Mekânsal çözünürlüğün ve görüntü homojenleştirmesinin sınıflandırma doğruluğuna etkisi

(1)

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/258053380

MEKANSAL ÇÖZÜNÜRLÜĞÜN VE GÖRÜNTÜ HOMOJENLEŞTİRMESİNİN

SINIFLANDIRMA DOĞRULUĞUNA ETKİSİ

Article · July 2012 CITATIONS 0 READS 115 2 authors:

Some of the authors of this publication are also working on these related projects:

TÜBİTAK SOBAG (1001)-İstanbul İlinde Sanayinin Mekânsal Dönüşümü: Süreçler, Etkiler, Beklentiler (2018 - Devam Ediyor)View project

117Y155 Tubitak ProjectView project Arzu Erener

Kocaeli University 43PUBLICATIONS 556CITATIONS

SEE PROFILE

Gulcan Sarp

T.C. Süleyman Demirel Üniversitesi 45PUBLICATIONS 336CITATIONS

(2)

Mekânsal Çözünürlü÷ün ve Görüntü Homojenleútirmesinin SÕnÕflandÕrma

Do÷rulu÷una Etkisi

(The Effects of Spatial Resolution and Image Homogenisation on Classification Accuracy)

Arzu ERENER1, Gülcan SARP2

1_{Selçuk Üniversitesi, Mühendislik MimarlÕk Fakültesi, Harita Mühendisli÷i Bölümü, Konya}

2_{Ortado÷u Teknik Üniversitesi, Jeodezi ve Co÷rafi Bilgi Teknolojileri Anabilim DalÕ, 06531, Ankara}

ae76@hotmail.com.tr

ÖZET

Bu çalÕúma, yüksek çözünürlüklü uydu görüntüleriyle arazi kullanÕmÕ/örtüsü sÕnÕflandÕrmasÕnda, mekansal çözünürlü÷ün ve görüntü homojenleútirmesinin, sÕnÕflandÕrma do÷rulu÷una etkisini araútÕrÕlmayÕ amaçlanmÕútÕr. ÇalÕúma Ankara’nÕn Çankaya ilçesindeki küçük bir test alanÕna uygulanmÕútÕr. Bu uygulamada yüksek çözünürlü÷e sahip QuickBird uydu görüntüsünün 2.4 m çözünürlü÷e sahip MSS bantlarÕ ve 0.64 m çözünürlü÷e sahip pankromatik bandÕ kullanÕlmÕútÕr. ÇalÕúmanÕn ilk adÕmÕ, QuickBird görüntüsünün En Büyük OlasÕlÕk Yöntemi (EOY) sÕnÕflandÕrma metoduyla sÕnÕflandÕrÕlmasÕnÕ ve sÕnÕflandÕrma do÷rulu÷unun gerçek yer verileriyle test edilmesini içermektedir. Buna göre MSS bantlarÕ ile elde edilen sÕnÕflandÕrma do÷rulu÷u yaklaúÕk % 73, kappa istatisti÷i ise % 64 olarak hesaplanmÕútÕr. økinci adÕmda mekansal çözünürlü÷ün sÕnÕflandÕrma do÷rulu÷una olan etkisi araútÕrÕlmÕútÕr. Bu nedenle görüntü, keskinleútirme iúlemi yapÕldÕktan sonra EOY ile sÕnÕflandÕrÕlmÕú, ve do÷rulu÷u test edilmiútir. Keskinleútirilmiú görüntü sÕnÕflandÕrmasÕ sonucu do÷rulu÷un % 73, kappa istatisti÷inin ise % 65’ oldu÷u görülmüútür. Son adÕmda ise sÕnÕflandÕrma obje tabanlÕ segmentasyon metodu ile desteklenmiútir. Di÷er sÕnÕflandÕrma sonuçlarÕna kÕyasla, segmentasyon sonrasÕ yapÕlan sÕnÕflandÕrma sonucunun, sÕnÕflandÕrma do÷rulu÷unu artÕrdÕ÷Õ gözlemlenmiútir. Buna göre, MSS bantlarÕ kullanÕlarak segmentasyon sonrasÕ yapÕlan sÕnÕflandÕrma sonucunda tüm do÷rulu÷un yaklaúÕk

%.77’ ye kappa istatisti÷inin ise % 69’a,

keskinleútirilmiú bantlar kullanÕlarak yapÕlan segmentaston sonrasÕ sÕnÕflandÕrmada ise tüm do÷rulu÷un %79’a ve kappa istatisti÷inin ise % 73’e kadar arttÕ÷Õ görülmüútür.

Sonuçlar, sÕnÕflandÕrma do÷rulu÷unun görüntü homojenleútirilmesi ile arttÕ÷ÕnÕ göstermiútir ki, bu da yüksek çözünürlüklü uydu görüntülerinden arazi kulanÕmÕ sonucu elde edilen objelerin, baúarÕlÕ úekilde elde edilmesini sa÷lamÕútÕr.

