YIKILMIŞ BİNALARIN NESNE TABANLI SINIFLANDIRMA İLE İNSANSIZ HAVA ARACI VERİLERİNDEN TESPİT EDİLMESİ

Transkript

1 YIKILMIŞ BİNALARIN NESNE TABANLI SINIFLANDIRMA İLE İNSANSIZ HAVA ARACI VERİLERİNDEN TESPİT EDİLMESİ ÖZET: Resul Çömert 1, Dilek Küçük Matcı 2, Uğur AVDAN 3 1 Araş. Gör., Yer ve Uzay Bilimleri Enstitüsü, Anadolu Üniversitesi, Eskişehir 2 Uzman, Yer ve Uzay Bilimleri Enstitüsü, Anadolu Üniversitesi, Eskişehir 3 Yrd. Doç. Dr., Yer ve Uzay Bilimleri Enstitüsü, Anadolu Üniversitesi, Eskişehir rcomert@anadolu.edu.tr Binalar deprem afetinden en fazla etkilenen nesnelerdir. Deprem sonrası yıkılan binaların tespit edilmesi, hem mevcut durumunun belirlenmesi hem de hızlı müdahale açısından önemlidir. Son yıllarda gelişen insansız hava araçları, üzerlerine takılan kamera sistemleri sayesinde yeryüzüne ait çok yüksek çözünürlüklü görüntüler elde edilebilmektedir. Bu görüntülerden üretilen ürünler aracılığı ile istenilen amaca yönelik bilgiler çıkarılabilmektedir. Bu çalışmada, 2015 ve 2014 yıllarında insansız hava aracı ile yüksek çözünürlüklü görüntüleri elde edilen bir alanda, yıkılan binaların tespiti gerçekleştirilmiştir. Bina tespiti işlemi senaryo bir olay üzerinden yapılmıştır. Bu kapsamda, 2015 yılı görüntüleri deprem öncesi, 2014 yılı görüntüleri deprem sonrası olarak ele alınmıştır. Her iki yıla ait görüntüler işlenerek alana ait sayısal yükseklik modeli ve ortofoto görüntü üretilmiştir. Üretilen bu verilere nesne tabanlı sınıflandırma işlemi uygulanarak, çalışma alanında yer alan binalar çıkarılmıştır. Her iki yıla ait bina sınıflarının karşılaştırılması ile 2015 yılında alanda mevcut olup, 2014 yılında alanda olmayan 11 bina başarı ile tespit edilmiştir. ANAHTAR KELİMELER: Yıkılmış Binalar, Nesne Tabanlı Sınıflandırma, Uzaktan Algılama, İHA DETECTION OF COLLAPSED BUILDING FROM UNMANNED AERIAL VEHICLE DATA WHIT OBJECT BASED IMAGE CLASSIFICATION ABSTRACT: Buildings are the objects most affected by earthquake disaster. Detection of collapsed buildings after an earthquake is important both for determining the current situation and quick response. Unmanned aerial vehicles that have evolved in recent years, can provide very high resolution images of the earth surface using camera systems attached to them. information for the intended purpose can be obtained through the products produced from these images. In this study, collapsed buildings were detected in the area where high-resolution images were obtained whit unmanned aerial vehicle in 2015 and Building detection process was made based on a scenario events. In this context, 2015 images were taken before the earthquake and 2014 images were taken after the earthquake. The images of both years were processed separately to produce the digital elevation model and orthophoto image of the study area. building of the study area were obtained by applying the object-based classification process to the generated data. 11 buildings which were available in the area in 2015 and not available in the area in 2014, were detected successfully comparison of building classes of two years. KEYWORDS: Collapsed Building, Object Based Classification, Remote Sensing, UAV

