.

Çizelge 6.9‟da verilen RapidEye uydu görüntüsüne iliĢkin doğruluk araĢtırması sonuçları incelendiğinde en büyük olasılık sınıflandırması yönteminin ortalama doğruluğunun %54.49‟da kaldığı (kapa 0.4667) görülmektedir. RapidEye uydu

görüntüsü ile detay tespitinde toprak detay sınıfının özellikle tarım alanı ile karıĢtığı, sınıf doğruluklarının diğer görüntülere göre daha düĢük olduğu, spektral çözünürlüğü nedeni ile orman detay sınıfının tespitinde de yetersiz kaldığı görülmektedir.

Ġğne yapraklı orman (yoğun) detayının tespit edilme doğruluğu en kısa mesafe yönteminde daha yüksektir. Ayrıca, en kısa mesafe yöntemi su ve iğne yapraklı orman detay sınıfı dıĢındaki diğer sınıflar için uygun değildir. Paralel hatlar yöntemi ile hiçbir detay sınıfı tespit edilememiĢtir.

Çizelge 6.9. RapidEye uydu görüntüsü ile sınıflandırma sonuçları (9 sınıf)

Sınıflar En Büyük Olasılık En Kısa Mesafe Paralel Hatlar

ÜD (%) KD (%) ÜD (%) KD (%) ÜD (%) KD (%)

YerleĢim Alanı 62.26 71.74 15.09 33.33 0 0 Tarım Alanı (Ekili) 55.32 61.90 29.79 48.28 4.26 100 Tarım Alanı (BoĢ) 80.0 64.0 50.0 21.28 15.0 25.0 Orman Az Yoğ.Ġğne Yap. 84.0 34.43 68.0 25.76 0 0 Orman Yoğun Ġğne Yap. 33.33 87.50 76.19 80.0 9.52 5.0 Orman Az Yoğ.GeniĢ Yap. 16.67 3.13 16.67 4.00 100 2.93 Orman Yoğun GeniĢ Yap. 53.85 63.64 53.85 63.64 15.38 6.06 Açık Arazi Toprak 38.0 62.30 38.0 58.46 0 0

Su 93.75 100 87.50 100 37.50 100 Genel Doğruluk Kapa 54.49 0.4667 41.53 0.3203 6.98 0.0370

Her üç uydu görüntüsü için ekili ve boĢ tarım alanı detayı ile toprak detayının bazı alanlarda karıĢtığı görülmektedir. Uygulama çalıĢmasında kullanılan uydu görüntüleri Temmuz ve yakın çevresine ait görüntülerdir. Bölgede bulunan tarım alanlarının geneli ise buğday tarlalarıdır. Buğdaylar bu tarihte sararmıĢ durumda (hasata hazır) olduğundan boĢ olan tarım alanları ile karıĢabilmektedir. Ayrıca, toprak olarak nitelendirilen açık arazi detayı için de benzer durum söz konusudur. Bu tarihte açık arazi detayı üzerinde yer alan otsu bitkilerde sararmıĢ durumdadır. Bu nedenle bu üç detayın birbiri ile karıĢması beklenen bir durumdur.

6.9. Nesne Tabanlı Sınıflandırma

eCognition yazılımı literatürde en çok kullanılan nesne tabanlı sınıflandırma yazılımıdır. Yazılım, farklı seviyelerde segmentasyon yapma, bunları farklı seviyelerde aynı anda kullanma, görüntü bant değerlerine ağırlık verme, fuzzy kurallar oluĢturmak

için kural nesnelerine sahip olma gibi imkânlara sahiptir. Bu nedenle uygulama çalıĢmasının nesne tabanlı sınıflandırma bölümü için eCognition yazılımı seçilmiĢtir. AĢağıdaki bölümlerde eCognition yazılımı kullanılarak geliĢtirilen nesne tabanlı sınıflandırma iĢlemleri detaylı olarak anlatılmaktadır.

6.9.1. Segmentasyon AĢaması

Nesne tabanlı sınıflandırma için temel adım görüntü segmentasyonudur. Bunun yanı sıra nesne tabanlı yöntemlerin baĢarısı büyük oranda görüntü segmentasyonunun kalitesine bağlıdır. Sadece iyi segmentasyon yapılarak oluĢturulan nesne tabanlı sınıflandırma piksel tabanlı sınıflandırmaya göre daha iyi sonuçlar verir (Yan ve ark., 2006).