Anahtar Kelimeler: Arazi SÕnÕflandÕrmasÕ, Enbüyük OlasÕlÕk Yöntemi (EOY), Segmentasyon, Görüntü Keskinleútirme , SÕnÕflandÕrma Do÷rulu÷u

ABSTRACT

In this study, it is aimed to investigate the effect of spatial resolution and image segmentation to land use/cover classification accuracy in high-resolution

satellite images. The study is applied to a test region at Çankaya district of Ankara. In this study, the multispectral QuickBird with 2.4 m and pan image with 0.64 m resolutions are used. The first step of the study involves, classification of QuickBird image with Maximum Likelihood Classification (MLC) method and then analyzing the accuracy with the ground truth data. According to classification of MSS bands, the overall and kappa accuracy is % 73, and %64 respectively. Then in the second step, the effect of spatial resolution on the accuracy of the classification is analyzed. Hence, the image is Pansharpened and then classified with MLC. According to result of this classification the overall and kappa classification accuracy is improved to % 73 and % 65 respectively. In the last step the classification method is supported with the object based segmentation technique. The accuracy of the results is improved much more by the application of an object based segmentation compared to the previous classification results. According to results of classification after object based segmentation of MSS bands the overall and kappa classification accuracy is improved to % 77 and % 69 respectively. On the other hand, classification after object based segmentation of Pansharpened bands the overall and kappa classification accuracy is improved to % 79 and % 73 respectively.

The results show that the classification accuracy increased by the image segmentation and this provide detecting and delineating the land use features from high resolution satellite images with much more satisfaction.

Key words: Land Use Classification, Maximum

Likelihood Classification (MCL), Segmentation Method, Image Pan sharpening, Classification Accuracy.

1. GøRøù

Uydu görüntülerine uygulanan sÕnÕflandÕrma iúlemi sonucunda, spektral yansÕma yada spektral imzaya ba÷lÕ olarak, farklÕ türde yüzey özelli÷ine sahip sÕnÕflar belirlenebilmektedir. SÕnÕflandÕrma sonucu elde edilen tematik haritalarÕn yorumlanmasÕ ile, arazi kullanÕmÕ/ örtüsü ile ilgili bilgilerin hÕzla edinimi sa÷lanabilmekte, kullanÕcÕya daha hÕzlÕ bilgi sunulabilmekte, arazide bulunan sÕnÕflar hakkÕnda

(3)

Harita DergisiTemmuz 2012 SayÕ 148 A.Erener Vd.

bilgi alÕnabilmekte ve zamansal de÷iúimin takibi yapÕlabilmektedir (Loveland vd., 2002).

Uydu görüntülerinden daha do÷ru ve detaylÕ bilgiler elde etmek amacÕyla, uydu görüntülerinin MSS ve Pankromatik bantlarÕ kullanÕlarak, görüntü keskinleútirme iúlemleri yapÕlmaktadÕr.

Özellikle, úehir alanlarÕnda binalarÕn belirlenmesi

gibi uygulamalarda, uydu görüntüsünün yersel çözünürlü÷ünün artÕrÕlmasÕ, önemli basamaklarÕndan biridir (Welch, 1982). Görüntü keskinleútirmekteki temel prensip MSS bantlarÕnÕn renk bilgisi ile siyah beyaz (pankromatik) bantÕn mekansal detay bilgisinin birleútirilmesidir. Keskinleútirme sonucunda elde edilen görüntü, siyah beyaz görüntünün mekansal çözünürlü÷üne sahipken, MSS bantlarÕnÕn da renk bilgisine sahiptir. Pan bandÕ ile keskinleútirilmiú, MSS bantlarÕ kullanÕlarak yapÕlan sÕnÕflandÕrma sonuçlarÕnÕn do÷rulu÷unun arttÕ÷Õ belirtilmektedir (Bruzzone vd., 2006). YapÕlan çalÕúmalarda, özellikle objeler arasÕndaki kontrastÕn artÕrmasÕ nedeni ile, QuickBird uydu görüntüsünün keskinleútirilmiú MSS bantlarÕ ile elde edilen sÕnÕflandÕrma do÷rulu÷unun daha yüksek oldu÷unu göstermektedir (Shuang ve Zhilin, 2010).

1980’li yÕllardan günümüze, uydu görüntülerinden tematik bilgilerin elde edilmesi için hücre bazlÕ e÷itimli ve e÷itimsiz sÕnÕflandÕrma tekniklerinin kullanÕmÕ oldukça artmÕútÕr (Singh, 1986). Hücre bazlÕ, yansÕma de÷erleri kullanÕlarak yapÕlan bu sÕnÕflandÕrma iúlemlerinde, sÕnÕflandÕrmaya tabi tutulan nesnelere ait fiziksel bilgiler dikkate alÕnmadÕ÷Õndan, sÕnÕflandÕrma do÷rulu÷unu düúüren yanlÕú sÕnÕflandÕrÕlmÕú hücreler elde edilebilir.

