yildiz teknİk Ünİversİtesİ fen b l mler enst tÜsÜ (4).pdf · yildiz teknİk Ünİversİtesİ...
TRANSCRIPT
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).
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