2 1. GİRİŞ Deprem gibi doğal afetlerde binalar en fazla etkilenen kentsel objelerdir. Yıkılan binaların tespiti afetin zararını ortaya koymak ve hasarın etkisini azaltmak için ilgili kurumları harekete geçirmek açısından önemlidir. Bina değişimlerinin tespit edilmesi, güncel bilgiler veren uzaktan algılama teknolojilerini kullanarak mümkündür. Değişim tespiti yaklaşımları ile olay öncesi ve sonrası elde edilen uydu görüntüleri veya hava fotoğrafları analiz edilerek yıkılan binaların tespiti mümkün olmaktadır (Sümer ve Türker 2004). Değişim tespiti yaklaşımlarının yanında nesne tabanlı sınıflandırma yüksek çözünürlük görüntülerden bina çıkarımında kullanılan başka bir yöntemdir (Jiang vd. 2008). Nesne tabanlı sınıflandırma yaklaşımı, uzaktan algılama temelli elde edilen görüntülerin çözünürlüğünün artmasından sonra sıklıkla tercih edilen bir yöntem olarak karşımıza çıkmaktadır. Farklı tarihli görüntülerden yıkılan binaların tespit edilebilmesi için öncelikle bu görüntülerdeki binaların ayrı ayrı tespit edilmesi gerekmektedir. Nesne tabanlı sınıflandırma yaklaşımı ile literatürde, yüksek çözünürlük uydu görüntülerinden (Yano ve Yamakazi, 2006; safarlou ve Turker, 2015), LIDAR ve uydu görüntülerinden (Teo ve Chen 2004); LIDAR verilerinden (Rutzinger vd. 2006; Miliaresis ve Kokkas 2007); yüksek çözünürlüklü hava fotoğrafları ve sayısal yüzey modelinden (Jiang vd. 2008) bina çıkarımı yapılan çalışmalar mevcuttur. Son yıllarda yeni bir uzaktan algılama platformu olarak insansız hava araçları (İHA) hayatımıza girmiştir. Bu sistemler tekrarlı ölçüm kabiliyeti, düşük maliyeti ve yüksek çözünürlüklü veri sunması açısından özellikle küçük alanlarda oldukça kullanışlı algılama platformu özelliği taşımaktadır (Hunt vd. 2010). İHA sistemleri ile çok yüksek çözünürlüklü hava fotoğrafları elde edilebilmektedir. Elde edilen hava fotoğraflarının işlenmesi ile ortofoto, Sayısal Yüzey Modeli (SYM) ve Sayısal Arazi Modeli (SAM) üretilebilmektedir. Üretilen ortofotonun spektral bilgileri, SYM ve SAM verisinin yükseklik bilgileri bina çıkarımı çalışmalarında kullanılabilecek özellikler taşımaktadır. Bu çalışmada İHA verilerinden üretilen Ortofoto, SYM ve SAM verilerinin yıkılmış binaların tespitinde kullanılabilirliği seneryo bir olay üzerinden araştırılmıştır. Bu kapsamda Anadolu Üniversitesi Yunus Emre kampüsüne ait 2014 ve 2015 yıllarında elde edilen İHA verilerinden üretilen ürünler kullanılmıştır. Seneryo olayda 2015 yılına ait ürünler deprem öncesi, 2014 yılına ait veriler deprem sonrası veriler olarak kabul edilmiştir. Veri setlerine nesne tabanlı sınıflandırma yöntemi uygulanarak alanda yer alan binalar yarı otomatik olarak çıkarılmıştır. Çıkarılan binalar kendi aralarında çakıştırma işlemine tabi tutularak 2015 yılında mevcut, 2014 yılında mevcut olmayan 11 binanın tespiti başarı ile gerçekleştirilmiştir. 