Son yÕllarda yapÕlan birçok çalÕúmada sÕnÕflandÕrma do÷rulu÷unu artÕrmak için, görüntünün objelerle iliúkili olarak homojen alanlara ayrÕlmasÕ (segmentasyon) gibi birtakÕm algoritmalar geliútirilmiútir (Hay vd., 2003; De Jong and Freek, 2006; Jensen, 2006). Segmentasyon algoritmalarÕnÕn temel prensibi aynÕ bölüm içindeki homojen hücrelerin birleútirilerek, komúu farklÕlÕklardan ayrÕlmalarÕnÕ içermektedir (Wang, vd., 2004). Bu yöntem ile, hücre tabanlÕ sÕnÕflandÕrmada ortaya çÕkan, karÕúÕk hücre hatalarÕ elimine edilmektedir. Segmentasyon sonrasÕnda görüntü homojen objelere ayrÕldÕktan sonra, e÷itim objeleri ile sÕnÕflandÕrmaya tabi tutulurlar (Whiteside vd., 2011). SÕnÕflandÕrma sonucu, tek bir piksele ba÷lÕ olmayÕp, görüntü içindeki obje ya da segmentlere ba÷lÕdÕr. Segmentasyon için farklÕ birçok yaklaúÕm kullanÕlmaktadÕr (Freixenet, vd., 2002).

Literatürde yaygÕn olarak kullanÕlanlar Fuzzy C-Means (FCM), OlasÕlÕklÕ SÕnÕflandÕrma Yöntemi (PCM) ve EDISON Ortalama KaydÕrma ile Segmentasyon (Mean shift segmentation)’dur. YapÕlan birçok çalÕúma EDISON Ortalama KaydÕrma ile segmentasyon yönteminin baúarÕlÕ sonuçlar verdi÷ini göstermiútir (Comaniciu and Meer, 2002; Meer and Georgescu, 2001; Hui, 2008).

Bu çalÕúma kapsamÕnda, arazi kullanÕmÕ haritalamasÕnda, hücre tabanlÕ sÕnÕflandÕrma ile

obje tabanlÕ sÕnÕflandÕrma sonuçlarÕ

karúÕlaútÕrÕlmÕútÕr. Bu karúÕlaútÕrmada görüntü homojenleútirilmesi yanÕnda mekansal çözünürlükteki de÷iúimin de sÕnÕflandÕrma do÷rulu÷una etkisi araútÕrÕlmÕútÕr. Mekansal çözünürlü÷ün sÕnÕflandÕrma do÷rulu÷una etkisini belirlemek amacÕyla, sÕrasÕyla uydu görüntülerinin MSS bantlarÕ ve keskinleútirilmiú MSS uydu bantlarÕ sÕnÕflandÕrÕlarak, sÕnÕflandÕrma do÷rulu÷u yer gerçe÷i verileriyle de÷erlendirilmiútir. Daha sonra homojenleútirmenin sÕnÕflandÕrmaya etkisini belirlemek amacÕyla, sÕrasÕyla MSS için ve keskinleútirilmiú MSS bantlarÕ için segmentasyon yöntemi uygulanmÕú ve sÕnÕflandÕrma do÷ruluklarÕ karúÕlaútÕrÕlmÕútÕr.

2. ÇALIùMA ALANI VE VERø KAYNAKLARI

Bu çalÕúmada arazi kullanÕmÕ/örtüsü alanlarÕnÕ belirlemek amacÕyla Ankara’nÕn Çankaya ilçesine ait Çi÷dem mahallesinden bir alt bölge test alanÕ olarak kullanÕlmÕútÕr. ÇalÕúma alanÕ Orta Do÷u Teknik Üniversitesi kampüsünün do÷usunda yer almakta ve 974 x 992 hücre boyutunda bir alanÕ kaplamaktadÕr. Analizlerde test alanÕna ait yüksek çözünürlü÷e sahip 2004 yÕlÕnda çekilmiú olan QuickBird uydu görüntüsünün 2.4 m. çözünürlü÷e sahip MSS bantlarÕ ve 0.64 m. çözünürlü÷e sahip pankromatik bandÕ kullanÕlmÕútÕr.

Alana ait QuickBird uydu görüntüsünün do÷al renk kombinasyonu ùekil 1’de verilmektedir. Seçilen alan içinde bina, bina gölgeleri, toprak alanlar, yeúil alan ve yol gibi arazi kullanÕm alanlarÕ mevcuttur.

(4)

ùekil 1. ÇalÕúma alanÕna ait QuickBird uydu görüntüsü

3. ÇALIùMA YÖNTEMø

ÇalÕúma genel olarak, mekansal çözünürlükteki de÷iúimin ve görüntü homojenleútirmesinin sÕnÕflandÕrma do÷rulu÷una etkisinin araútÕrÕlmasÕnÕ içermektedir. YapÕlan her sÕnÕflandÕrma çalÕúmasÕ için, en çok tercih edilen e÷itimli sÕnÕflandÕrma metodlarÕndan Enbüyük OlasÕlÕk Yöntemi (EOY) kullanÕlmÕú ve bu yöntem ile görüntüler anlamlÕ sÕnÕflara ayrÕlmÕútÕr.

