• Sonuç bulunamadı

CBS-uzaktan algılama entegrasyonu ve örnek uygulama: Uydu görüntülerinden detay ve otomatik öznitelik tespiti

N/A
N/A
Protected

Academic year: 2021

Share "CBS-uzaktan algılama entegrasyonu ve örnek uygulama: Uydu görüntülerinden detay ve otomatik öznitelik tespiti"

Copied!
108
0
0

Yükleniyor.... (view fulltext now)

Tam metin

(1)

T.C.

SELÇUK ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ

CBS-UZAKTAN ALGILAMA ENTEGRASYONU VE ÖRNEK UYGULAMA:

UYDU GÖRÜNTÜLERĠNDEN DETAY VE OTOMATĠK ÖZNĠTELĠK TESPĠTĠ

Dijle BOYACI DOKTORA TEZĠ

Harita Mühendisliği Anabilim Dalı

Temmuz-2012 KONYA Her Hakkı Saklıdır

(2)
(3)

TEZ BĠLDĠRĠMĠ

Bu tezdeki bütün bilgilerin etik davranıĢ ve akademik kurallar çerçevesinde elde edildiğini ve tez yazım kurallarına uygun olarak hazırlanan bu çalıĢmada bana ait olmayan her türlü ifade ve bilginin kaynağına eksiksiz atıf yapıldığını bildiririm.

DECLARATION PAGE

I hereby declare that all information in this document has been obtained and presented in accordance with academic rules and ethical conduct. I also declare that, as required by these rules and conduct, I have fully cited and referenced all material and results that are not original to this work.

Dijle BOYACI Tarih: 24.07.2012

(4)

ÖZET

DOKTORA TEZĠ

CBS-UZAKTAN ALGILAMA ENTEGRASYONU VE ÖRNEK UYGULAMA: UYDU GÖRÜNTÜLERĠNDEN DETAY VE OTOMATĠK ÖZNĠTELĠK TESPĠTĠ

Dijle BOYACI

Selçuk Üniversitesi Fen Bilimleri Enstitüsü Harita Mühendisliği Anabilim Dalı DanıĢman: Prof. Dr. Ferruh YILDIZ

2012, 99 Sayfa Jüri

Prof.Dr. Ferruh YILDIZ Doç.Dr. Semih EKERCĠN

Doç.Dr. Murat YAKAR Doç.Dr. Ayhan GÖKTEPE Doç.Dr. Hakan KARABÖRK

Harita üretim süreci hem zaman alan hem de yoğun emek isteyen bir süreçtir. Uydu görüntüleri ya da hava fotoğrafları gibi temel altlıkların yanı sıra raster haritalar ve detay bilgisi gibi elde mevcut diğer yardımcı kaynakların da kullanımı ile baĢlayan ve çeĢitli adımları içeren bu süreç içerisinde en çok zaman alan, detay tanımlama iĢlemidir. Bu iĢlem sırasında operatör genellikle mevcut materyaller çerçevesinde göz ile karar vermektedir. Ancak, detay tespiti üzerine yapılan araĢtırmalar detaya iliĢkin yansıma değerlerinin çeĢitli analiz yöntemleri ile kolaylıkla analiz edilebileceğini, böylece çıplak göz ile elde edilemeyecek birçok bilginin tespit edilebileceğini göstermiĢtir.

Bu tez çalıĢmasında uydu görüntülerinden detay ve bu detaylara iliĢkin özniteliklerin tespit edilmesinde kullanılabilecek sınıflandırma ve bazı karar yöntemleri araĢtırılmıĢtır. Böylece harita üretiminde en çok zaman alan karar verme sürecine yardımcı olabilecek detay çıkarım yöntemleri ve bunların doğrulukları değerlendirilmiĢtir. Bu kapsamda, farklı uydu görüntüleri için piksel ve nesne tabanlı sınıflandırma yöntemlerinin doğruluğu araĢtırılmıĢ, her bir detay sınıfının elde edilmesinde en uygun olan uydu görüntüsü ve sınıflandırma tekniği belirlenmiĢtir. Sonuç olarak, hem uzaktan algılama hem de coğrafi bilgi sistemleri bilgisini içeren çok disiplinli bir çalıĢma gerçekleĢtirilmiĢtir.

Anahtar Kelimeler: Detay çıkarımı, Doğruluk analizi, Sınıflandırma, Uydu görüntüsü, Uzaktan algılama.

(5)

ABSTRACT

Ph.D THESIS

GIS-REMOTE SENSING INTEGRATION AND A SAMPLE APPLICATION: FEATURE AND AUTOMATIC ATTRIBUTE DETECTION FROM IMAGES

Dijle BOYACI

THE GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCE OF SELÇUK UNIVERSITY

DOCTOR OF PHILOSOPHY IN MAP ENGINEERING Advisor: Prof. Dr. Ferruh YILDIZ

2012, 99 Pages Jury

Prof.Dr. Ferruh YILDIZ Assoc.Prof.Dr. Semih EKERCĠN

Assoc.Prof.Dr. Murat YAKAR Assoc.Prof.Dr. Ayhan GÖKTEPE Assoc.Prof.Dr. Hakan KARABÖRK

Map production is a procedure that both time consuming and labor intensive. It is starting with the use of satellite images and aerial photos which are basic material and raster maps and feature information which are extra and available. The most time consuming step in these process is feature description. In this process, operators are generally decided with their eyes by using materials. Recent researches on feature description show that pixel values can be analyzed easily with some techniques so that more information can be found which can not achieved with naked eye.

In this study, some classification and decision methods are investigated that can be used for feature and attribute extraction from images. Some feature extraction methods and their accuracies are evaluated that could help map production process which is the most time consuming. Within this context, pixel based and object based classification methods and their accuracies are searched from different images. The best suitable image and method for each class are identified. Finally, a multidisciplinary work is carried out which have remote sensing and geographic information system.

(6)

ÖNSÖZ

“CBS-Uzaktan Algılama entegrasyonu ve örnek uygulama: uydu görüntülerinden detay ve otomatik öznitelik tespiti” konulu tez çalıĢmasında danıĢmanlığımı üstlenerek bilgi ve yardımlarını esirgemeyen Sayın Prof. Dr. Ferruh YILDIZ‟a Ģükranlarımı sunarım.

Hem tez konusu seçimimde yardımcı olan hem de çalıĢmalarım sırasında bana yol gösteren ve benden yardımını ve zamanını esirgemeyerek bana destek olan Sayın Mustafa ERDOĞAN‟a, teĢekkürü bir borç bilirim.

Ayrıca, uygulama çalıĢmamda kullanılmak üzere uydu görüntülerini ücretsiz temin etmemi sağlayan NĠK Sistem firması direktörü Sayın Yücel ERBAY Hanıma ve eCognition programının kullanımını öğrenmemde benden yardımlarını esirgemeyen Sayın Mehmet ÖZDEMĠR‟e çok teĢekkür ederim.

Son olarak, her türlü desteği hiç bir zaman eksik etmeyen sevgili eĢime ve aileme teĢekkür ederim.

Dijle BOYACI KONYA-2012

(7)

ĠÇĠNDEKĠLER ÖZET ... iv ABSTRACT ... v ÖNSÖZ ... vi ĠÇĠNDEKĠLER ... vii SĠMGELER VE KISALTMALAR ... ix 1. GĠRĠġ ... 1

1.1. Uzaktan Algılama ile Detay Tespiti ve Önemi ... 3

1.2. ÇalıĢmanın Ana Hedefleri ve Bilime Katkısı ... 4

1.3. Tezin Genel Yapısı ... 5

2. LĠTERATÜRDE YAPILAN ÇALIġMALARA GENEL BĠR BAKIġ ... 7

3. MULTĠ-SPEKTRAL UYDU SĠSTEMLERĠ ... 16

3.1. GiriĢ ... 16 3.2. Landsat Uydusu ... 17 3.2.1. Tarihçesi ... 17 3.2.2. Landsat 7 ETM + ... 18 3.2.3. Teknik Özellikleri ... 19 3.3. AsterUydusu ... 21 3.3.1. Tarihçesi ... 21 3.3.2. Teknik Özellikleri ... 22 3.4. RapidEye Uydusu ... 24 3.4.1. Tarihçesi ... 24 3.4.2. Teknik Özellikleri ... 25 4. GÖRÜNTÜ SINIFLANDIRMA VE ĠNDĠSLER ... 27 4.1. Görüntü Sınıflandırma Nedir? ... 27

4.2. Piksel Tabanlı Sınıflandırma ... 29

4.2.1. Eğitimsiz (Kontrolsüz) Sınıflandırma ... 29

4.2.2. Eğitimli (Kontrollü) Sınıflandırma ... 30

4.3. Nesne Tabanlı Sınıflandırma ... 36

4.3.1. Segmentasyon AĢaması ... 38

4.3.2. Sınıflandırma AĢaması ... 41

4.4. Bulanık Mantık Sınıflandırma (Fuzzy Classification) ... 41

4.5. Ġndisler ... 42

4.6. Doğruluk AraĢtırması ... 44

5. DFDD VERĠ SÖZLÜĞÜ VE ALAN DETAYLAR ... 47

(8)

5.2. Alan Detaylar ... 48

5.2.1. Çalılık Detayı (EB020) ... 48

5.2.2. Orman Detayı (EC030) ... 49

5.2.3. Su Alanı Detayı (BH080, BH130, BH140) ... 50

5.2.4. Tarım Alanı Detayı (EA010) ... 53

5.2.5. Açık Arazi (Toprak Yüzey Elemanı) Detayı (DA010) ... 53

5.2.6. YerleĢim Alanı Detayı (AL020) ... 55

6. ARAġTIRMA BULGULARI VE TARTIġMA ... 56

6.1. GiriĢ ... 56

6.2. ÇalıĢma Bölgesi ... 56

6.3. Uygulamada Kullanılan Yazılımlar ... 57

6.4. Uygulamada Kullanılan Veriler ... 58

6.5.Metodoloji (ĠĢ AkıĢı) ... 59

6.6. Ortorektifikasyon ĠĢlemi ... 60

6.7. Piksel Tabanlı Sınıflandırma ... 62

6.7.1. Landsat Uydu Görüntüsünden Piksel Tabanlı Sınıflandırma ... 62

6.7.2. Aster Uydu Görüntüsünden Piksel Tabanlı Sınıflandırma ... 65

6.7.3. RapidEye Uydu Görüntüsünden Piksel Tabanlı Sınıflandırma ... 67

6.7.4. Doğruluk AraĢtırması ... 67

6.8. Sınıf Sayısı ve Öznitelik Değerlendirmesi ... 70

6.8.1. Uydu Görüntülerinden Piksel Tabanlı Sınıflandırma ... 71

6.8.2. Doğruluk AraĢtırması ... 73

6.9. Nesne Tabanlı Sınıflandırma ... 75

6.9.1. Segmentasyon AĢaması ... 76 6.9.2. Sınıflandırma AĢaması ... 78 6.9.3. Doğruluk AraĢtırması ... 82 6.10. Vektöre DönüĢüm ve Farklar ... 84 6.11. Sonuçların Değerlendirilmesi ... 87 7. SONUÇ VE ÖNERĠLER... 89 7.1. Sonuçlar ... 89 7.2. Öneriler ... 90 KAYNAKLAR ... 92 ÖZGEÇMĠġ ... 99