2. ÇALIŞMA ALANI VE VERİ SETİ Çalışma alanı olarak Anadolu Üniversitesi Yunus Emre Kampüsü seçilmiştir. Bu alana ait 31 Ağustos 2014 ve 08 Eylül 2015 tarihlerinde İHA sistemi ile hava fotoğrafı çekimi işlemi gerçekleştirilmiştir. Fotoğraf çekimi işleminde Sensefly ebee marka insansız hava aracı kullanılmıştır. Bu araç tam otomatik olarak çalışan, elle fırlatılıp gövde üstüne iniş yapan kanatlı bir İHA sistemidir. İHA sistemine takılan görünür bölge kamera sistemi ile uçuş yüksekliğine bağlı olarak 2 cm 30 cm arası yer örneklem aralığına ait görüntüler elde edilebilmektedir. Çalışma alanına ait görüntüler her iki yılda da tek bir uçuş ile elde edilmiştir. Uçuş işlemleri yaklaşık 160 metre yükseklikten, enine ve boyuna %75 bindirme oranında fotoğraflar çekilecek şekilde gerçekleştirilmiştir. Elde edilen görüntüler Pix4D yazılımında işlenerek alana ait ortofoto görüntü, SYM ve SAM ürünleri üretilmiştir. Şekil 1 de örnek olarak 2014 ve 2015 yıllarına ait ortofoto görüntüleri ile 2014 yılına ait SYM ve SAM verileri gösterilmiştir. Üretilen verilerin konumsal doğruluklarını sağlamak için her iki yılda da uçuş öncesi alana kontrol noktaları yerleştirilmiştir. Kontrol noktaların koordinat değerleri Jeodezik GNSS alıcısı ile ölçülerek veri işleme öncesi yazılıma girilmiştir.

3 2014 Ortofoto 2014 SYM 2014 SAM 2015 Ortofoto Şekil yıllarına ait üretilen ortofoto, SYM ve SAM verileri ile 2015 yılına ait ortofoto görüntüleri Çalışma alanında yer alan binalar incelendiğinde, farklı yüksekliğe, şekil ve farklı çatı renklerine sahip binaların olduğu görülmektedir yılına ait veriler olay öncesi 2014 yılına ait veriler ise olay sonrası veriler olarak kabul edilmiştir. 3. METOT Farklı yıllara ait verilerden binaların çıkarılması için nesne tabanlı sınıflandırma yaklaşımı kullanılmıştır. Nesne tabanlı sınıflandırma, yüksek çözünürlüklü görüntülerde spektral, şekilsel, dokusal, boyutsal ve içeriksel bilgileri sınıflandırma işlemine dahil edilerek yapılan sınıflandırma yöntemidir. Yöntem genel olarak görüntü segmentasyonu ve sınıflandırma aşamasından oluşmaktadır. Bu yöntemde ilk önce belli bir homojenlik kriterini sağlama koşuluna bağlı olarak benzer pikseller gruplandırılarak sınıflandırma işleminde kullanılacak görüntü nesneleri oluşturulur. Bu aşama, yöntemin segmentasyon aşamasıdır. Segmentasyon işleminden sonra görüntü üzerinden istenilen detayların çıkarılması için sınıflandırmaya yönelik kural setleri oluşturulur. Oluşturulan bu kural setlerine göre homojen nesne grupları sınıflara atanır (Jiang et all., 2008). Görüntü segmentasyonu işlemi nesne tabanlı sınıflandırma yönteminin ilk adımını oluşturmaktadır. Görüntü segmentasyonu işlemi genel olarak yukarından-aşağı (top-down) ve alttan-yukarı (bottop - up) olmak üzere iki farklı şekilde gerçekleştirilmektedir. Yukarından-aşağı uygulanan