DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ"

Transkript

1 DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ D. Koç San 1, M. Türker 2 1 ODTÜ, Jeodezi ve Coğrafi Bilgi Teknolojileri Enstitü Anabilim Dalı, Ankara 2 Hacettepe Üniversitesi, Jeodezi ve Fotogrametri Mühendisliği Ankara, ÖZET Bu çalışmada, binalar yüksek çözünürlüklü uydu görüntülerinden Destek Vektör Makineleri (DVM) sınıflandırma tekniği ile belirlenmiş ve yardımcı verilerin sınıflandırma işlemine olan etkisi değerlendirilmiştir. Çalışmada izlenen ana adımlar şu şekildedir: (i) Yardımcı verilerin hazırlanması, (ii) DVM Sınıflandırması ve (iii) Artefaktların yok edilmesi. Sınıflandırma işlemi IKONOS pankromatik görüntü ile zenginleştirilmiş renkli görüntünün dört bandına (Mavi, Yeşil, Kırmızı, Yakın Kızılötesi) ek olarak, Normalleştirilmiş Sayısal Yüzey Modeli (nsym) ve Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ) bantlarına uygulanmıştır. Binalar arazi yüzeyi üzerindeki üç boyutlu objeler olup nsym kullanılarak araziden ayırt edilebilirler. Dolayısı ile, binaların belirlenmesi işleminde nsym nin kullanılması avantaj sağlamaktadır. Benzer şekilde, NFBÖİ görüntüsü de özellikle yeşil alanlarla çevrili binaların belirlenmesinde faydalı olmaktadır. Geliştirilen yaklaşım Ankara nın Batıkent bölgesinden seçilen üç test alanında üç farklı eğitim alanı örneği boyutu (500, 1000 ve 2000 adet) kullanılarak test edilmiştir. Genel olarak yardımcı verilerin sınıflandırma doğruluğunu arttırdığı görülmüştür. Benzer şekilde, örnek sayısındaki artışın da genel olarak sınıflandırma doğruluğunu arttırdığı belirlenmiş ancak bu artış %2 yi geçmemiştir. Bu nedenle, elde edilen sonuçlara dayanarak, örnek sayısının çok fazla arttırılmasına gerek olmadığı söylenebilir. DVM sınıflandırma sonuçları incelendiğinde, tüm test alanları için, yardımcı veriler kullanıldığında binaların yüksek çözünürlüklü uydu görüntülerinden belirlenme doğruluğu %90 ın üzerinde hesaplanmıştır. Elde edilen sonuçlar, bina sınırlarının yüksek çözünürlüklü uydu görüntülerinden yardımcı veriler de kullanılarak, DVM sınıflandırma tekniği ile oldukça başarılı bir şekilde belirlenebileceğini göstermektedir. Anahtar Sözcükler: DVM, Bina Belirleme, Yüksek Çözünürlüklü Uydu Görüntüleri, nsym, Sınıflandırma. 1. GİRİŞ Binaların yüksek çözünürlüklü görüntülerden otomatik olarak belirlenmesi son zamanlarda önemli bir araştırma konusu olmuştur. Bina sınırlarının otomatik olarak belirlenmesinde öncelikle olası bina alanlarının belirlenmesi önemlidir. Olası bina alanlarının belirlenmesi için sınıflandırma teknikleri, bölümlere ayırma ve kenar belirleme gibi işlemler kullanılmaktadır. Son zamanlarda yapılan çalışmalar, DVM sınıflandırma tekniğinin uzaktan algılama görüntülerinin sınıflandırılmasında ümit verici olduğunu göstermektedir (Huang vd, 2002; Zhu ve Blumberg, 2002; Pal ve Mather, 2005; Foody ve Mathur, 2004). Watanachaturaporn vd. (2008) IRS 1C LISS III görüntüsünü yardımcı veriler kullanarak DVM sınıflandırma tekniği ile sınıflandırmış ve DVM sınıflandırma tekniğini En Büyük Olasılık, Geri Beslemeli Sinir Ağları, Radyal Temelli Fonksiyon Sinir Ağları ve Karar Ağacı sınıflandırma teknikleri ile karşılaştırmışlardır. DVM sınıflandırma tekniğinin önemli ölçüde daha başarılı olduğu ve yardımcı verilerin sınıflandırma doğruluğunu arttırdığı sonucuna varmışlardır. 173

2 Başlangıçta DVM sınıflandırma tekniği iki sınıflı sınıflandırma problemlerinde kullanılmak üzere tasarlanmış, daha sonra çok sınıflı sınıflandırmalar için de kullanılmak üzere geliştirilmiştir. Bu çalışmada binaları belirlemek için iki sınıflı DVM sınıflandırma tekniği kullanılmıştır, çünkü ilgilenilen sınıf (bina sınıfı) tek bir sınıftır. Foody vd. (2006) tek sınıf odaklı DVM sınıflandırmasının uzaktan algılama çalışmalarında önemli potansiyeli olduğunu iddia etmektedirler. Boyd vd. (2006) bu sınıflandırma tekniğini tek bir spesifik sınıfın haritalanmasında kullanmıştır. Sanchez vd. (2007) tarafından yapılan bir diğer çalışmada ise Landsat 7 ETM+ görüntülerinden yine spesifik bir sınıfın belirlenmesi için bu sınıflandırma tekniği kullanılmıştır. Geleneksel sınıflandırma tekniklerinde bütün sınıfların belirlenmesi ve dolayısı ile, tüm sınıflar için eğitim alanlarının toplanması gerekir. Fakat, eğer sınıflandırma aşamasında tek bir sınıfla ilgileniliyorsa geleneksel tekniklerin kullanılması uygun olmayabilmektedir (Foody vd., 2006). Bu nedenle, bu çalışmada bina alanlarını belirlemek için DVM sınıflandırma tekniği kullanılmıştır. Spektral bantlara ek olarak nsym (Normalleştirilmiş Sayısal Yüzey Modeli) ve NFBÖİ (Normalleştirilmiş Fark Bitki Örtüsü İndeksi) görüntüleri de kullanılmış ve bu ek bantların sınıflandırma doğruluğuna etkileri incelenmiştir. Ayrıca, farklı sayıdaki eğitim alanı örneklerinin sınıflandırma doğruluğuna olan etkileri de incelenmiştir. Elde edilen sonuçlar En Büyük Olasılık sınıflandırma tekniği sonuçları ile karşılaştırılmıştır. 2. METODOLOJİ Geliştirilen yaklaşımın akış şeması şekil 1 de verilmiştir. Öncelikle, eş yükselti eğrileri ve üç boyutlu noktaları içeren mevcut vektör veriden Sayısal Arazi Modeli (SAM), stero pankromatik uydu görüntülerinden de Sayısal Yüzey Modeli (SYM) oluşturulmuş ve SAM SYM den çıkarılarak nsym hesaplanmıştır. Daha sonra, SYM kullanılarak keskinleştirilmiş renkli görüntü ortorektifiye edilmiştir. Diğer taraftan, Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ) hesaplanmıştır. Bu işlemlerin ardından bina alanlarını bulmak amacıyla ortorektifiye edilmiş, keskinleştirilmiş renkli uydu görüntüleri ek bantlar ile birlikte ikili DVM sınıflandırma tekniği kullanılarak bina alanları ve bina olmayan alanlar olarak sınıflandırılmıştır. Son olarak, artefaktlar morfolojik operasyonlar kullanılarak yok edilmiş ve bu işlem sonucunda binalar belirlenmiştir. 174 ANKARA ŞUBESİ

3 Şekil 1: Önerilen bina belirleme akış şeması 3. ÇALIŞMA ALANI VE VERİ SETLERİ Geliştirilen yaklaşım farklı şekil ve kullanımdaki binaları içeren Batıkent, Ankara da uygulanmıştır. Batıkent Projesi Türkiye de kooperatifler yoluyla yapılmış en büyük toplu konut projesidir. Proje 10 km 2 lik bir alanı kapsamaktadır ve konut ünitesi olarak kişi için planlanmıştır. Bu proje 1979 yılında Ankara Büyükşehir Belediye Başkanlığı nın liderliğinde oluşan Kent-Koop (Batıkent Konut Yapı Kooperatifleri Birliği) tarafından başlatılmıştır. Batıkent planlı ve düzenli gelişen, farklı şekil ve kullanımdaki yapıları içerdiğinden bu çalışmada test alanı olarak kullanılmıştır. Çalışmada kullanılan veri setleri, IKONOS stero pankromatik ve keskinleştirilmiş renkli uydu görüntüleridir. Aynı yörüngeden uçuşa paralel olarak çekilen stero görüntüler 4 Ağustos 2002 tarihlidir. Görüntüler Geo IKONOS formatındadır. Bu formattaki görüntülerin yatay konumsal doğruluğu yaklaşık 15 m dir. Sayısal Arazi Modeli oluşturmak için kullanılan eş yükselti eğrileri Ankara Büyükşehir Belediyesi, Su ve Kanalizasyon İdaresi Genel Müdürlüğü (ASKİ) tarafından 1999 yılında yaptırılan ve Ankara metropolitan alanını kapsayan 1:1.000 ölçekli veriden üretilmiştir. Batıkent bölgesinde farklı karakteristikte üç test alanı seçilmiş (Şekil 2) ve seçilen bu alanlar bina ve bina olmayan alanlar olarak sınıflandırılmıştır. 175