(9)

SĠMGELER VE KISALTMALAR Simgeler

 : Ortalama değer

 : Standart sapma

Kısaltmalar

ANN : Artificial Neural Network - Yapay Sinir Ağları

ASTER : Advanced Spaceborne Thermal Emission and Reflection Radiometer

AVIRIS : Airborne Visible/Infrared Imaging Spectrometer DA : Discriminant Analyses –

DBFE : Decision Boundary Feature Extraction - DMB : Undergrowth Density - Yüzey Yoğunluğu

DFDD : DGIWG Feature Data Dictionary – DGIWG Detay Veri Sözlüğü DGIWG : Digital Geospatial Information Working Group – Sayısal

Konumsal Veri ÇalıĢma Grubu DS : Decorrelation Stretch -

ECHO : Extraction and Classification of Homogeneous Object – Homojen Nesnelerin Çıkarımı ve Sınıflandırması

ICA : Independent Component Analysis - Bağımsız BileĢen Analizi ILWIS : Intagreted Land and Water Information System

LANDSAT : Land Satellite

MDC : Minimum Distance Classifier - Ortalamaya En Kısa Mesafe Sınıflandırması

MLC : Maximum Likelihood Classification - En Büyük Olasılık Sınıflandırması

MODIS : Moderate Resolution Imaging Spectrarediometer MTA : Maden Tetkik Arama Enstitüsü

NDBI : Normalized Difference Built-up Index - Normalize EdilmiĢ YerleĢim Yeri Ġndeksi

NDVI : Normalized Difference Vegetation Index - Normalize EdilmiĢ Bitki Ġndeksi

OIF : Optimum Ġndeks Faktörü

PA : Producer Accuracy - Üretici Doğruluğu

PCA : Principal Component Analysis – Temel BileĢen Analizi SMC : Surface Material Type – Yüzey Materyal Tipi

SPOT : Satellite Pour I‟Observetion de la Terre SRTM : Shuttle Radar Topography Mission TA : Total Accuracy - Genel Doğruluk TRE : Foliage Type - Ağaç Yaprak Cinsi

VNIR : Visible Near Infrared Radiometer - Görünür Yakın Kızılötesi SWIR : Short Wave Infrared Radiometer - Kısa Dalga Kızılötesi TIR : Thermal Infrared Radiometer - Termal Kızılötesi

UA : User Accuracy - Kullanıcı Doğruluğu UTM : Universal Transverse Mercator

(10)

1. GĠRĠġ

Harita üretim süreci hem zaman alan hem de yoğun emek isteyen bir süreçtir. Uydu görüntüleri ya da hava fotoğrafları gibi temel altlıkların yanı sıra raster haritalar ve detay bilgisi gibi elde mevcut diğer yardımcı kaynakların da kullanımı ile baĢlayan ve çeĢitli adımlar içeren bu süreç içerisinde en çok zaman alan detay tanımlama iĢlemidir. Bu iĢlem sırasında operatör genellikle mevcut materyaller çerçevesinde kendi kiĢisel deneyimini kullanarak göz ile karar vermektedir. Bu nedenle detay tanımlama adımı kiĢisel detay yorumlama farklılıklarına açık olan bir süreçtir. Ancak, detay tespiti üzerine yapılan araĢtırmalar detaya iliĢkin yansıma değerlerinin çeĢitli analiz yöntemleri ile kolaylıkla analiz edilebileceğini, böylece çıplak göz ile elde edilemeyecek birçok bilginin tespit edilebileceğini göstermiĢtir.

Yüksek çözünürlüklü görüntü elde edebilen yeni uydu sensörlerinin varlığı, bilim dünyasını bu sensörlerin büyük ölçekli harita yapımında nasıl kullanılabileceği konusunda çalıĢma yapmaya teĢvik etmiĢtir (Holland ve ark., 2006). Çünkü arazi yüzeyine ait bir harita, doğal afet değerlendirme projelerinde, küresel değiĢim tespit çalıĢmalarında, çevre ve mühendislik çalıĢmalarında karar vermede çok önemli olabilir (Sellers ve ark., 1995; Süzen, 2002; Süzen ve Doyuran, 2004a, b). Ayrıca yukarıda bahsi geçen detay yorumlama farklılıklarını minimuma indirmek amacıyla referans veri olarak kullanılabilir ve harita üretim sürecinde operatöre karar verme aĢamasında yardımcı olabilir.

Uzaktan algılamada görüntü sınıflandırması, uydu görüntülerinden arazi örtüsüne yönelik bilgi çıkarımında en sık kullanılan yöntemlerden biridir (Borak ve Strahler, 1999; Chintan ve ark., 2004; Quattara ve ark., 2004). Farklı yöntemler kullanarak arazi yüzeyine iliĢkin veri çıkarımı, bu verilerin analizi, yorumlanması, bu iĢlemlerin güncel ve çok kısa süreler içinde yapılabilirliğinin sağlanması ise uzaktan algılama verileri ile görüntü sınıflandırmanın temel konuları arasındadır.

Uzaktan algılamada görüntü sınıflandırmasında piksel tabanlı ve nesne tabanlı olmak üzere iki sınıflandırma yapısından söz etmek mümkündür. Piksel tabanlı sınıflandırma, görüntüdeki her bir pikselin atama yapılacak sınıf ile olan spektral yakınlığını karĢılaĢtırarak sınıflandıran multispektral sınıflandırma tekniklerini kullanan sınıflandırma yöntemidir (Casals-Carrasco ve ark., 2000). Görüntüdeki tüm pikseller tek tek ele alınır ve ait olduğu sınıfın belirlenmesi sağlanır. Bu konuda birçok çalıĢma yapılmıĢ olup, piksel tabanlı sınıflandırma algoritmalarının özellikle daha düĢük

(11)

çözünürlüklü görüntülerde daha avantajlı olduğu, yüksek çözünürlüklü görüntülerde ise sınırlı bir yeteneğe sahip olduğu belirtilmiĢtir (Gao ve Mas, 2008; Jenson, 1996; Davis ve Wang, 2002).

1990‟ların ortasından itibaren bilgisayar donanımındaki ve yüksek çözünürlüklü görüntülerin elde edilebilmesindeki geliĢmeler nesne tabanlı analizlere olan gereksinimi artırmıĢtır (de Kok ve ark., 1999). Çünkü söz konusu geliĢmeler, arazi örtüsü sınıflarının geleneksel piksel tabanlı sınıflandırma yöntemleri ile tam olarak belirlenemediğini göstermiĢtir. Ayrıca yapılan çalıĢmalar konumsal çözünürlük arttıkça, nesnelerin iç spektral değiĢkenliğinin arttığını, bunun da nesne sınıfları arasındaki spektral farklılığın azalmasına sebep olduğunu göstermiĢtir (Kumar ve Castro, 2001; Zhang, 2001; Thomas ve ark., 2003). Bu sonuç sınıfların, heterojen spektral yansıma karakteristiklerinin birimleri ve bunların istatiksel ayırt edilebilirlikleri tarafından tanımlanmasına yöneltmiĢtir (Pu ve ark., 2011). Böylece detay tespitinde spektral ve dokusal bilginin yanında Ģekil karakteristiklerinin ve komĢuluk iliĢkilerinin de kullanılması sağlanmıĢtır (Shackelford ve Davis, 2003).

Nesne tabanlı analizler, geleneksel piksel tabanlı analizlerden farklı olarak bulanık mantık sınıflandırmaya olanak sağlar. Bu durumda her bir nesne birden fazla sınıf üyeliğine sahip olabilir ve yeryüzünün kavramsal olarak daha doğru tespit edilmesi sağlanabilir. Nesne tabanlı analizler konusunda çok sayıda çalıĢma yapılmıĢ olup, yüksek çözünürlüklü uydu görüntülerinde özellikle farklı fiziksel özelliklere sahip küçük parçaların mozaiği olan alanlarda daha yüksek doğrulukta sınıflandırma sağladığı belirtilmiĢtir (Mathieu ve ark., 2007).

Uydu görüntülerinden detay tespiti amacı ile kullanılan bir diğer yöntem indislerdir. Ġndisler, görüntünün farklı bantlarındaki spektral yansıma değerlerinin (DN) matematiksel bir ifade ile birleĢtirilerek farklı bir çıktı görüntünün oluĢturulması amacıyla kullanılır. Böylece farklı spektral bantlardan gelen verinin oranlanması ile elde edilen görüntü, değiĢimin olduğu yerleri daha belirgin hale getirir ve detay tespiti amacı ile kullanılabilir (Öztan ve Süzen, 2011).

Bu tez çalıĢması kapsamında, benzerlerinden farklı olarak, 1/50.000 ölçekli harita üretiminde değerlendirilen alan detaylar dikkate alınarak 12 farklı detay sınıfı belirlenmiĢtir. 3 farklı spektral ve konumsal çözünürlükteki uydu görüntüsü piksel tabanlı sınıflandırma algoritmalarına göre sınıflandırılmıĢtır. Yapılan incelemeler sonucunda sınıf sayısı 9‟a indirilmiĢ ve hem piksel tabanlı hem de nesne tabanlı

(12)

sınıflandırma için en büyük olasılık, en kısa mesafe ve paralel hatlar yöntemleri, nesne tabanlı sınıflandırma için en yakın komĢuluk ve fuzzy sınıflandırma yöntemleri kullanılmıĢtır. Doğruluk araĢtırması için ise bölgenin 45 cm çözünürlüklü ortofotoları kullanılmıĢ, aynı zamanda belirlenen 300 noktanın bazıları için arazi çalıĢması geçekleĢtirilmiĢtir. Böylece, her bir detay sınıfının elde edilmesinde en uygun olan uydu görüntüsü ve sınıflandırma tekniğinin belirlenmesi hedeflenmiĢtir. Ayrıca, uydu görüntüsünden kısa sürede elde edilebilen ve harita üretim sürecinde referans veri olarak kullanılarak operatöre yardımcı olacak bir veri seti oluĢturmak hedeflenmiĢtir. ÇalıĢma sonunda elde edilen araĢtırma bulguları yorumlanmıĢ ve anlamlı sonuçlara ulaĢılmıĢtır.