Mekansal çözünürlükteki etkiyi incelemek amacÕyla ilk olarak QuickBird uydu görüntüsünün 2.4 m. çözünürlü÷e sahip görünür ve yakÕn kÕzÕl ötesi (MSS) bantlarÕ sÕnÕflandÕrmaya tabii tutulmuútur. Daha sonra, MSS bantlarÕ 0.64 m.'lik yüksek çözünürlü÷e sahip QuickBird siyah beyaz (pankromatik) bantÕ ile keskinleútirilerek (PanSharp) tekrar sÕnÕflandÕrmaya tabii tutulmuútur. Keskinleútirme iúlemi yüksek çözünürlü÷e sahip siyah beyaz görüntü ile renkli (MSS) görüntüsünün kaynaútÕrÕlmasÕ ile elde edilmiú ve keskinleútirme iúlemi için Zhang, 2004

tarafÕndan uygulanan otomatik keskinleútirme yaklaúÕmÕ kullanÕlmÕútÕr.

MSS ve keskinleútirilmiú MSS bantlarÕndan arazi kullanÕmÕ/örtüsü alanlarÕnÕ belirlemek amacÕyla görüntüler üzerinden herbir sÕnÕfa ait, alana homojen olarak da÷ÕlmÕú, e÷itim setleri toplanmÕútÕr. SÕnÕflandÕrma sonucunda elde edilecek sÕnÕflarÕn birbirleri ile iliúki derecelerini görebilmek amacÕ ile, e÷itim sÕnÕflarÕ için dendogramlar oluúturulmuútur (ùekil 2, ùekil 3). Bu dendogramlarda yatay eksen spektral uzayda sÕnÕflarÕn birbirlerinden ne derece ayrÕlabildi÷ini göstermektedir. Düúeyde bulunan çizgiler ise hangi mesafeden sonra sÕnÕflarÕn birleúti÷ini göstermektedir. MSS bantlarÕ kullanÕlarak yapÕlan EOY sÕnÕflamasÕnda toplanan e÷itim setlerinin dendogram sonucu, sÕnÕflar arasÕndaki en büyük benzerli÷in bina ve yol sÕnÕflarÕ arasÕnda oldu÷unu göstermektedir (ùekil 1). Keskinleútirilmiú MSS bantlarÕ kullanÕlarak yapÕlan EOY sÕnÕflandÕrmasÕ için toplanan e÷itim setlerinin dendogramÕ da en fazla benzerli÷in bina ve yol sÕnÕflarÕ arasÕnda oldu÷unu göstermektedir (ùekil 2). Fakat bu sÕnÕflarÕn MSS bantlarÕnda 163.55 olan ayrÕlabilirlik mesafesinin keskinleútirilmiú MSS bantlarÕnda 165.13`e kadar yükseldi÷i görülmektedir.

SÕnÕflandÕrma sonrasÕ çalÕúma alanÕ, bina, gölge, yol, bitki ve toprak olarak tanÕmlanan beú farklÕ gruba ayrÕlmÕútÕr. ùekil 4 ve ùekil 5 sÕrasÕyla MSS bantlarÕ ile ve keskinleútirilmiú MSS bantlarÕ ile yapÕlan sÕnÕflandÕrma sonucu elde edilmiú tematik haritalarÕ göstermektedir.

ùekil 2. QuickBird MSS için toplanan e÷itim setlerinin dendogramÕ

(5)

ùekil 4. MSS bantlarÕ ile yapÕlan EOY sonucu oluúan arazi kullanÕm haritasÕ

ùekil 5. Keskinleútirilmiú MSS bantlarÕ ile yapÕlan EOY sonucu oluúan arazi kullanÕm haritasÕ Görüntü homojenleútirilmesinin, sÕnÕflandÕrma do÷rulu÷una etkisinin araútÕrÕlmasÕ için ise hem MSS hemde keskinleútirilmiú MSS bantlarÕna yapÕlan segmentasyon ile sÕnÕflandÕrma yöntemi desteklenmiútir.

Segmentasyon iúlemi için Mean-Shift algoritmasÕ kullanÕlmÕútÕr. Mean-Shift prosedürü ve segmentasyon algoritmasÕ detaylÕ olarak Comaniciu, vd. 2002’de açÕklanmÕútÕr. Bu metoda göre homojen alanlara ayrÕlacak olan görüntü öncelikle KÕrmÕzÕ*Yeúil*Mavi (K*Y*M) renk uzayÕndan LUV renk uzayÕna dönüstürülmektedir. LUV renk uzayÕnda L: rengin açÕklÕ÷Õ (lightness), U ve V ise sÕrayla tonlama ve doygunluk olarak rengi oluúturmaktadÕr (Hanbay, 2010). Yerel maksimum de÷erlerinin bulunmasÕ sÕrasÕnda, üzerinden geçilen noktalar, bulunan maksimum de÷erlerin çekim bölgelerini oluúturmaktadÕr (Comaniciu, vd., 2002). Bu çekim bölgeleri ise otomatik olarak görüntünün segmentlere ayrÕlmasÕnda kullanÕlmaktadÕr. ÇalÕúmada Mean-Shift segmentasyon algoritmasÕ EDISON (Edge Detection and Image Segmentation) programÕ kullanÕlarak gerçekleútirilmiútir. AlgoritmanÕn do÷ru bilgi üretmesi için minimum alan ve kernel boyu bilgisi do÷ru úekilde belirlenmelidir. Bu çalÕúmada farklÕ kombinasyonlar denenmiú ve görsel olarak sonuçlar karúÕlaútÕrÕldÕktan sonra en iyi sonucu veren parametre de÷erleri belirlenmiútir. Buna göre en küçük bölge 20 hücre ve kernel boyu 7 olarak belirlenmiútir.

