YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

LANDSAT ETM VERİSİ KULLANILARAK ARAZİ ÖRTÜSÜNÜN EXPERT SİSTEM YÖNTEMİYLE

SINIFLANDIRILMASI

Jeodezi ve Fotogrametri Müh. Oğuzhan KAHYA

FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan

YÜKSEK LİSANS TEZİ

Tez Danışmanı : Yrd. Doç. Dr. Bülent BAYRAM (YTÜ)

İSTANBUL, 2005

YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

LANDSAT ETM VERİSİ KULLANILARAK ARAZİ ÖRTÜSÜNÜN EXPERT SİSTEM YÖNTEMİYLE

SINIFLANDIRILMASI

Jeodezi ve Fotogrametri Müh. Oğuzhan KAHYA

FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan

YÜKSEK LİSANS TEZİ

Tez Savunma Tarihi : 10 EKİM 2005 Tez Danışmanı : Yrd. Doç. Dr. Bülent BAYRAM (YTÜ) Jüri Üyeleri : Prof. Dr. Derya MAKTAV (İTÜ) Doç. Dr. Gül BATUK (YTÜ)

İSTANBUL, 2005

ii

İÇİNDEKİLER Sayfa

SİMGE LİSTESİ ....................................................................................................................... iv

KISALTMA LİSTESİ ................................................................................................................ v

ŞEKİL LİSTESİ ........................................................................................................................vi

ÇİZELGE LİSTESİ .................................................................................................................viii

ÖNSÖZ...................................................................................................................................... ix

ÖZET.......................................................................................................................................... x

ABSTRACT ..............................................................................................................................xi

1. GİRİŞ....................................................................................................................... 1

1.1 Amaç ve Kapsam..................................................................................................... 4

1.2 Metodoloji ............................................................................................................... 5

1.3 Temel Kavramlar ..................................................................................................... 8

1.3.1 Uzaktan Algılama .................................................................................................... 8

1.3.2 Çözünürlük (Ayırma Gücü)..................................................................................... 9

1.3.2.1 Radyometrik Çözünürlük ........................................................................................ 9

1.3.2.2 Spektral Çözünürlük ................................................................................................ 9

1.3.2.3 Geometrik Çözünürlük ............................................................................................ 9

1.3.2.4 Zamansal Çözünürlük............................................................................................ 10

1.3.3 Uydu Sistemleri ..................................................................................................... 10

1.3.4 Sayısal Görüntü İşleme.......................................................................................... 14

1.3.4.1 Görüntü Düzeltme ................................................................................................. 14

1.3.4.1.1 Geometrik Düzeltme.............................................................................................. 15

1.3.4.1.2 Radyometrik Düzeltme.......................................................................................... 16

1.3.4.1.3 Yeniden Örnekleme............................................................................................... 17

1.3.4.2 Görüntü Zenginleştirme......................................................................................... 18

1.3.4.2.1 Kontrast Zenginleştirme ........................................................................................ 18

1.3.4.2.2 Filtreleme............................................................................................................... 19

1.3.4.2.3 Çok Bantlı Zenginleştirme..................................................................................... 19

1.3.4.2.3.1 Bant Oranlaması .................................................................................................... 20

1.3.4.2.3.2 Temel Bileşenler Dönüşümü ................................................................................. 20

1.3.4.3 Sınıflandırma ......................................................................................................... 21

iii

1.3.4.3.1 Kontrollü Sınıflandırma ( Supervised Classification) ........................................... 21

1.3.4.3.2 Kontrolsüz Sınıflandırma (Unsupervised Classification)...................................... 22

1.3.4.3.3 Kontrollü - Kontrolsüz Karışık Sınıflandırma....................................................... 23

1.3.4.3.4 En Yakın Komşuluk Sınıflandırıcısı...................................................................... 24

1.3.4.3.5 Uzman Sınıflandırma............................................................................................. 24

1.3.4.4 Sınıflandırma Doğruluğu....................................................................................... 29

1.3.4.5 Doku (Texture) Analizi ......................................................................................... 30

2. UYGULAMA........................................................................................................ 31

2.1 Çalışma Bölgesi ..................................................................................................... 31

2.2 Çalışmada Kullanılan Datum ve Projeksiyon........................................................ 31

2.3 Landsat ETM+ Uydu Görüntüsü Verisi ................................................................ 31

2.3.1 Landsat ETM+ Uydu Görüntüsünün Geometrik Düzeltilmesi.............................. 31

2.3.2 Görüntü Verisinin Analizi ..................................................................................... 32

2.3.2.1 Bant Oranlaması .................................................................................................... 32

2.3.2.2 Temel Bileşenler Dönüşümü ................................................................................. 33

2.3.3 Doku (Texture) Analizi ......................................................................................... 36

2.3.4 Landsat ETM+ Uydu Görüntüsünün Sınıflandırılması ......................................... 38

2.3.4.1 Eğitim Alanlarının Belirlenmesi............................................................................ 38

2.3.4.2 Kontrolsüz Sınıflandırma ...................................................................................... 38

2.3.4.3 Kontrollü Sınıflandırma......................................................................................... 39

2.3.4.4 Kontrollü Sınıflandırma Sonucunun Doğruluğu ................................................... 41

2.3.4.5 Uzman Sınıflandırma............................................................................................. 44

2.3.4.6 Uzman Sınıflandırma Sonucunun Doğruluğu ....................................................... 49

2.3.5 Uzman Sınıflandırma ile En Yakın Benzerlik Sınıflandırma

Sonuçlarının Karşılaştırılması ............................................................................... 52

3. SONUÇ ve ÖNERİLER ........................................................................................ 55

KAYNAKLAR......................................................................................................................... 58

ÖZGEÇMİŞ.............................................................................................................................. 63

iv

SİMGE LİSTESİ

IR Kızılötesi bant

K Kırmızı bant

NDVI Normalize Edilmiş Bitki İndeksi (Normalized Difference Vegetation Index)

VI Bitki İndeksi (Vegetation Index)

ci i düğümünün güven değeri

k Kappa katsayısı

L Düzeltme faktörü

M Gezici pencerenin ortalama değeri

N Matrisin tamamındaki piksel sayısı (sınıflandırma doğruluğu işleminde)

n Gezici pencerenin piksel sayısı (doku analizi işleminde)

n Mantık zincirindeki düğümlerin sayısı (hipotez testi işleminde)

n Yer kontrol nokta sayısı (geometrik düzeltme işleminde)

P(ci/x) c sınıfları içinde verilen bir sınıfa ait spektral gözlemin (x) olasılığı

p(ci) ci sınıfına ait a öncül olasılığı

p(x/ci) eğitim alanlarından hesaplanan ci sınıfının a soncul olasılığı

r Hata matrisindeki toplam satır sayısı

Rx, Ry x, y yönündeki karesel ortalama hata

Rms Karesel ortalama hata

xii i. satır ve sütundaki piksel sayısı

xi+ i. satırdaki toplam piksel sayısı

x+i i. sütundaki toplam piksel sayısı

xij (i,j) pikselin DN değeri

v Uyuşmazlık (karşıtlık) değeri

Xri, Yri Yer kontrol noktasının düzeltme değeri

Πci Toplam güven değeri

1-ci Hata olasılığı

v

KISALTMA LİSTESİ

ASTER The Advanced Spaceborne Thermal Emission and Reflection Radiometer

BI Bitki İndeksi

BÜ Bilgi Üreticisi

CBS Coğrafi Bilgi Sistemleri

DN Data Number

ERST Earth Resources Technology Satellite

ETM Enhanced Thematic Mapper

GIS Geographical Information System

GPS Global Positioning System

IFOV Instant Flight Object Visibility

IRS Indian Remote Sensing Satellite

KN Kontrol Noktası

MSS Multi Spectral Scanner

NASA Space Agency of North America

NBI Normalize Edilmiş Bitki İndeksi

PC Principal Components

RMS Root Mean Square

SWIR Shortwave Infra-red Region

TIR Termal Infra-red Region

TM Thematic Mapper

UA Uzaktan Algılama

US Uzman Sınıflandırıcı

UTM Universal Transform Mercator

VNIR Visible Near Infra-red Region

vi

ŞEKİL LİSTESİ

Sayfa

Şekil 1.1 Hipotez, kural ve koşuldan oluşan karar ağacının bir parçası ................................. 5

Şekil 1.2 Sistemin genel yapısını gösteren algoritma ............................................................. 7

Şekil 1.3 Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2) ....................... 9

Şekil 1.4 Landsat 7 uydusunun görünüşü ............................................................................. 12

Şekil 1.5 Landsat 7 uydu yörüngesi...................................................................................... 12

Şekil 1.6 Orjinal Landsat görüntüsü (1),

Geometrik olarak düzeltilmiş Landsat görüntüsü(2) ............................................. 15

Şekil 1.7 Algılayıcı kaynaklı radyometrik hata (1), Bulut etkisi (2) ve Sis etkisi (3) .......... 17

Şekil 1.8 Landsat TM görüntüsü ve ham görüntünün histogramı (1),

Lineer kontrast artırımı metodu uygulanmış yeni görüntü (2) .............................. 19

Şekil 1.9 Kontrollü sınıflandırma işlemi............................................................................... 22

Şekil 1.10 Kontrolsüz sınıflandırma işlemi ............................................................................ 23

Şekil 1.11 BÜ penceresinin görünümü ................................................................................... 25

Şekil 1.12 US modülünün görünümü ..................................................................................... 25

Şekil 1.13 US modülünde sınıflandırmaya tabi tutulacak sınıfların seçimi............................ 26

Şekil 1.14 Mantıksal ilişkiyi gösteren karar ağacının görünümü ........................................... 27

Şekil 1.15 Hipotezin doğru olma durumunu gösteren şema................................................... 28

Şekil 1.16 Hipotezin yanlış olma durumunu gösteren şema................................................... 28

Şekil 2.1 Çalışma bölgesini gösteren Landsat ETM+ 543 (RGB) uydu görüntüsü.............. 31

Şekil 2.2 Bitki indeksi görüntüsü.......................................................................................... 33

Şekil 2.3 PC1 bileşenine ait görüntü..................................................................................... 34

Şekil 2.4 PC2 bileşenine ait görüntü..................................................................................... 35

Şekil 2.5 PC3 bileşenine ait görüntü..................................................................................... 35

Şekil 2.6 Imagine interpreter modülü ................................................................................... 37

Şekil 2.7 Çalışma bölgesine ait doku görüntüsü................................................................... 37

Şekil 2.8 Kontrolsüz sınıflandırma işlemi sonucunda elde edilen görüntü .......................... 39

Şekil 2.9 Kontrollü sınıflandırma işlemi sonucunda elde edilen görüntü............................. 40

Şekil 2.10 Kontrollü sınıflandırma sonucunda elde edilen üretici

doğruluğu değerlerinin grafiksel gösterimi ........................................................... 43

vii

Şekil 2.11 Kontrollü sınıflandırma sonucunda elde edilen kullanıcı

doğruluğu değerlerinin grafiksel gösterimi ........................................................... 43

Şekil 2.12 Hipotez testi iskeleti .............................................................................................. 44

Şekil 2.13 BÜ modülünde oluşturulan bilgi tabanına ait hipotez testi iskeleti....................... 45

Şekil 2.14 Hipotez, kural ve koşulların tanımlandığı BÜ modülü.......................................... 46

Şekil 2.15 Arazi sınıfı koşulunun tanımlandığı diyalog ......................................................... 47

Şekil 2.16 TM Band2 koşulunun tanımlandığı diyalog.......................................................... 48

Şekil 2.17 TM Band4 koşulunun tanımlandığı diyalog.......................................................... 48

Şekil 2.18 Uzman sınıflandırma sonucu elde edilen görüntü ................................................. 49

Şekil 2.19 Uzman sınıflandırma sonucunda elde edilen üretici doğruluğu

değerlerinin grafiksel gösterimi............................................................................. 51

Şekil 2.20 Uzman sınıflandırma sonucunda elde edilen kullanıcı doğruluğu

değerlerinin grafiksel gösterimi............................................................................. 52

Şekil 2.21 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından

elde edilen üretici doğruluğu değerlerinin karşılaştırılması .................................. 53

Şekil 2.22 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından

elde edilen kullanıcı doğruluğu değerlerinin karşılaştırılması............................... 54

viii

ÇİZELGE LİSTESİ

Sayfa

Çizelge 1.1 Landsat-1, 2 ve 3 te kullanılan dalga boyları ve çözünürlükleri....................... 12

Çizelge 1.2 Landsat-7 uydusu ve yörünge özellikleri.......................................................... 13

Çizelge 1.3 Landsat ETM+’nın algılama yaptığı bantlar, çözünürlükleri

ve uygulama alanları ......................................................................................... 14

Çizelge 2.1 Görüntü metaverisi ve koordinatları ................................................................. 32

Çizelge 2.2 Landsat ETM+ uydu görüntüsüne ait Eigen Analizi ........................................ 36

Çizelge 2.3 Eğitim alanlarına ait piksel sayısı ..................................................................... 39

Çizelge 2.4 Arazi sınıflarının tanımı .................................................................................... 40

Çizelge 2.5 Kontrollü sınıflandırma sonucuna ait hata matrisi............................................ 41

Çizelge 2.6 Kontrollü sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri

ile kappa değerleri............................................................................................. 42

Çizelge 2.7 Uzman sınıflandırma sonucuna ait hata matrisi................................................ 50

Çizelge 2.8 Uzman sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri

ile kappa değerleri............................................................................................. 51

Çizelge 2.9 En yakın benzerlik sınıflandırması ile Uzman sınıflandırma

sonuçlarının üretici ve kullanıcı doğruluk değerlerinin karşılaştırılması ......... 53

ix

ÖNSÖZ

Tez çalışması esnasında danışmanım olarak çalışmamı yöneten ve yönlendiren Sayın hocam

Yrd. Doç. Dr. Bülent BAYRAM’a, yardımlarından dolayı değerli ağabeylerim Arş. Gör. Dr.

Selçuk REİS ve Arş. Gör. Dr. Volkan KAHYA’ya, sevgili arkadaşım Arş. Gör. Halil İbrahim

İNAN’a teşekkürlerimi sunarım. Ayrıca çalışmalarım süresince bana her türlü konuda destek

olan aileme sonsuz minnet ve şükranlarımı sunarım.

Oğuzhan KAHYA

İstanbul, 2005

x

ÖZET

Uzaktan algılamada yaygın olarak kullanılan görüntü sınıflandırma işleminde daha iyi bir

sınıflandırma doğruluğu elde etmek için, uzman (hipotez testi) sistem yer referanslı diğer

yardımcı verilerle (arazi kullanım, konumsal doku ve sayısal yükseklik modeli) birleştirilerek

bir bilgi katmanı oluşturulur. Arazi kullanım verilerinin geometrik ve zamansal dağılımları,

kent ile ilgili ekolojik araştırmalar için önemli verilerdir.

Yapılan çalışma, uydu görüntüleri yardımıyla bir uzman sınıflandırma işleminin

gerçekleştirilmesidir. Her bir pikseli ait oldukları sınıf değerlerine atamak için çeşitli verilerle

birlikte mantıksal kurallar ve algoritmalar kullanılmıştır.

Uzman sınıflandırma, etkili bir bilgi bütünleştirme yöntemi olarak görüntüden obje yakalama

işleminde daha elverişlidir. 2000 yılına ait Landsat ETM görüntüsü, en yakın benzerlik

yöntemi kullanılarak arazi kullanım türlerine göre yedi sınıf için sınıflandırılmıştır. Ayrıca

görüntüye ait ETM verilerinin dokusal yapısı (spatial texture) hesaplanmıştır. Daha sonra, ek

bilgilerin (texture, arazi kullanımı vb.) kullanımı ve sınıflandırmaya dahil edilmeyen verilerin

katılımı ile kesin bir sınıflandırma işlemi gerçekleştirilmiştir.

Uzman sınıflandırma sonucunda elde edilen sınıflandırmanın toplam doğruluğu %95.80

olarak bulunmuştur. Her bir sınıf için kullanıcı doğruluğu %75-100 arasında değişen değerler

almıştır. Burada tanımlanan metodoloji, arazi kullanım türlerindeki çeşitliliğin izlenmesinde

ve tespit edilmesinde etkin bir şekilde kullanılabilir.

Anahtar Kelimeler: Görüntü sınıflandırma, Uzman sistem, Obje yakalama, Uzman

sınıflandırma

xi

ABSTRACT

Land Cover Classification with An Expert System Method Using Landsat ETM Data

Expert systems allow for the integration of remote sensed data with other sources of

georeferenced information (such as land use data, spatial texture, and digital elevation model

(DEMs) to obtain greater classification accuracy. The spatial and temporal distribution of land

cover is a fundamental dataset for urban ecological research.

In this study, the design and implementation of an expert system for image classification is

discussed. Logical decision rules are used with the various datasets to assign class values to

each pixel.

Expert system is very suitable for the work of image interpretation as a powerful means of

information integration. ETM data acquired in 2000 were initially classified into seven classes

for land cover using a maximum likelihood decision rule. In addition, spatial texture of the

ETM data was calculated. An expert system was constructed to perform postclassification

sorting of the initial land cover classification using additional spatial datasets (such as texture,

land use data).