1.1. Uzaktan Algılama ile Detay Tespiti ve Önemi

Uzaktan algılama arada herhangi bir fiziksel bağlantı olmaksızın yeryüzü hakkında bilgi edinme tekniğidir. Giderek artan kullanıma sahip olan bu teknik özellikle haritacılık, jeoloji, denizcilik, çevre bilimi, ormancılık ve hidrolojik uygulamalarda kullanılmaktadır. Hızlı, etkin ve ucuz olması bu tekniğe olan eğilimin daha da artmasını sağlamıĢtır.

Ġnsan gözü elektromanyetik spektrumun çok dar bir aralığında algılama yapabilir. Oysaki geliĢen teknoloji ile birlikte yeni uydu sistemleri çok daha geniĢ bir aralıkta algılama yapabilmektedir. Bu ise farklı teknikler geliĢtirerek yeryüzüne ait birçok bilinmeyenin çözülebilmesi anlamına gelmektedir. Bu nedenle daha fazla bilginin elde edilesi, iĢlenmesi, analizi ve yorumu için uzaktan algılama teknikleri kullanılmaktadır.

Uzaktan algılama ile detay tespiti;

 Klasik çalıĢmalarla elde edilemeyen verinin elde edilmesine olanak sağlar.

 Çok daha kısa sürede çok büyük alanlara iliĢkin bilginin tespit edilmesini sağlar.

 Diğer yöntemlere göre sonuca ulaĢmak daha kısa sürededir ve daha ucuzdur.

 Klasik çalıĢmaların yapılamadığı yerlerde daha doğru verilerin elde edilmesini sağlar.

 DeğiĢimin tespit edilmesi amacı ile çok zamanlı verinin analiz ve yorumuna imkân sunar.

(13)

1.2. ÇalıĢmanın Ana Hedefleri ve Bilime Katkısı

Bu çalıĢmada, benzerlerinden farklı olarak, 1/50.000 ölçekli harita üretiminde değerlendirilen alan detaylar ve bu detaylara iliĢkin bazı öznitelikler dikkate alınarak arazi örtü sınıfları belirlenmiĢtir. Böylece; uydu görüntüsünden çeĢitli sınıflandırma yöntemleri kullanılarak detay ve öznitelik tespitinin yapılması, sonuçların doğruluklarının değerlendirilmesi, her bir detay sınıfının elde edilmesinde en uygun olan uydu görüntüsü ve sınıflandırma tekniğinin belirlenmesi, harita üretim sürecinin kısaltılması, üretim doğruluğu ve kalitesinin artırılması ve elde edilen sonuçların doğrudan üretime katılması hedeflenmiĢtir.

ÇalıĢmada, uzaktan algılama ile detay tespiti amacıyla kullanılan piksel tabanlı ve nesne tabanlı sınıflandırma yöntemleri ve bunlarda kullanılan farklı algoritmalar analiz edilmiĢtir.Böylelikle,

a) Uzaktan algılamada detay tespiti için kullanılan yöntemler ve bunun önemi araĢtırılmıĢtır.

b) Uydular ve uydu sistemleri hakkında genel yapı ile uygulama çalıĢmasında kullanılacak uydu görüntülerinin tarihçesi ve teknik özellikleri incelenmiĢtir.

c) Harita üretiminde değerlendirilen alan detaylar ve bu detaylara iliĢkin bazı öznitelikler ile uluslar arası veri sözlüğü ve veri yapısı standartları araĢtırılmıĢtır.

d) Sınıflandırma kavramı ve yapısı incelenmiĢ, sınıflandırma yöntemlerinin birbirlerine göre olan farklılıkları, avantaj ve dezavantajları karĢılaĢtırılmıĢtır.

e) Sınıflandırma sonucu elde edilen veriler, doğruluk araĢtırması yöntemleri kullanılarak karĢılaĢtırılmalı bir yaklaĢımladeğerlendirilmiĢtir.

f) Farklı konumsal ve spektral çözünürlükteki uydu görüntüleri kullanılarak çözünürlüğün sınıflandırmaya olan etkisi incelenmiĢtir.

g) Elde edilen sonuçlardan bazıları operatör tarafından hava fotoğrafları üzerinden çizilen gerçek veriler ile karĢılaĢtırılarak sınıflandırma sonuçlarının üretime dâhil edilebilme derecesi araĢtırılmıĢtır.

(14)

Bu çalıĢmanın bilime katkısı aĢağıdaki gibi sıralanabilir;

a) 1/50.000 ölçekli harita üretimindeki arazi örtüsü sınıfları için sınıflandırma ile detay tespitinde en uygun olan uydu görüntüsü ve sınıflandırma tekniği belirlenmiĢ, yöntemlerin avantaj ve dezavantajları ortaya çıkartılmıĢtır. b) Sınıflandırma ile sadece detayların değil detaya ait çeĢitli özniteliklerinde

belirlenebileceği gösterilmiĢtir.

c) Nesne tabanlı sınıflandırma için görüntü yansıma değerlerine bağımlı olmayan fuzzy kurallar oluĢturularak görüntüye ait atmosferik koĢullardan bağımsız bir sınıflandırma yapılması sağlanmıĢtır.

d) Elde edilen sonuçların üretimde kullanılabileceği, bunun zaman ve doğruluk açısından önemi vurgulanmıĢtır.

1.3. Tezin Genel Yapısı

Tez toplam 7 farklı bölümden oluĢmaktadır. Bölümlerde ele alınan konulara iliĢkin kısa ve öz bilgiler aĢağıda sıralanmıĢtır.

Ġlk bölümde, uzaktan algılama ile detay tespitinin önemi, yapılan çalıĢmanın amacı, hedefi ve bilime katkısı ile tezin genel yapısı hakkında bilgiler verilmiĢtir.

Ġkinci bölümde, bu tez çalıĢması ile ilgili literatürde geçmiĢten günümüze kadar gerçekleĢtirilmiĢ ve seçkin dergilerde yayınlanmıĢ bazı çalıĢmalara genel bir bakıĢ yapılmıĢ ve çalıĢmalar yıllara göre kısaca özetlenmiĢtir.

Üçüncü bölümde, uygulama çalıĢması kapsamında kullanılan uydu görüntüleri, bunların tarihçesi ve teknik özellikleri hakkında bilgiler verilmiĢtir.

Dördüncü bölümde, uydu görüntülerinden detay ve öznitelik tespitinde kullanılan görüntü sınıflandırma yöntemleri, bu yöntemlere iliĢkin matematiksel algoritmalar, indisler ve doğruluk araĢtırması kavramları hakkında bilgi verilmiĢtir.

BeĢinci bölümde, uygulama çalıĢmasında sınıflandırma ile tespit edilecek olan detay ve özniteliklerin belirlenmesinde kullanılan detay veri sözlüğü ile bu detayların genel özelliklerine iliĢkin bilgiler verilmiĢtir.

Altıncı bölümde, üç farklı spektral ve konumsal çözünürlükteki uydu görüntüsü kullanılarak önce 12 daha sonra 9 farklı detay sınıfı için 5 farklı sınıflandırma tekniği kullanılmıĢ, bunlara iliĢkin doğruluk araĢtırmaları yapılarak her bir detay için optimum yöntem ve uydu görüntüsü seçenekleri belirlenmiĢtir.

(15)

Yedinci bölümde, altıncı bölümde elde edilen analiz sonuçlarından yararlanarak ulaĢılan bulgular özetleyici bir dille değerlendirilmiĢ ve gelecek çalıĢmalardan bahsedilmiĢtir.

(16)

2. LĠTERATÜRDE YAPILAN ÇALIġMALARA GENEL BĠR BAKIġ

Uzaktan algılama ile detay tespiti üzerine birçok araĢtırma gerçekleĢtirilmiĢtir. Literatürde birbirinden farklı amaçlar için gerçekleĢtirilmiĢ çalıĢmalarla karĢılaĢılabilir. Sınıflandırma, uzaktan algılama ile detay tespiti için en yaygın olarak kullanılan yöntemlerden biridir. Özellikle yer yüzeyi örtüsünün tespitinde, ormanlık alanlar, tarım alanları, yerleĢim alanları ve toprak yapısının belirlenmesine iliĢkin çalıĢmalarda etkin olarak kullanılmaktadır. Uydu teknolojisindeki geliĢmelerle birlikte, yersel ve spektral çözünürlüğü yüksek görüntüler bu tarzdaki çalıĢmalar için çok sayıda imkân sunmaktadır.

AĢağıda uydu görüntülerinden detay tespiti için yapılan çalıĢmalar ve değerlendirmeler yıllara göre sıralamıĢtır.

Baatz ve Schape (2000), nesne tabanlı detay çıkarımında kullanılabilecek genel parametrelere iliĢkin bir çalıĢma yapmıĢtır. ÇalıĢmada, farklı veri setleri için bölgesel ve genel olabilirlik düzeyi incelenmiĢtir. Bu iĢlem için öncelikle segmentasyonda birbirine komĢu olan nesneler arasındaki fark ile heterojenlik durumu tespit edilmiĢtir. Sonuç olarak; çok çözünürlüklü segmentasyon algoritmasının farklı veri setleri için uygun olduğu belirtilmiĢtir. Ayrıca, bu yöntemde daha küçük ölçek parametresi seçiminin kontrastlığın sunumu açısından daha uygun olduğu ve nesne tabanlı görüntü analizi yapan eCognition programının temel iĢlem adımının çok çözünürlüklü segmentasyon algoritması olduğu vurgulanmaktadır.

Shackelford ve ark. (2003), kentsel alanlarda Ikonos uydu görüntüsü için birkaç aĢamalı sınıflandırma tekniği kullanarak sonuçları değerlendirmiĢlerdir. ÇalıĢmada öncelikle 4 m çözünürlüklü multispektral bantlar 1 m çözünürlüklü pankromatik bant ile birleĢtirilerek 1 m çözünürlüklü 4 bantlı görüntü elde edilmiĢtir. Daha sonra en büyük olasılık sınıflandırması (MLC) ve fuzzy sınıflandırma yöntemi uygulanmıĢ ve fuzzy sınıflandırma yönteminde sınıf doğruluklarında %10 ile %25 arasında bir artıĢ olduğu gözlenmiĢtir (bir sınıf hariç). Fakat özellikle daha yoğun Ģehir alanlarındaki kaldırım, araç park yeri gibi detayların bina ve yollarla karıĢtığı belirlenmiĢ ve piksel tabanlı sınıflandırma ile elde edilemeyen bu alanları tanımlamak için bir sınıf daha eklenerek nesne tabanlı sınıflandırma yöntemi test edilmiĢtir. Nesne tabanlı sınıflandırma için görüntüye öncelikle alan birleĢtirme algoritması uygulanarak segmentasyon yapılmıĢtır. Daha sonra yeni tanımlanan sınıf ile binaların karıĢmasını önlemek için Ģekil bilgisi çıkarımı ve komĢuluk analizi yapılmıĢtır. Görüntüde 130 adet test poligonu manüel

(17)

olarak sayısallaĢtırılmıĢ ve doğruluk araĢtırması yapılmıĢtır. Sonuçta referans veri ile karĢılaĢtırıldığında yolların %99, binaların %76, ağaçların %99, çimlik bölgelerin %91 ve bina ve yol olmayan yüzeylerin %81 doğrulukla sınıflandırıldığı görülmüĢtür.