Segmentasyon sonrasÕ MSS ve keskinleútirilmiú MSS bantlarÕ için mekansal ve spektral farklÕlÕklar dikkate alÕnarak çalÕúma alanÕ farklÕ bölgelere ayrÕlmÕútÕr. Segmentasyon sonucunda tek bir birim olarak de÷erlendirilen objeler bir araya getirilerek görüntü homojenleútirilmiútir. ùekil 6, ve ùekil 7 sÕrasÕyla MSS ve keskinleútirilmiú MSS için segmentasyon sonucunu vermektedir.

(6)

ùekil 7. Keskinleútirilmiú MSS görüntüsünün segmentasyon sonucu

Segmentasyon sonrasÕ elde edilen görüntü bir

sÕnÕf bilgisi içermemektedir. Bu nedenle

segmentasyon sonrasÕ görüntüdeki her bir obje, alandan toplanan herbir sÕnÕfa ait e÷itim verileri kullanÕlarak EOY sÕnÕflandÕrm algoritmasÕ ile sÕnÕflara atanmÕútÕr. Segmentasyon sonrasÕ elde edilen tematik haritalar MSS ve keskinleútirilmiú MSS için sÕrasÕyla ùekil 8 ve ùekil 9’ da verilmektedir.

ùekil 8. MSS bantlarÕna ait segmentasyon ile elde edilen görüntünün EOY sÕnÕflandÕrma sonucu oluúan tematik haritasÕ

ùekil 9. Keskinleútirilmiú MSS bantlarÕna ait segmentasyon ile elde edilen görüntünün EOY sÕnÕflandÕrma sonucu oluúan tematik haritasÕ

YapÕlan sÕnÕflandÕrma sonucu elde edilen tematik haritanÕn do÷rulu÷unu belirlemek için görüntü üzerinden tüm alana homojen da÷ÕlmÕú rastgele 150 adet test noktasÕ (yer gerçe÷i) toplanmÕútÕr. Bu test noktalarÕnÕn niteli÷i arazi kontrolleri ile kesinleútirilmiútir. Daha sonra bu test noktalarÕ, yapÕlan her bir sÕnÕflandÕrma sonucunun do÷rulu÷unu belirlemek amacÕ ile kullanÕlmÕútÕr. Bunun için sÕnÕflandÕrma sonuçlarÕ yer gerçe÷i verileri ile karúÕlaútÕrÕlmÕútÕr. KarúÕlaútÕrmalar sonucu hata matrisi oluúturularak do÷ruluklar, tüm do÷ruluk ve kappa de÷eri istatistiksel verileri ile de÷erlendirilmiútir.

SÕnÕflandÕrma sonuçlarÕ ve uygulanan yaklaúÕmÕn performans de÷erlendirmesi sonuç kÕsÕmÕnda verilmiútir.

4. SONUÇLAR VE TARTIùMALAR

Önerilen yaklaúÕm, sÕnÕflandÕrma öncesi görüntünün keskinleútirilmesini ve segmentasyonunu içeren iki farklÕ metodun uygulanmasÕnÕ ve bu uygulamanÕn sÕnÕflandÕrma do÷rulu÷unu nasÕl etkiledi÷ini test etmektedir. Buna göre amaç, yüksek çözünürlüklü uydu görüntülerinin sÕnÕflandÕrma do÷rulu÷unun artÕrÕlmasÕ amacÕnÕ taúÕmaktadÕr. Uygulanan yöntemler sonucunda üretilen arazi kullanÕmÕ sÕnÕflarÕ, do÷ruluk analizleri yöntemleriyle incelenmiútir. Yöntemin baúarÕsÕndaki artÕúÕ takip edebilmek için uygulanan her metod sonrasÕ MSS ve keskinleútirilmiú MSS görüntüleri, bilinen

(7)

en yaygÕn sÕnÕflandÕrma yöntemi olan EOY sÕnÕflandÕrma yöntemi ile sÕnÕflandÕrÕlmÕú ve elde edilen hata matrisleri birbirleriyle karúÕlaútÕrÕlmÕútÕr. Hata matrisinin kolonunda sÕralanan veri referans veridir ve yer gerçe÷i de÷erlerini göstermektedir. Hata matrisinden

hesaplanan kappa katsayÕsÕ sÕnÕflandÕrma

do÷rulu÷u analizi için önemli kriterlerden biridir. Bunun yanÕnda kullanÕcÕ do÷rulu÷u ve üretici do÷rulu÷u da dikkate alÕnÕr.