segmentasyon işleminde büyük görüntüden küçük görüntü nesneleri oluşturulması hedeflenmektedir. Bu segmentasyon yöntemine satranç tahtası segmentasyonu (chessboard segmentation), dörtlü ağaç bazlı segmentasyon (quadtree-based segmentation) ve çok eşiklik segmentasyon (multi-threshold segmentation) örnekleri verilebilir. Alttan yukarı segmentasyon yöntemleri ise yukarıdan aşağı segmentasyon yöntemlerinin aksine küçük görüntü nesnesi seviyesinden işleme başlayarak daha büyük görüntü objelerini elde etmeye çalışırlar. Bu yöntemlere örnek

4 olarak, spektral fark segmentasyonu, çoklu çözünürlüklü görüntü segmentasyonu yöntemleri örnek olarak verilebilir. Segmentasyon işleminden sonra uygulanan kural tabanlı sınıflandırma işleminde ise seçilen girdi katmanlarının özelliklerine göre kural setleri oluşturulur. Kural setlerinin oluşturulmasında girdi olarak kullanılan bantların yansıma değerlerinden, bu bantlardan üretilen bant indislerinden, gorüntü objelerinin geometrik özelliklerinden faydalanılır. Bu aşamada genellikle seçilen özelliklere bir eşik değeri konulmakta ve belirlenen kuralı sağlayan görüntü nesnelerinin ilgili sınıfa atanması sağlanmaktadır. 4. UYGULAMA Çalışma kapsamında bina değişimlerinin belirlenmesi için uygulanan işlem 4 adımdan oluşmaktadır (Şekil 2). Çalışmada uygulanan nesne tabanlı sınıflandırma işlemi Ecognition Developer 9 yazılımında gerçekleştirilmiştir. Her iki yıla ait ortofoto, SYM ve SAM verileri yazılıma aktarılmış, bu verilere ek olarak, SYM verisinden eğim, kenar çıkarım filtresi, SYM ve SAM verileri arasındaki fark haritaları üretilmiştir. Verilerin Üretilmesi Çoklu Çözünürlüklü Görüntü Segmentasyonu Kural Setlerinin Geliştirilmesi ve Bina Çıkarımı Değişim Tespiti Şekil 2. Çalışmada uygulanan işlem adımları Uygulamada kullanılacak olan veriler üretildikten sonra görüntü segmentasyonu aşamasına geçilmiştir. Segmentasyon işlemi olarak çoklu çözünürlüklü segmentasyon yöntemi uygulanmıştır. Segmentasyon işleminde girdi veriler olarak Ortofoto görüntünün mavi, yeşil, kırmızı bantları ile kenar filtreleme haritası kullanılmıştır. Çoklu çözünürlüklü segmentasyon ile sınıflandırmada kullanılacak görüntü segmentlerinin oluşturulması için kullanıcı tarafından ölçek faktörü, şekil ve bütünlük parametrelerinin belirlenmesi gerekmektedir. Yapılan denemeler sonucunda veri seti için uygun ölçek faktörü 35, şekil parametresi 0.3 ve bütünlük parametresi 0.5 olarak elde edilmiştir. Şekil 3 de segmentasyon işlemi sonucu elde edilen görüntü nesneleri gösterilmiştir. Şekil 3. Görüntü nesneleri Segmentasyon işlemi sonrası sınıflandırma aşamasına geçilmiştir. Sınıflandırma işlemi için kural setleri geliştirilmiştir. Kural setlerinin geliştirilmesinde ortofoto bantlarından üretilen bant indislerinden, SYM ve SAM