4 Şekil 2: Batıkent bölgesinden seçilen test alanları. 4. YARDIMCI VERİLERİN HAZIRLANMASI 4.1. Normalleştirilmiş Sayısal Yüzey Modelinin Hesaplanması Bina belirleme çalışmalarında yükseklik modellerinin kullanımı önem arz etmektedir. Araziden belli bir yükseklikte olan kentsel nesneler, nsym ye bir eşik değerinin uygulanması ile tespit edilebilmektedirler. SAM topoğrafyanın yükseklik modelidir ve yerden yüksekte olan nesneleri içermez. SYM ise yeryüzeyinin yükseklik modelidir ve topoğrafyanın yanısıra tüm üç boyutlu nesneleri de içerir. Dolayısı ile, SYM den SAM in çıkarılmasıyla nsym elde edilir. Bu çalışmada SAM mevcut sayısal vektör veritabanındaki eş yükselti eğrileri ve noktasal yükseklik verilerinden, SYM ise stereo IKONOS uydu görüntülerinden PCI Geomatica 9.1 görüntü işleme yazılımının OrthoEngine modülü kullanılarak elde edilmiştir. SYM oluşturmak için Diferansiyel Küresel Konumlandırma Sistemi kullanılarak 48 kontrol noktası toplanmıştır. Bu noktalardan 24 adeti Yer Kontrol Noktası (YKN), geri kalan 24 adeti ise Bağımsız Denetim Noktası (BDN) olarak kullanılmıştır. Elde edilen SAM in doğruluğu 0.2 m, SYM nin doğruluğu ise 0.7 m olarak hesaplanmıştır. SAM ve SYM nin elde edilmesi ve doğruluk analizleri ile ilgili detaylar Koç ve Türker (2005) de verilmiştir. Daha sonra, SYM den SAM çıkarılarak nsym oluşturulmuştur. Binalarla ağaçları birbirinden ayırt edebilmek için bitki örtüsü indeksi bantı kullanılarak yeşil alanlar maskelenmiştir. Diğer taraftan, nsym ye 3 m eşik değeri uygulanarak bu değerin üzerinde yüksekliğe sahip nesnelerin yer yüzeyinden ayrılmaları sağlanmıştır. Eşik değerinin 3 m alınmasının nedeni 3 m den daha alçak objeleri, bina olamayacakları gerekçesiyle, elimine etmektir. Böylece yalnız bina alanlarının yüksekliklerini içeren bir nsym elde edilmiştir Ortorektifikasyon Çalışmada kullanılan IKONOS uydu görüntüleri Geo formatında ve yaklaşık 15m konumsal doğruluktadır. Dolayısı ile, görüntüdeki geometrik hataları yok etmek ve görüntünün eş yükselti eğrileri ve referens bina veri 176 ANKARA ŞUBESİ

5 tabanıyla doğru bir şekilde çakışmasını sağlamak amacıyla görüntünün ortorektifikasyonu yapılmıştır. Pankromatik ve keskinleştirilmiş renkli uydu görüntülerinin ortorektifikasyonu yapılırken daha önce oluşturulmuş olan SYM kullanılmıştır..3. Normalleştirilmiş Fark Bitki Örtüsü İndeksinin (NFBÖİ) Hesaplanması Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ), görüntüdeki bitkisel alanları belirlemek için kullanılmaktadır. Dolayısı ile, ortorektifiye edilmiş keskinleştirilmiş NDVI = PSM 4 PSM 3 PSM 4 + PSM 3 (1) renkli IKONOS görüntülerinin kırmızı ve yakın kızıl ötesi bantları kullanılarak NFBÖİ bantı hesaplanmıştır (1). PSM3: IKONOS keskinleştirilmiş renkli görüntünün Kırmızı bandı PSM4: IKONOS keskinleştirilmiş renkli görüntünün Yakın Kızıl Ötesi bandı 5. DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRMASI DVM sınıflandırma tekniği, istatistiksel öğrenme teorisine dayalı bir eğitimli sınıflandırma tekniği olup temelleri Vapnik (1995) tarafından geliştirilmiştir. DVM sınıflandırmasında başlıca üç aşama bulunmaktadır: (i) eğitim hücrelerinin özellik vektörü olarak ifade edilmesi, (ii) bu özellik vektörlerinin kernel fonksiyonları kullanılarak özellik uzayına eşlenmesi ve (iii) sınıfları en uygun şekilde ayıran n-boyutlu hiper düzlemin oluşturulması. Bu çalışmada bina ve bina olmayan alanlar ikili DVM sınıflandırması uygulanarak ikiye ayrılmıştır. Yardımcı verilerin sınıflandırma işlemine katılmasının sınıflandırma doğruluğunu etkilediği bilinmektedir. Bu nedenle bu çalışmada sınıflandırma sırasında IKONOS görüntüsünün spektral bantlarına ek olarak nsym ve NFBÖİ görüntüleri yardımcı veriler olarak kullanılmıştır. Kullanılan veri setleri ve içerdikleri bantlar tablo 1 de verilmiştir. nsym de binalar araziden ayırt edilebildiğinden sınıflandırmaya katılmasının yararlı olabileceği düşünülmektedir. Benzer şekilde NFBÖİ görüntüsünün de sınıflandırmada kullanılmasının, özellikle yeşil alanlarla çevrili binaların belirlenmesinde, faydalı olabileceği düşünülmektedir. Sınıflandırma işleminde kullanılan bantlar aşağıdaki gibi etiketlenmiştir. Destek vektör makineleri sınıflandırmasında kullanılan veri setleri ve içerdikleri bantlar tablo 1 de verilmiştir. B 1 B 2 B 3 B 4 B nsym Keskinleştirilmiş Mavi bant Keskinleştirilmiş Yeşil bant Keskinleştirilmiş Kırmızı bant Keskinleştirilmiş Yakın Kızıl Ötesi bant Normalleştirilmiş sayısal yüzey modeli (nsym) bandı B NFBÖİ Normalleştirilmiş Fark Bitki Örtüsü Indeksi (NFBÖİ) bandı 177

6 Veri Setleri Bantlar Set 1 B 1, B 2, B 3, B 4 Set 2 B 1, B 2, B 3, B 4, B nsym Set 3 B 1, B 2, B 3, B 4, B NFBÖİ Set 4 B 1, B 2, B 3, B 4, B ndsm, B NFBÖİ Tablo 1: Destek Vektör Makineleri Sınıflandırmasında kullanılan veri setleri ve içerdikleri bantlar Bu çalışmada tespit edilecek sınıf bina sınıfıdır. Fakat, alanda diğer sınıflar da (örneğin, bitki, yol, boş alan, yaya kaldırımı, gölge, vb.) mevcuttur. Dolayısı ile, bina sınıfını diğer sınıflardan ayırabilmek için hem bina hem de bina olmayan sınıflardan eğitim alanı örneklerinin toplanması gerekir. Bina ve bina olmayan sınıflar için eşit sayıda eğitim hücresi toplanmıştır. Bina olmayan alanlar için eğitim hücre yüzdesi alt sınıfların görüntüdeki dağılımlarına göre belirlenmiştir. Test alanlarından her sınıf ve alt sınıflar için toplanan eğitim hücre sayıları ve yüzdeleri tablo 2, tablo 3 ve tablo 4 de verilmiştir. Sınıflar Alt-Sınıflar Bina (% 50) Eğitim Alanı Hücre Sayıları Bina (%50) 250, 500, 1000 Bina-Olmayan (% 50) Toplam (%100) Bitki (%20) 100, 200, 400 Yol (%14) 70, 140, 280 Boş alan (%12) 60, 120, 240 Yaya kaldırımı (%2) 10, 20, 40 Gölge (%2) 10, 20, 40 Toplam (%100) 500, 1000, 2000 Tablo 2: I. Test alanı için toplanan eğitim hücreleri sayıları 178 ANKARA ŞUBESİ