The overall accuracy of expert classification was 95.80%. Individual class accuracy ranged

from 75% to 100% for each class. The methodology described here will be used to monitor

and determine future land cover changes.

Key Words: Image classification, Expert system, Image interpretation, Expert classification

1. GİRİŞ

Kaliteli ve farklı hizmet talebi ile huzurlu ve konforlu yaşam arzusu, gün geçtikçe çeşitlenen

bilgiye artan talep ve dahası çağdaş uygarlık düzeyini yakalama, bilgi toplumu olabilmek için

tüm hizmet sektörlerinde bilgiye sahip olmayı ve bilgiyi verimli kullanma zorunluluğunu

beraberinde getirmiştir (Yomralıoğlu, 2000). Yeryüzüne yayılmış karmaşık yapıdaki ve farklı

türdeki bilgiler, çevresini kontrol altında tutmak ve kendi güvenliğini sağlamak isteyen

insanoğlu için vazgeçilmez bir ihtiyaç olmuştur. İnsan gereksinimleriyle birlikte bilgi

ihtiyacının da artması, bilginin hızlı ve ekonomik olarak belli organizasyon çerçevesinde

kullanımını gerekli kılmıştır.

Teknolojilerin uygun kullanımı ile dünyanın doğal kaynaklarının çevresel açıdan etkin

yönetimine doğru önemli bir adım atılabilir. Planlama ve gelişimde bu doğal kaynakların

önemi göz ardı edilemez. Sadece şimdiki kuşakların gereksinimleri değil, gelecek

kuşaklarınki de dikkate alınmak zorundadır (Bayram,1998).

Teknolojik gelişmelerin yanında yerleşim alanlarının hızla artması ve doğal kaynakların

tükenmeye başlaması yer yüzeyini kontrol edecek mekanizmaların oluşturulmasını

gerektirmiştir. Bunun gerçekleşebilmesi, büyük ölçüde konuma bağlı bilgilerin toplanması,

işlenmesi, depolanması ve sunulması ile mümkün olabilmektedir (Başkent, 1997). İnsanlara

gerçek zamanda ve yeterli miktarda, nitelikli ve sağlıklı bilgileri kısa sürede ulaştırmak için

teknolojik ürünlere ihtiyaç duyulmuştur. XX. yüzyılın ortasından bu yana meydana gelen

bilişim teknolojisindeki olağanüstü gelişmeler, bu ihtiyaçları giderecek Coğrafi Bilgi

Sistemlerinin (CBS) ve Uzaktan Algılama (UA) teknolojilerinin ortaya çıkmasına neden

olmuştur.

Coğrafi Bilgi Sistemi çalışmalarının günümüzde en önemli veri kaynaklarından biri, Uzaktan

Algılama teknolojisidir. İlk sivil amaçlı uydu olan Landsat-1, 1972 yılında yörüngeye

yerleştirilmiştir. Landsat serisinden şu ana kadar yedi adet uydu uzaya gönderilmiştir.

Özellikle 1990’dan sonra uydularda hızlı bir gelişme olmuş, uydu sayısı artmış ve ±1m’nin

altına inen çözünürlükte görüntüler elde edilmiştir (Masser, 2001).

Uzaktan Algılamanın ilk uygulama alanlarından biri, arazi örtüsü haritalama çalışmalarıdır

(George, 1998). Uydu görüntülerinin konumsal ve spektral çözünürlüklerinin sürekli artması,

bu alandaki çalışmaların devamlı geliştirilmesine ve daha iyi çözüm arayışlarının ortaya

çıkmasına neden olmuştur (Aplin vd., 1999; Stehman ve Czaplewski, 1998). Aynı şekilde

yüksek ve düşük çözünürlüklü görüntüler ile farklı zamanlarda alınan görüntülerin

2

entegrasyonu, uzaktan algılama çalışmalarında veri kalitesinin arttırılması için önemli bir yer

tutmaktadır (Maselli vd., 1998).

Arazi kullanımı ve çevrenin korunması, bütün dünyada devlet politikalarının önemli

amaçlarından biri olmuştur. Günümüzde ülkeler, çevresel kaynakları ve bunların tüketimini

kontrol etmek için geçmişe oranla daha fazla uğraşmaktadır (Seder vd., 2000). Bu nedenle,

arazi kullanım haritaları her türlü planlama ve karar verme aşamasında ilgili kuruluşların

elinde bulunması zorunlu olan önemli veri kaynakları durumuna gelmiştir.

Arazi kullanım türleri ve onların yeryüzüne alansal dağılımları, fiziksel ve sosyal amaçlar için

büyük ölçekli çalışmaların yapılmasında gerekli olan önemli verilerdir. Landsat uydusundan

veri elde edilmeye başlandığı zamandan itibaren, Landsat MSS ve TM görüntülerinin görünür

kısa dalga boylu kızılötesi (VSWIR) bantları, orman ve tarım alanlarının belirlenmesinde

yaygın olarak kullanılmıştır. Ancak, düşük çözünürlüklü MSS (79 m/piksel) ve TM (28.5

m/piksel) verileri sadece, Anderson sisteminde oluşturulmuş birinci ve ikinci düzeyden arazi

katmanlarının sınıflandırılmasına olanak tanır (Anderson, 1976; Ridd, 1995). Daha yüksek

çözünürlüklü algılayıcıların kullanılmasıyla beraber, Anderson sisteminin ikinci ve üçüncü

düzeyden arazi katmanlarının sınıflandırılması da yapılabilmektedir (Anderson, 1976).

Uzaktan Algılama ile ilgili yapılan çalışmaların çoğunda, arazi kullanım türlerini

sınıflandırma işleminde, genellikle yansıma değerlerinin kullanıldığı görülmektedir. Kentsel

alanlarda arazi örtüsünün sınıflandırılması işleminde, objelerin yapısal özelliklerinden

kaynaklanan karışık piksel sorunu ile karşılaşılmaktadır (Foody, 2000; Ridd, 1995). Farklı

yaklaşımlar kullanılarak, kentsel alanlarda arazi kullanımının hassas olarak belirlenmesine

yönelik önemli gelişmeler sağlanmıştır. Bu yaklaşımlar; yapay sinir ağlarının kullanımı

(Berberoglu, vd., 2000; Kumar, vd., 1997; Paola ve Schowengerdt, 1995), fuzzy (bulanık)

sınıflandırması (Bastin, 1997; Fisher ve Pathirana, 1990; Foody, 2000) ve görüntü dokusu

analizidir (Berberoglu vd., 2000; Gong ve Howarth, 1990; Iron ve Petersen, 1981; Stuckens,

vd., 2000).

Bilgisayar teknolojisi ile beraber görüntü işleme tekniğinin geliştirilmesi ile görüntü

sınıflandırma işlemi için kontrollü ve kontrolsüz sınıflandırma gibi çeşitli algoritmalar

geliştirilmiştir. Bu metotlardan elde edilen sonuçlar, ortaya çıkan sonuç ürün açısından

nadiren memnun edicidir ve sadece görsel bir yorum sağlar. Görüntüleri yorumlayan

uzmanlar, bilginin birçok farklı türünü bütünleştirebilirler. Objeler arasındaki ilişkilerden ve

bundan ötürü ortaya çıkan karmaşıklığın çözümü için bazı araştırmacılar sınıflandırma işlemi

içinde ek bilgi kullanmayı denemişler, bazıları ise ilk veya son sınıflandırma yardımıyla

3

coğrafik koşulları göz önüne almışlardır. Bu deneylerin bazılarında artan bir sınıflandırma

doğruluğu sağlanmasına rağmen, bazılarında ise ek bilgi olmadan yapılan deneylerden daha

hatalı bir sınıflandırma elde edilmiştir. Bu nedenle, daha doğru sonuçların elde edilmesine

yönelik araştırmalar halen devam etmektedir. Bu araştırmalar sonucu ortaya çıkan

yöntemlerden biri de expert (uzman) sınıflandırmadır. Doğal olarak uzman sistem, bilginin

etkin bir şekilde bütünleştirilmesi yöntemi olarak görüntü yorumlama işlemi için çok elverişli

bir teknolojidir (Zhou, 1989).

Bu çalışmada, küçük ölçekli bir uzman sınıflandırma kullanılarak görüntünün

sınıflandırılması üzerinde durulacaktır. ERDAS Imagine sayısal görüntü işleme programı

kullanılarak bilgi tabanı oluşturulmuştur.

Uzman sınıflandırma, görüntü verisine ait spektral bilgiye en yüksek ağırlığın atanmasını

sağlar. Bu da modelin zamansal hassasiyetini arttırır. Bunun yanında, bazı ek bilgilerde

(örneğin; arazi kullanım verisi), piksel karışıklığından oluşan hatalar da azaltılmış olur. Bitki

indeksi (SAVI: soil-adjusted vegetation index) gibi bant oranlarının kullanımı ile ETM

görüntüsü içindeki, topografik değişimlerin neden olduğu gölge etkileri de azaltılmış olur.

ETM görüntüsünden elde edilen konumsal doku bilgisi, diğer ek bilgilerle birlikte uzman

sınıflandırmada kullanılır. ETM verisinin geometrik çözünürlüğü, kentsel alanlara ait

sınıfların doğru bir şekilde ayırt edilmesini etkiler; bundan dolayı, kentleşmiş bölgeleri doğal

bölgelerden ayırt etmede doku bilgisi öncelikli olarak kullanılır. Yüksek çözünürlüklü veri

kümelerinden elde edilen doku bilgisinin diğer yardımcı verilerle birleştirilmesi, uzman

sınıflandırma ile oluşturulan kentsel alanlara ait sınıfların daha iyi ayırt edilmesine imkan

tanır (Stefanov, Ramsey ve Christensen, 2001).

Uzman sınıflandırma işlemi; çok bantlı görüntülerin sınıflandırılması, sınıflandırma sonrası

inceleme ve CBS modeli oluşturmada, belirlenen hipotez ve kurallar silsilesi ile daha iyi bir

sınıflandırma yapılmasını sağlar. Aslında uzman sınıflandırma sistemi, bir kurallar hiyerarşisi

olmakla beraber, düşük düzeyden bilgi kümesinin yüksek düzeyli bilgi kümesine

genellemesiyle oluşturulur. Bunun sonucunda hipotez ve koşullara bağlı bir mantık dizini elde

edilir. Bilgi kümesi; kullanıcı tarafından tanımlanmış değişkenleri, raster görüntüleri, vektör

katmanları, geometrik modelleri, harici programları ve basit ölçekleri içerir. Kural ise,

değişken verilerin değerleri ile bir hipotez veya bilgi kümesini oluşturan özellikleri belirleyen

bir koşul veya koşulların listesidir. Birçok kural ve hipotez, sınıflandırma sonucunda elde

edilen sınıflardan oluşan son küme veya hipotezleri tanımlayan bir hiyerarşi ile birlikte

kullanılabilir. Bilgi tabanı oluşturulması esnasında program tarafından atanan ve her bir

4

koşulla bütünleştirilen güven değerleri, sınıflandırılmış görüntüden bu değerlere uygun bir

görüntü oluşturulmasını sağlar (ERDAS IMAGINE Expert Classifier Overview, 2001).

1. 1 Amaç ve Kapsam

Görüntü işleme teknolojisinin gelişmesiyle beraber, kullanıcılar bu teknolojiyi arazi kullanım

sınıfları üzerine uyguladıklarında, görüntü sınıflandırma işleminde kullanılan temel

yöntemlerde (kontrollü, kontrolsüz sınıflandırma vb.) bazı kısıtlamaların olduğunu keşfettiler.

Bu kısıtlamalar tamamen, arazi kullanım türlerini sınıflandırma işleminde daha çok veriden

yararlanılması ile ilgilidir. Bu tekniklerden elde edilen sonuçlar nadiren memnun edicidir ve

genellikle görsel yorumlama amacıyla kullanılırlar.

Birçok kullanıcı, sınıflandırma işleminde görüntüye ek olarak değişik verileri (örneğin; arazi

kullanım verisi, DEM, arazinin dokusal yapısı vb.) kullanmak istemişlerdir. Bu nedenle

kullanıcılar, farklı türden bilgileri bütünleştirmek amacıyla daha iyi teknikler geliştirmeye

çalışmışlardır. Bunun sonucunda, uzman sınıflandırma yöntemi ortaya çıkmıştır.

Bu çalışmada, klasik sınıflandırma yöntemlerinden elde edilen sonuçlar ile çalışma alanına ait

arazi kullanım sınıflarının tanımlanmasına yardımcı olacak ek bilgiler bütünleştirilerek daha

iyi bir sınıflandırma işleminin gerçekleştirilmesi amaçlanmıştır. Bu amaca yönelik bir

metodoloji geliştirilmiştir. Görüntü verisi olarak, Landsat ETM+ uydu görüntüsünden

yararlanılmıştır.

Bu çalışmada, uzman sınıflandırma yöntemi kullanılarak seçilen alan içerisinde bir görüntü

sınıflandırması yapılmıştır. Uzman sınıflandırma tekniğinin kullanılmasındaki temel amaç,

ETM verisine uygulanan en yakın benzerlik sınıflandırmasından elde edilen sınıfların ERDAS

Imagine programında yer alan ‘Knowledge Classifier (Uzman sınıflandırıcı: US)’ modülü

kullanılarak yeniden sınıflandırılması ve mevcut hataların düzeltilerek sınıflandırmanın

doğruluğunu artırmaktır.

Uzman sınıflandırıcının içinde yer alan ‘Knowledge Engineer (Bilgi Üreticisi: BÜ)’ modülü

kullanılarak, sınıflandırmanın gerçekleştirilmesini sağlayan bilgi tabanı oluşturulmuştur.

Burada bilgi tabanından kasıt, ek bilgilerin (doku bilgisi, arazi kullanım verisi) uzman sistem

içinde kullanılması ve buna bağlı olarak kurallar ile koşullardan üretilen hipotezlerin

tanımlanmasıdır. Daha sonra bu hipotezlerden oluşan bilgi tabanı US modülü kullanılarak

sınıflandırma işlemine tabi tutulmuştur.

Bu çalışmada 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünden yararlanılarak,

çalışma alanı içerisinde yer alan arazi sınıf türleri, önce kontrollü sınıflandırma ve daha sonra

5

uzman sınıflandırma teknikleri kullanılarak belirlenmiştir. Bölgenin genel yapısına

bakıldığında, çalışma alanını arazi kullanım türüne göre; yerleşim, su, fındık, tarım, yaprakları

dökülen ağaç, yaprakları dökülmeyen ağaç ve karışık olarak yedi sınıfta incelemek

mümkündür. Bu sınıfların seçiminde, çalışma alanı içindeki kullanım sıklıkları ve geometrik

özellikleri dikkate alınmıştır.

ETM verisinin uzman sınıflandırma yöntemiyle sınıflandırılması işleminden sonra, en yakın

benzerlik yöntemi ile karşılaştırılarak, uzman sınıflandırmanın işlevselliği belirlenmiştir.

1. 2 Metodoloji

Çalışmada kullanılan işlem adımları Şekil 1.2’de verilen algoritmada gösterilmiştir.

a) ETM verisi: 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsü

b) Ek bilgi: Doku verisi, arazi kullanım verisi, DEM vb. (Bu çalışmada ETM verisinin doku

değerleri ve arazi kullanım verileri kullanılmıştır)

c) Görüntünün işlenmesi: ETM verisinin geometrik düzeltme işlemi yapıldıktan sonra görüntü

içerisinde yer alan arazi sınıfları hakkında görüntü zenginleştirme teknikleri kullanılarak bilgi

sahibi olunması olarak ifade edilebilir.

Kontrolsüz sınıflandırma: ETM verisine ISODATA yöntemi uygulanarak yirmi (20) sınıf için

kümeleme yapılmıştır.

Kontrollü sınıflandırma: ETM verisine en yakın benzerlik yöntemi uygulanarak arazi seçilen

yedi sınıfa göre sınıflandırılmıştır.

d) Bilgi tabanının oluşturulması: Bu bölümde BÜ modülü kullanılarak hipotez, kural ve

koşullar tanımlanmış ve karar ağacı oluşturulmuştur (Şekil 1.1).

Şekil 1.1 Hipotez, kural ve koşuldan oluşan karar ağacının bir parçası

Hipotez

Koşul-2

Koşul-1

Kural A

6

Bir hipotezin doğruluğu, hipotezi oluşturan kuralı tanımlayan koşulların doğru olmasına

bağlıdır. Koşulları oluştururken, kullanılan verilerin (arazi kullanım verisi, doku bilgisi vb.)

mümkün olduğunca iyi analiz edilmesi gerekir. Çünkü bu koşullar yardımıyla hipotezin test

edilmesini sağlayacak kurallar tanımlanacaktır. Eğer bir hipotez birden fazla kuraldan

oluşuyorsa, bu durumda kuralların birbirini tamamlar nitelikte olması gerekir.

e) Uzman sınıflandırma: Oluşturulan bilgi tabanı US modülü kullanılarak sınıflandırma

işlemine tabi tutulmuş ve sınıflandırma sonucu sınıflar elde edilmiştir.

f) Sınıflandırma sonuçlarının karşılaştırılması: En yakın benzerlik sınıflandırması ile uzman

sınıflandırma, her iki yöntem içinde test alanları yardımıyla üretici ve kullanıcı doğrulukları

açısından karşılaştırılmıştır.

g) Sonuç: Uygulamada kullanılan uzman sınıflandırma işleminin elde edilen sonuçlar

doğrultusunda kullanılabilirliği irdelenmiştir.