5 arasındaki farktan, görüntü nesnesi geometrik özelliklerinden, parlaklık değerinden, eğimden ve katmanların standart sapmalarından yararlanılmıştır. Çalışma kapsamında kullanılan bant indisleri Tablo 1 de verilmiştir. Tablo 1. Bina çıkarımında kullanılan bant indisleri Bant İndisi Formül Referans Ortalama Bantlar Oranı (OBO) Kırmızı + Mavi + Yeşil Bu çalışmada 3 uygulanmıştır. Kırmızı Yeşil Bant Farkı (K-Y) Kırmızı Yeşil Bu çalışmada uygulanmıştır. (EGI) Excess green index (2x Yeşil) Mavi Kırmızı Woebbecke vd (GLI) Yeşil Yaprak İndeksi (2x Yeşil) Mavi Kırmızı Hunt. vd (2x Yeşil) + Mavi + Kırmızı (TGI) Üçgensel yeşillik İndeksi Yeşil (0.39xKırmızı 0.69xMavi) Hunt vd Yeşil Bant Oranı (YBO) Yeşil Ecognition Mavi + Yeşil + Kırmızı Guide Tour Level 1 Mavi Bant Oranı (MBO) Mavi Bu çalışmada Mavi + Yeşil + Kırmızı uygulanmıştır. Normalize edilmiş akuatik Yeşil Kırmızı Tucker vd bitki indeksi (NRAVI) Yeşil + Kırmızı Görünür Bölge Atmosferik Yeşil Kırmızı Gitelson vd. dayanıklılık İndeksi (VARI) Mavi + Yeşil + Kırmızı 2002 (ER) Excess red vegetation index (1.4 x Kırmızı) Yeşil Mao vd Çalışma alanında kırmızı, kahverengi, yeşil, mavi ve beyaz çatılara sahip binalar mevcuttur. Bu binalar geliştirilen kural setlerine göre ayrı ayrı çıkartılmıştır. Tablo 2 de 2014 ve 2015 yıllarında alandaki binaların çıkarılmasında geliştirilen kural setlerine ait parametreler ve eşik değerleri gösterilmiştir. Sınıflandırma aşamasında öncelikle yer objeleri ve gölgelik alanlar sınıflandırılmış, daha sonra farklı çatı renklerine sahip binalar sınıflandırılmıştır. Sınıflandırma işlemi sonrasında farklı çatı renklerine ait binalar tek bir sınıfta birleştirilmiştir. Bina sınırlarının iç bölgelerinde kalan gölge ve baca boşluğu gibi alanlar, görüntü segmentlerinin sınır komşulukları dikkate alınarak bina sınıfına atanmıştır. Ayrıca alanda bina olmayıp, bina gibi çıkarılan küçük alanlar piksel sayıları dikkate alınarak bina sınıfından çıkarılmıştır. Tablo 2. Sınıflandırma işlemi için geliştirilen kural setlerinde kullanılan parametreler Sınıf Parametre Sınıf Parametre Yer Objesi SYM SAM 3 Yer Objesi SYM SAM 3 Gölge OBO < 60 Gölge OBO < 110 Kırmızı Çatı EGI < TGI -10 Kırmızı Çatı 0 Kenar Filtre 0.1 NRAVI< 0.07 Kahverengi Çatı -56 EGI Kenar filtre Eğim 6.5 TGI < VARI Kahverengi Çatı 156 Parlaklık EGI 11 Eğim < TGI VARI K-Y 100 Mavi Çatı MBO 0.42 Mavi Çatı -160 K-Y -25

6 Yeşil Çatı 100 OBO Eğim negi VARI 0.07 Beyaz Çatı -62 ER YBO Eğim Standart sapma 10 TGI < VARI 0.16 Yeşil Çatı 110 OBO Eğim negi 0.08 NRAVI > 0 Beyaz Çatı 250 Parlaklık ER YBO Eğim TGI -5 Yapılan sınıflandırma işlemi sonucunda çıkartılan binalar örnek olması için 2014 yılına ait sınıflandırma işlemi Şekil 4 de sunulmuştur. Şekil yılına ait sınıflandırma işlemi sonuç haritası. Yapılan sınıflandırma ve birleştirme işlemlerinden sonra iki farklı yıla ait çıkarılan binaların karşılaştırması işlemine geçilmiştir. Ecognition yazılımında çıkarılan binalar vektör formatında dışarı aktarılmıştır. Binaların 2015 yılı ile 2014 yılları arasında bina değişimini tespit etmek için ArcGIS yazılımı kullanılmıştır. Her iki yıla ait vektör formatındaki