7 Sınıflar Alt-Sınıflar Eğitim Alanı Hücre Sayıları Bina (% 50) Building (%50) 250, 500, 1000 Bitki (%15) 75, 150, 300 Bina-Olmayan (% 50) Yol (%15) 75, 150, 300 Gölge (%10) 50, 100, 200 Yaya kaldırımı (%2) 10, 20, 40 Boş alan (%8) 40, 80, 160 Toplam (%100) Toplam (%100) 500, 1000, 2000 Tablo 3 : II. Test alanı için toplanan eğitim hücreleri sayıları Sınıflar Alt-Sınıflar Eğitim Alanı Hücre Sayıları Bina (% 50) Building (%50) 250, 500, 1000 Boş alan (%24) 120, 240, 480 Bina-Olmayan (% 50) Yol (%12) 60, 120, 240 Bitki (%10) 50, 100, 200 Yaya kaldırımı (%2) 10, 20, 40 Gölge (%2) 10, 20, 40 Toplam (%100) Toplam (%100) 500, 1000, 2000 Tablo 4 : III. Test alanı için toplanan eğitim hücreleri sayıları Eğitim alanı hücrelerinin toplanmasından sonra, veri setlerini azaltmak ve gereksiz bantları sınıflandırmaya katmamak amacıyla, Jeffries-Matusita (Richards, 1999) ya dayalı istatistiksel teknik kullanılarak sınıflar arasındaki spektral ayrılabilirlik değerleri hesaplanmıştır. Spektral ayrılabilirlik değerleri 0 2 arasında bir değer alır ve seçilen eğitim alanlarının istatistiksel olarak ne derece ayrılabilir olduğunu gösterir. Yüksek değerler sınıfların istatistiksel olarak ayrılabildiğini, düşük değerler ise sınıflar arasında spektral çakışma olduğunu gösterir. Test alanları için hesaplanmış olan spektral ayrılabilirlik değerleri tablo 5 de verilmiştir. 179

8 Test Alanları Veri-Setleri Bantlar Spektral Ayrılabilirlik Değerleri Set 1 B 1, B 2, B 3, B I. Test Alanı Set 2 B 1, B 2, B 3, B 4, B nsym Set 3 B 1, B 2, B 3, B 4, B NFBÖİ Set 4 B 1, B 2, B 3, B 4, B nsym, B NFBÖİ Set 1 B 1, B 2, B 3, B II. Test Alanı Set 2 B 1, B 2, B 3, B 4, B nsym Set 3 B 1, B 2, B 3, B 4, B NFBÖİ Set 4 B 1, B 2, B 3, B 4, B nsym, B NFBÖİ Set 1 B 1, B 2, B 3, B III. Test Alanı Set 2 B 1, B 2, B 3, B 4, B nsym Set 3 B 1, B 2, B 3, B 4, B NFBÖİ Set 4 B 1, B 2, B 3, B 4, B nsym, B NFBÖİ Tablo 5: Veri setleri ve farklı sayıdaki (500, 1000, 2000) eğitim hücreleri için hesaplanmış olan spektral ayrılabilirlik değerleri Hesaplanmış olan spektral ayrılabilirlik değerleri incelendiğinde, nsym ve NFBÖİ bantlarını birlikte ek bant olarak kullanmak ayrılabilirliği, sadece birini kullanmaktan daha çok, arttırmaktadır. Bu nedenle sınıflandırma işleminde Set 2 ve Set 3 veri setleri kullanılmamıştır.hesaplanan spektral ayrılabilirlik değerlerine göre nsym verisinin ayrılabilirliği, her üç test alanında, önemli ölçüde arttırdığı görülmektedir. NFBÖİ görüntüsü ayrılabilirliği I. ve II. test alanları için önemli ölçüde arttırmakta, III. test alanında ise az bir artış sağlamaktadır. Farklı bölgelerde farklı etkinin olmasının nedeninin farklı yeşil alan miktarlarından kaynaklandığı düşünülmektedir. I. ve II. test alanlarında bina çevrelerinde yeşil alanlar bulunmaktadır, III. test alanında ise oldukça az yeşil alan vardır. Tüm veri setleri için ayrılabilirlik sonuçları değerlendirildiğinde Set 4 ün en iyi sonuç verdiği görülmüştür. DVM sınıflandırması uygulanırken kernel metodunun ve C parametresinin belirlenmesi de önemlidir. Bu çalışmada genellikle iyi sonuç veren Radyal Taban Fonksiyonu (RTF) kullanılmıştır. RTF doğrusal olarak ayrılamayan problemlerde kullanılabilmektedir. C parametresi değeri olarak 1000 alınmıştır. 180 ANKARA ŞUBESİ

9 6. ARTEFAKTLARIN YOK EDİLMESİ Sınıflandırma işlemi sırasında yanlış sınıflandırılan hücrelerden dolayı elde edilen olası bina alanları artefaktlar içerebilmektedir. Bunları gidermek için açılma ve kapanma morfolojik operasyonları kullanılmıştır. Morfolojik operasyonlar görüntüleri şekle göre işleyen görüntü işleme operasyonlarıdır. Bu çalışmada, yapılanma elemanından küçük olan görüntü detaylarını yok etmek için açılma ve kapanma operasyonları izotropik yapılanma elemanı ile birlikte kullanılmış ve böylece, objelerin genel biçimleri bozulmamıştır (Sonka vd., 1998). Aşınmayı takip eden genişleme açılma yı oluşturur. Görüntünün (f), yapılanma elemanı (k) ile açılması f k ile gösterilir ve (2) deki gibi tanımlanır. Genişlemeyi takip eden aşınma ise kapanma olarak adlandırılır. Görüntünün (f), yapılanma elemanı (k) ile kapanması f k ile gösterilir ve (3) deki gibi tanımlanır. f ( fθk ) k o k = (2) f k = ( f k ) Θk (3) Açılma filtresi ince çıkıntıları, dışarı doğru olan sivri sınır düzensizliklerini, ince birleşimleri ve izole olmuş küçük objeleri yok eder. Kapanma filtresi ise ince girintileri, içe doğru olan sivri sınır düzensizliklerini ve küçük boşlukları yok eder (Gonzales vd., 2004). Bu nedenle, açılma ve kapanma operasyonlarını birleştirmek artefaktları ve gürültüyü yok etmek için oldukça elverişli olabilmektedir. 7. TARTIŞMA Önerilen yaklaşımla belirlenmiş olan bina alanlarının doğruluklarını hesaplayabilmek için 1999 yılına ait mevcut sayısal bina vektör veritabanı uydu görüntüsünden güncellenmiş ve bu veri seti referans bina veri tabanı olarak kullanılmıştır. Belirlenen bina alanları ile referans bina alanları karşılaştırılmış ve Doğru Pozitif (DP), Doğru Negatif (DN), Yanlış Pozitif (YP) ve Yanlış Negatif (YN) ölçü değerleri hesaplanmıştır (Shufelt ve McKeown, 1993). Doğru Pozitif (DP), hem önerilen yöntem sonucunda hem de referans veride bina olarak belirlenen alanlardır. Doğru Negatif (DN), hem önerilen yöntem sonucunda hem de referans veride arka plan (bina olmayan alan) olarak belirlenen alanlardır. Yanlış Pozitif (YP), yalnız önerilen yöntem sonucunda bina olarak belirlenen alanları temsil ederken Yanlış Negatif (YN), yalnız referans veride bina olarak belirlenen alanları temsil etmektedir. Ayrıca, ayrılma katsayısı (YP/DP), kaçırma katsayısı (YN/ DP), bina belirleme yüzdesi (100 * DP / (DP+YN)) ve kalite yüzdesi (100 * DP / (DP+YP+YN)) değerleri de hesaplanmıştır. Ayrılma katsayısı yanlışlıkla bina olarak bulunan alanların oranıdır ve fazladan bina alanı olarak belirlenen alanların, doğru şekilde bina alanı olarak belirlenen alanlara bölünmesiyle elde edilir. Kaçırma katsayısı, kaçırılan bina alanları oranını göstermekte olup gerçekte bina olduğu halde bina olarak belirlenmeyen alanların, doğru şekilde bina alanı olarak belirlenen alanlara oranıdır. Bina belirleme yüzdesi (BBY) doğru bulunan binaların yüzdesini göstermektedir. Kalite yüzdesi (KY) önerilen yaklaşımın performansının toplam ölçümünü göstermektedir. Test alanları için DVM sınıflandırmasının nicel değerlendirme sonuçları tablo 6, 7 ve 8 de verilmiştir. 181

10 Veri Setleri Set 1 Eğitim Hücresi Sayısı DP DN YP Ayrılma Katsayısı Kaçırma Katsayısı Bina Belirleme Yüzdesi (BBY) Kalite Yüzdesi (KY) Set Tablo 6: I. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi I. test alanı için DVM sınıflandırma sonuçları incelendiğinde Set 4 için 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %91.0, %92.5 ve %92.7 olarak, KY değerleri ise sırasıyla %65.2, %65.7 ve %65.5 olarak bulunmuştur. Diğer taraftan, Set 1 in kullanılmasıyla yapılan sınıflandırma sonucunda daha düşük doğruluk değerleri elde edilmiştir. Bu veri setinde 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %79.9, %80.3 ve %80.6, KY ise sırasıyla %57.5, %57.4 ve %57.8 olarak hesaplanmıştır. Veri Setleri Eğitim Hücresi Sayısı DP DN YP Ayrılma Katsayısı Kaçırma Katsayısı Bina Belirleme Yüzdesi (BBY) Kalite Yüzdesi(KY) Set Set Tablo 7: II. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi II. test alanında, Set 4 için, 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %92.8, %92.7 ve %92.6 olarak hesaplanmıştır. Set 1 kullanılarak yapılan sınıflandırma sonucunda ise daha düşük doğruluk değerleri elde edilmiştir. Bu veri setinde 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %89.5, %88.8 ve %88.3 olarak hesaplanmıştır. 500, 1000 ve 2000 eğitim örneği kullanıldığında, Set 4 için KY değerleri sırasıyla %67.5, %68.0 ve %67.9 olarak bulunmuştur. Fakat aynı değerlendirme faktörü Set 1 için sırasıyla %56.6, %59.9 ve %60.2 olarak hesaplanmıştır. 182 ANKARA ŞUBESİ