Buna göre MSS bantlarÕ ile elde edilen sÕnÕflandÕrma sonrasÕ elde edilen tüm do÷ruluk % 72.66, kappa istatisti÷i ise % 64 olarak hesaplanmÕútÕr (Tablo 1). Keskinleútirilmiú MSS bantlarÕ ile yapÕlan sÕnÕflandÕrma sonrasÕ elde edilen do÷rulu÷unun % 73.33’ e kadar, kappa istatisti÷inin ise % 65’e kadar arttÕ÷Õ görülmüútür (Tablo 2). MSS bantlarÕna uygulanan obje tabanlÕ segmentasyon tekni÷i sonrasÕ uygulanan sÕnÕflandÕrma sonucunda elde edilen do÷rulu÷un % 76.66’ ya kadar, kappa istatisti÷inin ise % 76’e

kadar arttÕ÷Õ görülmüútür (Tablo 3). Keskinleútirilmiú MSS bantlarÕnÕn segmentasyon sonucu sÕnÕflandÕrÕlmasÕ ile elde edilen do÷rulu÷un ise % 79.33 ‘e kappa istatisli÷inin de % 73 ‘e kadar yükseldi÷i görülmüútür (Tablo 4). Elde edilen sonuçlara göre (Tablo 1, 2, 3, 4) alanda bulunan bitki, bina, yol, gölge ve toprak objeleri için kullanÕcÕ ve üretici do÷ruluklarÕnÕn, bu önerilen metodlarÕn uygulanmasÕ sonrasÕ ayrÕ ayrÕ arttÕ÷Õ da gözlemlenmiútir. Bu sonuçlar ÕúÕ÷Õnda mekansal olarak keskinleútirilmiú bir görüntüde objeye ait bilgiler daha belirgin hale geldi÷i için yanlÕú sÕnÕfa atÕlacak hücre bilgisi oranÕnÕn düútü÷ü görülmüútür. Bunun yanÕnda segmentasyon ile obje bazÕnda bir iúlem yaptÕ÷Õ için, bu iúlem sonunda her bir objeye ait hücrelerin yo÷unluk bilgileri yerine etiket de÷erleri elde edilmektedir. Bu da uygulamada alandaki her bir objeyi daha homojen olarak elde etmemize neden olmaktadÕr.

Tablo 1. MSS bantlarÕ ile yapÕlan EOY sÕnÕflandÕrmasÕ sonucu elde edilen hata matrisi

MSS Bina Gölge Yol Bitki Toprak Üretici Do÷rulu÷u

Bina 15 2 7 0 0 % 75.00 Gölge 0 8 0 0 0 % 72.72 Yol 1 0 26 0 3 % 66.66 Bitki 1 0 2 27 1 % 62.79 Toprak 3 1 4 16 33 % 89.18 KullanÕcÕ Do÷rulu÷u % 62.50 % 100.00 % 86.66 % 87.09 % 57.89

Tüm do÷ruluk = % 72.66, kappa istatisti÷i % 0.64

Tablo 2. Keskinleútirilmiú MSS bantlarÕ ile yapÕlan EOY sÕnÕflandÕrmasÕ sonucu elde edilen hata matrisi

Tüm do÷ruluk = % 73.33, kappa istatisti÷i % 0.65

Tablo 3. MSS BantlarÕnÕn segmentasyon sonrasÕ EOY sÕnÕflandÕrmasÕ sonucu elde edilen hata matrisi

(8)

Tablo 4. Keskinleútirilmiú görüntünün bölümleme sonrasÕ EOY sÕnÕflandÕrmasÕ sonucu elde edilen hata matrisi

Tüm do÷ruluk = % 79.33, kappa istatisti÷i % 0.73 Uygulanan yöntemlerin, obje belirlemedeki

performanslarÕ çalÕúma alanÕna ait QuickBird görüntüsü ile elde edilen sÕnÕflandÕrma sonuçlarÕ karúÕlaútÕrÕlarak yapÕlmÕútÕr. ùekil 10’da verilen A binasÕ, arazide bulunan di÷er binalardan çatÕ kaplamasÕ olarak farklÕdÕr. Metal çatÕ yapÕsÕna sahip bu bina ve kÕsmen aynÕ çatÕya sahip B binasÕnÕn, kiremit yapÕya sahip di÷er binalara göre yansÕma de÷erleri farklÕ oldu÷undan sÕnÕflandÕrma sonucunda do÷ru olarak belirlenmesi daha zordur. AynÕ zamanda binalarÕn çatÕlarÕnda bulunan bacalarÕn C binasÕ gibi ve yollarda bulunan arabalarÕn D yolu gibi

yansÕma de÷erleri de farklÕ oldu÷undan sÕnÕflandÕrma sonucuna negatif yönde etki etmektedir. Segmentasyon iúlemi ile sÕnÕflandÕrmaya negatif etki eden bu objeler çatÕ ve yol objesi olarak homejenleútirildi÷inden sÕnÕflandÕrma do÷rulu÷una pozitif yönde etki ederek do÷rulu÷un artmasÕnÕ sa÷lamaktadÕr. Sonuç olarak MSS ve keskinleútirilmiú MSS bantlarÕnÕn segmentasyon sonrasÕ sÕnÕflandÕrÕlmasÕnÕn sÕnÕflandÕrma do÷rulu÷una pozitif olarak etki etti÷i belirlenmiútir.