Carleer ve ark. (2005), yüksek çözünürlüklü uydu görüntülerinde farklı segmentasyon algoritmalarının karĢılaĢtırılması üzerine bir çalıĢma yapmıĢtır. Bu kapsamda, sınır tabanlı ve alan tabanlı olmak üzere iki farklı segmentasyon grubundan dört farklı algoritma Ikonos uydu görüntüsü için değerlendirilmiĢtir. Sonuçlar, segmentasyon iĢleminde parametre seçiminin çok önemli olduğunu ve nihai ürüne direkt olarak etki ettiğini göstermektedir. Ayrıca, tüm detaylar için kullanılabilecek ortak bir segmentasyon yönteminin bulunmadığı da vurgulanmaktadır. Sınır tabanlı algoritmaların görüntüdeki gürültü ve dokusal bilgiye daha duyarlı olduğu, ön iĢlemlere ihtiyaç duyduğu ve bir alan içindeki homojen nesnelerin tespit edilmesinde etkin olarak kullanılabileceği belirtilmiĢtir. Alan tabanlı algoritmaların ise daha iyi sonuçlar vermesine rağmen, bazı durumlarda problemlere neden olabileceği sonucuna varılmıĢtır.

Domaç ve Süzen (2006), Amanos Dağı bölgesinde iki aĢamalı olarak yaptıkları çalıĢmalarında bitkisel yapı sınıflandırmasında yardımcı kaynak olarak çevresel değiĢkenleri kullanmanın doğruluğa etkisini araĢtırmıĢlardır. Bu kapsamda; 2000 tarihli Landsat 7 uydu görüntüsünü, 1:25.000 ölçekli orman haritalarını, 1:100.000 ölçekli jeoloji haritalarını ve 90 m aralıklı SRTM verisini kullanarak çalıĢma alanını 9 farklı sınıfa ayırmıĢlardır. ÇalıĢmanın ilk aĢamasında, en büyük olasılık sınıflandırması için orman haritaları kullanılmıĢ ve 392 adet örneklem toplanarak çalıĢma bölgesi sınıflandırılmıĢtır. Ġkinci aĢamada ise diskriminant analizi (DA) için üç farklı veri seti oluĢturulmuĢtur. Set1‟de her sınıf için örnek sayısı eĢit tutulurken (40), set2‟de sınıfların büyüklüğüne göre seçilen örneklem sayısı normalize edilmiĢ, set3‟de ise sınıflardan eĢit büyüklükte noktalar alınmıĢtır. Her veri seti için 6 farklı DA algoritması çalıĢtırılmıĢ ve sonuçta set3‟ün en uygun veri seti olduğuna karar verilmiĢtir. Daha sonra ilk iki aĢama sonuçları da kullanılarak bir sınıflandırma yapılmıĢ ve 225 yer noktası için sonuçlar değerlendirilmiĢtir. Yapılan çalıĢmada en büyük olasılık sınıflandırması ile %44.4 doğruluk elde edilirken, set3 için entegre edilen sınıflandırmada doğruluğun %19.6 oranında arttığı görülmüĢtür.

Yan ve ark. (2006), yaptıkları çalıĢmalarında Çin‟in Mongalia bölgesinde bulunan kömür madeni alanında, 15 m çözünürlüklü Aster uydu görüntülerini

(18)

karĢılaĢtırmıĢlardır. Piksel tabanlı sınıflandırma için Erdas 8.5 yazılımında en büyük olasılık sınıflandırması algoritmasını kullanırken, nesne tabanlı sınıflandırma için eCognition yazılımında segmentasyon ve en yakın komĢuluk sınıflandırması algoritmasını kullanmıĢlardır. 12 sınıf için çalıĢma alanı değerlendirilmiĢ ve tematik haritalar ile yer kontrol noktaları kullanılarak doğruluk araĢtırması yapılmıĢtır. Piksel tabanlı sınıflandırmanın 3 sınıfı ayırt etmede yetersiz kaldığı, diğer bazı sınıflar için iki yöntemin doğruluk değerinin hemen hemen eĢit olduğu ya da nesne tabanlı sınıflandırmanın doğruluğunun daha iyi olduğu değerlendirilmiĢtir. Sonuçta, nesne tabanlı sınıflandırmanın genel doğruluğunun piksel tabanlı sınıflandırmaya göre %36.77 daha yüksek olduğu belirtilmiĢtir. Doğruluktaki bu farklılığın ise %0.1 derecesinde hassas bölümlendirmeden kaynaklandığı değerlendirilmiĢtir.

YeĢilnacar ve Süzen (2006), Düzce yakınlarında yer alan AĢar suyu çalıĢma bölgesinde heyelan olasılığı için arazi örtüsü sınıflandırması çalıĢması yapmıĢtır. 8 aĢamada gerçekleĢtirilen çalıĢmada 6 sınıf için sınıflandırma algoritması yanında baĢka bileĢenlerde kullanılarak sonuçlar değerlendirilmiĢtir. Veri seti olarak 1993 tarihli Landsat 5 uydu görüntüsü, 1:15.000 ve 1:35.000 ölçekli hava fotoğrafları ve 1994 tarihli 1:25.000 ölçekli topografik haritalar kullanılmıĢtır. Ortorektifiye edilen uydu görüntüsüne temel bileĢenler analizi (PCA), bitki indisi, topografik nemlilik indisi, drenaj yoğunluğu bilgisi, toprak/yüzey nemlilik indisi ve sınıflandırma ile elde edilen sonuçlara temel yollar ve yerleĢim alanları bilgisinin eklenmesi Ģeklinde iĢlem adımları uygulanmıĢtır. Sonuç olarak, araziye ait birçok bilginin sınıflandırma doğruluğuna direk etkisinin olduğu ve sınıflandırma doğruluğunun %77‟den %89‟a ulaĢtığı görülmüĢtür. Ayrıca sınıflandırma ile elde edilen araziye iliĢkin verilerin heyelan olabilecek bölgelerin değerlendirmesinde kullanılabileceği ve sınıflara iliĢkin alanlarda heyelan olma olasılığının hesaplanabileceği değerlendirilmiĢtir. Bu kapsamda, sadece klasik sınıflandırma ile baĢka bileĢenler kullanılarak yapılan risk hesabında da doğruluğun %63‟den %88‟e arttığı görülmüĢtür.

Lu ve ark. (2007) Japonya‟da Miura Yarımadasında bulunan ve çok sayıda bitki türüne ev sahipliği yapan bir tarım alanında çeĢitli detay çıkarımı ve sınıflandırma yöntemlerinin karĢılaĢtırmasını gerçekleĢtirmiĢtir. ÇalıĢma sonucunda, karar tabanlı detay çıkarımı (Decision Boundary Feature Extraction - DBFE) yönteminin temel bileĢenler analizi yöntemine göre daha iyi sonuçlar verdiği belirtilmiĢtir. Ayrıca, çalıĢma alanı, sınıflandırmanın doğruluğunu artırmak için normalize edilmiĢ bitki indeksi (Normalized Difference Vegetation Index-NDVI) kullanılarak bitki kaplı alan

(19)

ve bitki olmayan alan olarak ikiye ayrılmıĢtır. Bu iĢlemden sonra bitki çeĢitliliği en büyük olasılık sınıflandırması (Kapa %92.4) ile homojen nesnelerin çıkarımı ve sınıflandırması (ECHO) yöntemlerine (Kapa %93.3) göre haritalanmıĢtır. Bitki türleri için %79.5-%100 arasında doğruluk değerleri elde edilirken, toprak çeĢitleri için %88.7-%100 arasında doğruluk elde edilmiĢtir. Ayrıca, betonarme alanlar için %97.8, saman bulunan alanlar için ise %99.4 doğruluk değeri bulunduğubelirtilmiĢtir.

Qian ve ark. (2007), Landsat uydu görüntülerini kullanarak Manas Ģehri ve çevresinde yer alan yerleĢim alanlarını sınıflandırma ile tespiti konusunda bir çalıĢma yapmıĢlardır. ÇalıĢma bölgesinin özelliği çölsel alanları da içermesidir. Bölgede yerleĢim nehirler boyunca toprağın verimli olduğu vaha alanlarında kurulmuĢtur. ÇalıĢmada üç farklı yöntem üzerinde durulmuĢtur. Ġlk olarak piksel tabanlı olan normalize edilmiĢ yerleĢim yeri indeksi (Normalized Difference Built-up Index – NDBI) yöntemi kullanılmıĢ ve çalıĢma bölgesi yerleĢim yerleri-çorak toprak, su gövdeleri ve bikisel alanlar olarak üç farklı sınıfa ayrılmıĢtır. Ġkinci aĢamada yine piksel tabanlı olan en büyük olasılık sınıflandırması kullanılmıĢ ve çalıĢma bölgesi 8 farklı sınıfa ayrılmıĢtır. Son aĢamada eCognitin yazılımı kullanılarak en yakın komĢuluk algoritması ile görüntü 8 sınıfa ayrılmıĢtır. Daha sonra görüntüde rastgele dağılmıĢ 900 noktada doğruluk değerlendirmesi yapılmıĢtır. Sonuç olarak; NDBI yönteminin özellikle seyrek orman alanları, çıplak alanlar ile kuru dere yataklarını yerleĢim yeri ile aynı sınıfa dâhil ettiğinden çölsel alanlardaki yerleĢim yerlerinin tespitinde çok yetersiz olduğu belirtilmiĢtir. En büyük olasılık sınıflandırması yönteminin %70.89‟luk bir doğruluk elde etmesine rağmen, sınıflar arasında yeteri derecede bir ayrımın sağlanamaması nedeni ile yetersiz olduğu, nesne tabanlı sınıflandırmanın ise %89.33‟lük bir doğruluğa ulaĢtığı belirtilmiĢtir. Ancak, bu yöntemdeki doğruluğun segmentasyon iĢleminin kalitesine ve baĢlangıçta yapılan bir hatanın sonuca çok büyük oranda yansıyacağına bağlı olduğu vurgulanmıĢtır.