11 Veri Setleri Set 1 Set 4 Eğitim Hücresi Sayısı DP DN YP Ayrılma Katsayısı Kaçırma Katsayısı Bina Belirleme Yüzdesi (BBY) Kalite Yüzdesi (KY) Tablo 8: III. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi III. test alanı için DVM sınıflandırma sonuçları incelendiğinde Set 4 için 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %95.9, %95.8 ve %95.5 olarak KY ise sırasıyla %71.1, %73.1 ve %75.2 olarak hesaplanmıştır. Diğer taraftan, Set 1 kullanılarak yapılan sınıflandırma sonucunda daha düşük doğruluk değerleri elde edilmiştir. Şöyle ki, 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %90.3, %89.8 ve %90.6, KY ise sırasıyla %63.6, %66.8 ve %67.6 olarak hesaplanmıştır. Sonuçlar değerlendirildiğinde eğitim alanı örneği sayısını artırmanın sonuçlarda önemli bir değişikliğe neden olmadığı görülmektedir. Bu nedenle, eğitim alanı örneği sayısını 500 olarak almanın uygun olduğu görülmüştür. Diğer taraftan, bu çalışmada kullanılan yardımcı verilerin (nsym ve NFBÖİ) sınıflandırma doğruluğunu belirgin ölçüde arttırdığı belirlenmiştir. Set 4 bantları ve 500 eğitim alanı örneğinin kullanılması ile elde edilen DVM sınıflandırma sonuçları Şekil 3 de, artefaktların yok edilmesinin ardından elde edilen bina alanları, referans bina sınırlarıyla çakıştırılarak, Şekil 4 de verilmiştir. Şekil 3: Set 4 verileri ve 500 adet eğitim alanı hücresi kullanılarak yapılan DVM sınıflandırma sonuçları 183

12 Şekil 4: Referans bina sınırlarıyla (kırmızı poligonlar) çakıştırılmış artefaktları yok edilmiş sınıflandırma sonuçları Elde edilen DVM sınıflandırma sonuçlarını En Büyük Olasılık Sınıflandırma Tekniği sonuçları ile karşılaştırmak için Set 4 verileri ve 500 eğitim alanı örneği kullanılarak çok sınıflı sınıflandırma yapılmıştır. Bu sınıflandırmaya ait nicel değerlendirme sonuçları tablo 9 de verilmiştir. DVM sınıflandırma sonuçları ile En Büyük Olasılık Sınıflandırma Tekniği sonuçları karşılaştırıldığında, I. ve II. test alanları için hem BBY hem de KY değerlendirme faktörleri DVM sınıflandırmasında daha yüksektir. III. Test alanı için, KY yine DVM sınıflandırma sonuçlarında daha yüksek hesaplanmış ancak BBY En Büyük Olasılık Sınıflandırma Tekniğinde daha yüksek bulunmuştur. Bunun nedeni, III. Test alanındaki binaların genellikle benzer spektral yansıma değerlerine sahip olmalarıdır. Çünkü, bu gibi durumlarda geleneksel sınıflandırma teknikleri de iyi sonuç verebilmektedir. Test Alanları I. Test Alanı II. Test Alanı III. Test Alanı DP DN YP Ayrılma Katsayısı Kaçırma Katsayısı Bina Belirleme Yüzdesi (BBY) Kalite Yüzdesi (KY) Tablo 9: Set 4 verileri ve 500 adet eğitim alanı hücresi kullanılarak yapılan En Büyük Olasılık Sınıflandırmanın nicel değerlendirme sonuçları 8. SONUÇLAR Elde edilen sonuçlar değerlendirildiğinde, DVM sınıflandırma tekniği kullanılarak binaların yüksek çözünürlüklü uydu görüntülerinden oldukça başarılı bir şekilde belirlenebildiği görülmektedir. Tüm veri setleri için değerlendirme yapıldığında: BBY I. Test alanında %79.9 %92.7 aralığında, II. Test alanında %88.3 %92.8 aralığında ve III. Test alanında %89.8 %95.9 aralığında hesaplanmıştır. Benzer şekilde, KY I. Test alanında %57.4 %65.7 aralığında, II. Test alanında %56.6 %68.0 aralığında ve III. Test alanında ise % ANKARA ŞUBESİ

13 %75.19 aralığında hesaplanmıştır. Genel olarak, BBY %79.9 %95.9, KY ise %56.6 %75.2 aralığında bulunmuştur. Farklı veri setleri için doğruluklar incelendiğinde yardımcı verilerin sınıflandırma doğruluğunu önemli ölçüde arttırdığı görülmektedir. Spektral bantlara ek olarak yardımcı verilerin kullanılması halinde BBY değer aralığı %91.0 %95.9, KY değer aralığı ise %65.2 %75.2 olarak değişmektedir. nsym ve NFBÖİ bantlarının sınıflandırmada kullanılması durumunda doğruluk değerlerinin önemli ölçüde arttığı görülmektedir Eğitim alanı örneği sayısının DVM sınıflandırması doğruluğuna olan etkisi incelendiğinde örnek sayısındaki artışın, genel olarak, sınıflandırma doğruluğunu arttırdığı söylenebilir. Ancak bu artışın %2 den fazla olmadığı görülmüştür. Bu nedenle, bu çalışmada elde edilen sonuçlara göre eğitim alanı örneği sayısını çok fazla arttırmaya gerek olmadığı söylenebilir. DVM ve En Büyük Olasılık sınıflandırma sonuçlarının karşılaştırılması yapıldığında, DVM nin daha iyi sonuçlar verdiği tespit edilmiştir. KAYNAKLAR Boyd, D. S.; Sanchez-Hernandez, C.; Foody, G. M., Mapping a Specific Class for Priority Habitats Monitoring from Satellite Sensor Data, International Journal of Remote Sensing, Vol.27, No. 13, ( ). Foody, G. M.; Mathur, A., A relative Evaluation of Multiclass Image Classification by Support Vector Machines, IEEE Transactions on Geoscience and Remote Sensing, Vol.42, No. 6, ( ). Foody, G. M.; Mathur, A.; Sanchez-Hernandez, C.; Boyd, D. S., Training Set Size Requirements for the Classification of a Specific Class, Remote Sensing of Environment, 104, (1-14). Gonzalez, R. C.; Woods, R. E.; Eddins, S. L. (2004), Digital Image Processing Using Matlab, Pearson Education, Inc. Upper Saddle River, New Jersey. Huang, C.; Davis, L. S.; Townshend, J. R. G., An assessment of support vector machines for land cover classification, International Journal of Remote Sensing, vol. 23, no. 4, ( ). Koç D.; Türker M., IKONOS Pankromatik Uydu Görüntülerinden Sayısal Yükseklik Modeli Oluşturulması, Harita Dergisi, Sayı: 134, (31-43). Pal, M.; Mather, P. M., Support vector machines for classification in remote sensing, Int. J. Remote Sens., vol. 26, no. 5, ( ). Richards, J.A. (1999), Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p Sanchez-Hernandez, C.; Boyd, D. S.; Foody G., M., One-Class Classification for a Specific Land- Cover Class: SVDD Classification of Fenland, IEEE Transactions on Geoscience and Remote Sensing, Vol.45, No. 4, pp. ( ). Shufelt, J.A.; McKeown, D.M., Fusion of Monocular Cues to Detect Man-Made Structures in Aerial Imagery, CVGIP: Image Understanding, 57 (3), ( ). Singh, A.; Harrison, A., Standardized Principal Components, International Journal of Remote Sensing, 6, ( ). Sonka, M.; Hlavac, V.; Boyle, R., Image Processing, Analysis, and Machine Vision, PWS Publishing. Vapnik, V. N., The Nature of Statistical Learning Theory, New York: Springer-Verlag, ISBN

14 Watanachaturaporn, P.; Arora M. K.; Varshney P. K., Multisource Classification Using Support Vector Machines: An Emprical Comparison with Decision Tree and Neural Network Classifiers, Photogrammetric Engineering and Remote Sensing, Vol. 74, No. 2, ( ). Zhu, G.; Blumberg, D. G., Classification using ASTER data and SVMalgorithms: The case study of Beer Sheva, Israel, Remote Sensing of Environment, vol. 80, no. 2, ( ). 186 ANKARA ŞUBESİ