ùekil 10. Alan kullanÕmÕ için çÕkarÕlan objelerin belirlenmesinde, önerilen yöntemleri, performans de÷erlendirilmesi

(9)

K A Y N A K L A R

Bruzzone L., Carlin L., Alparone L., Baronti S., Garzelli A., and Nencini F., 2006, Can

multiresolution fusion techniques improve classification accuracy?, in Image and

Signal Processing for Remote Sensing XII, Lorenzo Bruzzone, Ed. 2006, p. 636509, SPIE.

Comaniciu, D., and Meer P., 2002, Mean Shift:

A robust approach toward feature space analysis, IEEE transactions on pattern

analysis and machine intelligence, International Journal of Remote Sensing Vol. 24, p. 603–619.

Comanicu D., Meer P. 2002, Mean shift: A

robust approach toward featura space analysis, IEEE Trans Pattern Anal Machine

Intell 24: 603-619.

De Jong, S.M., Freek, D.M. 2006, Remote

Sensing ImageAnalysis: Including the

Spatial Domain.Springer, Berlin.

Freixenet, J., Muoz, X., Raba, D., Mart, J., Cuf, X.,2002 Yet another survey on image

segmentation: Region and boundary information integration. In: ECCV’02.

Hanbay K, 2010. Nötrozofi YaklaúÕmÕ ve

DalgacÕk Dönüúümü ile Renkli Doku Görüntülerinin Bölütlenmesi. Yüksek Lisans

Tezi, FÕrat Üniversitesi, Fen Bilimleri Enstitüsü, Elektronik Bilgisayar E÷itimi (KasÕm 2010)

Hay, G. J., Blaschke, T. D., Marceau, J. and Bouchard, A., 2003, A comparison of three

image-object methods for the multiscale analysis of landscape structure, ISPRS

Journal of Photogrammetry &Remote Sensing, 1253, pp. 1-19.

Hui L., 2008, Method of Image Segmentation

on High-resolution Image and Classification for Land Covers, Fourth

International Conference on Natural Computation, IEEE Computer Society, DOI:10.1109/ICNC.2008.870

Jensen, J. 2006, Introductory Digital Image

Processing. Prentice-Hall, New York.

Loveland, T.R., Sohl, T.L., Stehman, S.V., Gallant, A.L., Sayler, K.L., Napton, D.E., 2002, A strategy for estimating the rates of

recent United States land-cover changes,

Photogrammetric Engineering and Remote Sensing 68, 1091–1099.

Meer, P., Georgescu, B. 2001, Edge detection

with embedded confidence. IEEE Trans. Pattern Anal. Mach. Intell. 23(12), 1351–

1365.

Shuang Li; Zhilin Li; 2010, Effects of Image

Fusion Algorithms on Classification Accuracy, Geoinformatics 2010: 1-6

Singh, A.,1986, Change detection in the

tropical forest environment of northeastern india using Landsat In

Remote Sensing and L and Management, edited by M.J. Eden and J.T. Parry (New Zealand), pp. 237-253.

Wang Z., Wei W., Zhao S., Chen X., 2004,

Object-oriented Classification and Application in Land Use Classification Using SPOT-5 PAN Imagery, International

IEEE International Geoscience and Remote Sensing Symposium 2004 IGARSS 04 Proceedings 2004.

Welch, R., 1982, Spatial resolution

requirements for urban studies,

International Journal of Remote Sensing 3, 139–146.

Whiteside T.G., Boggs G.S., Maier S.W., 2011,

Comparing object-based and pixel-based classifications for mapping savannas,

International Journal of Applied Earth Observation and Geoinformation 13, pp. 884– 893

Zhang Y., 2004, Understanding image fusion,

Photogramm. Eng. Remote Sens., vol. 70,

(10)

Türk HaritacÕlÕk Tarihi-1:200.000 Ölçekli Haritalar

(History of Mapping in Turkey-1:200.000 Scale Maps)