Segmentasyon için çok çözünürlüklü segmentasyon yöntemi (multiresolution segmentation) seçilmiĢtir. Çizelge 6.10‟da tanımlanan segmentasyon parametreleri kullanılarak 15 farklı seviyede segmentasyon yapılmıĢtır.

Çizelge 6.10. Landsat uydu görüntüsü için segmentasyon parametreleri

Seviye Ölçek ġekil Bütünlük

1 25 0.1 0.5 2 25 0.2 0.5 3 25 0.3 0.5 4 20 0.1 0.5 5 20 0.2 0.5 6 20 0.3 0.5 7 10 0.1 0.5 8 10 0.2 0.5 9 10 0.3 0.5 10 5 0.1 0.5 11 5 0.2 0.5 12 5 0.3 0.5 13 3 0.1 0.5 14 3 0.2 0.5 15 3 0.3 0.5

Segmentasyon için yazılımın iĢlem (Process Tree) bölümünde parametreler tanımlanmıĢ ve çalıĢtırılmıĢtır. Yazılım ġekil 6.16‟da gösterildiği gibi her bir segmentasyon sonucunu farklı bir seviyede tutabilmektedir. Böylece farklı detayların farklı seviyelerden tespitine imkân sunmaktadır. Burada önemli olan büyük nesnelerden küçük nesnelere doğru hiyerarĢik bir yapıda segmentasyonu yapmaktır. Aksi durumda nesneler oluĢmayacaktır.

ġekil 6.16. eCognition ile segmentasyon ve nesne tabanlı sınıflandırma

Seçilen parametreler sınıflandırma için girdi olacak nesnelerin boyut ve Ģeklini belirler. ġekil 6.17‟de iki farklı parametre grubu için oluĢan segmentasyon sonucu gösterilmiĢtir. Görüldüğü gibi ölçek parametresi ne kadar büyükse oluĢan nesneler de o kadar büyük olacaktır. Nesnelerin boyutları ve araziyi temsil etme özellikleri göz önüne alınarak Landsat uydu görüntüsü için (Ö=5, ġ=0.3, B=0.5) parametre grubunun sınıflandırma için uygun olacağı değerlendirilmiĢtir.

ġekil 6.17. Farklı parametreler ile segmentasyon sonucu

Ölçek : 25 ġekil : 0,2 Bütünlük : 0,5 Ölçek : 5 ġekil : 0,2 Bütünlük : 0,5

Aynı iĢlem adımları Aster ve RapidEye uydu görüntüleri için de gerçekleĢtirilmiĢ ve segmentasyon parametreleri tanımlanmıĢtır. Aster uydu görüntüsü için tanımlanan segmentasyon parametreleri Çizelge 6.12‟de, RapidEye uydu görüntüsü için tanımlanan segmentasyon parametreleri Çizelge 6.13‟de gösterilmiĢtir. Nesnelerin boyutları ve araziyi temsil etme özellikleri göz önüne alınarak Aster uydu görüntüsü için (Ö=10, ġ=0.2, B=0.5), RapidEye uydu görüntüsü için (Ö=50, ġ=0.3, B=0.5) parametre grubunun sınıflandırma için uygun olacağı değerlendirilmiĢtir.

Çizelge 6.12. Aster uydu görüntüsü için segmentasyon parametreleri Seviye Ölçek ġekil Bütünlük

1 25 0.1 0.5 2 25 0.2 0.5 3 25 0.3 0.5 4 20 0.1 0.5 5 20 0.2 0.5 6 20 0.3 0.5 7 10 0.1 0.5 8 10 0.2 0.5 9 10 0.3 0.5 10 5 0.1 0.5 11 5 0.2 0.5 12 5 0.3 0.5

Çizelge 6.13. RapidEye uydu görüntüsü için segmentasyon parametreleri Seviye Ölçek ġekil Bütünlük