15 HEYELAN DUYARLILIK ANALİZİ METODLARININ DUYARLILIK HARİTALARINA ETKİSİ A. Erener 1, HSB. Düzgün 2 1 Ortadoğu Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri. Böl., Ankara Ortadoğu Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri. Böl., Ankara, ÖZET Heyelan duyarlılık haritaları, heyelan tehlike haritalarına temel oluşturmaktadır. Bu nedenle, bu haritaların doğru şekilde oluşturulması oldukça önem taşımaktadır. Heyelan duyarlılık haritasını oluşturmak için farklı birçok metot kullanılabilir. Bunun yanında haritalama ölçeği ve seçilen haritalama birimi de heyelan duyarlılık haritalamaları oluşturmak için önemli kıstaslardır. Aynı alan için seçilen farklı heyelan duyarlılık metodları, haritalama ölçeği ve haritalama birimi, üretilen heyelan duyarlılık haritalarında farklılıklar ortaya çıkarmaktadır. Bu çalışmada eğim haritalama birimi için iki farklı heyelan duyarlılık metodunun karşılaştırılması yapılmıştır. İlk seçilen metot heyelan duyarlılık haritalamalarında sıklıkla kullanılan lojistik regresyon metodudur. İkinci metot ise şu ana kadar heyelan duyarlılık haritalarında kullanılmamış olan ve tarafımızdan önerilen mekânsal regresyon metodudur. Bu iki metot üretilen eğim haritalama biriminde heyelan duyarlılık haritaları oluşturmak için kullanılmıştır. Eğim haritalama birimi (EHB), Coğrafi Bilgi Sistemleri (CBS) ortamında subilimi ölçütlerine dayanarak oluşturulmuştur. EHB için farklı heyelan duyarlılık haritalama metotlarının incelenmesi ile ilgili bu çalışma, Karadeniz in batısında bulunan Bartın iline ait 360 km2 alan kaplayan Kumluca havzasında yapılmıştır. 18 faktör haritası (Yükseklik modeli, eğim, bakı, eğrilik, plan eğriliği, görüntü eğriliği, nemlilik indeksi, hidroloji ağına uzaklık, hidroloji ağı yoğunluğu, yola uzaklık, yol ağı yoğunluğu, jeolojik formasyonlar, fay hatlarına uzaklık, toprak tipi, toprak kalınlığı, erozyon, arazi kullanımı ve bitki örtüsü) heyelan duyarlılık haritalaması için oluşturulmuştur. CBS ve Uzaktan algılama (UA) teknikleri bu heyelan faktör haritalarını oluşturmak için ve duyarlılık haritalarını oluşturmak için kullanılmıştır. Bu çalışma göstermiştir ki, tek bir haritalama birimi için kullanılan iki farklı heyelan duyarlılık metodu sonuçları farklılık göstermektedir. Mekânsal regresyon metodu, lojistik regresyon sonucuna göre daha iyi bir doğruluk vermektedir. Sonuç olarak bu çalışma seçilen heyelan duyarlılık haritalama metodunun sonuç haritalarına olan etkisini açıkça göstermektedir. Anahtar Sözcükler: Coğrafi Bilgi Sistemleri, Heyelan duyarlılık haritaları, Eğim haritalama birimi, Lojistik regresyon, Mekânsal regresyon. 1. GİRİŞ Bölgesel ölçekte hazırlanan heyelan tehlike ve risk haritaları son zamanlarda oldukça önem kazanmıştır. Heyelan duyarlılık haritalaması, bir alan için, mekânsal heyelan olma olasılığının elde edilmesidir. Heyelan duyarlılık haritaları heyelan tehlike haritaları gibi, heyelanın oluşuyla ilgili herhangi bir zamansal bilgi taşımamaktadır. Fakat tehlike haritalaması için ilk adım olmalarından dolayı oldukça önem taşımaktadırlar. Heyelan duyarlılık haritalarının oluşturulmasında, haritalama birimi, haritalama ölçeği, seçilen haritalama metodu, haritalama 187

16 için gerekli veri tipi gibi birçok faktör etkilidir. Üretilen duyarlılık haritalarının kalitesini ölçmek için bu faktörler incelenmelidir. Seçilen haritalama birimi, analizleri ve modelleme sonucunu oldukça etkilemektedir. Haritalama birimi alanın küçük ünitelere bölünmesini içerir. Bu küçük ünitelerin her biri tanımlanan sınır komşuluğundan farklılıklar gösterir (Hansen, 1984). Haritalama birimi belirlendikten sonra her bir üniteye, ele alınan faktör için, bir değer atanır ve her bir birim, bir örnekleme birimi olarak, duyarlılık haritalamasında değerlendirilir. Alanı, harita birimlerine ayırmak için avantaj ve dezavantajları olan, literatürde birçok metot önerilmiştir (Meijerink, 1988; Carrara ve ark., 1995; Leroi, 1996). Bunlar hücre üniteleri, arazi üniteleri, benzersiz şartlar birimi, eğim üniteleri ve topoğrafik üniteler olarak özetlenebilir (Carrara, 1983; Meijerink, 1988; Pike, 1988; Carrara ve ark., 1991; van Westen, 1993; Bonham Carter, 1994; Chung ve Fabbri, 1995; Hearn ve Griffiths, 2001; Lee ve Min, 2001). Bu çalışma için eğim birimi haritalama birimi olarak seçilmiştir. Eğim ünitesi, alanın jeomorfolojisi göz önüne alınarak, hidrolojik bilgiye dayalı olarak belirlenmektedir. Duyarlılık haritaları seçilen metoda da duyarlıdır. Bu metotlar ana olarak nicel ve nitel olarak gururlanabilirler. Hızla gelişen CBS ve UA tekniklerine dayalı olarak, farklı metotlarla heyelan duyarlılık haritalaması yapan bazı araştırmacılar Carrara ve ark., 1992; Van Westen 1993; Guzzetti ve ark., 2000; Dai ve ark., 2001, 2002; Lee ve ark., 2004; Lan ve ark., 2004; Lee, 2005; Yalcin ve Bulut, 2007; Wang ve ark., 2008; Pandey ve ark., 2008 olarak verilebilir. Bu çalışmada iki farklı haritalama metodu, haritalama ünitesi olarak eğim birimi kullanılarak oluşturulmuş ve farkları analiz edilmiştir. İlk seçilen metot literatürde sıklıkla uygulanan lojistik regresyon metodudur (e.g. Menard; 1995; Atkinson ve ark., 1998; Dai ve Lee 2002; Ohlmacher ve Davis 2003; Lee 2004; Guzetti ve ark., 2005; Yesilnacara ve Topal 2005; Dai ve Lee 2001; Lee ve Min 2001; Ayalew ve Yamagishi 2005; Lee, 2005; Zhu ve Huang, 2006; Erener ve Düzgün, 2006; Erener ve ark., 2007; Erener ve Düzgün 2008; Mathew ve ark., 2008 ). Lojistik regresyon (Logistic regression, LR) heyelanı etkileyen faktörleri heyelanın oluş ya da olmayış bilgisi ile ilişkilendirir. Bu ilişki gelecekte heyelan olabilecek alanların belirlenmesinde kullanılır (Ohlmacher ve Davis 2003). Mekânsal regresyon (Spatial Regression, SR) ise regresyon parametreleri arasındaki mekânsal oto korelâsyonu dikkate alan bir metottur (Düzgün ve Kemec, 2007) ve şuana kadar heyelan duyarlılık haritalamalarında kullanılmamıştır. SR daha çok mekânsal ekonomi araştırmalarında uygulanmış ve LR a göre daha iyi sonuçlar verdiği görülmüştür. SR ve LR arasındaki ana farklılık SR haritalama üniteleri arasında mekansal bağımlılığı yada oto korelasyon bilgisini dikkate almaktadır, LR ise bu bilgiyi dikkate almamaktadır. Bartın ın güneyinde yer alan Kumluca havzası için eğim birimi dikkate alınarak, SR ve LR metotları kullanılarak duyarlılık haritaları oluşturulmuştur. 18 faktör haritası (Yükseklik modeli, eğim, bakı, eğrilik, plan eğriliği, görüntü eğriliği, nemlilik indeksi, hidroloji ağına uzaklık, hidroloji ağı yoğunluğu, yola uzaklık, yol ağı yoğunluğu, jeolojik formasyonlar, fay hatlarına uzaklık, toprak tipi, toprak kalınlığı, erozyon, arazi kullanımı ve bitki örtüsü) heyelan duyarlılık haritalaması için oluşturulmuştur. Bu faktör haritalarının oluşturulması için CBS ve UA teknolojilerinden yararlanılmıştır. Matlab ve SPSS ortamında yapılan modellemeler sonrası oluşturulan model sonuçları, CBS ortamında haritalanmıştır. 188 ANKARA ŞUBESİ