Shah ve ark. (2007), geleneksel sınıflandırma algoritmalarından farklı olarak her sınıftaki veri yoğunluğunu dikkate alarak karma bir model kullanan bağımsız bileĢen analizi (Independent Component Analysis-ICA) algoritması sunmuĢlardır. Algoritmada, her bir piksel için sınıf üyelik olasılıkları hesaplanmaktadır. Böylece tüm pikseller kendileri için maksimum sınıf üyeliğine sahip olan sınıfa dâhil edilmektedirler. ÇalıĢmada, 0.5 m çözünürlüğe sahip “Positive Systems Multi-Spectral Imager” adı verilen sistem görüntüleri ile 20 m çözünürlüğe sahip AVIRIS uydu görüntüsüne ait iki

(20)

algoritmasından elde edilen sonuçlar ile karĢılaĢtırılmıĢ ve sonuçlar değerlendirilmiĢtir. Buna göre; birinci veri seti için elde edilen doğruluk değerleri ICA algoritması ile %63.8. K-ortalama algoritması ile %52.7‟dir. Ġkinci veri seti için 4 farklı detay çıkarım yöntemi kullanılmıĢ fakat sonuçların değiĢmediği belirtilmiĢtir.

Gao ve Mas (2008), konumsal çözünürlüğün nesne tabanlı görüntü analizine etkisini araĢtırmak amacı ile nesne tabanlı ve piksel tabanlı sınıflandırma yöntemlerini farklı çözünürlükteki uydu görüntülerinde (10m, 30m, 100m, 250m) test etmiĢlerdir. SPOT-5, Landsat ve Modis uydu görüntüsü ile yapılan çalıĢmada ILWIS (2005) ve eCognitin (2006) yazılımları kullanılmıĢtır. Piksel tabanlı sınıflandırma için en büyük olasılık sınıflandırması ve en yakın komĢuluk sınıflandırması kullanılırken, nesne tabanlı sınıflandırma için sadece en yakın komĢuluk yöntemi denenmiĢtir. 7 sınıf için 420 noktada yapılan doğruluk araĢtırmasında 30 m çözünürlüklü görüntülerde nesne tabanlı sınıflandırma yöntemi piksel tabanlı yöntemlere göre üstünlük sağlarken, düĢük çözünürlük değerinde bu üstünlüğün ortadan kalktığı tespit edilmiĢtir.

Lu ve ark. (2008), Landsat ve Spot uydu görüntülerini kullanarak nemli tropikal bölgelerdeki bitki örtüsü sınıflandırması konusunda bir çalıĢma yapmıĢtır. ÇalıĢma bölgesi olarak birçok bitki ve toprak örtüsü çeĢidine sahip, yıllık ortalama yağıĢ miktarının 2.000 mm olduğu Amazon seçilmiĢtir. Görüntüler hem tek olarak hem de birleĢtirilerek kullanılmıĢtır. Yöntem olarak en büyük olasılık sınıflandırması yöntemi seçilmiĢtir. ÇalıĢma sonucunda gerek tek kullanılan görüntüler için gerekse birleĢtirilerek elde edilen görüntülerde çözünürlük arttıkça sınıflandırma doğruluğunun da arttığı gözlemlenirken, temel sınıfların belirlenmesinde düĢük çözünürlüklü görüntülerin daha baĢarılı olduğu gözlemlenmiĢtir. Yüksek çözünürlüklü görüntülerde birden fazla sınıfa dâhil olma probleminin azaldığı, ancak aynı sınıf içinde yüksek spektral değiĢimin olduğu belirtilmiĢtir.

Pal (2008), Landsat uydu görüntüsünü kullanarak Ġngiltere Littleport yakınlarında ve Ġspanya‟da bulunan iki farklı çalıĢma alanında tarım ürünleri için bir sınıflandırma karĢılaĢtırması yapmıĢtır. Sınıflandırma yöntemi olarak insan bağıĢıklık sisteminden esinlenerek Watkins ve Timmis (2002) tarafından oluĢturulan yapay bağıĢıklık tabanlı kontrollü sınıflandırma, en büyük olasılık sınıflandırması, karar ağacı ve yapay sinir ağları yöntemlerini kullanmıĢtır. KarĢılaĢtırmada örneklem büklüğünün doğruluğa etkisini araĢtırmak için 350, 700 ve 2700 pikselden oluĢan örneklemler seçilmiĢtir. Sonuç olarak; yapay bağıĢıklık tabanlı kontrollü sınıflandırma ile özellikle büyük örneklem değerleri için daha iyi sonuçlar elde edildiği ve bu sonuçların yapay

(21)

sinir ağları ile elde edilenlere çok yakın olduğu belirtilmiĢtir. Ayrıca, yapay bağıĢıklık tabanlı kontrollü sınıflandırma çözümünün daha kısa zaman aldığı ancak sonuçların kullanıcı tarafından tanımlanan parametrelere bağlı olduğundan birçok veri seti üzerinde uzman personel tarafından belirlenecek parametrelerle denenmesi gerektiği vurgulanmıĢtır.

Pu ve ark. (2008), Amerika‟nın Nevada bölgesindeki çalıĢma alanında çok hızlı yayılan bitkilerdeki değiĢim miktarının belirlenmesi amacıyla CASI hiperspektral verisini kullanarak sınıflandırma ve normalize edilmiĢ bitki indeksi yöntemlerini test etmiĢlerdir. AraĢtırma için bir yıl aralıklı üç farklı görüntü kullanılmıĢtır. Ġlk aĢamada görüntülerdeki görünür ve yakın kızılötesi bantlara ayrı ayrı temel bileĢenler analizi yapılmıĢ, daha sonra MLC ile sınıflar elde edilmiĢtir. Farklı tarihlere ait görüntülerden elde edilen sınıflar için değiĢim miktarları belirlenmiĢtir. Ġkinci aĢamada kırmızı ve yakın kızılötesi bant için NDVI yöntemi kullanılarak fark görüntüleri elde edilmiĢtir. Sonuç olarak, sınıflandırma ile değiĢim tespitinde doğruluğun, görüntülerin tek tek sınıflandırma doğruluğuna bağlı olduğu, bu nedenle NDVI yönteminin değiĢim miktarının tespiti için daha uygun bir yöntem olduğu belirtilmiĢtir.

Bouziani ve ark. (2010), Kanada ve Fas‟daki 2 farklı çalıĢma alanında Ikonos ve Quickbird uydu görüntülerini kullanarak kural tabanlı sınıflandırma yapmıĢ ve sonuçları bu Ģehirler için mevcut 1/10.000 ve 1/20.000 ölçekli sayısal haritaları kullanarak test etmiĢlerdir. Görüntüler öncelikle en büyük olasılık sınıflandırması algoritması ile 7 farklı sınıfa ayrılmıĢtır. Daha sonra doku, geometrik yapı ile bina ve ağaçların yüksekliklerinden kaynaklanan gölge bilgisi gibi mantıksal bilgilerde eklenerek bazı sınıfların daha iyi ayırt edilmesi sağlanmıĢtır. Ayrıca sınıflandırma segmentasyon parametrelerinin belirlenmesinde mevcut sayısal Ģehir haritaları kullanılmıĢ ve bu parametreler otomatik belirlenmiĢtir. Spektral olarak benzerlik gösteren sınıfların daha iyi ayırt edilebilmesi için 8 basit kural belirlenmiĢ ve böylece sınıfların ayırt edilebilirliği artırılmıĢtır. Sonuç olarak en büyük olasılık sınıflandırması ile elde edilen toplam sınıf doğruluğu %74 ve %72 iken belirlenen kurallar sonrası elde edilen sınıf doğruluğu %92 ve %89‟dur. Bireysel sınıf doğrulukları değerlendirildiğinde de sınıf doğruluklarında ciddi oranda artıĢ olduğu görülmüĢtür.

Bruzzone ve Persello (2010), yüksek çözünürlüklü uydu görüntüleri ve SAR verilerinin sınıflandırma sonuçlarının değerlendirilmesinde kullanılabilecek bir yöntem belirlemiĢtir. Bu yöntemde, doğruluk kavramı tematik doğruluk ve geometrik doğruluk

(22)

iliĢkilendirilirken, geometrik doğruluk, görüntüde mevcut geometri, Ģekil ve sınırların belirlenmesini sağlayan sınıflandırma yönteminin etkinliği ile iliĢkilendirilmiĢtir. Geometrik doğruluk göstergesi olarak; görüntü içindeki belli sayıdaki nesne için segmentasyon, sınır, dağılma, konum ve Ģekil doğruluklarının ortalamasının alınabileceği belirtilmiĢtir. Tematik doğruluk ise sınıflandırma sonucu her bir pikselin ait olduğu sınıf ile gerçekte dâhil olduğu sınıf değerinin karĢılaĢtırılmasıdır. Bunu değerlendirmek için homojen alanlarda hesaplanan doğruluk ve nesnelerin sınırlarından hesaplanan doğruluk değerleri alınabilir. Bu kapsamda Quickbird uydu görüntüsü verisi kullanılarak farklı sınıflandırma yöntemleri test edilmiĢtir. Sonuç olarak, tematik doğruluğun tek baĢına sınıflandırma doğruluğunu değerlendirmede yeterli olmadığı görülmüĢtür. Sonuçlar yakın tematik doğruluğa sahip sınıflandırma haritalarının çok farklı geometrik doğruluğa sahip olabileceğini göstermiĢtir.

Newman ve ark. (2011), ormanlardaki parçalanmanın tespit edilmesi amacı ile 23 yıllık zaman dilimini kapsayan 5 farklı Landsat uydu görüntüsünü kullanarak bir çalıĢma yapmıĢlardır. ÇalıĢmada orman ve orman olmayan alanların tespiti için üç farklı sınıflandırma yöntemi kullanılmıĢtır. Piksel tabalı sınıflandırma için en büyük olasılık sınıflandırması seçilirken, nesne tabanlı sınıflandırma için yol bilgisi katılarak ve yol bilgisi katılmadan iki farklı Ģekilde sınıflandırma yapılmıĢtır. En büyük olasılık sınıflandırması için Erdas Imagine 9.2, nesne tabanlı sınıflandırma için ise Definiens Developer 7.0 programları kullanılmıĢtır. Sınıflandırma sonucunda elde edilen alanlar 60, 100, 300 ve 500 m kriterine göre değerlendirilmiĢ ve parçalanmanın boyutları belirlenmiĢtir. Sonuç olarak, elde edilen sonuçların seçilen yönteme göre çok fazla değiĢtiği, sınıflandırmada parametre seçiminin doğruluğu direkt etkilediği, yol bilgisi katılarak yapılan sınıflandırma doğruluğunun daha yüksek olduğu ve nesne tabanlı sınıflandırma yönteminin daha güvenilir olduğu değerlendirilmiĢtir.