1 100 0.1 0.5 2 100 0.2 0.5 3 100 0.3 0.5 4 50 0.1 0.5 5 50 0.2 0.5 6 50 0.3 0.5 7 25 0.1 0.5 8 25 0.2 0.5 9 25 0.3 0.5 6.9.2. Sınıflandırma AĢaması

Sınıflandırma için fuzzy ve en yakın komĢuluk sınıflandırması olmak üzere iki farklı yöntem denenmiĢtir. Her iki yöntem için de araziyi temsil edecek sınıfların tanımlanması ve sınıflandırma kurallarının oluĢturulması gerekmektedir. Sınıfların tanımlanmasından sonra her sınıf için görüntü üzerinden örneklem alanları toplanmalıdır. Örneklem alanları uygun görülen herhangi bir segmentasyon

Sınıflandırma için piksel tabanlı sınıflandırmada belirlenen 9 arazi örtüsü sınıfı yazılımın sınıflandırma (Class Hierarchy) penceresinde tanımlanmıĢtır (ġekil 6.18). Kurallar ise kural tanımlama nesnelerinin bulunduğu detay (Feature View) bölümünde tanımlanmaktadır. Bu bölüm görüntü yansıma değerlerini, detay iliĢkilerini, konumlarını, yapılarını ve daha birçok iliĢkiyi kullanarak sayısız kural tanımlamaya imkân sunmaktadır.

ġekil 6.18. eCognition ile sınıflar ve kuralların tanımlanması

ġekil 6.19‟da örnek olarak su detay sınıfı için oluĢturulan fuzzy kurallar ve sınıflandırma sonucu gösterilmiĢtir. Su detayı yakın kızılötesi ve kısa dalga kızılötesi batta diğer detaylara göre çok düĢük yansıma verir. Ayrıca detayları dördüncü bölümde tanımlanan, görüntüdeki yeĢil ve yakın kızılötesi batların oranları ile elde edilen su indeksi de su detayının tespit edilmesinde kullanılabilir. Bu nedenle hem su indeksi hem de Landsat uydu görüntüsünün 5 ve 7‟inci bantlarının oran değerleri kullanılarak fuzzy kurallar oluĢturulmuĢtur.

sınıflar kurallar

ġekil 6.19. Kural tanımlama ve sınıflandırma

Kural tanımlama iĢlemi için çok sayıda bant oranlama kombinasyonları denenmiĢ ve bunlardan en uygun olanları seçilerek sınıfların tespiti için uygulanmıĢtır. Örneğin Landsat uydu görüntüsü için bazı bant oranlarının detay tespitinde kullanımı Çizelge 6.11‟de gösterilmiĢtir.

Çizelge 6.11. Bant oranlama için kullanılan oran değerler Bant Oranı Detay Tespiti

B2/B3 Tarım alanı, toprak ayrımında

B3/B2 Orman, tarım alanı ve orman türü ayrımında B3/B4 Toprak, yerleĢim alanı ayrımında

B3/B5 YerleĢim alanı tespitinde

B4/B3 Orman, su, tarım alanı, toprak ayrımında B4/B5 Su, orman ayrımında

B5/B4 Su, orman, toprak ayrımında B5/B7 Su toprak ayrımında

B7/B2 Orman, tarım alanı, yerleĢim alanı ayrımında

Kuralların tanımlanmasını müteakip iĢlem bölümünde sınıflandırma için istenilen seviyelerde algoritmalar tanımlanmıĢ ve çalıĢtırılmıĢtır. Bu iĢlem her detay sınıfı için kurallar bölümünde değiĢiklik yapılarak iteratif Ģekilde gerçekleĢtirilmiĢ ve ġekil 6.20‟de gösterilen sınıflar elde edilmiĢtir. Ancak, burada önemli olan konu, yazılan fuzzy kurallar için görüntü yansıma değerlerinin direkt olarak kullanılmamıĢ

fuzzy kurallar sınıflandırma

olmasıdır. Çünkü görüntü yansıma değerleri atmosferik koĢullara bağlıdır ve kullanılması durumunda mutlaka atmosferik düzeltme yapılmalıdır. Atmosferik koĢullar tüm yansıma değerlerini aynı Ģekilde etkileyeceğinden oran değerlerde bu durum elemine edilir. Bu nedenle tüm sınıflar için oluĢturulan kurallarda sadece oran değerler tanımlanmıĢtır.