17 Çalışma Alanı ve Veri Analizi Karadeniz bölgesi dik yamaçları ve yoğun yağışları ile heyelana duyarlı hale gelmektedir. Çalışma alanı Bartın şehrinin güney batısında yer alan 330 km2 lik alana sahip Kumluca su havzasında yer almaktadır ( Şekil 1). Bu alanda yaklaşık 1961 den bu yana kaydedilen 185 heyelan kaydı bulunmaktadır. Şekil 1.Çalışma alanı, Kumluca su havzası, Bartın şehrinin güney batısında yer almaktadır, Harita iki tipte bulunan kayma lokasyonlarını göstermektedir. Type 1: derinlik değeri 5m den büyük aktif kaymalar, Type 2: derinlik değeri 5m den büyük pasif kaymalar Çalışma alanında, heyelanı tetikleyen, doğal ve doğal olmayan faktörler mevcuttur. Yoğun yağış, eğimli alanlarda meydana gelen erozyon, doğal etkiler iken, yol yapımı vb. için dik ve uygunsuz şekilde kazılan dağ yamaçları, kontrolsüz yerleşimler, ve tarım aktiviteleri doğal olmayan tetikleyici etkilerdir (Akgün ve Bulut, 2007). Çalışma alanı ile ilgili hazırlanan raporlar göstermiştir ki heyelanı tetikleyen ana unsurlar yoğun yağışlar, insan etkileri ve kardaki çabuk erimenin yarattığı ani sellerdir (AIGM, 2007). Çalışma alanını çevreleyen meteoroloji istasyonlarından alınan verilere göre yıllık ortalama yağış miktarı 900 ve 1071 mm bulunmuştur. Heyelan dökümlerine göre çalışma alanında heyelandan dolayı 537 ev başka yerlere nakledilmiştir. Heyelan duyarlılık alanlarının belirlenmesi için, heyelan envanteri yanında mekânsal veri katmanları oluşturulmuştur. Bu veri katmanlarını oluşturmak için farklı kurumlardan veriler alınmıştır. Topoğrafik haritaları ve arazi kullanım haritaları harita genel komutanlığından (HGK); jeolojik haritalar maden teknik arama (MTA) kurumundan; toprak haritaları, toprak erozyonu ve toprak derinliği haritaları Köy işleri bakanlığından (KİB) ve Aster uydu görüntüleri NIK ten alınmıştır. Her bir veri seti heyelan oluşuyla ilgili farklı bilgi içermekte ve farklı projeksiyona sahiptir. Uluslararası Transverse Merkator projeksyonu ve ED50 datumu ortak sistem olarak belirlenmiş ve oluşturulan her bir veri seti bu projeksyon sistemine dönüştürülmüştür. Heyelanı etkileyen faktörler 3 ana katogaride incelenebilir Bunlar: morfolojik faktörler (eğim, bakı, plan eğriliği, profil eğriliği), jeolojik faktörler (6 farklı jeolojik birim, fay hattından olan mesafe, 5 farklı toprak birimi, 4 farklı toprak derinlik birimi, 4 farklı erozyon derecesi), çevresel faktörler (topoğrafik nemlilik indeksi, bitki indeksi, yola olan mesafe, hidrolojiye olan mesafe, yol yoğunluğu, hidroloji yoğunluğu, beş sınıftan oluşan 189

18 alan kullanım sınıfları olmak üzere toplam 37 faktör ham verilerin işlenmesi ile elde edilmiştir. Heyelanı etkileyen faktörleri için oluşturulan veri setleri kategorik ve sürekli veri tiplerine sahiptir. Tüm kategorik veriler CBS ortamında hücresel veri formatına dönüştürülmüştür. Kategorik veri setlerine sahip alan kullanımı, toprak, jeoloji, toprak derinliği ve erozyon verileri nümerik kodlarla sayısal formata dönüştürülmüştür. Sonuç olarak her bir kategorik veri 0/1 ile ifade edilen iki rakamlı değişkenlere dönüştürülmüştür. 184 heyelan konumu bilgileri ise MTA dan 1: lik ölçekte elde edilmiştir ve çalışma alanının % 47 sini kaplamaktadır. Haritalama Biriminin Oluşturulması Haritalama birimi arazi yüzeyinin homojen alanlara bölünmesini içermektedir. Bu en küçük anlamlı mekânsal birimdir ve her bir birim ayrı bir duyarlılık değeri alır (Beguería ve Lorente, 1999). Bu çalışmada farklı duyarlılık metotlarını karşılaştırmak için, eğim birimi, haritalama birimi olarak seçilmiştir. Fiziksel olarak eğim birimi alt-havzanın sağ ve sol kenarı olarak düşünülebilir. Bu nedenle eğim ünitesi dağ sırtı ile vadi çizgisinin kesişimi ile belirlenebilir. CBS tabanlı bir hidroloji analiz ve modelleme aracı olan Archydro (Maidment, 2002), eğim birimlerini oluşturmak için bu bölüm çizgilerini belirlemede kullanılmıştır (Akagündüz, ve ark.2008). Eğim birimini çıkarmak için takip edilen adımlar sırasıyla şöyledir: İlk olarak sayısal yükseklik modelinden (SYM) ve ters sayısal yükseklik modelinden (TSYM) su havzalarına ait poligonlar çıkarılmıştır. TSYM i SYM inin tersidir yani TSYM i elde etmek için, yüksek SYM değerleri düşüğe, düşük SYM değerleri yükseğe dönüştürülmüştür (XIE ve ark., 2004). SYM den elde edilen su havzaları sınırları, dağ sırt çizgileridir ya da su havzalarını ayıran çizgilerdir; TSYM den elde edilen su havza sınırları ise vadi çizgileri yada drenaj çizgileridir. Daha sonra bu SYM ve TSYM den elde edilen su havza sınırları CBS ortamında birleştirilmiştir. Böylelikle eğim birimi oluşturulmuştur. Su havzalarını elde etmek için uygulanan hidroloji modeli şu şekilde çalışmaktadır. ( Şekil 2) İlk olarak SYM ve TSYM deki boş hücreler çevresindeki hücre değerleri dikkate alınarak doldurulmuştur. Akım yönü (flow direction)bir hücrenin sekiz komşu hücre değerini inceleyerek hesaplanmıştır. Dikkate alınan hücreye göre daha dik aşağı inen eğim yönü olan komşu hücre belirlenerek akım yönü belirlenmiştir. Buna bağlı olarak akımın biriktiği hücre, diğer bir hücreye akan, dik hücrelerin toplamı ile hesaplanmaktadır. Sonuç olarak her bir hücre değeri ona akan dik hücrelerin sayısını içermektedir. 190 ANKARA ŞUBESİ

19 SYM TSYM HYDROLOJIK MODEL Boşlukların Doldurulması Akım Yönü Akım Ağı Suhavzaları Sınırları SYM Su Havzası TSYM Su Havzası CBS KESİŞTİRME Şekil 2: Su havzalarını elde etmek için uygulanan hidroloji model algoritması Buna ilave akım-birikimi (flow-accumulation) hücresi, belirli bir eşik değeri için sorgulanmış ve bir akım ağı (stream network) oluşturulmuştur. Bu eşik değeri hücre sayısı yada kilometre karedeki drenaj alanı olarak tanımlanır. Genel olarak akım için eşik değeri en yüksek akım-birikimi değerinin %1 i olarak alınması önerilir (web 1, 2006). Küçük bir eşik değeri, çok yoğun bir akım ağı oluşmasına neden olmakta ve buda çok sayıda havza oluşmasına neden olmaktadır. SYM ve TSYM için su havza sınırlarları, akım yönü hücrelerini tersten izleyerek elde edilmiştir. Bu yolla verilen birçıkış noktasından süzülen tüm hücrelerin yolu belirlenmektedir. 191