Öztan ve Süzen (2011), buharlaĢan minerallerin (cips) tespit edilmesi amacıyla Ankara Bala bölgesinde bant oranlama, decorrelation stretch (DS) ve nesne tabanlı temel bileĢenler analizi yöntemlerini test etmiĢlerdir. ÇalıĢmada Aster uydu görüntüsü ve MTA tarafından hazırlanan mineral haritaları kullanılmıĢtır. Bant oranlama için 4:6, 4:9, 8:9 ve 8:6 oranları denenmiĢ ve en uygun oranlamanın 4:9 olduğuna karar verilmiĢtir. DS için 1, 4 ve 8 bantlarının cips mineralini tespit etmede en uygun bantlar olduğu tespit edilmiĢtir. Sülfat indisi için (bant10xbant12)/(bant11xbant11) formülü kullanılmıĢtır. Sonuç olarak; Aster uydu görüntüsünün bu çalıĢma için uygun olduğu, bant oranlama yönteminin cips minerali dıĢında diğer mineralleri de tespit ettiğinden

(23)

ayırt edici bir yöntem olarak kullanılamayacağı, DS ve nesne tabanlı temel bileĢenler analizi yönteminin bazı eksiklikleri olmasına rağmen kullanılabileceği, diğer yöntemlere göre en uygun yöntemin ise indis yöntemi olduğu belirtilmiĢtir.

Pu ve ark. (2011), Amerika BirleĢik Devletlerinin Tapma bölgesinde Ikonos uydu görüntülerini kullanarak nesne tabanlı ve piksel tabanlı sınıflandırmanın doğruluğa etkisini araĢtırmıĢ ve kullanılan yöntemler ile çıkarılan nesne sayısı arasındaki iliĢkiyi kentsel alanlarda test etmiĢlerdir. ÇalıĢmada, uydu teknolojisindeki geliĢmelere bağlı olarak konumsal çözünürlüğün artmasına karĢın, sınıflandırma doğruluğundaki azalmaya dikkat çekilmiĢtir. Ayrıca, nesne tabanlı sınıflandırma yöntemlerinin, görüntüyü segmentasyon ile nesnelere ayırması, doku ve diğer detaylara olan iliĢki bilgisini ve farklı ölçekleri kullanabilmesi nedeni ile piksel tabanlı sınıflandırma yöntemlerine göre daha hassas sonuçlar verdiğini belirtmiĢlerdir. Bu kapsamda çalıĢmada, yapay sinir ağları (ANN) yöntemi hem piksel hem de nesne tabanlı sınıflandırma için kullanılırken, ortalamaya en kısa mesafe sınıflandırması (MDC) sadece nesne tabanlı sınıflandırma için test edilmiĢtir. 3 veri seti grubu için 9 ve 27 detaydan oluĢan iki detay grubu sınıflandırılmıĢ ve nesne tabanlı sınıflandırmada kullanılan yapay sinir ağları yönteminin genel doğruluğunun %76.64 iken piksel tabanlı sınıflandırmanın doğruluğunun %72.79 olduğu belirlenmiĢtir. Ayrıca, nesne tabanlı sınıflandırmada 27 detay için 9 detaya göre daha iyi sonuçlar elde edildiği ve kentsel alanlarda nesne tabanlı sınıflandırmanın piksel tabanlı sınıflandırmaya göre daha iyi sonuçlar verdiği belirtilmiĢtir.

Robertson ve King (2011), Kanada‟nın Ontario bölgesinde 1995-2005 yılları arasındaki arazi örtüsü/kullanımındaki değiĢimin belirlenmesi amacı ile Landsat uydu görüntülerini kullanarak 10 sınıf için piksel tabanlı ve nesne tabanlı sınıflandırma yöntemlerini karĢılaĢtırmıĢlardır. Piksel tabanlı sınıflandırma için en büyük olasılık sınıflandırması algoritmasını kullanırken, nesne tabanlı sınıflandırma için çok-çözünürlüklü segmentasyon algoritmasını kullanmıĢlardır. DeğiĢim analizi sonucunda 10 yıllık dönem için piksel tabanlı sınıflandırmada %44.4 değeri hesaplanırken, nesne tabanlı sınıflandırma için %49.2 değeri elde edilmiĢtir. DeğiĢimin en az olduğu sınıf su alanları, en çok olduğu sınıf ise açık araziler, tarım alanları ve kozalaklı ormanlar olarak belirlenmiĢtir. Doğruluk araĢtırması sonunda, küçük alanlarda segmentasyon için seçilen ölçeğe bağlı olarak nesne tabanlı sınıflandırmanın doğruluğunun daha düĢük olduğu, fakat diğer tüm alanlarda daha hassas olarak değiĢimin belirlenebildiği tespit

(24)

Zhang ve ark. (2011), Çin‟in Jiangsu bölgesindeki kıyı alanları için Landsat 5 TM uydu görüntüsünü kullanarak bitki örtüsü sınıflandırması yapmıĢlardır. Karakteristik olarak birçok bitki örtüsü çeĢidini barındıran çalıĢma bölgesi, dünyadaki en büyük doğal yaĢam alanıdır. ÇalıĢmada, en büyük olasılık sınıflandırması ve karma sınıflandırma yöntemi kullanılmıĢtır. Karma yöntemde, öncelikle görüntüden tuzlu su, tatlı su, bitki ve toprak alaların olduğu dört ayrı görüntü elde edilmiĢ, daha sonra thresholding yöntemi ile bu alanlar çıkarılmıĢ, eğitimsiz sınıflandırma yapılmıĢ ve son olarak ekstra bilgiler kullanılarak sınıflar oluĢturulmuĢtur. 151 noktada yapılan doğruluk araĢtırması karma yöntemin en büyük olasılık sınıflandırmasına göre daha iyi olduğunu göstermiĢtir. Ayrıca, bitki sınıflarının spektral imzalarının birbirlerine çok yakın olması ve karmaĢık bir yapıya sahip olmaları nedeni ile en büyük olasılık sınıflandırmasında sınıflar arasında karıĢıklıklar olduğu gözlenmektedir.

(25)

3. MULTĠ-SPEKTRAL UYDU SĠSTEMLERĠ

3.1. GiriĢ

Uzaktan algılama, bir cisimle direkt temas etmeksizin onun fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanmaktadır (Lillesand ve Kiefer, 1994). BaĢka bir ifade ile uzaktan algılama; algılayıcı sistemlerden türetilen görüntüsel ve sayısal gösterimlerin kayıt, ölçüm, analiz ve yorumlanması iĢlemleri sonucu yeryüzü, çevresi ve bunlara ait fiziksel nesneler hakkında güvenilir bilgi edinme sanatı, bilimi ve teknolojisidir (AlkıĢ, 1994).

Uzaktan algılamanın iĢleyiĢi düĢünüldüğünde, yeryüzü ile bağlantı kurmadan (uzaydan) görüntü elde etmek için kaynak, yeryüzü ve algılayıcıdan oluĢan bir sisteme ihtiyaç vardır. Bu sistem içindeki öğelerden en önemlisini ise uydular oluĢturmaktadır.

Uzaydan görüntü elde etme iĢlemi 1946 yılında baĢlamıĢtır. 2. dünya savaĢında Almanlardan alınan V-2 roketlerinin bazıları 1946 yılında ABD‟de uzayın bilinmeyenlerini incelemeye yarayacak bir takım gereçlerle donatılarak fırlatılmıĢ ve yerin 105 km yükseklikten ilk kez resmi çekilmiĢtir. Dünyada ilk uydunun 1957 yılında Sovyetler Birliği tarafından Sputnik adıyla uzaya gönderilmesi ile yeni bir çağ açılmıĢtır. Yerin uzaydan otomatik fotoğraf makineleri ile fotoğraflarını çeken ilk insansız uydu 1959 yılında ABD tarafından uzaya gönderilen Explorer-6 uydusudur. Yer kaynaklarının araĢtırılması ve yeryüzünün incelenmesi amacı ile uzaya gönderilen ilk uydu ERTS uydusudur [URL 1].

Bu tarihsel geliĢim birkaç yüz metre çözünürlüklü görüntülerden birkaç santimetre büyüklüğüne kadar gelmiĢtir. Günümüzde uydu görüntüleri sayısal yükseklik modellerinin üretilmesinden su kalitesi analizlerine, jeolojik yapı araĢtırmalarından orman kaynaklarının belirlenmesine, ürün hasar tespitinden alan yönetimine birçok alanda kaynak veri olarak kullanılmaktadır.

AĢağıdaki bölümde, uygulama çalıĢmasında kullanılan Landsat, Aster ve RapidEye uydu görüntülerinin tarihçesi ve teknik özellikleri hakkında bilgi verilmiĢtir.

(26)

3.2. Landsat Uydusu

3.2.1. Tarihçesi

Landsat (land + satellite), Amerika BirleĢik Devletleri Jeoloji Servisi (USGS) ve NASA tarafından dünya yüzeyine iliĢkin uzun süreli uydu görüntüsü sağlamak amacı ile oluĢturulmuĢ ortak bir programdır. ġekil 3.1‟de gösterilen ve 1970‟li yılların baĢından itibaren görüntü alımı yapan Landsat uydusu, bilinmeyen dünyanın anlaĢılması için 40 yıldır bilimin birçok alanına veri sağlamaktadır [URL 2].

ġekil 3.1. Landsat uydusu tarihçesi

Ġlk uzaktan algılama uydusu olan ve önceleri ERTS (Earth Resources Technology Satellite) olarak bilinen Landsat 1 (1975 yılında bu ismi almıĢtır), 23 Temmuz 1972‟de ABD Ulusal Havacılık ve Uzay Dairesi (NASA) tarafından uzaydaki yörüngesine oturtulmuĢtur. Üzerinde yer alan RBV (Return Beam Vidicon - Dönel IĢınlı Kamera) adı verilen bir kamera ve bir multispektral tarayıcı ile 80 m yersel çözünürlükte ve 170 km x 185 km geniĢliğindeki bir alanda 7 bant ile görüntüleme yapan Landsat 1, 1978 yılına kadar aktif görüntüleme yapmıĢtır. [URL 3].