En yakın komĢuluk sınıflandırması için fuzzy kurallar tanımlamak yerine en yakın komĢuluk yönteminin matematiksel algoritması tanımlanmıĢ, görüntü üzerinden örneklem alanları toplanmıĢ ve ġekil 6.20‟de gösterilen sınıflar elde edilmiĢtir.

ġekil 6.20. Landsat uydu görüntüsü sınıflandırma sonuçları a. Fuzzy b. En yakın komĢu sınıflandırması Landsat uydu görüntüsü için nesne tabanlı sınıflandırma sonuçları incelendiğinde, piksel tabanlı yöntemlere göre, sınıfların daha toplu halde olduğu görülmektedir. Ayrıca, yapılan görsel değerlendirmede sınıfların genel anlamı ile arazi örtüsü ile uyumlu olduğu tespit edilmiĢtir. Fuzzy yöntemler kullanılarak yapılan sınıflandırmada yerleĢim detayında yer yer sıkıntılar mevcuttur.

Aster uydusu için nesne tabanlı sınıflandırma sonuçları ġekil 6.21‟de görülmektedir. Burada özellikle fuzzy yöntemler kullanılarak elde edilen sınıflandırma sonuçlarının yerleĢim detayı için uygun olmadığı görülmektedir. YerleĢim ile toprak detay birbiri ile karıĢmıĢ durumdadır. Ayrıca toprak detayının da boĢ tarım alanı detayı ile karıĢtığı görülmektedir.

Fuzzy sınıflandırma için her üç uydu görüntüsünün birbirlerine karĢılık gelen bantlarının oran değerleri kullanılmaya çalıĢılmıĢtır. Böylece farklı kurallar kullanılmamıĢ ve aynı yöntemin uydu görüntüsüne göre farkı değerlendirilmeye çalıĢılmıĢtır. Landsat ve Aster uydu görüntüsü için tanımlanan kurallar spektral

b

a

çözünürlüğü düĢük olan RapidEye uydu görüntüsü için tanımlanamadığından bu uydu görüntüsü için fuzzy sınıflandırma yapılmamıĢtır.

ġekil 6.21. Aster uydu görüntüsü sınıflandırma sonuçları a. Fuzzy b. En yakın komĢu sınıflandırması

RapidEye uydu görüntüsü için en yakın komĢuluk yöntemi kullanılarak yapılan elde edilen sınıflandırma sonuçları ġekil 6.22‟de gösterilmiĢtir. Sonuçların diğerleri ile benzerlik gösterdiği görülmektedir.

ġekil 6.22. RapidEye uydu görüntüsü için en yakın komĢu sınıflandırması 6.9.3. Doğruluk AraĢtırması

En yakın komĢuluk algoritması kullanılarak elde edilen sınıflandırma sonuçları Çizelge 6.14‟de verilmiĢtir. Aster uydu görüntüsünün genel doğruluğu %74.42 (Kapa 0.7014) iken Landsat %66.45 (kapa 0.5986) ve RapidEye %61.13 (kapa 0.5381) olarak elde edilmiĢtir. En yakın komĢuluk yöntemi kullanılan diğer yöntemlere göre tüm detay sınıfları için üç uydu görüntüsü için de daha iyi doğruluklara ulaĢmıĢtır. Yöntem

özellikle Aster uydu görüntüsü için uygun bir yöntemdir. Aster uydu görüntüsünden az yoğun geniĢ yapraklı orman detayı dıĢındaki tüm detayların tespitinde kullanılabilir.

En yakın komĢuluk sınıflandırmasında Landsat uydu görüntüsü için de benzer sonuçlar elde edilmiĢtir. RapidEye uydu görüntüsü için elde edilen doğruluk değerleri diğer uydu görüntülerinde göre biraz daha düĢüktür. Bu durum için RapidEye uydu görüntüsünün konumsal ve spektral çözünürlüğünün etkili olduğu düĢünülmektedir.