veriler raster formata dönüştürülmüştür. Raster formattaki her bir binaya 2015 yılı için 1, 2014 yılı için 2 değeri atanmıştır. Daha sonra bu veri setleri toplanarak fark binaları elde edilmiştir. Toplama işlemi sonucu raster toplam değeri 3 olan alanlar 2015 ve 2014 yılında alanda ortak bulunan binaları, raster toplam değeri 1 olan alanlar 2015 yılında alanda olup, 2014 yılında alanda olmayan binaları, raster toplam değeri 2 olan alanlar ise 2015 yılında alanda olmayıp, 2014 yılında alanda olan binaları göstermektedir (Şekil 5). Bu çalışmada olay öncesi görüntü 2015, olay sonrası görüntü 2014 kabul edildiği için raster değeri 1 olan alanlar yıkılmış binalardır T = T =3 T= Toplam 2014 T =2 Şekil 5. Bina farklarının bulunmasında uygulanan yöntem

7 Yapılan karşılaştırma işlemi sonucu elde edilen sonuçlar Şekil 6 da gösterilmiştir. Elde edilen sonuçlara göre alandaki 11 farklı yapıda değişim mevcuttur. Bu değişimler başarı ile tespit edilmiştir. Ancak bina çıkarımı işleminde bazı gölge alanları ve bina çatı renklerine benzeyen bazı alanlarda bina alanı olarak çıkarıldığı görülmüştür. 5. TARTIŞMALAR Şekil 6. Yapılan karşılaştırma sonucu senaryo olaya göre yıkılmış binalar Çalışma kapsamında 2015 yılı ve 2014 yılı İHA görüntülerinden üretilen verilerden nesne tabanlı sınıflandırma yaklaşımı ile bina çıkarımı işlemi gerçekleştirilmiştir. Bina çıkarımı işlemi için öncelikli olarak 2014 yılı için kural setleri geliştirilerek binalar çıkarılmıştır. Daha sonra 2014 yılı için geliştirilen kural setlerinde hiçbir değişiklik yapılmadan 2015 yılı veri setine uygulanmıştır. Bu uygulama sonucunda 2014 verisi için oluşturulan kural setlerinde kullanılan parametre ve eşik değerleri 2015 yılında başarılı bir şekilde çalışmamıştır. Bundan dolayı 2015 veri seti için ayrı bir kural seti tanımlanması yapılmıştır. Farkı veri setlerinde aynı kural setinin çalışmamasının nedeni, İHA ile verilerin elde edilme saati, havanın açık ve kapalı olması ile alakalı olduğu düşünülmektedir. Geliştirilen kural setleri ile her iki yıla ait bina çıkarımı yapılırken, bina olmayan farklı objelerinde bina olarak çıkarıldığı görülmüştür. Çalışmada SYM ve SAM farkı 3 metreden küçük olan alanlar yer objesi olarak kabul edilmiştir. Alanda üst geçide benzeyen yerler mevcuttur. Bu alanlarda gölgelik ve çatı renklerine benzeyen bazı yüksek alanların bina olarak çıkarıldığı görülmüştür (Şekil 7a). Benzer şekilde yükseklik farkının 3 metreden fazla olduğu kamyon tipindeki beyaz renkli yüksek kasalı araçların bina olarak çıkarıldığı gözlemlenmiştir (Şekil 7b). Bunlara ek olarak özellikle ağaçlarla kaplı alanlarda SAM üretilirken verinin üretildiği yazılımda yer noktası net bir şekilde tespit edilememiştir. Bundan dolayı bu tip alanlarda tam bir çıplak arazi modeli üretilemediği gözlemlenmiştir. Bu alanlara denk gelen binalarda SYM ve SAM farkı 3 metreden küçük kalmış ve bu binaların bazı bölümleri yer objesi olarak sınıflandırılmıştır (Şekil 7c).