(27)

Landsat 1‟den 2,5 yıl sonra 22 Ocak 1975 tarihinde fırlatılan ve aynı sensörlere sahip olan Landsat 2, 1982 yılına kadar aktif olarak görüntü alımı yapmıĢtır (ġekil 3.2).

Projenin baĢarısı karĢısında daha iĢlevsel ticari bir uydu elde etmek amacı ile 1979 yılında yapılan bir anlaĢma ile projenin sorumluluğu NASA‟dan Ulusal Okyanus ve Atmosfer TeĢkilatına (National Oceanic and Atmospheric Administration - NOAA) kaydırılmıĢtır. Fakat 1983 yılına kadar projenin sorumluluğu yine NASA tarafından gerçekleĢtirilmiĢtir [URL 2].

5 Mart 1978‟de fırlatılan Landsat 3 uydusu kendinden öncekilerden farklı olarak 2 kamera ile görüntüleme yapmıĢtır. Her bir kamera 90 km‟lik bir alanda 40 m yersel çözünürlükte görüntü sağlamaktadır. Termal banda da sahip olan Landsat 3 uydusu, 7 Eylül 1983 tarihine kadar görüntü alımı yapmıĢtır [URL 2].

Landsat 4, 16 Temmuz 1982 tarihinde fırlatılmıĢtır. Ġlk üç Landsat uydusundan farklı bir sisteme sahip olan Landsat 4 uydusu, çok bantlı tarayıcı sistemin (Multispectral Scanner - MSS) yanı sıra TM (Thematic Mapper - Tematik Harita Yapımı) adı verilen ve elektromanyetik spektrumda daha geniĢ bir alanda algılama yapan bir sistem kullanmaktadır. Fırlatıldıktan 1 yıl sonra güneĢ panellerinden ikisini ve uydu - yer arasındaki bağlantıyı doğrudan sağlayacak olan vericilerden hepsini kaybetse de farklı bir vericinin aktif hale getirilmesi ile veri transferi sağlanmıĢ ve 2001 yılına kadar yörüngede kalmıĢtır. Landsat 4 TM bir tanesi termal olmak üzere 7 adet spektral banta sahiptir. 30 m yersel çözünürlükte veri sağlamıĢtır [URL 2].

1 Mart 1984 tarihinde fırlatılan Landsat 5, Landsat 4 uydusu ile aynı özelliklere sahiptir. Ağustos 1995‟de multispektral tarayıcı sistemi kapansa da hala iĢlevsel haldedir. 5 Ekim 1993 tarihinde EOSAT uydusu içersisinde fırlatılan Landsat 6, yörüngeye girmek için gerekli olan hıza sahip olamadığından baĢarıya ulaĢmamıĢtır.

15 Nisan 1999 yılında fırlatılan Landsat 7 uydusuna ait bazı görüntüler tezin uygulama bölümünde kaynak olarak kullanılacağından uyduya iliĢkin özellikler aĢağıdaki bölümde daha detaylı yer almaktadır.

3.2.2. Landsat 7 ETM +

15 Nisan 1999‟da Kaliforniya‟dan fırlatılarak yörüngeye oturtulan Landsat 7‟ye kendinden önceki iki uyduda bulunan TM sistemlerinin yeteneği daha da geliĢtirilerek ETM (Enhanced Tematik Maper) adını alan bir sistem uygulanmıĢtır. Böylece büyük

(28)

alanların haritalanması ya da global değiĢimin belirlemesi gibi çalıĢmalarda kullanılabilmektedir.

ġekil 3.3. Landsat 7 Uydusu

ġekil 3.3‟de gösterilen Landsat 7 diğer yer gözlem uyduları ile karĢılaĢtırıldığında en iyi kalibrasyona sahip olan uydudur. Ayrıca 1972‟den bu güne 40 yıllık bir zaman diliminde büyük miktarlarda veri sağlamıĢ, yakın gelecekte de sağlamaya devam edecektir. Fakat uydunun satır tarayıcısında oluĢan bir bozulmadan dolayı görüntülerde merkezden kenarlara doğru artan boĢluklar mevcuttur. Böylece her bir görüntü alanının ortalama %75‟i elde edilebilmektedir. Buna rağmen görüntüler halen iyi kalibre edilmiĢ durumdadır. USGS daha iyi görüntü birleĢimini sağlamak amacı ile çalıĢmalarına devam etmektedir ve 2008 Ekim ayından itibaren Landsat verisini ücretsiz olarak indirme imkânı sunmuĢtur.

3.2.3. Teknik Özellikleri

Uydunun tasarım süresi yaklaĢık 5 yıl sürmüĢtür. Modülün çapı 2.8 m, uzunluğu 4.3 m, ortalama ağırlığı ise 2200 kg‟dır. Uydunun ortalama yörünge yüksekliği 705 km‟dir. Ekvatordan saat 10.00‟da (±15 dakika) ve yaklaĢık 98.2° eğimle geçer. Dünya etrafındaki her bir turu 98.9 dakika sürer. Böylece 233 tur ile 16 günde tüm dünyanın etrafını dolaĢarak veri alımını gerçekleĢtirir [URL 2].

Uydu dünya yüzeyini path (uydu yolu) ve row (sıra) adı verilen bölümlere ayırarak görüntü alır. Dünya kutuptan kutuba 223 adet yoldan oluĢmaktadır. Her bir yol ise 248 sıraya bölünmüĢtür. Böylece 170 km x 185 km‟lik alanlar ile görüntü alımı gerçekleĢtirir.

(29)

ġekil 3.4. Landsat için örnek path ve row

Uydu biri pankromatik, biri termal olmak üzere toplam 8 bantta algılama yapar. Görüntüler, pankromatik bantta 15m, termal bantta 60 m, diğer bantlarda ise 30 m yer örneklem aralığına sahiptir. Çizelge 3.1‟de her bir bandın teknik özellikleri detaylı olarak verilmiĢtir.

Çizelge 3.1. Landsat 7 ETM+ Algılama Bandları ve Özellikleri [URL 4]

Bant Dalga Boyu (µm)

Yersel

Çöz. (m) Uygulama Alanı

1 (Mavi) 0.45 – 0.52 30 Bitki ve toprak arasındaki farklılıkları, ormanlık alanları ve kıyı çizgisinin haritalanması

2 (YeĢil) 0.52 – 0.60 30 Canlı bitkilerin yeĢil bölümleri

3 (Kırmızı) 0.63 – 0.69 30 Farklı bitki türlerinin tespiti, litoloji ve toprak arasındaki sınırın saptanması

4 (Yakın

Kızılötesi) 0.77 – 0.90 30

Bitki miktarının saptanması, litolojilerin tanımlanması, toprak/litoloji ve kara/su arasındaki kontrastlığın saptanması

5 (Yakın

Kızılötesi) 1.55 – 1.75 30 Kurak alanlar, su miktarı, kar ve buz arasındaki farkın bulunması 6 (Termal) 10.4 – 12.5 60 Sıcaklık miktarı, bitkiler, termal kirliliğin ve

jeotermal alanların belirlenmesi 7 (Kısa

Dalga Kızılötesi)

2.08 – 2.35 30

Litoloji ve toprak arasındaki sınırın belirlenmesi, toprak ve bitkilerdeki su miktarının saptanması

8 (Pan.) 0.52 – 0.90 15

Kayaçların tanımlanması, bitki örtüsünün haritalanması ve toprak nem durumunun belirlenmesi

(30)

ġekil 3.5. Landsat uydu görüntüsü bant yansıma değerleri [URL 5]

3.3. AsterUydusu

3.3.1. Tarihçesi

Aster (Advanced Spaceborne Thermal Emission and Reflection Radiometer) Aralık 1999 tarihinde NASA'nın (EOS) Yer Gözleme Sisteminin bir parçası olarak fırlatılan Terra uydusu üzerindeki görüntüleme aygıtlarından biridir. Uydu NASA, Japonya Ekonomi, Ticaret ve Sanayi Bakanlığı ile Japonya Uzaktan Algılama Veri Analiz Merkezi (ERSDAC) arasındaki iĢbirliği sonucunda gerçekleĢtirilmiĢtir [URL 6].

ġekil 3.6. Aster Uydu Modeli

Uydu, kendinden önceki uydularla karĢılaĢtırıldığında sahip olduğu sensörlerle yeni nesil uzaktan algılama görüntüleme yetenekleri sağlar. Bu sayede Aster uydu görüntüsü özellikle detaylı toprak yüzey sıcaklığı ile yansıma ve yükselti haritaları elde etmede kullanılmaktadır. Ayrıca bitki örtüsü ve ekosistem dinamikleri, tehlike gözlemleme, jeoloji ve toprak, yeryüzü iklimbilimi, hidroloji ve yer yüzeyi değiĢimi gibi çok geniĢ bir alanda kullanım alanı bulmaktadır.

(31)

3.3.2. Teknik Özellikleri

Uydu, yaklaĢık 60 km x 60 km geniĢliğindeki alanlarda, 14 bant spektral aralıkta, 15 ile 90 m arasında değiĢen çözünürlükte görüntüler elde eder. Çizelge 3.2‟de uyduya ait bazı teknik özellikler bulunmaktadır.

Çizelge 3.2. Aster uydu görüntüsü teknik özellikleri [URL 7]

Fırlatma Tarihi Vandenberg Hava Kuvvetleri Üssü, Kaliforniya, ABD 18 Aralık 1999 Ekvator GeçiĢi 10:30 (kuzeyden güneye)

Yörünge 705 km yükseklikte, güneĢ uyumlu yörünge Yörünge Eğimi Ekvator 98.3 derece

Periyot 98.88 dakika

Tekrarlama Periyodu 16 gün Çözünürlük 15 – 90 metre

Aster, VNIR (Görünür Yakın Kızılötesi), SWIR (Kısa dalga Kızılötesi) ve TIR (Termal Kızılötesi) olmak üzere üç ayrı alt sistemden oluĢur. VNIR, görünür ve yakın kızılötesi dalga boylarında üç spektral bantta çalıĢır. Stereo görüntü çifti elde etmek için geri bakıĢlı bir sisteme sahiptir. VNIR kısmındaki 3 numaralı bant hem nadir (N) hem de geri bakıĢlı (backward) görüntü alımı yaparak stereo görüntü alımını gerçekleĢtirir. Bu bantları kullanarak rölatif sayısal yükseklik modeli elde etmek de mümkündür. Landsat 7 ETM+ (15m) ile karĢılaĢtırıldığında Aster verisinin hem spektral hem de konumsal anlamda daha iyi olduğu görülmektedir. Bu anlamda 15 m çözünürlükteki VNIR verisi Ģu an için en iyi ticari multispektral uydu verisidir. SWIR ise tekli yuvarlak yansıma sistemine sahiptir. Uyduda yer alan alt sistemler ve özellikleri Çizelge 3.3‟de yer almaktadır [URL 8].