Her üç görüntü için de az yoğun geniĢ yapraklı orman detayının tespit edilemediği görülmektedir. Detay, bölgenin genelinde küçük ağaç toplulukları Ģeklindedir. Detay genel olarak segmentasyon ile elde edilen nesneler için yeterli büyüklüğe ulaĢamadığından tespit edilememiĢtir. Segmentasyon nesnelerinin küçültülmesi ise diğer detay sınıfları için uygun değildir. Bu nedenle, seçilen çalıĢma bölgesinin geniĢ yapraklı orman detayı için uygun olmadığı değerlendirilmektedir.

Çizelge 6.14. Nesne tabanlı en yakın komĢuluk algoritması için doğruluk araĢtırması

Sınıflar Landsat Aster RapidEye

ÜD (%) KD (%) ÜD (%) KD (%) ÜD (%) KD (%)

YerleĢim Alanı 72.88 66.15 76.92 75.47 78.43 50.63 Tarım Alanı (Ekili) 89.36 65.63 77.55 66.67 59.62 65.96 Tarım Alanı (BoĢ) 69.23 66.67 80.68 64.29 80.0 47.06 Orman Az Yoğ.Ġğne Yap. 64.29 48.65 87.88 59.18 62.96 50.0 Orman Yoğun Ġğne Yap. 66.67 100 65.0 100 70.0 93.33 Orman Az Yoğ.GeniĢ Yap. 0 0 0 0 33.33 18.18 Orman Yoğun GeniĢ Yap. 50.0 75.0 60.0 66.67 46.15 75.0 Açık Arazi Toprak 50.0 68.75 62.79 85.71 44.79 74.14

Su 100 100 100 100 93.75 100 Genel Doğruluk Kapa 66.45 0.5986 74.42 0.7014 61.13 0.5381

Fuzzy sınıflandırma sonuçları için elde edilen doğruluk değerleri Çizelge 6.15‟de verilmiĢtir. Landsat uydu görüntüsü için genel doğruluk değeri %56.14 (kapa 0.4917), Aster uydu görüntüsü için %47.84 (kapa 0.3833) olarak elde edilmiĢtir. Ekili tarım alanı ve iğne yapraklı yoğun orman detayı için her iki uydu görüntüsünün de diğer yöntemlere göre daha iyi doğruluklara ulaĢtığı görülmektedir.

Fuzzy kurallar ile yapılan sınıflandırma sonuçlarının doğruluk değerleri diğer yöntemlere göre daha düĢüktür. Burada tanımlanan kurallarda sadece bant oranları kullanılmıĢtır. Yardımcı diğer bilgiler ya da farklı iliĢki kuralları yazılarak yapılabilecek bir sınıflandırmada bu doğruluk değerlerinin artacağı düĢünülmektedir.

Çizelge 6.15. Fuzzy sınıflandırma için doğruluk araĢtırması

Sınıflar Landsat Aster

ÜD (%) KD (%) ÜD (%) KD (%)

YerleĢim Alanı 64.11 55.07 20.69 22.22 Tarım Alanı (Ekili) 81.40 87.50 73.68 80.0 Tarım Alanı (BoĢ) 52.38 35.48 70.0 46.67 Orman Az Yoğ.Ġğne Yap. 100 31.76 90.63 42.03 Orman Yoğun Ġğne Yap. 73.68 100 73.33 61.11 Orman Az Yoğ.GeniĢ Yap. 16.67 11.11 0 0 Orman Yoğun GeniĢ Yap. 45.45 83.33 63.64 70.0 Açık Arazi Toprak 22.45 70.97 24.47 40.35

Su 94.12 100 81.25 100 Genel Doğruluk Kapa 56.15 0.4917 47.84 0.3833 6.10. Vektöre DönüĢüm ve Farklar

Sınıflandırma sonuçlarına iliĢkin doğruluk araĢtırması iĢlemi araziye rastgele dağılmıĢ 300 farklı noktada yapılmıĢtır. Bu noktalara iliĢkin referans değerleri için öncelikle 1/50.000 ölçekli harita üretim kriterleri ve veri modeline göre pafta kıymetlendirmesi yapılmıĢtır. Daha sonra bir hafta süreli bütünleme arazi çalıĢması yapılmıĢ, bölgenin genel yapısı, detayların birbirleri ve yeryüzü ile olan iliĢkileri değerlendirilmiĢtir. Böylece sınıflandırma için görüntü üzerinden toplanan örneklem alanlarının kalitesinin artırılması da sağlanmıĢtır. Ayrıca bu çalıĢma ile kıymetlendirme sırasında eksik ya da yanlıĢ kıymetlendirilen detay ve özniteliklerin de tespiti ve bütünlemesi yapılmıĢtır. Böylece, sınıflandırma çalıĢması öncesinde bölgeye iliĢkin 1/50.000 ölçekli paftanın normal iĢ akıĢı ile üretimi gerçekleĢtirilmiĢtir (ġekil 6.23).