7

Şekil 1.2 Sistemin genel yapısını gösteren algoritma

ETM VERİSİ EK BİLGİ

VERİLERİN HAZIRLANMASI

GÖRÜNTÜ İŞLEME BİLGİ TABANININ OLUŞTURULMASI

KONTROLLÜ-KOTROLSÜZ SINIFLANDIRMA

UZMAN SINIFLANDIRMA

SINIFLARIN OLUŞTURULMASI

KARŞILAŞTIRMA

SONUÇ

SINIFLARIN OLUŞTURULMASI

(Arazi kullanım verisi, doku verisi, ETM verisi)

8

1. 3 Temel Kavramlar

1. 3. 1 Uzaktan Algılama

Uzaktan algılama, belli bir mesafeden bilgi elde etme bilim ve sanatıdır. Böylece nesne veya

varlıklara herhangi bir fiziksel temasta bulunulmadan bilgi sağlanır (Yomralıoğlu, 2000).

Uzaktan algılama, ilk aşamada askeri amaçlı olarak geliştirilmiştir. Bunu izleyen yıllarda

(1975), araştırmaların merkezini çevresel araştırmalar oluşturmuştur. Özellikle bitkisel

alanların incelenmesi, su ve hava kirliliği incelemeleri bunlara örnek olarak verilebilir.

Uzaktan algılama verileri hem uzaysal hem de zamansal amaçlı çalışmalarda

kullanılmaktadır. Son yıllarda ise doğal afetler sonucunda oluşan değişimlerin izlenmesinde

uzaktan algılama yöntemleri kullanılmaya başlanmıştır (Bayram, 1998).

Uzaktan Algılama teknolojisine ait önemli uygulamalar aşağıdaki gibi sıralanabilir

(Schowengerdt,1997);

1. Çevresel değerlendirme ve görüntüleme (Yerleşim alanlarının büyümesi, tehlikeli atıklar )

2. Küresel değişimin belirlenmesi ve görüntülenmesi (Atmosferik ozonun azalması,

ormanların azalması, küresel ısınma)

3. Tarım (Ürün durumu, ürün tahmini, toprak erozyonu)

4. Yenilenemeyen kaynakların araştırılması (mineraller, petrol, doğal gaz)

5. Yenilenebilen doğal kaynaklar (Sulu alanlar, araziler, ormanlar, okyanuslar)

6. Meteoroloji (Atmosfer dinamikleri, hava durumu tahmini)

7. Haritacılık (Topografya, arazi kullanımı, mühendislik)

8. Askeri gözetim ve keşif (Stratejik politikalar, taktik değerlendirmesi)

9. Kitle iletişim araçları (örnekler, analizler)

Uzaya gönderilen uydulara yerleştirilen birçok uzaktan algılama sistemi, yeryüzünün

tamamının düzenli bir şekilde görüntülenmesini sağlamaktadır. Ancak, tüm bu algılayıcı

verilerinin topografik amaçlı uygulamalarda kullanılabileceğini söylemek fazla iyimser bir

yaklaşım olacaktır (Önder,1997).

9

1. 3. 2 Çözünürlük (Ayırma Gücü)

Çözünürlük bir görüntüleme sisteminde kayıt edilen detayların ayırt edilebilirlik ölçüsüdür.

Uydu görüntüleri için dört farklı çözünürlük tanımlanmaktadır. Bunlar; radyometrik

çözünürlük, spektral çözünürlük, uzaysal çözünürlük ve zamansal çözünürlüktür.

1. 3. 2. 1 Radyometrik Çözünürlük

Elektromanyetik enerji miktarında bulunan duyarlık radyometrik çözünürlüğü göstermektedir.

Bir başka deyişle, bir görüntüleme sisteminin radyometrik çözünürlüğü, enerji farklılıklarını

ayırt edebilme yeteneğini gösterir. Bahsedilen enerji farklılıkları ayırt edilmesi mümkün olan

gri tonu sayısına denk gelir.

Şekil 1.3 Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2) [2]

Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2) karşılaştırıldığında,

radyometrik çözünürlükle ilişkili olarak detay ayırt etme düzeyindeki fark göze çarpmaktadır

(Şekil 1.3). Buna göre (2) görüntüsünden, çok daha fazla detayı ayırt etmek mümkündür.

1. 3. 2. 2 Spektral Çözünürlük

Spektral çözünürlük algılayıcının duyarlı olduğu dalga boyu aralıkları ile ilgilidir. Spektral

çözünürlüğün iyi olması bir kanal ya da bandın algıladığı dalga boyu aralığının küçük

olduğunu gösterir. Çok gelişmiş çoklu-spektral algılayıcılara hiperspektral algılayıcılar

denilmektedir. Bu algılayıcılar elektromanyetik spektrumun görünür, yakın kızılötesi ve orta-

kızılötesi bölgelerinde yüzlerce küçük spektral aralıkta algılama yapmaktadırlar.

1. 3. 2. 3 Geometrik Çözünürlük

Bir görüntüde fark edilebilir en küçük detay, algılayıcının uzaysal çözünürlüğü ile ilgilidir ve

görülebilen en küçük arazi parçası boyutunu tanımlar. Ticari uydular bir metreden

10

kilometrelere varan çözünürlükler sağlamaktadırlar. Çok büyük nesnelerin görülebildiği

görüntülerin çözünürlüğü düşük, küçük nesnelerin ayırt edilebildiği görüntüler ise yüksek

çözünürlüklüdür

1. 3. 2. 4 Zamansal Çözünürlük

Zamansal çözünürlük bir uzaktan algılama sisteminin aynı bölgeyi görüntüleme sıklığı ile

ilgilidir. Bir bölgedeki spektral karakteristikler zamanla değişebilir ve çok-zamanlı görüntü

setleri kullanılarak değişim analizi yapılabilir.

1. 3. 3 Uydu Sistemleri

Yeryüzü üzerinden bilgi toplayan, hizmet amacına göre değişen özelliklerde birçok uydu

vardır. Doğal kaynakların araştırılması amacıyla 1972 yılında ABD tarafından uzaya

gönderilen Landsat uydusundan sonra birçok uydu uzaya gönderilmiştir. Bu amaçla en çok

kullanılan uydulardan biri de Landsat uydusudur. Bu çalışmada arazi örtüsünün

belirlenmesinde Landsat ETM+ uydu görüntüsünden yararlanılmıştır. Bu uydu ile ilgili bilgi

aşağıda verilmiştir.

Geniş alanlara yayılmış doğal kaynakların tespit edilmesinde kullanılan diğer bir uydu ise

Spot uydusudur. Bu uydu serisinin ilki 1986 yılında uzaya fırlatılmıştır. Şu ana kadar 5 adet

Spot uydusu uzaya gönderilmiştir. Bunlardan en son Mayıs 2002’de gönderilen Spot 5

uydusudur ve bu uydu, siyah-beyaz bantta 2.5-5 m ile renkli bantta 10 m (60 km çerçeve ile)

çözünürlüklüdür. Bu uyduda, pankromatik bant dahil toplam 5 adet spektral bant

bulunmaktadır.

1999 yılında fırlatılan Ikonos uydusu, pankromatik bantta 1 m, renkli bantta 4 m ile

günümüzdeki en yüksek çözünürlüklü uydudur. Ikonos’un en çok kullanıldığı alanlar, kentsel

planlama ve alt yapı çalışmaları olmaktadır.

1995 yılında Hindistan’ın ilk serisini uzaya gönderdiği IRS uydusu, pankromatik bantta 5.3 m

ve renkli bantta ise 23.5 m çözünürlük ile en çok kullanılan uydulardan biridir (Sesören, 1998;

Richards ve Jia, 1999).

ASTER uydusu, gelişmiş çok bantlı bir görüntüleyicidir ve Aralık 1999’ da NASA’ nın Terra

uzay aracı ile birlikte uzaya gönderilmiştir. ASTER, görünür bölge ile termal kızılötesi bölge

arasında 14 bantlı geniş bir spektral bölgeyi kapsar ve yüksek konumsal, spektral ve

radyometrik çözünürlüğe sahiptir. Ayrıca yakın kızılötesi bantta stereo kaveraj sağlar. Her bir

ASTER görüntüsü 60*60 km’lik bir alanı kapsar. ASTER uydusunun konumsal çözünürlüğü;

11

VNIR (görünür yakın kızılötesi bölge) 15 m, SWIR (kısa dalga boylu kızılötesi bölge) 30 m

ve TIR (termal kızılötesi bölge) 90 m’dir (ASTER User Handbook, 2000).

Bu uydulardan başka, ERS, Radarsat ve Jers gibi aktif algılama yapan uydular da mevcuttur.

İlk Landsat sisteminin fırlatıldığı zamanla kıyaslandığında, uzaktan algılama sistemleri şimdi

sıra dışı bir çeşitlilik sergilemektedir. Halihazırda ticari amaçla görev yapan, 60 cm’den 1000

m’ye kadar konumsal çözünürlüklü, elektromanyetik spektrumun elde edilebilen hemen

hemen bütün bantlarını örnekleyen ve 10 nm spektral çözünürlüklü hava sistemleri ile

tamamlanan uydu sistemleri bulunmaktadır (Schowengerdt,1997).

Landsat Uydu Sistemi:

Landsat uydu sistemi, doğal kaynakların araştırılması amacıyla uzaya gönderilen ilk uzaktan

algılama uydusudur. ERST-1 (Earth Resources Technology Satellite) olarak adlandırılan,

daha sonra Landsat-1 olarak ismi değiştirilen uydu, 1972 yılında NASA tarafından

yörüngesine oturtulmuştur. Landsat-2, 3, 4 ve 5 sırasıyla 1975, 1978, 1982 ve 1984 yıllarında

yörüngeye yerleştirilmiştir. Landsat-6 uydusu fırlatma esnasında tahrip olmuştur. Landsat-7

uydusu 1999 yılında fırlatılmıştır.

Landsat-1, 2, 3 uyduları birinci jenerasyon uydular olarak adlandırılmıştır ve bu uydular

benzer yörünge ile çok spektrumlu tarayıcı (MSS) özelliklerine sahiptirler. Çizelge 1.1’de

özellikleri verilmiştir. Landsat-4, 5, 6 uyduları ise MSS ve sonradan geliştirilen tematik

tarayıcı (TM) sistemlerini taşımaktadır. Landsat-7 uydusu ise geliştirilmiş tematik

görüntüleyici (Enhanced Thematic Mapper: ETM+) algılayıcısını taşımaktadır (Şekil 1.4).

Landsat ETM+ algılayıcısı, yüksek çözünürlüklü veri sağlayabilme özelliğinde, 8 bantlı ve

radyometrik çok bantlı bir tarayıcıdır. Uydu 4.3 m uzunluğunda, 2.8 m çapında ve kütlesi

yaklaşık 2200 kg ağırlığındadır.

12

Şekil 1.4 Landsat 7 uydusunun görünüşü [1]

Çizelge 1. 1 Landsat-1, 2 ve 3 te kullanılan dalga boyları ve çözünürlükleri [1]

Algılayıcı Uydu Bant Dalga boyu Çözünürlük (m)

MSS 1-3 4 0.5-0.6 (yeşil) 79

5 0.6-0.7 (kırmızı) 79

6 0.7-0.8 (yakın-IR) 79

7 0.8-1.1 (yakın-IR) 79

3 8 10.4-12.6 (termal-IR) 240

Şekil 1.5 Landsat 7 uydu yörüngesi [1]

13

Uydu 705 km yükseklikte, güneş uyumlu, 98.2o eğim açısıyla, alçalma sırasında ekvatoru

yerel saatle 10 da kesen bir yörüngede döner (Şekil 1.5).

Çizelge 1.2’de Landsat ETM+ uydusu ve yörünge özellikleri verilmiştir. Landsat 7 yılda

91000’in üzerinde çerçevelik arşive sahip olmuş, dünyanın her yerinden sistematik bir şekilde

veri toplamaktadır (Goward vd., 1999). Yaklaşık 375 Gb veriyi board üzerinde

saklayabilmekte veya 150 Mbps hızda yer istasyonuna veri transfer edebilmektedir. Yer

yüzeyi üzerinden veri toplamadaki piksel boyutları; pankromatik bantta 15 m, görünür-yakın-

orta dalga kızılötesi olmak üzere 6 bantta 30 m ve termal kızılötesi bantta 60 m’dir (Aksu vd.,

2001). Çizelge 1.3’te Landsat uydusunun spektral bantları ve uygulama alanları verilmiştir.

Çizelge 1. 2 Landsat-7 uydusu ve yörünge özellikleri [1]

Çerçeve Genişliği 185 kilometre

Görüntü Tekrarlanma Aralığı 16 gün (233 yörünge)

Yükseklik 705 kilometre

Kayıt Türü 9 bitin en iyi 8’i seçilerek

Algılayıcı Çeşidi Optik-mekanik tarayıcı

Veri Depolama Kapasitesi 375 Gb (solid state)

Eğim Açısı 98.2 derece

Ekvator Geçişi Alçalma durumunda 10:00 +/- 15 dk

Yörüngeye Yerleştirme Aracı Delta II

Yörüngeye Yerleştirme Tarihi 15 Nisan 1999

14

Çizelge 1. 3 Landsat ETM+’ nın algılama yaptığı bantlar, çözünürlükleri

ve uygulama alanları [1]

Kanal Çözünürlük (m)

Dalga boyu (µm) Uygulama

ETM+ 1 30 0.45-0.52

(mavi)

Su kütlelerinin penetrasyonunda, kıyı harita yapımında ve toprağın bitkilerden ayırt edilmesinde kullanılır.

ETM+ 2 30 0.52-0.60

(yeşil)

Bitkilerin canlılığını saptamada, görülen spektrumdaki yeşil bölgede oluşan yansımanın ölçülmesinde kullanılır.

ETM+ 3 30 0.63-0.69

(kırmızı)

Klorofil soğurma bandı olduğu için bitkilerin ayırt edilmesinde önemli rol oynar.

ETM+ 4 30 0.76-0.90

(yakın IR)

Bitki türlerinin tanımlanması, su kütlelerinin ayırt edilmesi ve toprak neminin belirlenmesinde kullanılır.

ETM+ 5 30 1.55-1.75

(kısa dalga IR)

Bitki ve topraktaki nemi gösterir. Aynı zamanda karın buluttan ayırt edilmesinde yardımcı olur.

ETM+ 6 120 10.4-12.5

(termal IR)

Değişik yerlerde, özellikle toprağın nemi, su kirliliği, orman yangınları, volkan araştırmalarında ve termal harita üretiminde faydalanılır.

ETM+ 7 30 2.08-2.35

(kısa dalga IR)

Kayaç türlerinin ayırt edilmesinde ve hidrotermal haritalamada kullanılır.

1. 3. 4 Sayısal Görüntü İşleme

Sayısal görüntü işleme, bilgisayar yardımı ile uydu verilerinin veya diğer raster verilerin

işlenmesi ve yorumlanarak anlamlı bilgilerin elde edilmesidir. Uydu verilerinin analizi tez

içerisinde üç temel başlık altında incelenmiştir. Bunlar; görüntü düzeltme, görüntü

zenginleştirme ve sınıflandırmadır.

1. 3. 4. 1 Görüntü Düzeltme

Düzeltmenin amacı, görüntü elde etme işleminden (görüntü çekerken) kaynaklanan

çarpıklıklardan ve kalite düşüklüğünden görüntüyü kurtararak yeryüzüne ait daha kaliteli

görüntü elde etmektir. Bu işlem, ham görüntüdeki geometrik bozuklukların giderilmesini,

verilerin radyometrik olarak düzeltilmesini ve verilerde bulunan gürültünün elimine

edilmesini sağlamak amacıyla yapılan işlemleri içerir.

15

Görüntü düzeltme işlemleri çoğu zaman “ön işleme” olarak da adlandırılır. Çünkü bunlar daha

sonraki adımlarda görüntülerden özel bilgiler elde etmek için yapılan “işleme ve analiz”

işlerinden daha önce yapılır.

1. 3. 4. 1. 1 Geometrik Düzeltme

Ham sayısal görüntüler genellikle geometrik bozukluklar, algılayıcı platformunun yüksekliği

ve hızındaki değişimlerden kaynaklanır. Panoramik bozukluk, dünyanın küreselliği,

atmosferik yansıma, algılayıcının “anlık görüş alanı (IFOV)” taramasının doğrusal olmayışı

gibi faktörlerden kaynaklanmaktadır. Geometrik düzeltmenin amacı, yukarıda sözü edilen

bozucu etkileri ortadan kaldırarak düzeltilen görüntünün en yüksek geometrik doğruluğa

ulaşmasını sağlamaktır (Lillesand ve Kiefer, 2000).