(32)

Çizelge 3.3. Aster uydu görüntüsü bant özellikleri

Bant Ġsim Dalgaboyu (µm)

Çözünürlük (m)

Nadir/

Backward Açıklama B1 VNIR_Band1 0.520–0.600 15 Nadir Visible green/yellow

(8 bit)

B2 VNIR_Band2 0.630–0.690 15 Nadir Visible red

(8 bit)

B3 VNIR_Band3N 0.760–0.860 15 Nadir Near infrared

(8 bit) B4 VNIR_Band3B 0.760–0.860 15 Backward B5 SWIR_Band4 1.600–1.700 30 Nadir Short-wave infrared (8 bit) B6 SWIR_Band5 2.145–2.185 30 Nadir B7 SWIR_Band6 2.185–2.225 30 Nadir B8 SWIR_Band7 2.235–2.285 30 Nadir B9 SWIR_Band8 2.295–2.365 30 Nadir B10 SWIR_Band9 2.360–2.430 30 Nadir B11 TIR_Band10 8.125–8.475 90 Nadir Long-wave infrared or thermal IR (12 bit) B12 TIR_Band11 8.475–8.825 90 Nadir B13 TIR_Band12 8.925–9.275 90 Nadir B14 TIR_Band13 10.250–10.950 90 Nadir B15 TIR_Band14 10.950–11.650 90 Nadir

Aster uydu görüntüleri için bantların yansıma diyagramları ġekil 3.7‟de gösterilmiĢtir.

ġekil 3.7. Aster uydu görüntüsü bant yansıma değerleri [URL 9]

Aster uydusu 3 farklı seviyede veri sağlar. Bunlar seviye 1A, 1B ve 3A‟dır. Level 1A verisi ham veri olarak gelmektedir. Ne radyometrik ne de geometrik düzeltmeleri yapılmamıĢtır. Level 1B verisi radyometrik düzeltme yapılmıĢ, geometrik düzeltme değerleri atanmıĢ olup, kuzeye döndürülmemiĢ durumdadır. Level 3A verisi

(33)

ise ortorektifiye edilmiĢ veridir ve sayısal yükseklik modeli verilerini de içermektedir [URL 10].

Aster uydusu üç boyutlu görüntü ve arazi yükseklik modeli sağlamanın yanı sıra yüksek çözünürlüklü multispektral termal kızılötesi verileri ile Terra araç paketi içindeki en yüksek konumsal çözünürlüğe sahip olan yüzey spektral yansıma, sıcaklık ve emissivite verilerini elde etme imkânı sağlar. Uydu ayrıca, istenilen herhangi bir yere ait veri elde etme için programlama imkânı da sunmaktadır.

ġekil 3.8. Örnek Aster uydu görüntüsü

Aster uydu görüntüsü hem 15 m konumsal çözünürlüğü, hem de 14 bantlık spektral çözünürlüğü ile birçok alanda kullanılmaktadır. Özellikle kayaç tipi tanımlaması, ayrıntılı volkanik aktivite haritalaması, çizgisel ve dairesel yapıların belirlenmesi, hidrotermal alterasyon alanlarının ve mineralojik zon haritalarının hazırlanması, jeotermal alanların belirlenmesi, stereoskopik üç boyutlu görüntü elde edilmesi vb. gibi jeolojik amaçlara yönelik olarak kullanılmaktadır.

3.4. RapidEye Uydusu

3.4.1. Tarihçesi

Ġlk çalıĢmaları 1996 yılında Almanya‟da uzaktan algılama çalıĢmalarını finanse etmek amacı ile Almanya Hava- Uzay birimi tarafından baĢlatılmıĢtır. 1998 yılında bir tarım sigorta firmasının desteği ile Münih de bağımsız bir Ģirket haline gelmiĢtir. 2004 yılında bazı Kanada firmalarının da içinde olduğu bir ortaklık ile çalıĢmalarına devam

(34)

edilmiĢtir. 29 Ağustos 2008 yılında Kazakistan‟dan fırlatılan uydu, test ve kalibrasyon safhalarını tamamlamıĢ ve 2009 ġubat ayından itibaren ticari olarak satıĢa sunulmuĢtur. ġekil 3.9‟da gösterilen uyduya ait sensörlerin tasarımı Almanya tarafından yapılsa da uydu ticari anlamda Kanada‟ya aittir [URL 11].

ġekil 3.9. RapidEye uydusu

3.4.2. Teknik Özellikleri

RapidEye uydu görüntüsü 6,5 m çözünürlüklü 5 banttan oluĢan multispektral bir veridir. Uydu, 5 uydudan meydana gelmekte olup, uyduya iliĢkin teknik özellikler aĢağıda yer almaktadır.

Uydu sayısı : 5

Uydu ömrü : 7 yıl

Yörünge uzaklığı : 630 km in (güneĢ uyumlu yörünge)

Periyot : 1 gün

Eğim açısı : 97.8 derece

Ekvatordan geçiĢ zamanı : 11:00 (yaklaĢık) Yer örneklem aralığı : 6,5 m

Piksel boyutu : 5 m (ortorektifiye edilmiĢ) Swath geniĢliği : 77 km

(35)

Çizelge 3.4. RapidEye uydusu bant özellikleri [URL 12]

Band # Name Spectral Range (nm)

1 Blue 440 – 510

2 Gren 520 – 590

3 Red 630 – 685

4 Red Edge 690 – 730

5 Near-Infrared 760 – 850

RapidEye uydu görüntüsü 2 farklı seviyede temin edilebilmektedir. Level 1B, radyometrik ve sensör düzeltmeleri yapılmıĢ, 6,5 m çözünürlüklü 5 banttan oluĢan veridir. Level 3A, hem radyometrik hem de geometrik düzeltmeleri yapılmıĢ, 5 m çözünürlüklü 5 battan oluĢan veridir. Geometrik düzeltmesi yapılmıĢ olan verinin konumsal doğruluğu mevcut yer kontrol noktalarının sayısına bağlı olarak bölgeye ve ülkelere göre değiĢiklik göstermektedir. Ortorektifiye edilmiĢ verinin ortalama doğruluğu 1 sigma güven aralığında 6 m iken, Level 1B verisinin ortalama doğruluğu 11 m‟dir [URL 12].

Ortorektifikasyon iĢlemi 25 km x 25 km „lik bağımsız parçalar halinde yapılmaktadır. Bu nedenle her bir parçanın ortorektifikasyonunda kullanılan yer kontrol nokta sayısı değiĢebilmektedir.

(36)

4. GÖRÜNTÜ SINIFLANDIRMA VE ĠNDĠSLER

4.1. Görüntü Sınıflandırma Nedir?

Yüksek çözünürlüklü görüntü elde edebilen yeni uydu sensörlerinin varlığı, bilim dünyasını bu sensörlerin büyük ölçekli harita yapımında nasıl kullanılabileceği konusunda çalıĢma yapmaya teĢvik etmiĢtir (Holland ve ark., 2006). Çünkü arazi yüzeyine ait bir harita, doğal afet değerlendirme projelerinde, küresel değiĢim tespit çalıĢmalarında, çevre ve mühendislik çalıĢmalarında karar vermede çok önemli olabilir (Sellers ve ark., 1995; Süzen, 2002; Süzen ve Doyuran, 2004a, b). Uzaktan algılamada görüntü sınıflandırması, uydu görüntülerinden arazi örtüsüne yönelik bilgi çıkarımında en sık kullanılan yöntemlerden biridir (Borak ve Strahler, 1999; Chintan ve ark., 2004; Quattara ve ark., 2004). Farklı yöntemler kullanarak arazi yüzeyine iliĢkin veri çıkarımı, bu verilerin analizi, yorumlanması, bu iĢlemlerin güncel ve çok kısa süreler içinde yapılabilirliğinin sağlanması ise uzaktan algılama verileri ile görüntü sınıflandırmanın temel konuları arasındadır.

Uzaktan algılamanın temelde dört ana bileĢeni mevcuttur. Bunlar: kaynak, atmosfer, yeryüzü ve algılayıcıdır. ġekil 4.1‟de uzaktan algılamanın bileĢenleri gösterilmiĢtir.

ġekil 4.1. Uzaktan algılamanın bileĢenleri (Lillesand ve ark., 2008)

GüneĢ ve çeĢitli doğal ya da yapay kaynaklar, değiĢik dalga boylarında elektromanyetik enerji saçarlar (Önder, 2002 ). Bu enerji atmosferde yayılır ve yeryüzüne ulaĢır. Yeryüzündeki nesnelere ulaĢan enerjinin çok az bir kısmı nesneler

Şekil

Çizelge 3.1. Landsat 7 ETM+ Algılama Bandları ve Özellikleri [URL 4]
Çizelge 3.2. Aster uydu görüntüsü teknik özellikleri [URL 7]
Çizelge 3.4. RapidEye uydusu bant özellikleri [URL 12]
ġekil 4.6. En büyük olasılık sınıflandırması (Lillesand ve ark., 2008)
+7

Referanslar

Benzer Belgeler

Sekonder ksilem hücreleri ise daha çok sklerankimatik hücrelerden meydana gelmiş olup trakeler küçük ve çok sık değildir.. Öz kolları belirgin olup, ince şeritler halinde dar

• The first case: If the user is the owner of the vehicle or it is possible to call him the driver and after the form is filled out by the driver and his data is entered that

As a result of the study, it is observed that the physicians of the positive defensive medicine who have attitudes such as more diagnostic tests and invasive

ÖZ: Gelişmiş ülkelerde nüfusun yaşlanması, kamu sağlık harcamalarının artması, sağlık sigorta kapsamının daralması, sağlık hizmetlerinin özelleştirilmesi,

Petro’nun 1724’te Bilimler Akademisi’ni kurması Doğu dillerinin ve Türkçenin sistemli biçimde öğrenilmesinin, tetkik edilmesinin önünü açmıştır (Eren, 1998, 83-84).

Bu çalışma kapsamındaki 231 çiğ süt örneğinin (48 inek sütü, 65 keçi sütü, 65 koyun sütü ve 53 eşek sütü) 47’sinde (%20.34) HeV rnA’sı pozitif olarak

[11] defined ℐ of subset of ℕ (positive integers) and investigated ℐ-convergence with some properties and proved theorems about ℐ-convergence. The idea of ℐ 2

Sonuçlar Havzada Yapılan Faaliyetler- Hedefler Havza Yönetim Anlayışı Sürdürülebilir Havza Yönetim Sistemi ve Bileşenleri Projelerde Kullanılan Modeller, Veri