Ali TÜRKEZER, Selman ÇOBANOöLU Harita Genel KomutanlÕ÷Õ, Ankara

ali.turkezer@hgk.msb.gov.tr

ÖZET

Bu çalÕúmada; 1911-1929 yÕllarÕ arasÕnda tamamlanan, Türkiye’deki modern tekniklerle üretilen ilk harita serisi olan 1:200.000 ölçekli Bonn projeksiyonlu haritalarÕn özellikleri, yapÕm süreci ve üretenlerin isimleri gün ÕúÕ÷Õna çÕkarÕlmaya çalÕúÕlmÕútÕr. Türkiye co÷rafyasÕnÕn tamamÕnÕ gösteren haritalarÕn üretilmesi için 1910 yÕlÕnda Harita Komisyonu bünyesine østikúaf ùubesi dâhil edilmiútir. Haritalar Ayasofya Camisinin aleminden geçen enlem ve boylam daireleri baúlangÕç alÕnarak, alan koruyan Bonn projeksiyonunda üretilmiútir. Türkiye topraklarÕnÕ kapsayan 123 paftanÕn arazi çalÕúmalarÕ 76 ayrÕ kiúi tarafÕndan gerçekleútirilmiútir. Üretimler do÷udan batÕya olacak úekilde toplam 18 yÕlda tamamlanmÕútÕr. Üretime 1914 ve 1920 yÕllarÕ haricinde kesintisiz devam edilmiútir. østikúaf (keúif) haritalarÕ olarak da anÕlan söz konusu harita serisi, 1:25.000 ölçekli haritalarÕn üretilmesinde seçim haritasÕ olarak büyük faydalar sa÷lamÕútÕr.

Anahtar Kelimeler: østikúaf haritasÕ, Bonn projeksiyonu, 1:200.000.

ABSTRACT

In this study, øt’s tried to bring the light to the specifications, the process and the names of surveyors in the production of 1:200.000 scale maps, the first map series produced in modern techniques in Turkey, in Bonn projection between 1911-1929. In order to produce these maps covering Turkish territory, Reconnaissance Branch was incorporated into The Mapping Commission. The maps were produced in the datum based on the latitude and longitude of Ayasofya Mosque in equal area Bonn Projection. The field works for the 123 sheets covering the country were conducted by 76 staff. The production was completed in 18 years starting from east west. Field works continued without stopping except in years 1914 and 1920. This map series called also reconnaissance maps contributed a lot to producing 1:25.000 scale maps.

Key words: Reconnaissance map, Bonn

projection, 1:200.000.

1. GøRøù

Bir düúünür úöyle diyor: “Gelece÷in en iyi kâhini, geçmiútir”. Geçmiúini layÕkÕyla ö÷renip anlayamamÕú toplumlar geleceklerini do÷ru

olarak inúa edemezler. Tarih bir açÕdan geçmiúte yapÕlan hatalarÕn akÕlda bulundurularak tekrarlanmasÕnÕ önlerken, di÷er taraftan gelecekte karúÕlaúÕlacak zorluklarda geçmiúteki baúarÕlardan güç alÕnmasÕnÕ sa÷lar.

YaúananlarÕn gelecek nesillere aktarÕlmasÕ; yaúandÕ÷Õ anda resmi olarak tutulmuú tarihçeler, yaúayan kiúilerin hatÕralarÕ ve tarihçilerin belgelere dayalÕ araútÕrmalarÕyla gerçekleútirilir.

Bu çalÕúmanÕn amacÕ, geçmiúte haritacÕlÕk alanÕnda yapÕlanlarÕ belgelerle ortaya koyarak Türk HaritacÕlÕk Tarihi araútÕrmalarÕna pozitif bir katkÕ yapmak, çok zor úartlar altÕnda ve büyük emekler harcanarak yapÕlan çalÕúmalarÕn kaybolmadan gelecek nesillere ulaútÕrÕlmasÕnÕ sa÷lamaktÕr.

ÇalÕúmada, Türkiye’nin modern ölçme ve hesap teknikleri kullanÕlarak üretilen ilk harita serisi olan 1:200.000 ölçekli Bonn projeksiyonlu haritalarÕn tarihçesi derlenmeye çalÕúÕlmÕútÕr.

Bu çalÕúma için bizi harekete geçiren ise, Harita Genel KomutanlÕ÷Õ da yapmÕú olan Tümg.(E) Cevat ÜLKEKUL’un Cumhuriyet Dönemi Türk HaritacÕlÕk Tarihi isimli eserinde belirtti÷i bir dilek ve temennidir. Eserde, 1:200.000 ölçekli çalÕúmalar hakkÕnda detaylÕ bilgiler ve bu çalÕúmalara katÕlanlarÕn isimleri verilirken, her bir paftayÕ üreten haritacÕlarÕn isimlerinin pafta pafta ortaya konulmasÕnÕn öneminden bahsedilmiú ve bu çalÕúmanÕn gelecekteki haritacÕlar tarafÕndan gerçekleútirilmesi temennisinde bulunulmuútur.

Bu temenniden yola çÕkÕlarak yapÕlan çalÕúmada, Türkiye’deki haritacÕlÕ÷Õn kÕsa tarihinden baúlanmÕú, 1:200.000 ölçekli haritalarÕn özellikleri, yapÕm süreci ve arazi çalÕúmalarÕnda görev alan haritacÕlarÕn isimleri, çalÕútÕklarÕ bölgeler ve yaklaúÕk çalÕúma alanlarÕ verilmiútir.