Uzaktan algılama verisi genellikle sistematik ve rasgele geometrik hatalar ile yüklü olarak

elde edilir. Sistematik bozukluklar, matematiksel olarak modellenerek elde edilen formüller

ile kolaylıkla düzeltilebilir. Rasgele ve bilinmeyen artık sistematik bozukluklar, yeryüzüne iyi

bir şekilde dağıtılmış yer kontrol noktalarının yardımı ile düzeltilir. Çok sayıda (çerçeve

başına 30-50 adet nokta veya 200 km2 de bir nokta) ve yüksek kalitede yer kontrol

noktalarının seçimi fazlaca bir iş gücü gerektirmektedir (Lillesand ve Kiefer, 2000). Şekil

1.6’da İstanbul’a ait Landsat 7 uydu görüntüsünün geometrik düzeltmesi yapılmadan önceki

ve sonraki görüntüleri görülmektedir.

Şekil 1.6 Orjinal Landsat 7 görüntüsü(1); Geometrik olarak düzeltilmiş Landsat 7 görüntüsü (2) [2]

Kontrol noktaları (KN) yeryüzünde belli olan ve görüntü de görülen bazı coğrafi detaylar

olabilir. Örneğin; iki yolun kesişimi veya kıyı çizgilerinde görülen farklı bir kısım KN olarak

alınabilir. Düzeltme işleminde birçok yer kontrol noktası, bozuk görüntü üzerine görüntü

16

koordinatları (satır, sütun) ve yer kontrol koordinatları (haritadan sayısallaştırılmış, arazide

GPS ile belirlenmiş, UTM koordinatları veya enlem/boylam şeklinde olabilir) yardımıyla

yerleştirilir. Bu değerler, daha sonra geometrik olarak düzeltilmiş harita koordinatları ile

bozuk görüntü koordinatları arasında ilişki kurularak, iki koordinat sistemi arasındaki

dönüşüm parametrelerini belirlemek amacıyla “en küçük kareler” yöntemine tabi tutulur. Bu

eşitliklerdeki katsayılar bir kez belirlendiğinde, harita üzerindeki herhangi bir noktadaki

bozuk resim koordinatları düzeltilebilir. Matematiksel olarak ifadesi (1.1) formülünde

gösterilmiştir (Lillesand ve Kiefer, 2000; Jensen, 1996).

Xı = b0 + b1X1 + b2Y1

Yı = a0 + a1X1 + a2Y1 (1.1)

Xi ve Yi : Dönüşüm öncesi nokta koordinatları

Xı ve Yı : Dönüşüm sonrası nokta koordinatları

a0, a1, a2, b0, b1, b2 : Dönüşüm matrisi katsayıları

Dönüşüm doğruluğu, görüntü koordinatları ile bunlara karşılık gelen referans koordinatları

arasındaki uzaklık olan “karesel ortalama hata” nın (1.2) hesaplanması ile bulunur (Gazioğlu,

2001);

( )∑=

=n

1ii

2x RX

n1

R

( )∑=

=n

1ii

2y RYR (1.2)

2y

2xms RRR +=

Rx, Ry : x, y yönündeki karesel ortalama hata

Rms : Karesel ortalama hata

Xri, Yri : i. Yer kontrol noktasının düzeltme değeri

n : Yer kontrol nokta sayısı

1. 3. 4. 1. 2 Radyometrik Düzeltme

Radyometrik düzeltmeye üç tür hata nedeni ile ihtiyaç duyulabilir (Şekil 1.7):

17

1. Algılayıcı kaynaklı hatalar; bunlar sistematik hatalardır. Şekil 1.7 (1)’de resim üzerinde

görülen dikey çizgiler (Line drops) radyometrik hatalara örnek olarak verilebilir.

2. Güneş geliş açısından veya topografyadan kaynaklanan gölge etkisi

3. Atmosferik şartlardan kaynaklanan hatalar; sis ve bulut örnek olarak verilebilir. Hedefin

önünde yer alarak, yeryüzüne ait veriye sağlıklı bir şekilde ulaşmayı engellemektedirler.

Görüntü işlemeden önce bu hata ve etkilerin giderilmesi gerekmektedir.

Şekil 1.7 (1) Algılayıcı kaynaklı radyometrik hata, (2) Bulut etkisi ve (3) Sis etkisi [2]

1. 3. 4. 1. 3 Yeniden Örnekleme

Görüntünün geometrik olarak düzeltilmesi işleminden sonra, görüntünün piksel değerleri

yeniden hesaplanır.

a) En Yakın Komşuluk Yöntemi

Bu yöntemde piksellerin parlaklık değerleri değişmez ve dönüşüm süresi kısadır. Geometrik

olarak düzeltilmiş görüntünün piksel değerleri, girdi görüntüdeki en yakın pikselin parlaklık

değerinin atanmasıyla elde edilir. Campbell (1996) a göre en yakın komşuluk yöntemi, üç

yöntem içinde hesaplama açısından en hızlı ve en verimli olanıdır.

b) Bilineer Enterpolasyon Yöntemi

Bu yöntem, daha karmaşık bir yeniden örnekleme yöntemidir. Birinci derece enterpolasyon

adı ile anılan bu yöntemde, girdi görüntüsüne dik iki doğrultudaki parlaklık değerleri

enterpole edilerek çıktı pikseline atanır (Önder, 2000). Burada geometrik olarak düzeltilmiş

görüntünün piksel değerleri orijinal görüntünün pikselleri etrafındaki 4 pikselin ağırlıklı

ortalamasının hesaplanmasıyla bulunur. Piksellerin ortalama değeri alındığından katlama

etkisi oluşur ve kenar düzeltmesi nedeniyle veri kaybı olur (Musaoğlu, 1999).

18

c) Kübik Katlama Yöntemi

Bu yöntemde geometrik olarak dönüşmüş görüntünün piksel değerleri, orijinal görüntüdeki

piksele en yakın 16 pikselin ağırlıklı ortalaması alınarak bulunur. Kübik katlama yönteminde

en yüksek doğruluk elde edilir, ancak hesaplama süresi en uzun olan yöntemdir (Campbell,

1996).

1. 3. 4. 2 Görüntü Zenginleştirme

Görüntü zenginleştirmenin amacı, görüntüdeki detaylar arasındaki farklılıkları daha anlaşılır

hale getirmek sureti ile görsel yorum yapma işlemini geliştirmektir. Böylece görüntü üzerinde

amaca göre aranan özellikler daha belirgin bir duruma getirilirken, bunların dışında kalan

özellikler bastırılmış olabilir.

Bir görüntü analizcisi için görüntü zenginleştirme ve bunları görüntüleme seçenekleri sonsuz

kabul edilmektedir. Çoğu görüntü zenginleştirme tekniği, nokta operasyonu veya yerel

operasyonlardan oluşur. Nokta operasyonlarında, bir görüntüde yer alan veri setindeki her bir

pikselin parlaklık değeri bağımsız olarak değiştirilir.

Yerel operasyonlarda ise, komşu piksellerin parlaklık değerlerine dayalı olarak her bir

pikselin değeri değiştirilir. Her iki zenginleştirme şekli de tek bant (monochrome) görüntü

üzerinde veya çok görüntülü karışımların (multi-image composition) tek tek bileşenleri

üzerinde uygulanabilir. En uygun görüntü zenginleştirme yöntemini seçmek bir sanat olup,

kişinin tercihine bağlıdır (Önder, 2000, Evsahibioğlu, 1994).

Görüntü zenginleştirme teknikleri; kontrast zenginleştirme, filtreleme ve çok bantlı

zenginleştirme şeklinde üç kısımda toplanmıştır.

1. 3. 4. 2. 1 Kontrast Zenginleştirme

Uydu algılayıcıları, kutup bölgeleri gibi az ve çöl alanları gibi fazla aydınlanması olan yerlere

kadar çok geniş bir aralıkta ve aydınlanmaya göre tasarlanmaktadırlar. Bu nedenle, uydu

görüntülerinde yararlanılacak piksel değerlerinde, toplam piksel değer aralıklarının az bir

kısmı kullanılır (Önder, 2000).

19

Şekil 1.8 Landsat TM görüntüsü ve ham görüntünün histogramı (1), Lineer kontrast artırımı yöntemi uygulanmış yeni görüntü (2) [2]

Kontrast zenginleştirme, verileri daha belirgin hale getirmek amacıyla orijinal piksel

değerlerini uygun değer aralıklarına yayarak kontrastlığı artırma işlemidir. Böylece analizci

söz konusu coğrafi detaylar arasındaki kontrastlığı daha iyi algılayabilir (Şekil 1.8).

1. 3. 4. 2. 2 Filtreleme

Konumsal filtreleme, orijinal görüntüdeki piksel değerlerini komşu piksellerin gri ton

değerlerini temel alarak değiştiren yerel bir işlemdir (Lillesand ve Kiefer, 2000). Filtreleme,

görüntü üzerindeki gürültü etkisini azaltır ve cisimlerin ayırt edilebilirliğini artırır (Musaoğlu,

1999).

Filtreleme de öncelikle görüntüdeki pikseller üzerinde gezdirilecek pencere boyutu, piksel

sayısına göre (3x3, 5x5, 7x7) seçilir. Daha sonra seçilen pencere, orijinal görüntünün piksel

değerleri üzerinde gezdirilir ve matematiksel hesaplama ile pencerenin merkezindeki piksele

yeni değeri atanır.

1. 3. 4. 2. 3 Çok Bantlı Zenginleştirme

Çok bantlı zenginleştirme, bant oranlaması ve temel bileşenler dönüşümü olarak iki şekilde

incelenir.

20

1. 3. 4. 2. 3. 1 Bant Oranlaması

Kontrast zenginleştirme ve filtreleme tek bantta yapılabilirken görüntülerin oranlaması bir, iki

veya daha fazla spektral bant kullanılarak yapılabilir. En az iki spektral bant birbirine

oranlanarak ‘oran görüntüler’ elde edilir.

Bazen aynı özelliklere sahip bir yüzey, eğim ve bakı, gölgelik veya mevsimlik

değişikliklerden dolayı güneş ışınlarının açısını ve yoğunluğunu etkileyerek farklı parlaklık

değerleri alır. Bu koşullar, yüzey materyallerinin doğru bir şekilde ayırt edilmesini engeller.

Bu durumda görüntülerin oranlanmasıyla, görüntünün çevresel koşullardan etkilenmesi en aza

indirilir (Lillesand ve Kiefer, 2000).

Spektral bant oranlamasının en çok kullanıldığı alanlardan biri, bitki örtüsünün elde

edilmesidir. Bu amaçla, Normalize Edilmiş Bitki İndeksi (Normalized Difference Vegetation

Index (NDVI)) (1.3) ve Bitki İndeksi (Vegetation Index (VI)) (1.4) oranı gibi teknikler

geliştirilmiştir. Bu oranların hesaplanış şekilleri aşağıda ifade edilmiştir (Huete, 1988):

NDVI = [(NIR – red) / (NIR + red + L)] * (1 + L) (1.3)

VI = NIR / red (1.4)

Burada; NIR (yakın kızılötesi) = Band 4, red (görünür kırmızı) = Band 3 tür. L ise düzeltme

faktörüdür (algılayıcı tarafından gönderilen enerjinin topraktaki yansıma değerlerine getirilen

düzeltmedir) ve 0 ila 1 arasında değişir. L=0 için yüksek bitki örtüsü, L=1 için düşük ve

L=0.5 için orta bitki örtüsü değerlerini alır.

İkili bant oranlama kombinasyonlarının yanında, 3 adet 2’li bant oranlanarak renkli karışımlar

elde edilebilir. Burada her bir ikili bant oranı, sırasıyla RGB sisteminde ifade edilerek 3’lü

renkli bant oranlaması elde edilir. Bant oranlamaları, kombinasyon sayılarının çok fazla

olması nedeniyle uygun bant oranlamasının seçiminin yapılmasını güçleştirmektedir. Buna

karşılık özellikle arazi örtüsünün (vejetasyon ve toprak ayrımı gibi) çıkarılmasında görüntü

oranlama çok hızlı bir tekniktir; fakat tek başına yeterli değildir (Rahman, 2001).

1. 3. 4. 2. 3. 2 Temel Bileşenler Dönüşümü

Çok bantlı veriye ait farklı bantlar arasında bulunan yüksek korelasyon, çok bantlı görüntü

verilerinin analizinde sıkça karşılaşılan bir problemdir.

Temel bileşenler dönüşümü, çok bantlı verideki gereğinden fazla verileri azaltmak için

tasarlanmış bir tekniktir. Örneğin, Landsat MSS bant 4 ve bant 5 (yeşil ve kırmızı) aynı yüzey

örtüleri için aynı yansıma değerlerini verdikleri için görsel olarak birbirlerine benzerler. Çok

21

bantlı görüntüler, istatistik-analiz tekniklerine tabi tutularak, bu görüntülere ait gereğinden

fazla veriler ve aralarındaki korelasyon azaltılabilir.

Temel bileşenler dönüşümü olarak adlandırılan bu işlemle üzerinde çalışılan bant sayılarında

azalma olur ve orijinal banttaki bilgilerin çoğu sıkıştırılarak daha az bantla çalışma olanağı

sağlanır. Bu dönüşüm, verilerin görsel olarak yorumlanmasından önce bir zenginleştirme

işlemi olarak ya da verilerin otomatik olarak sınıflandırılmasından önce yapılan bir ön işlem

olarak uygulanır (Carr, 1998; URL-3, 2002). Böylece diğer bantlardaki bilgiler, ilk iki veya üç

bantta toplanır ve diğer bantlarda daha az bilgi kaldığından kullanılmaz.

1. 3. 4. 3 Sınıflandırma

Görüntü sınıflandırmasının amacı, bir görüntüdeki benzer spektral özellikleri taşıyan

pikselleri arazi sınıflarına veya konularına göre otomatik olarak sınıflara ayırma işlemidir.

Normalde sınıflandırma için çok bantlı görüntü verisi kullanılır ve gerçekte her bir pikselin,

yansıma değeri sınıflandırma için temel bir veridir. Yani farklı coğrafi detaylar kendi spektral

yansıma ve yayma özelliklerine bağlı olarak farklı yansıma değeri kombinasyonları

gösterirler.

Bu bilgiler ışığında, piksellerin bilinen özelliklerine göre birbirleriyle karşılaştırılarak benzer

piksel gruplarını bir araya toplayarak kullanıcıların uzaktan algılama verisini tanıyabilecekleri

sınıflara ayırmak mümkündür (Campbell, 2000).

1. 3. 4. 3. 1 Kontrollü Sınıflandırma (Supervised Classification)

Bu sınıflandırma; kent, tarım veya orman gibi bazı arazi sınıflarının benzerlik veya

konumlarının, arazi çalışması, hava fotoğraflarının analizi, haritalar ve kişisel deneyimlerin

birleştirilmesi yoluyla öncül (priori) olarak bilinir.

Analizci, bu arazi sınıflarından homojen olan örnek alanları alarak görüntü üzerinde

yerleştirmeye çalışır. Bu alanlar genellikle eğitim alanları (training area) olarak ifade edilir.

Çünkü bunların spektral karakteristikleri, görüntünün geri kalan kısımları için

sınıflandırmanın gerçekleştirilmesinde kullanılır (Şekil 1.9).

22

Şekil 1.9 Kontrollü sınıflandırma işlemi [2]

Her bir eğitim alanının istatistik parametresi (ortalama, standart sapma, kovaryans matrisi,

korelasyon matrisi gibi) hesaplanır. Uygun sınıflandırma algoritması seçilerek, araziden ilk

eğitim alanları toplanır. Daha sonra sınıflar arasındaki en iyi ayırımı sağlayacak bantlar

seçilerek, ilave eğitim verisi toplanır ve sınıflandırma algoritmasına uygulanarak

sınıflandırma haritası elde edilir (Jensen, 1996).

Kontrollü sınıflandırmada ‘ortalamaya en az uzaklık (minimum distance to means) yöntemi’,

‘paralel kenar (parellelepiped) yöntemi’ ve ‘en yüksek olabilirlik (maximum likelihood)

yöntemi’ en çok kullanılan yöntemlerdir (Richards, 1999).

1. 3. 4. 3. 2 Kontrolsüz Sınıflandırma (Unsupervised Classification)

Bu sınıflandırmada, sınıflandırma için herhangi bir eğitim alanı kullanılmaz. Bunun yerine,

görüntü içerisindeki bilinmeyen pikselleri inceleyen ve bunları görüntü değerlerinde olan

mevcut doğal grup ve kümelere dayanarak bir dizi sınıflar içinde toparlayan algoritmalar

içerir (Şekil 1.10).

Verilen bir sınıf çeşidi içindeki değerlerin ölçü alanındaki değerlere yakın olması gerekirken,

farklı sınıflardaki verilerin birbirilerinden çok iyi ayrılması bu işlemdeki ana öncül bilgidir.