Sınıflandırma iĢleminden sonra 45 cm çözünürlüklü hava fotoğrafları ve üretimi gerçekleĢtirilen pafta verileri kullanılarak 300 nokta için referans değerleri (yeryüzü değerleri) belirlenmiĢtir. Doğruluk araĢtırması sonucunda elde edilen yüzde değerleri sınıflandırma sonuçlarının referans veriler ile karĢılaĢtırılarak elde edilen sonuçlardır. Bu nedenle daha detaylı bir değerlendirme için sınıflandırma sonuçları vektöre dönüĢtürülmüĢ ve ArcGIS programı kullanılarak kıymetlendirme sonuçları ile karĢılaĢtırılmıĢtır.

ġekil 6.24‟de su detayı için kıymetlendirme sonucu, Landsat uydu görüntüsünden en yakın komĢuluk sınıflandırma yöntemi ile elde edilen veriler ve farklar gösterilmiĢtir. Görüldüğü gibi sınıflandırma ile elde edilen sonuçlar kıymetlendirme ile elde edilen sonuçlarla uyumludur. Fark olarak gösterilen alanlar ise çok küçük olup, Landsat uydu görüntüsünün piksel boyutunun 30 m olmasından kaynaklanmaktadır.

ġekil 6.24. Su detayı için gerçek veriler, sınıflandırma sonuçları ve farklar

ġekil 6.25‟de tarım alanı detayı için kıymetlendirme ve Aster uydu görüntüsünden en yakın komĢuluk sınıflandırması ile elde edilen sonuçlar gösterilmektedir. Tarım alanı detayı ekili ve boĢ olmak üzere iki farklı Ģekilde değerlendirilmiĢtir. Ancak, çalıĢma için kullanılan uydu görüntüleri Temmuz ve yakın çevresine ait görüntülerdir. Bölgede bulunan tarım alanlarının geneli ise buğday tarlalarıdır. Buğdaylar bu tarihte sararmıĢ durumda (hasata hazır) olduğundan boĢ olan tarım alanları ve açık arazi detayı ile karıĢmaktadır. Bu nedenle tarım alanı bölgelerinin tek sınıf olarak değerlendirilmesi durumunda doğruluğun artacağı değerlendirilmektedir.

ġekil 6.25. Tarım alanı detayı için gerçek veriler, sınıflandırma sonuçları ve farklar

ġekil 6.26‟da iğne yapraklı orman detayı için kıymetlendirme ve Aster uydu görüntüsünden en yakın komĢuluk sınıflandırması ile elde edilen sonuçlar gösterilmektedir. Sonuçların genel anlamda uyumlu olduğu görülmektedir.

ġekil 6.26. Orman detayı için gerçek veriler, sınıflandırma sonuçları ve farklar

Alan detayların kıymetlendirilmesinde operatör yorumu büyük önem arz etmektedir. Aynı detayın sınırlarına iliĢkin farklı operatörler arasında yorum farkı olacağı gibi, aynı operatör tarafından farklı zamanlarda yapılan kıymetlendirmelerde de fark olacaktır. Aynı operatörün iki kıymetlendirmesi hiçbir zaman detayın aynı noktalarından olamaz. ġekil 6.27‟de görüldüğü gibi operatör ormanlık alan içinde yer alan toprak kısmı ayrıca değerlendirmemiĢ ve ormanlık alana dâhil etmiĢtir. Bu durum baĢka bir operatör tarafından daha farklı Ģekillerde yorumlanabilir. Bu nedenle alan detayların kesin sınırlarını çizmek çok zordur.

ġekil 6.27. Detaylar için operatör yorumu