8 a b c Şekil 7. a: üst geçit gibi ve bina çatısı ile benzer renkte olan alanlar; b: bina olarak çıkarılan yüksek kasalı araç; c: SAM verisinindeki hatadan kaynaklı yer objesi olarak çıkarılan bina. 6. SONUÇ VE ÖNERİLER Bu çalışmada seneryo bir olay üzerinden farklı tarihli İHA verileri kullanılarak nesne tabanlı sınıflandırma yaklaşımı ile yıkılmış binaların tespiti yapılmıştır. Seneryo olayda 2015 yılına ait veriler olay öncesi 2014 yılına ait veriler olay sonrası olarak kabul edilmiştir. Binaların tespiti için her iki yıl için ayrı ayrı kural seti geliştirilmiştir. Geliştirilen kural setleri ile farklı yıllara ait binalar görüntü içinden çıkartılmıştır. Çıkartılan binaların karşılaştırılması ile seneryo olay gereği alanda yıkılmış kabul edilen 11 bina tespit edilmiştir. Tespit edilen binaların yanında veri setlerinden bina olmayan objelerinde bina gibi çıkartıldığı görülmüştür. Gölge, SAM üretimindeki hatalar ve bina çatılarına benzeyen objeler çalışma kapsamında hata kaynakları olarak ön plana çıkmıştır. Gelecek çalışmalarda bina çıkarımında hatalara neden olan özelliklerin giderilmesine yönelik olarak çalışmaların yürütülmesi gerekmektedir. Kaynaklar ecognition 8.0: Guided Tour Level 1., 2010., Getting started Example: Simple building extraction Classification of buildings using elevation and RGB data. Gitelson, A. A., Kaufman, Y. J., Stark, R., & Rundquist, D. (2002). Novel algorithms for remote estimation of vegetation fraction. Remote sensing of Environment, 80(1), Hunt, E. R., Hively, W. D., Fujikawa, S. J., Linden, D. S., Daughtry, C. S., & McCarty, G. W. (2010). Acquisition of NIRgreen-blue digital photographs from unmanned aircraft for crop monitoring. Remote Sensing, 2(1), ISO 690 Hunt E. R, Doraiswamy P. C, McMurtrey J. E, Daughtry C. S, Perry E. M, Akhmedov B: A visible band index for remote sensing leaf chlorophyll content at the canopy scale. Int J Appl Earth Obs Geoinf. 2013, 21: Jiang, N., et al. "Object-oriented buinding extraction by DSM and very high-resolution orthoimages." The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 37 (2008): Hunt, E. R., Hively, W. D., Fujikawa, S. J., Linden, D. S., Daughtry, C. S., & McCarty, G. W. (2010). Acquisition of NIRgreen-blue digital photographs from unmanned aircraft for crop monitoring. Remote Sensing, 2(1), ISO 690 Miliaresis, George, and Nikolaos Kokkas. "Segmentation and object-based classification for the extraction of the building class from LIDAR DEMs." Computers & Geosciences 33.8 (2007): Mao, W., Wang, Y., & Wang, Y. (2003). Real-time detection of between-row weeds using machine vision. In 2003 ASAE Annual Meeting (p. 1). American Society of Agricultural and Biological Engineers. ISO 690 Rutzinger, M. A. R. T. I. N., et al. "Object-based building detection based on airborne laser scanning data within GRASS GIS environment." Proceedings of UDMS. Vol

9 Sumer, E., and M. Turker. "Building damage detection from post-earthquake aerial images using watershed segmentation in Golcuk, Turkey." International Society for Photogrammetry and Remote Sensing ISPRS (2004): Teo, Tee-Ann, and Liang-Chien Chen. "Object-based building detection from LiDAR data and high resolution satellite imagery." Proceedings of the 25th Asian Conference on Remote Sensing Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), Woebbecke, D. M., Meyer, G. E., Von Bargen, K., & Mortensen, D. A. (1995). Color indices for weed identification under various soil, residue, and lighting conditions. Transactions of the ASAE, 38(1), Yano, Yoshihisa, and Fumio Yamazaki. "Building damage detection of the 2003 Bam, Iran earthquake using Quickbird images based on object-based classification." Proceedings, Asian conference on remote sensing, Ulaanbaatar, Mongolia