Kontrolsüz sınıflandırma sonucunda oluşturulan sınıflar spektral sınıflardır; çünkü bunlar

tamamen yansıma değerlerindeki doğal gruplara bağlıdır ve spektral sınıfların kimlikleri ilk

başta bilinmez. Spektral sınıfları tanımlamak için analizci, sınıflandırılmış veri ile bazı

referans veri formlarını (büyük ölçekli görüntü ve haritalar) karşılaştırmalıdır. Böylece

kontrollü sınıflandırma ile faydalı bilgi kategorileri tanımlayıp, bunların spektral farklılıkları

incelenebildiği gibi spektral olarak birbirinden ayrılabilen sınıfları belirleyip bunlardan elde

edilecek bilgiler tanımlanabilir (Lillesand ve Kiefer, 2000).

23

Şekil 1.10 Kontrolsüz sınıflandırma işlemi [2]

Birçok kümeleme yöntemi olmasına rağmen, ISODATA en yaygın kullanılan yöntem

olmuştur. Bu yöntem en iyi yakınsama özelliğine sahip, hızlı ve karmaşık veri grupları içinde

doğal gruplama işleminde iyi sonuçlar üretebilen bir yöntemdir (Csillag, 2000).

1. 3. 4. 3. 3 Kontrollü-Kontrolsüz Karışık Sınıflandırma

Bazen bazı uygulamalarda, kontrolsüz sınıflandırmanın analizi yapan kişi için anlamı

olmayan sınıflar türetmesinden ve kontrollü sınıflandırmada ise sınıflandırma sonucunda

birçok sınıfın bölünmesi veya birleştirilmesi gerekliliğinden dolayı her iki sınıflandırmanın

birleşimi olan bir yaklaşımın kullanılması gerekebilir.

İlk önce kontrolsüz sınıflandırma işlemi, eğitim verileri üzerine uygulanır ve elde edilen

kümeler kullanılarak eğitim alanının küme haritaları üretilir. Yeterli veri temsilinin

sağlanması için genellikle, çok sayıda küme (50 veya daha fazla) kullanılır. Analizci daha

sonra, araziyi gezerek elde ettiği verilerden, hava fotoğraflarından ve diğer referans

verilerinden haritanın değerlendirmesini yapar ve her kümeye ait olduğu tabakasını atar.

Normal olarak bazı kümelerin tabakalandırılmasında ya alt kümelere bölünmesi veya bazı

kümelerin birleşmesi gerekmektedir. Bu tabakalanmış küme verileri (clustered datasets) daha

sonra kontrollü sınıflandırmada kullanılır (Schowengerdt,1997).

Analizci, çalışma alanı içerisinde yer alan arazi sınıflarından homojen olan örnek alanları

alarak görüntü üzerinde yerleştirmeye çalışır. Bu alanlar genellikle eğitim alanları (training

area) olarak ifade edilir. Çünkü bunların spektral karakteristikleri, görüntünün geri kalan

kısımları için sınıflandırmanın gerçekleştirilmesinde kullanılır (Jensen, 1996).

Her bir eğitim alanının istatistik parametresi (ortalama, standart sapma, kovaryans matrisi,

korelasyon matrisi gibi) hesaplanır. Uygun sınıflandırma algoritması seçilerek, araziden ilk

eğitim alanları toplanır. Daha sonra sınıflar arasındaki en iyi ayırımı sağlayacak bantlar

seçilerek, ilave eğitim verisi toplanır ve sınıflandırma algoritmasına uygulanarak

sınıflandırma haritası elde edilir (Jensen, 1996).

24

1. 3. 4. 3. 4 En Yakın Komşuluk Sınıflandırıcısı

Bazı parametrik olmayan sınıflandırma şemaları, özellik uzayında komşu eğitim vektörlerinin

değerine göre bilinmeyen piksellere değer atar. En yakın komşuluk, en yakın eğitim piksel

değerinin aynısını atar. K en yakın komşuluk, k en yakın komşuluk eğitim piksellerinin

çoğunlukta olan değerlerine göre değer atar. Ağırlıklı-uzaklık, k en yakın komşuluk eğitim

piksel değerlerine ağırlıklar atar. Bu ağırlıklar, bilinmeyen pikselden olan öklid uzaklığı ile

ters orantılı olarak hesaplanır (Schowengerdt,1997).

1. 3. 4. 3. 5 Uzman Sınıflandırma

Bu çalışmada kullanılan ERDAS programının Uzman sınıflandırma işlemi bu bölümde

açıklanacaktır.

Uzman sınıflandırma modülü, ERDAS Imagine programında var olan standart bir arayüzdür.

Uzman sınıflandırıcı iki bölümden oluşur:

a) Bilgi Üreticisi: Uygulama için gerekli veriye ait öncül (priori) bilgi ve değişkenler ile

kuralları tanımlayan uzman bir arayüz sağlar. Sınıflandırmada kullanılacak hipotezler bu

kısımda oluşturulur. Şekil 1.11’i incelersek;

Hipotez kutusu Kural kutusu Koşul Kutusu

yeşil renkli kutu hipotezi, sarı renkli kutu kuralı ve cam göbeği rengi de koşulu ifade eder.

b) Uzman Sınıflandırıcı: Bir bilgi tabanı oluşturmak ve kesin sınıflandırmayı üretmek için

uzman olmayan bir arayüz sağlar (Şekil 1.12).

25

Şekil 1.11 BÜ penceresinin görünümü

Şekil 1.12 US modülünün görünümü

26

Şekil 1.13 US modülünde sınıflandırmaya tabi tutulacak sınıfların seçimi

BÜ’de hipotezler, kurallar ve değişkenler birbirlerine bağlanmış bir ağaç (karar ağacı)

şeklindedir. Karar ağacının tam görünümü Şekil 1.14’de gösterilmiştir. Şekil 1.14’de, sağda

gösterilen kutu hareket ettirilerek BÜ penceresi içerisinde yer alan karar ağacı grafiğinin

değişmesi sağlanır. Karar ağacının her bir bölümü, karar hiyerarşisinin mantıksal ilişkisini

gösteren çizgiler ile bağlanmış kutuları ve düğüm noktalarını içerir.

Düğümlerin Mantığı (Logic of Nodes): Bir düğümün mantığı, bileşenlerinin nasıl

değerlendirileceğine bağlıdır. Düğüm bir objedir; yani hipotez, kural veya koşullara ait

özellikleri içerir. Düğümler bilgi tabanı penceresinde dikdörtgen şeklinde gösterilir. Düğümler

arasındaki mantıksal bağlantılar dikdörtgenler arasındaki çizgiler olarak gösterilir. Düğümler

doğru veya yanlış olarak değerlendirilir.

Koşul, bir pikseli gerçek değeri ile karşılaştırır. Kural, bir veya daha fazla koşullar için değer

atar. Hipotez ise bir veya daha fazla kuralın doğruluğunu esas alan bir sınıflandırma oluşturur.

Doğru (True): Şekil 1.15’deki örnekte, hipotez doğru olarak değerlendirilirse, ya koşul-1 ile

koşul-2 doğru olmalıdır, ya da koşul-3 ile koşul-4 doğru olmalıdır.

Yanlış (False): Şekil 1.16’daki örnekte, hipotez yanlış olarak değerlendirilirse, ya koşul-1ile

koşul-2 yanlış olmalıdır, ya da koşul-3 ve koşul-4 yanlış olmalıdır.

27

Şekil 1.14 Mantıksal ilişkiyi gösteren karar ağacının görünümü

Hipotez1 Kural1

Koşul1

Koşul2 Hipotez2 Koşul3

Koşul4

Hipotez3

Kural1

Kural2

Kural3 Koşul7

Koşul6

Koşul5

Hipotez1 Kural1

Koşul1

Koşul2 Hipotez3 Koşul6

Koşul7

Hipotez2 Koşul4

Koşul5

Koşul3 Hipotez4 Koşul8

Koşul9

28

Şekil 1.15 Hipotezin doğru olma durumunu gösteren şema

Şekil 1.16 Hipotezin yanlış olma durumunu gösteren şema

Hipotez (doğru)

Koşul-4 (doğru)

Koşul-3 (doğru)

Koşul-2 (doğru)

Koşul-1 (doğru)

Kural B (doğru)

Kural A (doğru)

veya

ve

ve

Hipotez (yanlış)

Koşul-4 (yanlış)

Koşul-3 (yanlış)

Koşul-2 (yanlış)

Koşul-1 (yanlış)

Kural B (yanlış)

Kural A (yanlış)

veya

ve

ve

29

Güvenilirlik (Confidences): Güven değeri düğümün önemli olduğu bir olasılıktır. Kurallar

için güven değeri bilgi üreticisi tarafından belirgin bir şekilde atanır veya koşulların güven

değerlerinden yararlanılarak uzman sınıflandırıcı tarafından hesaplanabilirler. Koşullar için

güven değeri her zaman bilgi üreticisi tarafından atanır. Aşağıda gösterilen denklemler, güven

değerlerinin nasıl hesaplandığını göstermektedir (ERDAS IMAGINE Expert Classifier

Overview, 2001).

a) Tek bir mantık zinciri;

∏=

n

0iic (1.5)

b) Çoklu mantık zinciri;

( )⎟⎠⎞

⎜⎝⎛

−− ∏=

n

0iic11 (1.6)

ci = i düğümünün güven değeri

∏ ic = toplam güven değeri

1-ci = hata olasılığı

n = mantık zincirindeki düğümlerin sayısı

1. 3. 4. 4 Sınıflandırma Doğruluğu

Sınıflandırma işleminin tamamlanmasından sonra, sonuç ürünün doğruluğunun belirlenmesi

gerekir. Bunun için, çalışma bölgesine ait mevcut haritalar veya GPS ölçmeleri sonucunda

elde edilen kesin olarak doğruluğuna emin olunan referans verileri kullanılır. Sınıflandırılmış

görüntü verisindeki piksellerle bu referans verileri karşılaştırılır. Karşılaştırma işleminde

piksellerin rasgele seçilmesi, doğruluk değerlendirmesi yapan kişinin olumlu veya olumsuz

olarak hesaplamaya etkisini önler.

Sınıflandırma doğruluğunun belirlenmesinde, sınıflandırma aşamasında kullanılmayan eğitim

alanlarına ait piksellerin seçilmesi gerekir. Bu amaçla en çok kullanılan yöntem ‘hata

matrisi’dir. Hata matrisi yardımı ile sınıflandırılmış piksellerin doğruluk yüzdeleri hesaplanır

(Mather, 1999). Birçok hata ölçüsü, bu hata matrisinden elde edilir. Bunlardan bazıları;

toplam doğruluk, üretici ve kullanıcı doğruluğudur.

Hata matrislerinden elde edilen sınıflar arası doğrulukların analiz edilmesi amacıyla k kappa

katsayısı kullanılır. k değeri (kappa katsayısı), 0 ile 1 arasında değer alır ve hata matrisinin

satır ve sütun toplamları ile köşegeni üzerindeki elemanlar kullanılarak hesaplanır. k’nın

30

değerinin 1 olması istenilen en ideal durumdur. Kappa değerinin hesaplanması (1.7) formülü

ile gösterilmiştir (Congalton, 1991; Lillesand ve Kiefer, 2000).

( )

( )∑

∑ ∑

=++

= =++

⋅−

⋅−= r

1iii

2

r

1i

r

1iiiii

xxN

xxxNk (1.7)

r : hata matrisindeki toplam satır sayısı

xii : i. satır ve sütundaki piksel sayısı

xi+ : i. satırdaki toplam piksel sayısı

x+i : i. sütundaki toplam piksel sayısı

N : matrisin tamamındaki piksel sayısı

1. 3. 4. 5 Doku (Texture) Analizi

Uygulamada kullanılacak olan alan içerisinde arazi kullanım özelliklerine göre farklı türden

sınıflar olabilir. Bu farklı türden arazi kullanım sınıfları, farklı yansıma değerlerine ve

sınıflandırma algoritmalarında kullanılabilen doku değerlerine sahiptirler. Yerleşim alanları,

kapsadıkları alan içinde bulunan binalara ve sokak şekillerine göre önemli doku değerlerine

sahiptirler. Bunun aksine, türdeş alanlar (tarımsal alanlar) ise düşük veya sıfıra eşit doku

değerine sahiptirler. Doku değerleri, görüntü verileri esas alınarak görüntü üzerinde 3x3

boyutunda pencere gezdirilerek elde edilir. Burada oluşan uyuşmazlık (karşıtlık) değeri (1.8)

formülünden elde edilir (ERDAS, 1999).

( )∑ −

−=

1nMx

v2

ij (1.8)

Burada;

xij = (i,j) pikselinin piksel değeri

n = gezici pencerenin piksel sayısı

M = gezici pencerenin ortalama değeridir ve (1.9) formülü ile hesaplanır (ERDAS, 1999):

nx

M ij∑= (1.9)

31

2. UYGULAMA

2. 1 Çalışma Bölgesi

Uygulamada kullanılan çalışma alanı, yaklaşık olarak 11x26 km ve sadece kuzey hattında

sahili içerecek şekilde Trabzon merkezini kapsamaktadır. Çalışma bölgesine ait görüntü

koordinatları ULX: 547938.6494, ULY: 4544948.2886, LRX: 574059.4647, LRY:

4534018.7133 şeklindedir. 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünden

yararlanılarak bu bölgeye ait arazi sınıf türleri belirlenmiş ve uygulamanın amacına göre

kullanılmıştır.

2. 2 Çalışmada Kullanılan Datum ve Projeksiyon

Bu uygulamada, UTM koordinat sisteminde ve International 1909 elipsoidi ile ED50

(European 1950) datumu temel alınarak görüntü düzeltme, görüntü zenginleştirme ve görüntü

sınıflandırma işlemleri yapılmıştır.

2. 3 Landsat ETM+ Uydu Görüntüsü Verisi

Bu uygulamada 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsü kullanılmıştır. Çalışma

alanı orijinal görüntü üzerinde belirlenerek, üzerinde çalışılabilir duruma getirilmiştir. Çizelge

2.1’de çalışmada kullanılan görüntü ile ilgili bilgiler verilmiştir.

Şekil 2.1 Çalışma bölgesini gösteren Landsat ETM+ 543 (RGB) uydu görüntüsü

2. 3. 1 Landsat ETM+ Uydu Görüntüsünün Geometrik Düzeltilmesi

Uydu görüntülerinin geometrik olarak düzeltilmesi gerekir. Geometrik düzeltme işlemi,

orijinal uydu görüntüsündeki eğilme ve büzülmeleri (distorsiyonları) gidererek görüntülerin

istenilen koordinat sistemi ile çakıştırılmasını sağlar.

32

Bu çalışmada, dönüşüm için gerekli kontrol noktaları 1/25000 ölçekli topografik haritalar

üzerinden seçilmiştir. Ayrıca kontrol noktalarının seçiminde, noktaların görüntü üzerine

homojen olarak dağılmasına dikkat edilmiştir. Uygulamada çalıştığımız alan Lo=39o başlangıç

boylamlı 3olik tek bir UTM dilimi içerisinde değerlendirilebildiğinden, 3olik UTM koordinat

sistemi ile 1/25000 ölçekli paftaların üretiminde kullanılan ED50 datumu seçilmiştir.

Uzaktan algılama verilerinin geometrik dönüşümünde maksimum karesel ortalama hata

(RMS) miktarı 0.5 piksel olarak kabul edilir (Jensen, 1996; Armston vd., 2002). Buna göre

Landsat ETM+ görüntüsünün hata miktarı 0.5 pikselden çok bantlı görüntüde yaklaşık 15 m

olur. RMS hatasını 1 pikselin altına düşürebilmek amacıyla birçok iterasyonun yapılması

gerekmiştir. Geometrik düzeltme işleminde birinci dereceden lineer dönüşüm ile bilineer

yeniden örnekleme yöntemi kullanılmıştır. Sonuçta RMS 0.7 piksel olarak bulunmuştur.

Çizelge 2.1 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünün metaverisi ve koordinatları

Görüntü Metaverisi Görüntü Koordinatları Çekim Tarihi 19.09.2000 ULX 547938.6494Ürün no 80010123000300000 ULY 4544948.2886Bulut oranı (%) 3 LRX 574059.4647Çok bantlı çözünürlük 30 m LRY 4534018.7133Termal çözünürlük 60 m Pencere no 173/032 Algılayıcı ETM+

2. 3. 2 Görüntü Verisinin Analizi

Burada, bant oranlaması (Band Rationing) ve temel bileşenler dönüşümü (Principal

Components Transformation) analizleri incelenecektir. Bu işlemlerin uygulanmasında

herhangi bir eğitim verisine gereksinim duyulmaz. Bu dönüşümlerle görüntü verisi görsel

olarak daha iyi yorumlanır ve arazi sınıfları üzerinde daha iyi analiz yapılması sağlanır. Bu

dönüşümlerle ilgili uygulama içerisinde yapılan işlemler aşağıda açıklanmıştır.

2. 3. 2. 1 Bant Oranlaması

Uzaktan algılama konusunda çalışan bilim adamlarının ilgi alanlarından biri, bir bölgeye ait

bitki örtüsünü belirlemek ve buna göre orman kaynaklarını tespit etmek olmuştur. Global

33

ölçekte en doğru bilgilere sahip olmak amacıyla bitki indeksi olarak adlandırılan ve çok bantlı

verilerden elde edilen birçok farklı dönüşümler gerçekleştirilmiştir (Craig, 2002).

Bu çalışmada standart bitki indeksi, BI = Band4/Band3 oran görüntüsünden yararlanılmıştır.

Bitki indeksi ile elde edilen görüntünün incelenmesi sonucu, bitki örtüsü ile açık toprak ve

deniz sınıflarının ayırt edilebildiği görülmüştür. Bitki örtüsü açık gri tonunda, bitki örtüsü

dışında kalan alanlar ise koyu gri tonunda görülmektedir (Şekil 2.2). Akarsu ve yollar belirgin

bir şekilde bitki örtüsünden ayrılır.

Şekil 2.2 Bitki indeksi görüntüsü

Bitki indeksi görüntüsü detaylı olarak incelendiğinde bitki örtüsü içerisinde ormanlık

alanların beyaza yakın renk tonunda olduğu görülmektedir. Uygulama alanının geneline

bakıldığında, fındık alanlarının sık ve gri renk tonunda olduğu, batı kesiminde ise nispeten

tarım arazilerinin çokluğunu ve bunların koyu gri tonunda olduğu görülmektedir.

2. 3. 2. 2 Temel Bileşenler Dönüşümü

Bu işlemin yapılmasının nedeni, görüntü verisinin gerçek boyutunu belirlemektir. Yani, her

bir bantta seçilen arazi sınıflarına karşılık gelen veri tekrarını ortaya çıkartmak ve bu

görüntülere ait veriler arasındaki korelasyonu belirlemektir.

Temel bileşenler dönüşümü olarak adlandırılan bu işlemle üzerinde çalışılan bant sayılarında

azalma olur ve orijinal banttaki bilgilerin çoğu sıkıştırılarak daha az bantla çalışma olanağı

sağlanır. Ana bileşen dönüşümü 6. bant hariç tüm bantlara uygulanmıştır. Yapılan işlemlerin

sonuçları Çizelge 2.2’de verilmiştir. Sonuçlar incelendiğinde, ilk dört bileşenin Landsat

ETM+ verileri içinde %99,75’lik varyansa sahip oldukları görülmüştür (Çizelge 2.2).

34

Birinci temel bileşen dönüşümü (PC1) %89,69’la en yüksek varyansa sahip veri kümesidir.

İkinci temel bileşen dönüşümü (PC2) %8,48 ve üçüncü temel bileşen dönüşümü ise %1,36

varyansa sahiptir.

Birinci temel bileşen dönüşümüne ait ağırlık katsayıları incelendiğinde, tüm bantlar arasında

pozitif bir ilişkinin olduğu görülür. Pozitif korelasyon görüntüdeki parlaklığın baskın olduğu

anlamındadır (Craig, 2002). Güneş parlaklığı ve topografya, piksel değerleri üzerinde en

güçlü etkiye sahiptir. Parlak alanlarda pikseller tüm bantlarda yüksek değer alırken, gölgelik

yerlerdeki pikseller düşük değer alırlar. Toprak olarak bilinen piksel değerleri parlak açık gri

renkte, gölgelik alanlar ise koyu renktedir. Bitki örtüsü yerleşim yerlerinden az da olsa

parlaktır. Ancak bu farklılık bunların ayırt edilmesi için yeterli değildir. PC1 bileşeninde bant

1’in ağırlık katsayısı diğerlerinden düşüktür ve bant 1 suyun belirlenmesinde

kullanıldığından, bu bileşeni su kütlelerinin belirlenmesinde kullanabiliriz (Şekil 2.3).

Şekil 2.3 PC1 bileşenine ait görüntü

İkinci temel bileşen dönüşümüne ait veriler incelendiğinde, Bant 1 ile Bant 4 ve Bant 5

değerleri arasında negatif bir ilişki olduğu görülmektedir (Çizelge 2.2). Bunun anlamı, bant

1’in yansıma değerinin yüksek, bant 4 ve bant 5’in yansıma değerlerinin ise düşük olduğu

anlamına gelir. Bu ifadenin tersine, bant 4 ve bant 5’in yansıma değeri yüksek olduğunda bant

1’in düşük olacaktır. Bant 1 mavi ışığın (0.45-0.52) yansımasını kaydettiğinden suyun

belirlenmesinde etkilidir. Bant 5 yeşil bitkilerde nemin belirlenmesinde, Bant 4 ise bitki

örtüsünün tanımlanmasında etkendir. Bu nedenle, PC2 bileşeni bitki örtüsü ve nemin

belirlenmesinde etkilidir (Şekil 2.4).

35

Şekil 2.4 PC2 bileşenine ait görüntü

Çizelge 2.2’de üçüncü ana bileşen dönüşümüne bakıldığında, bant 4 ile bant 7 arasında

negatif bir ilişki vardır. Bant 4’ün bitki örtüsünün belirlenmesinde ve bant 7’ninde (2.05-2.35)

kayalık alanların ayrımında kullanıldığı göz önüne alındığında, PC3’ün bitki örtüsü ile

kayalıkların ve yerleşim alanlarının belirlenmesinde etken olduğu ortaya çıkmaktadır (Şekil

2.5).

Şekil 2.5 PC3 bileşenine ait görüntü

36

Çizelge 2.2 Landsat ETM+ uydu görüntüsüne ait özdeğer (Eigen) Analizi

PC1 PC2 PC3 PC4 PC5 PC6

Özdeğerler 10590,45 898,49 143,84 22,37 16,23 10,50

Varyans (%) 89,69 8,48 1,36 0,21 0,15 0,10

Kümülatif (%) 89,69 98,18 99,54 99,75 99,90 100

Ağırlık katsayıları (Weighting coefficients)

Band 1 0,00007 -0,17623 -0,09240 -0,04091 0,74922 -0,63040

Band 2 0,13061 -0,42587 -0,36448 -0,30923 0,38596 0,65126

Band 3 0,18996 -0,64991 -0,33525 -0,09124 -0,52259 -0,38432

Band 4 0,58357 0,46922 -0,61375 0,24611 0,01140 -0,04358

Band 5 0,69202 0,05731 0,50018 -0,51358 -0,00523 -0,06214

Band 7 0,35696 -0,37648 0,34549 0,75502 0,12825 0,15807

2. 3. 3 Doku (Texture) Analizi

ETM görüntüsünden elde edilen konumsal doku bilgisi, diğer ek bilgilerle birlikte uzman

sınıflandırmada kullanılır. Görüntü üzerinde 3x3 boyutunda (5x5 veya 7x7) hareketli

pencereler gezdirilerek, görüntüye ait doku bilgileri elde edilir.

ETM verisinin çözünürlüğü, kentsel alanlara ait sınıfların doğru olarak ayırt edilmesini

etkiler; bundan dolayı, kentleşmiş bölgeleri doğal bölgelerden (yani, gelişmiş bölgeleri

gelişmemiş bölgelerden) ayırt etmede doku bilgisi öncelikli olarak kullanılır. Yüksek

çözünürlüklü veri kümelerinden elde edilen doku bilgisinin diğer yardımcı verilerle

birleştirilmesi, uzman sınıflandırma ile oluşturulan kentsel alanlara ait sınıfların daha iyi ayırt

edilmesine imkan tanır (Stefanov, Ramsey ve Christensen, 2001).

Uygulamada kullanılan çalışma alanı içerisinde yerleşim yerleri, tarım alanları ve ormanlık

alanlar mevcuttur. Bu farklı türden arazi kullanım sınıfları, farklı yansıma değerlerine ve

sınıflandırma algoritmalarında kullanılabilen doku değerlerine sahiptir. Yerleşim alanları,

kapsadıkları alan içinde bulunan binalara ve sokak şekillerine göre önemli doku değerlerine

sahiptirler. Bunun aksine, türdeş alanlar (tarımsal alanlar) ise düşük veya sıfıra eşit doku

değerine sahiptirler. Doku değerleri, ETM verileri esas alınarak görüntü üzerinde 3x3

boyutunda pencere gezdirilerek elde edilir.

37

Çalışma bölgesine ait doku görüntüsünü elde etmek için ERDAS Imagine yazılımında

bulunan Image Interpreter mödülü (Şekil 2.6) kullanılır. ETM verisinden elde edilen mozaik

görüntü üzerinden 3x3 boyutunda hareketli pencere gezdirilerek değişimin olduğu alanlar

belirlenir.

Şekil 2.6 Imagine interpreter modülü

Şekil 2.7 Çalışma bölgesine ait doku görüntüsü

Şekil 2.7 incelendiğinde, yüksek kenar yoğunluğuna (kentsel alanlar) sahip bölgeler parlak

görünürken, düşük kenar yoğunluklu (örneğin; tarımsal alanlar ve kırsal bölgeler) alanlar

38

karanlık görünür. Doğal lineer özelliklere sahip alanların (örneğin; nehir yatakları ve kayalık

alanlar) doku değerleri, genellikle kent ve türdeş bölgeler arasında ortalama değer alırlar.

2. 3. 4 Landsat ETM+ Uydu Görüntüsünün Sınıflandırılması

Bu bölümde, Landsat ETM+ uydu görüntüsüne öncelikle kontrollü sınıflandırma daha sonra

ise uzman sınıflandırma işlemi uygulanacak ve sonuçlar karşılaştırılacaktır.

2. 3. 4. 1 Eğitim Alanlarının Belirlenmesi

Eğitim verileri, görüntünün sınıflandırılması aşamasında bu işleme ait istatistiklerin kontrol

edilerek, doğru bir sınıflandırma yapılması amacıyla kullanılır. Eğitim verileri, görüntüye ait

bilgi sınıflarının eşik (threshold) değerlerini ifade eder. Bilgi sınıfları veya arazi örtüsü

sınıfları tematik haritadaki katmanlardır (Syzmanski, 1998).

Eğitim alanlarına ait veriler, mümkün oldukça uydu görüntüsünün kaydedildiği tarihe yakın

bir zaman diliminde araziden toplanmalıdır. Doğru bir sınıflandırmanın yapılabilmesi için

eğitim alanlarının arazide homojen bir şekilde belirlenmesi ve yeterli miktarda tanımlanması

gerekir (Lillesand ve Kiefer, 2000). Eğitim alanları doğrudan araziden belirlenebildiği gibi,

görüntü üzerinde çok belirgin alanların gözle yorumlanmasıyla veya mevcut haritalar

aracılığıyla da belirlenebilir.

2. 3. 4. 2 Kontrolsüz Sınıflandırma

Çalışma alanı hakkında yeterli bilgiye sahip olmak amacıyla ETM görüntüsüne ISODATA

yöntemi uygulanarak yirmi (20) sınıf için kümeleme yapılmıştır (Şekil 2.8). Bu küme sayısı

bölgeyi temsil edecek yeterli veriyi kapsamaktadır. Kontrolsüz sınıflandırmada belirlenen

sınıflar irdelenerek uygun bulunanlar eğitim alanı olarak atanmış ve eğitim alanlarının

kontrolünde kullanılmıştır. Ayrıca, kontrolsüz sınıflandırma işleminde elde edilen sınıflardan

bizim belirlediğimiz arazi sınıflarını verenler birleştirilerek kontrollü sınıflandırma işleminde

kullanılmıştır.

39

Şekil 2.8 Kontrolsüz sınıflandırma işlemi sonucunda elde edilen görüntü

2. 3. 4. 3 Kontrollü Sınıflandırma

Bu çalışmada kontrollü sınıflandırma yöntemi olarak En Yakın Benzerlik (Maximum

Likelihood) kullanılmıştır. Arazi sınıfları ETM verisinin spektral çözünürlüğü esas alınarak

seçilmiştir. Arazi sınıflarına ait eğitim alanları yersel ve arazi kullanım verileri kullanılarak

belirlenmiştir. Her bir eğitim alanı 10xn (n=sınıflandırmada kullanılan bant sayısı) ölçütüne

uyan en az 70 pikseli kapsar (Congalton ve Green, 1999). Her bir sınıf için hesaplanan piksel

sayısı Çizelge 2.3’te verilmiştir. Çalışma alanı incelendiğinde, arazi örtüsünü en iyi gösteren

yedi adet sınıf üzerinde durulmuştur. Daha sonra belirlenen yedi sınıf için kontrollü

sınıflandırma yapılmıştır. Yapılan kontrollü sınıflandırma işlemine ait görüntü Şekil 2.9’da

gösterilmiştir.

Çizelge 2.3 Eğitim alanlarına ait piksel sayısı

Sınıf Piksel Sayısı

Su 133554

Yerleşim 19475

Tarım 12386

Yaprakları dökülen ağaçlar 27508

Yaprakları dökülmeyen ağaçlar 38950

Karışık 46797

Fındık 62286

40

Su Karışık ağaç

Tarım Yaprakları dökülmeyen ağaç

Fındık Yerleşim

Yaprakları dökülen ağaç

Şekil 2.9 Kontrollü sınıflandırma işlemi sonucunda elde edilen görüntü

Çizelge 2.4 Arazi sınıflarının tanımı

Arazi Sınıfı Tanımı

Su Deniz, akarsu ve dereleri içeren alanlar

Yerleşim Bina, yol ve boş alanların birlikte bulunduğu alanlar

Tarım Küçük çapta ürün elde edilen alanlar (mısır, lahana vb.)

Yaprakları dökülen ağaçlar Mevsimsel değişiklikler sonucu, yaprakları kendiliğinden dökülen ağaçların %75’inden fazlasının hakim olduğu alanlar

Yaprakları dökülmeyen ağaçlar Tüm yıl boyunca yaprakları dökülmeyen ağaçların %75’inden fazlasının hakim olduğu alanlar

Karışık ağaçlar Toplam ağaçlık alanın %75’inden fazlasını içeren ve yaprakları dökülen ve yaprakları dökülmeyen ağaçların bulunduğu alanlar

Fındık Toplu halde bulunan fındık bahçelerinden oluşan alanlar

Sınıflandırma sonuçları değerlendirildiğinde, bazı sınıfların topografyadan kaynaklanan

parlaklık veya gölgenin etkisi altında olduğu görülmüştür. Kıyı kesimlerinde ara yolların

41

çokluğu ve bunların beton-asfalt karışımı malzemelerle döşenmesi binalarla karışmasına

neden olmuştur. Aynı şekilde çalışma alanı içerisinde yer alan havaalanına ait yersel özellikler

de karışıklığa neden olmaktadır. Bunun için, bu alanların tümü yerleşim sınıfı altında

birleştirilmiştir.

Çizelge 2.5 Kontrollü Sınıflandırma sonucuna ait hata matrisi

Arazi sınıfları Su Yerleşim Tarım

Yaprakları

dökülen ağaçlar

Yaprakları

dökülmeyen ağaçlar

Karışık ağaçlar Fındık Tpl

Su 180 2 0 0 0 0 0 182

Yerleşim 0 27 0 1 1 0 0 29

Tarım 0 0 15 1 2 2 5 25

Yaprakları dökülen ağaçlar

0 0 0 45 4 4 0 53

Yaprakları dökülmeyen ağaçlar

0 0 0 1 47 5 4 57

Karışık ağaçlar 0 0 0 0 0 48 6 54

Fındık 0 0 0 0 0 0 100 100

Toplam 180 29 15 48 54 59 115 500

2. 3. 4. 4 Kontrollü Sınıflandırma Sonucunun Doğruluğu

Landsat ETM+ uydu görüntüsünün kontrollü sınıflandırma işlemi sonucu elde edilen değerler,

araziden test alanları olarak alınan verilerle karşılaştırılmıştır. Uygulanan kontrollü

sınıflandırma işlemi sonucunda sınıflandırmanın toplam doğruluk yüzdesi, kullanıcı ve üretici

doğrulukları ile bu doğrulukların istatistiki olarak değerlendirilmesini sağlayan kappa

değerleri hesaplanmıştır.

Sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk yüzdeleri bir hata matrisi

kullanılarak hesaplanır (Congalton&Green, 1999). Hata matrisi, sınıflandırmada doğru

değerler elde edilebilmesi için sınıflandırmaya dahil edilmeyen veya dahil edilen hata

oranlarını birleştiren bir k (kappa) analizi kullanılarak elde edilir (Jensen, 1996).

Sınıflandırma sonucuna ait hata matrisi Çizelge 2.5’de gösterilmiştir.

42

Üretici doğruluğu, belirli bir arazi sınıfı olarak sınıflandırılan piksellerin yüzdesidir. Kullanıcı

doğruluğu ise, doğru olarak sınıflandırılan arazi sınıfına ait referans piksellerin yüzdesidir.

Kullanıcı doğruluğu genellikle sınıflandırmanın doğruluğunu gösterir. Yapılan

sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk değerleri hata matrisinden elde edilir.

Test alanları kullanılarak yapılan sınıflandırmanın doğruluğu %92.40 ve kappa değeri de

0.9029 olarak bulunmuştur. Sınıflandırma sonucu elde edilen kullanıcı ve üretici doğruluk

yüzdeleri ile k değerleri Çizelge 2.6’da verilmiştir.

Çizelge 2.6 Kontrollü Sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri ile kappa değerleri

Sınıf Referans

piksellerin sayısı

Sınıf. piksel

sayısı

Doğru sınıf. piksel

sayısı

Üretici doğruluğu

(%)

Kullanıcı doğruluğu

(%) k (%)

Su 180 182 180 100.00 98.90 98.28

Yerleşim 29 29 27 93.10 93.10 92.68

Tarım 15 25 15 100.00 60.00 58.76

Yaprakları dökülen ağaçlar

48 53 45 93.75 84.91 83.30

Yaprakları dökülmeyen ağaçlar

54 57 47 87.04 82.46 80.33

Karışık ağaçlar 59 54 48 81.36 88.89 87.40

Fındık 115 100 100 86.96 100.00 100.00

Toplam 500 500 462

Toplam sınıflandırma doğruluğu = %92.40

Toplam k değerleri = 0.9029

Çizelge 2.6’da görüldüğü üzere, sınıflandırma sonuçları tarım sınıfı hariç kabul edilebilir

doğrulukta olmuştur. Tarım sınıfının doğruluk yüzdesi istenilen düzeyde olmamıştır. Bunun

nedeni, bölgenin engebeli yapısından dolayı tarım alanlarının genellikle fındık bahçeleri ile iç

içe olmasındandır. Yani, tarım alanları ya fındık bahçelerinin çevrelediği alanının sınır

43

bölgelerine gelmekte ya da bölgeye üstten baktığımızda fındıklıkların ve ağaçlık bölgelerin

içerisinde kaldığı görülmektedir. Bunun sonucunda, alt piksel karışıklıkları ortaya çıkmış ve

bazı bölgelerde ayırt edilmesi zorlaşmıştır. Diğer arazi sınıflarının kullanıcı değerleri %82-

100 arasında değişmektedir.

Şekil 2.10 ve Şekil 2.11’de kontrollü sınıflandırma sonucunda elde edilen üretici ve kullanıcı

doğrulukların yüzde değerleri grafiksel olarak gösterilmiştir.

Denetimli Sınıflandırma Sonucunun Üretici Doğruluğu (%)

100,00

93,10

100,0093,7587,04

81,3686,96

Su YerleşimTarım Yaprakları dökülen ağaçlarYaprakları dökülmeyen ağaçlar Karışık ağaçlarFındık

Şekil 2.10 Kontrollü sınıflandırma sonucunda elde edilen üretici doğruluğu değerlerinin grafiksel gösterimi

Denetimli Sınıflandırma Sonucunun Kullanıcı Doğruluğu (%)

98,90

93,10

60,0084,9182,46

88,89

100,00

Su YerleşimTarım Yaprakları dökülen ağaçlarYaprakları dökülmeyen ağaçlar Karışık ağaçlarFındık

Şekil 2.11 Kontrollü sınıflandırma sonucunda elde edilen kullanıcı doğruluğu değerlerinin grafiksel gösterimi

44

2. 3. 4. 5 Uzman Sınıflandırma

Uzman sınıflandırma modeli, ERDAS Imagine görüntü işleme yazılımı kullanılarak

oluşturulur. Bu sınıflandırmanın yapılmasındaki temel ilke, arazi katmanlarının

sınıflandırılması işleminde (kontrollü sınıflandırmada) kullanılan tekniklerle (örneğin; en

yakın benzerlik, minimum mesafe vb.) gerçekleştirilen sınıflandırmayı, ek bilgilerle (örneğin;

doku bilgisi, arazi kullanımı vb.) yeniden yapmak ve sınıflandırmanın doğruluğunu

arttırmaktır. Uzman sınıflandırma, görüntü verisinde bulunan spektral bilgiye en yüksek

ağırlığın atanmasını sağlar.

Uzman sınıflandırma yazılımı; çok bantlı görüntülerin sınıflandırılmasında, sınıflandırma

sonrası incelemede ve CBS modeli oluşturmada yaygın olarak kullanılan bir yöntemdir.

Sınıflandırma işlemi, Şekil 2.12’de verilen bir örnekte görüldüğü üzere hipotez, kural ve

değişkenlerden oluşan bir hipotez testi iskeleti kullanılarak yapılır. Bir hipotezin doğru olması

için onu tanımlayan koşulların doğru olması gerekir. Şekil 2.12’de yaprakları dökülen ağaçlar

sınıfına ait hipotez görülmektedir. Bu diyagrama baktığımızda, elips içerisinde gösterilen

‘Orman1’ kuralı ve bu kuralı tanımlayan dikdörtgen kutulardaki koşullar yer almaktadır. Eğer

arazi sınıfı yapılan kontrollü sınıflandırma sonucunda yaprakları dökülen ağaçlar olarak

sınıflandırılmışsa (Arazi sınıfı=4) ve piksel değeri Bant 4’te 75’den büyük, Bant 2’de 175’den

küçük bir değere sahipse, bu sınıf yaprakları dökülen ağaçlar olarak sınıflandırılır. Bant 2,

görünür spektrumdaki yeşil bölgede oluşan yansımanın ölçülmesi ile bitkilerin

tanımlanmasında kullanılır. Bant 4 ise, yakın IR bölgede bitki türlerinin tanımlanmasını

sağlar. Burada piksel değer aralığının 75 ile 175 arasında seçilmesinin sebebi, bitki örtüsüne

ait yüzey özelliklerinin ve yansıma değerlerinin, IR bölgedeki yüksek değerler ile görünür

bölgede düşük değerler aldığı değer aralığı olmasıdır. Aynı yaklaşım, diğer arazi sınıflarının

sınıflandırılmasında kullanılır.

Şekil 2.12 Hipotez testi iskeleti

Yaprakları dökülen ağaçlar

TM Band 4>=75

TM Band 2<175

Arazi sınıfı==4

Orman1

45

Şekil 2.13 BÜ modülünde oluşturulan bilgi tabanına ait hipotez testi iskeleti

Yerleşim Arazi sınıfı==2 Yerleşim

Su Arazi sınıfı==1 Su

Tarım Arazi sınıfı==3 Tarım

Yaprakları dökülmeyen ağaçlar

TM Band 4>=75

TM Band 2<175

Arazi sınıfı==5

Orman

46

Şekil 2.13’ün devamı

Şekil 2.14 Hipotez, kural ve koşulların tanımlandığı BÜ modülü

Fındık TM Band 4>=75

TM Band 2<175

Arazi sınıfı==7

Fındık

Karışık ağaçlar TM Band 4>=75

TM Band 2<175

Arazi sınıfı==6

Orman2

47

Şekil 2.14’te görülen BÜ modülü içerisinde oluşturulan hipotezin doğruluğu, bu hipotez için

tanımlanan koşul değerlerini belirleyen ek bilgilerin doğru seçimine bağlıdır. Çünkü bu

seçim, sınıflandırmanın doğruluğunu direkt olarak etkileyecektir.

Şekil 2.15, 2.16 ve 2.17’de tanımlanan koşullara ait özellikler yer almaktadır. Örneğin, Şekil

2.15’de arazi sınıfı koşulunun tanımlanmasında ek bilgi olarak en yakın benzerlik

sınıflandırmasından elde edilen görüntünün kullanıldığı görülmektedir.

Şekil 2.16 ve 2.17’de ise, TM Band4 ve TM Band2 koşullarının tanımlanmasında yardımcı

veri olarak ETM görüntü verisi kullanılmıştır.

Şekil 2.15 Arazi sınıfı koşulunun tanımlandığı diyalog

48

Şekil 2.16 TM Band2 koşulunun tanımlandığı diyalog

Şekil 2.17 TM Band4 koşulunun tanımlandığı diyalog

49

Su Karışık ağaçlar

Tarım Yaprakları dökülmeyen ağaçlar

Fındık Yerleşim

Yaprakları dökülen ağaçlar

Şekil 2.18 Uzman sınıflandırma sonucu elde edilen görüntü

Ek bilgi (doku görüntüsü, yersel veriler) kullanılarak oluşturulan hipotez testi iskeleti, daha

sonra sınıflandırma işlemine tabi tutulmuştur. Uzman sınıflandırma sonucu oluşan görüntü

Şekil 2.18’de gösterilmiştir.

2. 3. 4. 6 Uzman Sınıflandırma Sonucunun Doğruluğu

Yapılan sınıflandırmanın doğruluğu test alanları kullanılarak değerlendirilmiştir. Aynı

zamanda sınıfların zamansal hassasiyetlerini arttırmak ve referans veri kümelerinde olabilecek

hatalardan kaçınmak için orijinal ETM verisi kullanılmıştır.

Sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk yüzdeleri bir hata matrisi

kullanılarak hesaplanır (Congalton ve Green, 1999). Sınıflandırma sonucuna ait hata matrisi

Çizelge 2.7’de gösterilmiştir. Test alanları kullanılarak yapılan sınıflandırmanın doğruluğu

%95.80 ve kappa değeri de 0.9455 olarak bulunmuştur. Sınıflandırma sonucu elde edilen

kullanıcı ve üretici doğruluk yüzdeleri ile k değerleri Çizelge 2.8’de verilmiştir.

50

Çizelge 2.7 Uzman sınıflandırma sonucuna ait hata matrisi

Arazi sınıfları Su Yerleşim Tarım

Yapraklarıdökülen ağaçlar

Yaprakları dökülmeyen

ağaçlar

Karışık ağaçlar Fındık Tpl

Su 193 0 0 0 0 0 0 193

Yerleşim 0 28 0 0 0 0 0 28

Tarım 0 0 20 1 0 0 1 22 Yaprakları dökülen ağaçlar

0 0 0 37 4 5 2 48

Yaprakları dökülmeyen ağaçlar

0 0 0 0 57 4 1 62

Karışık ağaçlar 0 0 0 0 0 45 3 48

Fındık 0 0 0 0 0 0 99 99

Toplam 193 28 20 38 61 54 106 500

Çizelge 2.8 incelendiğinde, yapılan sınıflandırmanın doğruluk yüzdesinin azda olsa arttığı

gözlenmiştir. Kontrollü sınıflandırmada %60.00 doğruluk değeri ile elde edilen tarım sınıfı,

uzman sınıflandırmada kullanılan yardımcı veriler (doku değerleri ve yersel veriler) sayesinde

%90.91’lik doğrulukla elde edilmiştir. Buna karşın %84.91 doğrulukla elde edilen yaprakları

dökülen ağaçlar sınıfı, bu sınıflandırma sonucunda %77.08 olarak bulunmuştur. Bunun

nedeni; bu arazi sınıfının karışık ağaçlar ve fındıkla karışması olarak düşünülebilir. Karışık

ağaçlar sınıfının yaprakları dökülen ve dökülmeyen ağaçlardan oluşması ve fındığında

yapraklarını döken ağaçlar sınıfına girmesi, bu sınıfın doğruluk yüzdesinde azalmaya neden

olmuştur.

En yakın benzerlik sınıflandırması ile karşılaştırıldığında, sınıflara ait konumsal doku

bilgilerinin ve ETM çözünürlük değerlerinin kullanılmasıyla özellikle tarım ve yerleşim

sınıflarında daha iyi bir sınıflandırma doğruluğunun elde edildiği görülmektedir.

Uygulamada kullandığımız çalışma alanının küçük olması da sınıflar arasında fazla

karışıklığın oluşmasını engellemiştir. Şekil 2.19 ve Şekil 2.20’de uzman sınıflandırma

sonucunda elde edilen üretici ve kullanıcı doğruluk değerleri grafiksel olarak gösterilmiştir.

51

Çizelge 2.8 Uzman sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri ile

kappa değerleri

Sınıf Referans

piksellerin sayısı

Sınıf. piksel sayısı

Doğru sınıf. piksel

sayısı

Üretici doğruluğu

(%)

Kullanıcı doğruluğu

(%) k (%)

Su 193 193 193 100.00 100.00 100.00

Yerleşim 28 28 28 100.00 100.00 100.00

Tarım 20 22 20 100.00 90.91 90.53

Yaprakları dökülen ağaçlar

38 48 37 97.37 77.08 75.20

Yaprakları dökülmeyen ağaçlar

61 62 57 93.44 91.94 90.81

Karışık ağaçlar 54 48 45 83.33 93.75 92.99

Fındık 106 99 99 93.40 100.00 100.00

Toplam 500 500 479

Toplam sınıflandırma doğruluğu = %95.80

Toplam k değerleri = 0.9455

Expert Sınıflandırma Sonucunun Üretici Doğruluğu (%)

100

100

10097,3793,44

83,33

93,4

Su YerleşimTarım Yaprakları dökülen ağaçlarYaprakları dökülmeyen ağaçlar Karışık ağaçlarFındık

Şekil 2.19 Uzman sınıflandırma sonucunda elde edilen üretici doğruluğu değerlerinin grafiksel gösterimi

52

Expert Sınıflandırma Sonucunun Kullanıcı Doğruluğu (%)

100

100

90,9177,0891,94

93,75

100

Su YerleşimTarım Yaprakları dökülen ağaçlarYaprakları dökülmeyen ağaçlar Karışık ağaçlarFındık

Şekil 2.20 Uzman sınıflandırma sonucunda elde edilen kullanıcı doğruluğu değerlerinin grafiksel gösterimi

2. 3. 5 Uzman Sınıflandırma ile En Yakın Benzerlik Sınıflandırma Sonuçlarının

Karşılaştırılması

Yapılan sınıflandırma işlemlerinin doğruluklarının değerlendirilmesinde, daha güvenilir

olduğu düşünülen test alanları kullanılmıştır. Uzman sınıflandırma ile en yakın benzerlik

sınıflandırmasından elde edilen üretici ve kullanıcı doğruluk yüzdelerini karşılaştırdığımızda

(Çizelge 2.9); aynı uygulama alanı için uzman sınıflandırmanın doğruluğu %95.80, buna

karşın en yakın benzerlik sınıflandırmasının doğruluk değeri %92.40 olarak bulunmuştur.

Burada uzman sınıflandırmanın doğruluk değeri, en yakın benzerlik sınıflandırması sonucu

elde edilen değerden %3.40 daha yüksek bulunmuştur. Ayrıca her bir arazi sınıfı (yaprakları

dökülen ağaçlar hariç) için bulunan kullanıcı doğrulukları uzman sınıflandırma işleminde

daha yüksektir (Şekil 2.21-22).

53

Çizelge 2.9 En yakın benzerlik sınıflandırması ile Uzman sınıflandırma sonuçlarının üretici

ve kullanıcı doğruluk değerlerinin karşılaştırılması

En Yakın Benzerlik Sınıflandırması Uzman Sınıflandırma

Sınıf Üretici Doğuluğu

Kullanıcı Doğruluğu k (%) Üretici

Doğuluğu Kullanıcı

Doğruluğu k (%)

Su 100.00 98.90 98.28 100.00 100.00 100.00

Yerleşim 93.10 93.10 92.68 100.00 100.00 100.00

Tarım 100.00 60.00 58.76 100.00 90.91 90.53

Yaprakları dökülen ağaçlar

93.75 84.91 83.30 97.37 77.08 75.20

Yaprakları dökülmeyen ağaçlar

87.04 82.46 80.33 93.44 91.94 90.81

Karışık ağaçlar 81.36 88.89 87.40 83.33 93.75 92.99

Fındık 86.96 100.00 100.00 93.40 100.00 100.00

0 10 20 30 40 50 60 70 80 90 100

Su

Yerleşim

Tarım

Yaprakları dökülen ağaçlar

Yaprakları dökülmeyen ağaçlar

Karışık ağaçlar

Fındık

Ara

zi Sınıfı

Üretici Doğruluğu (%)

Maksimum Benzerlik Sınıflandırması Expert Sınıflandırma

Şekil 2.21 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından elde edilen üretici doğruluğu değerlerinin karşılaştırılması

54

0 10 20 30 40 50 60 70 80 90 100

Su

Yerleşim

Tarım

Yaprakları dökülen ağaçlar

Yaprakları dökülmeyen ağaçlar

Karışık ağaçlar

Fındık

Toplam sınıflandırma doğruluğu

Ara

zi Sınıfı

Üretici Doğruluğu (%)

Maksimum Benzerlik Sınıflandırması Expert Sınıflandırma

Şekil 2.22 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından elde edilen kullanıcı doğruluğu değerlerinin karşılaştırılması

55

3. SONUÇ ve ÖNERİLER

Bu çalışmada, uzman sınıflandırma işlemi ile farklı arazi kullanım türlerine ait daha iyi bir

sınıflandırma sonucu elde etmek ve uzman sınıflandırma işlemini yapabilmek için bir bilgi

tabanı oluşturulma süreci gerçekleştirilmiş ve elde edilen sonuçlar geleneksel sınıflandırma

yöntemi (En yakın benzerlik) ile karşılaştırılarak sunulmuştur. Çalışmanın sonucunda,

geleneksel yöntemde ek bilgi tanımlaması olanaksız iken, uzman sınıflandırmada ne kadar

fazla ek bilgi (uzman bilgisi) sınıflandırma işlemine dahil edilirse sonuçların o oranda başarılı

olduğu görülmüştür. Diğer taraftan, kullanılacak ek bilgilerin çalışmanın amacına uygun

olarak seçilmesi gerekliliği de gözden kaçırılmamalıdır.

Ülkemizde, özellikle tarımsal alanlarda bitki envanterinin çıkarılması ya da daha geniş

kapsamda arazi kullanım türlerinin belirlenerek, zamansal değişimin saptanmasında altlık

olarak kullanılması ve ayrıca bu verilerin çalışılan uydu görüntülerinin çözünürlükleri göz

önünde bulundurulmak kaydıyla coğrafi bilgi sistemleri ile bütünleştirilmesi önemli bir

problemdir. Sorun, doğru ve güvenilir olan arazi kullanım sınıflarının elde edilmesidir. Bu

tezde ortaya konulan metodoloji (uzman sınıflandırma yöntemi) ile daha doğru sonuçların

elde edilebileceği görülmüştür. Kaldı ki, farklı uzman bilgilerinin bir arada değerlendirilmesi

ile çok amaçlı sonuçlar elde edilebilecektir.

Bu çalışmada, 286 km2’lik bir alan üzerinde uzman sınıflandırma işlemi gerçekleştirilmiştir.

Bunun için çalışma bölgesi olarak Trabzon il merkezinin sahil kesimi seçilmiştir. ERDAS

Imagine sayısal görüntü işleme programı kullanılarak bilgi tabanı oluşturulmuştur.

Yapılan kontrollü ve kontrolsüz sınıflandırma uygulamalarında, harita düzlemine

dönüştürülmemiş görüntüler kullanılmıştır. Öncelikli olarak çalışma alanı hakkında fikir

sahibi olabilmek amacıyla, Landsat ETM+ görüntüsü kontrolsüz sınıflandırma (ISODATA)

yöntemi ile sınıflandırılmış ve yirmi (20) sınıf için kümeleme yapılmıştır. Kontrolsüz

sınıflandırmada belirlenen sınıflar irdelenerek uygun bulunanlar eğitim alanı olarak

atanmıştır. Uygulamada kullanılan çalışma alanı küçük olduğundan sınıfların görsel olarak

yorumlanması daha kolay olmuştur.

Bu işlemlerden sonra, Landsat ETM+ görüntüsü yedi arazi kullanım sınıfı için kontrollü

sınıflandırmaya tabi tutularak en yakın benzerlik yöntemi ile sınıflandırılmıştır. Kontrollü

sınıflandırmada eğitim alanlarının yanında, sınıflandırma sonucunu etkilemeyen fakat

sınıflandırmanın doğruluğunu daha gerçekçi olarak belirleyeceği düşünülen test alanları da

seçilmiştir.

56

Uzman sınıflandırma, ETM verisi içindeki spektral bilgiye en büyük ağırlığın atanmasını

sağlar. Bu da, sınıflandırmada kullanılan ek bilgilerin (arazi kullanım verisi) bir kısmının

yapısında bulunan hataları azaltırken, üretilen modelin de zamansal hassasiyetini arttırır.

Doku değerleri, ETM görüntü verisinden elde edilmiş ve uzman sınıflandırma işleminde diğer

yardımcı verilerle birleştirilerek uygulamada kullanılmıştır.

Yapılan en yakın benzerlik ve uzman sınıflandırma işlemlerinin doğruluk değerleri aşağıda

verilmiştir:

a) En yakın benzerlik sınıflandırması için %92.40 ve kappa değeri 0.9029 olarak elde

edilmiştir. Her bir sınıf için kullanıcı doğrulukları, tarım sınıfı hariç (%60), %82-100 arasında

değişmektedir.

b) Uzman sınıflandırma için %95.80 ve kappa değeri 0.9455 olarak elde edilmiştir. Her bir

sınıf için kullanıcı doğrulukları, %75-100 arasında değişmektedir.

Her iki sınıflandırmada doğruluk yüzdelerinin yüksek çıkması, uygulama alanının küçük

olmasına (11x26 km) ve sahil kesimi alındığı için sınıflara ait değerlerin lineer olarak elde

edilmesine bağlıdır. Ayrıca, kuzeyden güneye doğru sahile yakın kesimlerde fındık bahçeleri

kümeler halinde bulunduğundan bu sınıfa ait kullanıcı doğruluğu her iki sınıflandırmada da

yüksek değerde (%100.00) bulunmuştur.

Uzman sınıflandırma sonucu elde edilen kullanıcı doğruluğu (%95.80), bu yöntemin

kullanılabilirliğini göstermektedir.

Uzman sınıflandırmanın temel etkinliği, farklı veri kaynaklarını ETM verisi ile

bütünleştirmesinde ve bunları yapısı içerisinde esnek bir şekilde kullanmasındadır.

Uzman sınıflandırma işleminde oluşturulan bilgi tabanına daha fazla ek bilgi (DEM, clump

model, NDVI model, SAVI model, slope model ve aspect model) eklenmesiyle

sınıflandırmanın hassasiyeti artırılabilir.

Uzman sınıflandırma, yapısında birçok farklı veri kaynağını bulundurması açısından

kullanıcının tek bir veriye bağlı kalmadan, birçok veriyi aynı anda test edebilmesi olanağını

sağlar. Bu açıdan verinin nasıl kullanılacağı sadece kullanıcının tercihine bağlıdır.

Burada tanımlanan metodoloji, arazi kullanım türlerindeki çeşitliliğin izlenmesinde ve tespit

edilmesinde etkin bir şekilde kullanılabilir. Ayrıca, faklı çözünürlükte uydu görüntüleri

kullanılarak (örneğin, Aster, Ikonos vb.) benzer bir metodoloji ile kentsel alanların

sınıflandırılması sonucu arazi kullanım türleri belirlenebilir.

57

Gelecekte, ülkemizde arazi kullanımının belirlenmesine yönelik çalışmaların kalitelerinin

arttırılması ve sonuçların daha doğru bir şekilde elde edilebilmesi için, yöresel hatta kentsel

uzman bilgi bankalarının (uzman sınıflandırma için gerekli her türlü bilgi) oluşturulmasının

bu tür çalışmalar açısından önemli olduğu tez sonunda görülmüş ve bir öneri olarak burada

sunulmuştur. Buradan hareketle, farklı çalışmalarda kullanılmak üzere deneyimlerin

biriktirilmesi, ulusal uzman bilgi bankası adı altında bir oluşumun temelini atacaktır. Dolayısı

ile birçok çalışmada zaman alıcı tekrarlar ortadan kalkacaktır.

58

4. KAYNAKLAR

Aksoy, H. T., (2001), Çok Zamanlı Uydu Görüntü Verileri İle Kentsel Gelişim Analizi: Bursa Osmangazi Belediyesi, Yüksek Lisans Tezi, İTÜ, İstanbul.

Aksu, O., Erdoğan, M. ve Yılmaz, A., (2001), “Landsat Uydu Görüntüleri ve 17 Ağustos 1999 Gölcük Depreminde Zarar Gören Alanların Otomatik Olarak Tespitinde Kullanımı”, Harita Dergisi, 126:35-48.

Anderson, J. R., Hardy, E., Roach, J. ve Witmer, R. (1976), “A land use and land cover classification system for use with remote sensor data”, U.S.G.S. Prof. Paper 964.

Aplin, P., Atkinson, P. M. ve Curran, P. J., (1999), “Fine Spatial Resolution Simulated Satellite Sensor Imagery For Land Cover Mapping in the United Kingdom”, Remote Sensing of Environment, 68: 206-216.

Armston, J. D., Danaher, T. J., Goulevitch, B. M. ve Byrne, M. I., (2002), Geometric Correction of Landsat MSS, TM and ETM+ Imagery for Mapping of Woody Vegetation Cover and Change Detection in Queenlands. http://www.nrm.gld.gov.au/slats/pdf/0078anav.pdf.

ASTER User Handbook, 2000

Bastin, L. (1997), “Comparison of fuzzy c-means classification, linear mixture modeling and MLC probabilities as tools for unmixing coarse pixels”, International Journal of Remote Sensing, 18: 3629–3648.

Bayram, B., (1998), İstanbul Örneğinde Uydu Görüntülerinin Coğrafi Bilgi Sistemi ile Bütünleştirilmesi, Doktora Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.

Berberoglu, S., Lloyd, C. D., Atkinson, P. M. ve Curran, P. J., (2000), “The integration of spectral and textural information using neural networks for land cover mapping in the Mediterranean”, Computers & Geosciences, 26:385–396.

Campbell, J. B., (1996), Introduction To Remote Sensing, Second Edition, The Guilford Press, New York.

Carr, J. R., (1998), “A Visual Basic Programme For Principal Components Transformation For Digital Images”, Pergamon, 24 (3):209-218.

59

Congalton, R. G., (1991), “A Review of Assessing the Accuracy of Classification of Remotely Sensed Data”, Remote Sensing of Environment, 37:35-46.

Congalton, R. G. ve Gren, K., (1999), Assessing the accuracy of remotely sensed data: principles and practices, New York, Levis Publishers.

Cracknell, A. P. ve Hayes, L. W. B., (1991), Introduction to Remote Sensing, First Edition, Burgess Science Press, Basingstoke.

Craig, N. M., (2002), Discussion of Image Processing Methods Applied to Multispectral Landsat 5 TM Data for Identification of Yanomamo Settlements, http://titicaca.ucsb.edu/~craig/research/tm_paper2

Csillag, F., Perera, A. ve Wilson, H., (2000), “Land Cover Analysis of the Moose River Basin”, Forest Ecosystem Science Co-operative, Final Report, Toronto.

ERDAS, (1999), ERDAS field guide (5th edition), Atlanta, GA: ERDAS.

ERDAS IMAGINE Expert Classifier Overview, 2001

Evsahibioğlu, A.N., (1994), Uzaktan Algılama (UA) Temel Eğitimi, Sayısal Uydu Görüntülerinin Analizi, Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Kursu Notları, Tübitak-Marmara Araştırma Merkezi Yayını, Kocaeli, 1-36.

Fisher, P. F. ve Pathirana, S., (1990), “The evaluation of fuzzy membership of land cover classes in the suburban zone”, Remote Sensing of Environment, 34, 121-132.

Foody, G. M., (2000). “Estimation of sub-pixel land cover composition in the presence of untrained classes”, Computers & Geosciences, 26:469–478.

George, H., (1998), “Remote Sensing of Earth Resources: Emerging Opportunities For Developing Countries”, Space Policy, 14:27-37.

Gong, P. ve Howarth, P. J., (1990), “The use of structural information for improving land-cover classification accuracies at the rural–urban fringe”, Photogrammetric Engineering and Remote Sensing, 56 (1):67– 73.

Goward, S. N., Masek, J. G., Irons, J. R. vd., (1999), “Landsat 7 Science Mission”, GIM International, 13 (12):43-45.

60

Huete, A. R., (1988), “A soil-adjusted vegetation index (SAVI)”, Remote Sensing of Environment, 25:295-309

Iron, J. R., ve Petersen, G. W., (1981), “Texture transforms of remote sensing data”, Remote Sensing of Environment, 11:359–370.

Jensen, J. R., (1996), Introductory Digital Image Processing, Second Edition, Prentice-Hall Press, America.

Kaya, Ş., (2000), Uydu Görüntüleri ve Sayısal Arazi Modeli Kullanılarak Kuzey Anadolu Fayı Gelibolu-Işıklar Dağı Kesiminin Jeomorfolojik-Jeolojik Özelliklerinin İncelenmesi, Doktora Tezi, İTÜ, İstanbul.

Kumar, A. S., Basu, S. K. ve Majumdar, K. L., (1997), “Robust classification of multispectral data using multiple neural networks and fuzzy integral”, IEEE Transactions on Geoscience and Remote Sensing, 35:787–790.

Lillesand, T. M. ve Kiefer, R. W., (2000), Remote Sensing and Image Interpretation, Fourth Edition, The Lehigh Press, New York.

Maselli, F., Gilabert, M. A. ve Claudio, C., (1998), “Integration of High and Low Resolution NDVI Data For Monitoring Vegetation in Mediterranean Environments”, Remote Sensing of Environmental, 63:208-218.

Masser, I., (2001), “Managing Our Urban Future: The Role of Remote Sensing and Geographic Information Systems”, Habitat International, 25:503-512.

Mather, P. M., (1999), Computer Processing of Remotely Sensed Images, Second Edition, Bookcraft (Bath) Manchester.

Musaoğlu, N., (1999), Elektro-Optik ve Aktif Mikrodalga Algılayıcılardan Elde Edilen Uydu Verilerinden Orman Alanlarında Meşçere Tiplerinin ve Yetişme Ortamı Birimlerinin Belirlenme Olanakları, Doktora Tezi, İTÜ, İstanbul.

Önder, M., (1997), Uydu Görüntülerinden Coğrafi Bilgi Sistemine Temel Oluşturacak Nitelikte Topografik Harita Üretimi ve Güncelleştirmesine Yönelik Analizler”, Doktora Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.

Önder, M., (2000), Coğrafi Bilgi Sistemleri ve Uzaktan Algılama, Hacettepe Üniversitesi Matbaası, Ankara.

61

Örmeci, C., (1987), Uzaktan Algılama (Temel Esaslar ve Algılama Sistemleri), Cilt 1, İTÜ Matbaası, İstanbul.

Paola, J. D. ve Schowengerdt, R. A., (1995), “A detailed comparison of back propagation neural networks and maximum likelihood classifiers for urban land use classification”, IEEE Transactions on Geoscience and Remote Sensing, 33:981–996.

Rahman, M.M., (2001), “Identification of Land Use and Land Cover Using Band Rationing Technique”, http://www.murraystate.edu/qacd/cos/geo/gsc641/1997/rahman/index.html/.

Ramsey, M. S., Stefanov, W. L. ve Christensen, P. R., (1999), "Monitoring world-wide urban land cover changes using ASTER: preliminary results from the Phoenix, AZ LTER site”, In: Proceedings of the 13th International Conference, Applied Geological Remote Sensing, vol. 2, ( pp. 237–244). Ann Arbor, MI: ERIM International.

Reis, S, (2003), Çevresel Planlamalara Altlık Bir Coğrafi Bilgi Sistemi Tasarımı ve Uygulaması: Trabzon İl Bilgi Sistemi (TİBİS) Modeli, Doktora Tezi, Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü, Trabzon.

Reis, S., Nişancı, R. ve Yomralıoğlu, T., (2002), Landsat ETM+ Kullanılarak Trabzon İli Arazi Kullanım Haritasının Elde Edilmesi, www.gislab.ktu.edu.tr.

Richards, J.A. ve Jia, X., (1999), Remote Sensing Digital Image Analysis an Introduction, Third Edition, Springer Printed, Berlin.

Ridd, M. K., (1995), “Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities”, International Journal of Remote Sensing, 16:2165–2185.

Schowengerdt, R.A., (1997), Models and Methods For Image Processing, Academic Press, USA.

Seder, I., Weinkauf, R. ve Neumann, T., (2000), “Knowledge-Based Databases and Intelligent Decision Support For Environmental Management in Urban Systems”, Computers-Environment and Urban Systems, 24:233-250.

Sesören, A., (1998), Uzaktan Algılamada Temel Kavramlar, Mart Matbaacılık, İstanbul.

Stefanov, W. L, Ramsey, M. S. ve Christensen, P. R., (2001), “Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers”, Remote Sensing of Environment, 77:173–185.

62

Stehman, S. V. ve Czaplewski, R. L., (1998), “Design and Analysis For Thematic Map Accuracy Assessment: Fundamental Principles”, Remote Sensing of Environment, 64:331-344.

Stuckens, J., Coppin, P. R., ve Bauer, M. E., (2000), “Integrating contextual information with per-pixel classification for improved land cover classification”, Remote Sensing of Environment, 71:282–296.

Syzmanski, D. L., (1998), A Strategy Improve Forest Cover Classification Accuracy in New York Using Landsat and Ancillary Data, Master Thesis, State University of New York, New York.

Yomralıoğlu, T., (2000), Coğrafi Bilgi Sistemleri Temel Kavramlar ve Uygulamalar, Birinci Baskı, Seçil Ofset, İstanbul.

Zhou, W., (1989), “A study on expert system aided forest and land use classification of remote sensed images in North China”, Forest Research, Volume 2, no:5.

INTERNET KAYNAKLARI

[1] http://landsat7.usgs.gov/, URL-2

[2] http://www.ccrs.nrcan.gc.ca/ccrs/learn/tutorials/fundam/fundam_e.html, URL-3

63

ÖZGEÇMİŞ

Doğum tarihi 14.12.1976

Doğum yeri İstanbul

Lise 1990-1993 Konya Gazi Lisesi ve Trabzon Lisesi

Lisans 1995-1999 Karadeniz Teknik Üniversitesi Mühendislik-Mimarlık Fak.

Jeodezi ve Fotogrametri Mühendisliği Bölümü

Yüksek Lisans

1999-2001 Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü Jeodezi ve

Fotogrametri Müh. Anabilim Dalı

2002-2005 Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Jeodezi ve

Fotogrametri Müh. Anabilim Dalı

Çalıştığı kurumlar

2000-2001 KTÜ Fen Bilimleri Enstitüsü Araştırma Görevlisi

2001-Devam ediyor DHMİ Atatürk Hava Limanı Hava Trafik Kontrol

Merkezi