20 Üretilen hücre, her bir hücrenin hangi su havzasına ait olduğu ile ilgili bilgi taşımaktadır. Sonuç olarak bu hücreler su havzalarını temsil eden poligonlara çevrilmiştir. SYM ve TSYM için üretilen bu su havzaları daha sonra kesiştirilerek eğim haritalama birimleri oluşturulmuştur. Oluşturulan her bir eğim ünitesine, üretilen faktörlerin değerlerini atamak için, hücre tabanlı olan katmanlar istatistiksel olarak incelenmiştir. Her bir eğim ünitesi için bölgesel istatistik analizleri yapılarak bulunan değer herbir eğim ünitesi birimine atanmıştır. Bu analiz için üretilen eğim ünitesi ve her bir faktör üstüste açılıp, her bir eğim ünitesi altında kalan faktör için ortalama değer hesaplanıp, ilgili üniteye atanmıştır. Faktörler yanında heyelan haritası da aynı şekilde bu eğim haritası ile üstüste çakıştırılıp her bir eğim ünitesi için heyelan var yok bilgisi atanmıştır. Üretilen 138 adet eğim ünitesi için 91adet heyelan varlığı bilgisi üretilmiştir. Sonuç olarak her bir eğim ünitesi için heyelanı etkileyen faktörlere ait bilgi ve önceden olmuş olan heyelan bilgisi girilmiş ve bir veri tabanı oluşturulmuştur. 2. Nicel Duyarlılık Haritalaması Modellemesi Bu çalışmada LR ve SR regresyon modelleri uygulanarak oluşturulan duyarlılık haritalama sonuçları karşılaştırılmıştır. Lojistik regresyon bağımlı değişkenin sürekli veya nicel bir değişken olaması durumunda kullanılan bir metoddur (George ve Mallery, 2000). Diğer bir deyişle bağımlı değişken heyelanın varlığı ya da yokluğu ile ifade edilen 0 ve 1 lerden oluşmaktadır. Bu çalışmada en iyi tahmin eden faktörün, modele adım adım eklenmesi prosedürü uygulanmıştır. Bu prosedüre göre model, adım adım en iyi heyelan olma olasılığını tahmin eden faktörü modele eklemekte ve etkisi olmayan değişkenleri ise modelden atmaktadır. Genel olarak LR, bağımlı değişkenin aşağıdaki formüle göre modele oturmasını sağlamaktadır: f(x)=logit(p(x))=ln(p(x)/(1 p(x))=c 0 +c 1 x 1 + +c n x n (1) burada p(x), x olayının olma olasılığı (heyelan olma olasılığı) ve 1-p(X) ise x olayının olmama olasılığıdır. p / (1 p) olasılık oranı, ve C 1, C 2,, C n ise bağımsız değişkenlerin bağımlı değişken olan Y nin (heyelan olma olasılığı) değişimine olan etkisini ölçen katsayılardır. Mekânsal regresyon ise parametreler arasındaki mekânsal oto korelasyonun dikkate alındığı küresel mekansal modelleme tekniğidir (Düzgün ve Kemec, 2007). Mekansal bağımlılık yada oto korelasyon, bir i konumundaki gözlem değerlerinin j i konumundaki gözlemlere bağımlı olmasıdır. Mekansal bağımlılık olduğu taktirde, komşu üniteler uzak ünitelerden daha yüksek bir mekansal korelasyona sahiptir (LeSage, 1999). Eğer olayın mekânsal bir doğası varsa, modele mekânsal korelasyonu eklemek daha iyi bir performans sağlamaktadır. Bu durum daha yüksek R 2 değeri ile kendini göstermektedir. Mekansal korelasyon, modele komşuluk yada yakınlık matriksinin eklenmesi ile elde edilmektedir. Komşuluk ya da yakınlık matrisi mekânsal haritalama üniteleri için bitişiklik bilgisini vermektedir. Komşuluk bilgisi için aynı kenarı paylaşma, aynı köşeyi paylaşma, aynı noktayı paylaşma, paylaşılan kenarın uzunluğu gibi bilgiler kullanılmaktadır. Klasik regresyon formülünde (2) hata değeri olan U değerine (3), mekânsal korelâsyona bağlı olan bilgiler ilave edilerek hata oranı azaltılmaya çalışılmaktadır (4). Y = Xβ + U (2) U = ρwy + ε (3) Daha sonra; 192 ANKARA ŞUBESİ

Araştırma Görevlisi İSMAİL ÇÖLKESEN

Araştırma Görevlisi İSMAİL ÇÖLKESEN Araştırma Görevlisi İSMAİL ÇÖLKESEN ÖZGEÇMİŞ Adı Soyadı : İSMAİL ÇÖLKESEN Doğum Tarihi : 1981 Ünvanı : Dr. Öğrenim Durumu : Derece Alan Üniversite Lisans Yüksek Lisans Doktora Jeodezi ve Fotogrametri Müh.

Detaylı

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN OTOMATİK BİNA GÜNCELLEMESİ İÇİN MODEL BAZLI YAKLAŞIM

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN OTOMATİK BİNA GÜNCELLEMESİ İÇİN MODEL BAZLI YAKLAŞIM TMMOB Harita ve Kadastro Mühendisleri Odası 12. Türkiye Harita Bilimsel ve Teknik Kurultayı 11 15 Mayıs 2009, Ankara YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN OTOMATİK BİNA GÜNCELLEMESİ İÇİN MODEL BAZLI

Detaylı

HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ

HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Akdeniz Üniversitesi Uzay Bilimleri ve Teknolojileri Bölümü Uzaktan Algılama Anabilim Dalı HAVADAN LAZER TARAMA ve SAYISAL GÖRÜNTÜ VERİLERİNDEN BİNA TESPİTİ VE ÇATILARIN 3 BOYUTLU MODELLENMESİ Dr.Nusret

Detaylı

YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ

YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ Naci YASTIKLI a, Hüseyin BAYRAKTAR b a Yıldız Teknik Üniversitesi,

Detaylı

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında

Detaylı

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜSÜ KULLANILARAK BİNA ALANLARININ GÜNCELLENMESİ

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜSÜ KULLANILARAK BİNA ALANLARININ GÜNCELLENMESİ TMMOB Harita ve Kadastro Mühendisleri Odası 12. Türkiye Harita Bilimsel ve Teknik Kurultayı 11 15 Mayıs 2009, Ankara YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜSÜ KULLANILARAK BİNA ALANLARININ GÜNCELLENMESİ G. Sarp,

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ VE ÇOK DEĞİŞKENLİ İSTATİKSEL ANALİZ TEKNİKLERİ İLE KADİRLİ - ASLANTAŞ (OSMANİYE) ARASININ HEYELAN DUYARLILIK DEĞERLENDİRMESİ

COĞRAFİ BİLGİ SİSTEMLERİ VE ÇOK DEĞİŞKENLİ İSTATİKSEL ANALİZ TEKNİKLERİ İLE KADİRLİ - ASLANTAŞ (OSMANİYE) ARASININ HEYELAN DUYARLILIK DEĞERLENDİRMESİ TMMOB COĞRAFİ BİLGİ SİSTEMLERİ KONGRESİ 2013 11-13 Kasım 2013, Ankara COĞRAFİ BİLGİ SİSTEMLERİ VE ÇOK DEĞİŞKENLİ İSTATİKSEL ANALİZ TEKNİKLERİ İLE KADİRLİ - ASLANTAŞ (OSMANİYE) ARASININ HEYELAN DUYARLILIK

Detaylı

ArcGIS ile Tarımsal Uygulamalar Eğitimi

ArcGIS ile Tarımsal Uygulamalar Eğitimi ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel

Detaylı

FOTOGRAMETRİ DAİRESİ BAŞKANLIĞI FAALIYETLERI

FOTOGRAMETRİ DAİRESİ BAŞKANLIĞI FAALIYETLERI FOTOGRAMETRİ DAİRESİ BAŞKANLIĞI FAALIYETLERI Fotg.D.Bşk.lığı, yurt içi ve yurt dışı harita üretimi için uydu görüntüsü ve hava fotoğraflarından fotogrametrik yöntemlerle topoğrafya ve insan yapısı detayları

Detaylı

Muğla, Türkiye mermer üretiminde önemli bir yere sahiptir. Muğla da 2008 yılı rakamlarına göre 119 ruhsatlı mermer sahası bulunmaktadır.

Muğla, Türkiye mermer üretiminde önemli bir yere sahiptir. Muğla da 2008 yılı rakamlarına göre 119 ruhsatlı mermer sahası bulunmaktadır. Muğla, Türkiye mermer üretiminde önemli bir yere sahiptir. Muğla da 2008 yılı rakamlarına göre 119 ruhsatlı mermer sahası bulunmaktadır. İldeki madencilik faaliyetlerinin yapıldığı alanların çoğu orman

Detaylı

LANDSAT ETM+ KULLANILARAK TRABZON İLİ ARAZİ KULLANIM HARİTASININ ELDE EDİLMESİ

LANDSAT ETM+ KULLANILARAK TRABZON İLİ ARAZİ KULLANIM HARİTASININ ELDE EDİLMESİ LANDSAT ETM+ KULLANILARAK TRABZON İLİ ARAZİ KULLANIM HARİTASININ ELDE EDİLMESİ Selçuk REİS 1 ve Tahsin YOMRALIOĞLU 2 Karadeniz Teknik Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Bölümü,Trabzon www.gislab.ktu.edu.tr

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER

COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER COĞRAFİ BİLGİ SİSTEMLERİ İLERİ SEVİYE EĞİTİMLERİ 3D-SPATİAL ANALİZ ve MODEL BUİLDER http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat

Detaylı

Arş.Gör.Hüseyin TOPAN - http://jeodezi.karaelmas.edu.tr 1

Arş.Gör.Hüseyin TOPAN - http://jeodezi.karaelmas.edu.tr 1 Mikrodalga radyometre UZAKTAN ALGILAMADA GÖRÜNTÜLEME SİSTEMLERİ Hüseyin TOPAN Algılayıcı Pasif amaçlı olmayan amaçlı Manyetik algılayıcı Gravimetre Fourier spektrometresi Diğerleri Optik Film tabanlı Dijital

Detaylı

TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ*

TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* TÜRKİYE NİN BİTKİ ÖRTÜSÜ DEĞİŞİMİNİN NOAA UYDU VERİLERİ İLE BELİRLENMESİ* Determination the Variation of The Vegetation in Turkey by Using NOAA Satellite Data* Songül GÜNDEŞ Fizik Anabilim Dalı Vedat PEŞTEMALCI

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi

COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi COĞRAFİ BİLGİ SİSTEMLERİ 3D&Spatial Analyst ve ModelBuilder Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 40 Saat COĞRAFİ BİLGİ SİSTEMLERİ

Detaylı

18. ESRI KULLANICILAR KONFERANSI

18. ESRI KULLANICILAR KONFERANSI 18. ESRI KULLANICILAR KONFERANSI SEL VE TAŞKINA DUYARLI ALANLARIN CBS İLE BELİRLENMESİ: İSTANBUL AVRUPA YAKASI ÖRNEĞİ Arş.Grv. Mustafa YALÇIN Afyon Kocatepe Üniversitesi İÇERİK Sel ve Taşkın Duyarlılık

Detaylı

Kentsel Dönüşümde Coğrafi-Kent Bilgi Sistemleri

Kentsel Dönüşümde Coğrafi-Kent Bilgi Sistemleri Kentsel Dönüşümde Coğrafi-Kent Bilgi Sistemleri Prof. Dr. Tahsin YOMRALIOĞLU İTÜ İnşaat Fakültesi Geomatik Mühendisliği Bölümü ITU Faculty of Civil Engineering Department of Geomatics Engineering http://web.itu.edu.tr/tahsin

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA HAVZA KARAKTERİSTİKLERİNİN BELİRLENMESİ

COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA HAVZA KARAKTERİSTİKLERİNİN BELİRLENMESİ COĞRAFİ BİLGİ SİSTEMLERİ YARDIMIYLA HAVZA KARAKTERİSTİKLERİNİN BELİRLENMESİ Mustafa Utku YILMAZ 1, Evren ÖZGÜR 2, E. Beyhan YEĞEN 3 1 Kırklareli Üniversitesi, Mühendislik Fakültesi, İnşaat Mühendisliği

Detaylı

Karadeniz ve Ortadoğu Bölgesel Ani Taşkın Erken Uyarı Projesi

Karadeniz ve Ortadoğu Bölgesel Ani Taşkın Erken Uyarı Projesi Karadeniz ve Ortadoğu Bölgesel Ani Taşkın Erken Uyarı Projesi Hayreddin BACANLI Araştırma Dairesi Başkanı 1/44 İçindekiler Karadeniz ve Ortadoğu Ani Taşkın Erken Uyarı Projesi. Gayesi. Model Genel Yapısı.

Detaylı

Temel Haritacılık Bilgisi. Taha Sözgen İzmir, 2015

Temel Haritacılık Bilgisi. Taha Sözgen İzmir, 2015 1 Temel Haritacılık Bilgisi Taha Sözgen İzmir, 2015 2 İçerik Tarihçe Harita Türleri Topoğrafya Haritaları Hidrografya Haritaları Ortofoto Haritaları Ölçek Kavramı Bir Haritada Bulunması Gerekenler Küresel

Detaylı

Jeoloji Mühendisleri için ArcGIS Eğitimi

Jeoloji Mühendisleri için ArcGIS Eğitimi Jeoloji Mühendisleri için ArcGIS Eğitimi http://facebook.com/esriturkey https://twiter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 4 Gün 24 Saat Jeoloji Mühendisleri için ArcGIS Eğitimi Genel

Detaylı

Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme

Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme Twente Universitesi ITC Fakultesi, Enschede, Hollanda - 2013 Dr. Ediz ÜNAL Tarla Bitkileri Merkez

Detaylı

UZAKTAN ALGILAMA TEKNOLOJİLERİ ile ARAZİ ÖRTÜSÜ ve ARAZİ KULLANIMININ BELİRLENMESİ

UZAKTAN ALGILAMA TEKNOLOJİLERİ ile ARAZİ ÖRTÜSÜ ve ARAZİ KULLANIMININ BELİRLENMESİ Köy Hizmetleri Genel Müdürlüğü Toprak ve Su Kaynakları Ulusal Bilgi Merkezi UZAKTAN ALGILAMA TEKNOLOJİLERİ ile ARAZİ ÖRTÜSÜ ve ARAZİ KULLANIMININ BELİRLENMESİ Demir DEVECİGİL Alpaslan SAVACI Doç. Dr. D.Murat

Detaylı

FOTOYORUMLAMA UZAKTAN ALGILAMA. (Photointerpretation and Remote Sensing)

FOTOYORUMLAMA UZAKTAN ALGILAMA. (Photointerpretation and Remote Sensing) FOTOYORUMLAMA VE UZAKTAN ALGILAMA (Photointerpretation and Remote Sensing) 1 COĞRAFİ BİLGİ BİLGİSİSTEMİ İÇİN İÇİN ÖNEMLİ VERİ VERİTOPLAMA YÖNTEMLERİ YATAY YATAY ÖLÇMELER (X,Y) (X,Y) YATAY YATAY AÇILAR

Detaylı

Haritası yapılan bölge (dilim) Orta meridyen λ. Kuzey Kutbu. Güney Kutbu. Transversal silindir (projeksiyon yüzeyi) Yerin dönme ekseni

Haritası yapılan bölge (dilim) Orta meridyen λ. Kuzey Kutbu. Güney Kutbu. Transversal silindir (projeksiyon yüzeyi) Yerin dönme ekseni 1205321/1206321 Türkiye de Topografik Harita Yapımı Ölçek Büyük Ölçekli Haritalar 1:1000,1:5000 2005 tarihli BÖHHBYY ne göre değişik kamu kurumlarınca üretilirler. Datum: GRS80 Projeksiyon: Transverse

Detaylı

Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları

Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Coğrafi Veri Üretimi Bakış Açısı İle TÜBİTAK UZAY daki Uzaktan Algılama Araştırmaları Sunan: Dr. Ufuk SAKARYA TÜBİTAK UZAY Katkıda Bulunanlar: Mustafa Teke, Can Demirkesen, Ramazan Küpçü, Hüsne Seda Deveci,

Detaylı

Kuzey Kutbu. Yerin dönme ekseni

Kuzey Kutbu. Yerin dönme ekseni 1205321/1206321 Türkiye de Topoğrafik Harita Yapımı Ölçek Büyük Ölçekli Haritalar 1:1000,1:5000 2005 tarihli BÖHHBYY ne göre değişik kamu kurumlarınca üretilirler. Datum: GRS80 Projeksiyon: Transverse

Detaylı

Environmental Noise Directive. Veri Yönetimi Uzmanı Saul DAVIS, Anahtar Uzman 4

Environmental Noise Directive. Veri Yönetimi Uzmanı Saul DAVIS, Anahtar Uzman 4 TR2009/0327.03-01/001 Technical Assistance for Implementation Capacity for the () Çevresel Gürültü Direktifinin Uygulama Kapasitesi için Teknik Yardım Projesi Bu Proje Avrupa Birliği ve Türkiye Cumhuriyeti

Detaylı

ArcGIS ile Su Yönetimi Eğitimi

ArcGIS ile Su Yönetimi Eğitimi ArcGIS ile Su Yönetimi Eğitimi http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr Kursun Süresi: 5 Gün 30 Saat ArcGIS ile Su Yönetimi Genel Bir platform olarak ArcGIS,

Detaylı

ZONGULDAK İLİ KİLİMLİ İLÇESİ VE TERMİK SANTRAL BÖLGESİNİN ZAMANSAL DEĞİŞİMİNİN UZAKTAN ALGILAMA TEKNİKLERİ KULLANILARAK İNCELENMESİ

ZONGULDAK İLİ KİLİMLİ İLÇESİ VE TERMİK SANTRAL BÖLGESİNİN ZAMANSAL DEĞİŞİMİNİN UZAKTAN ALGILAMA TEKNİKLERİ KULLANILARAK İNCELENMESİ ZONGULDAK İLİ KİLİMLİ İLÇESİ VE TERMİK SANTRAL BÖLGESİNİN ZAMANSAL DEĞİŞİMİNİN UZAKTAN ALGILAMA TEKNİKLERİ KULLANILARAK İNCELENMESİ Mustafa USTAOĞLU 1, Aycan Murat MARANGOZ 2, Murat ORUÇ 2, Aliihsan ŞEKERTEKİN

Detaylı

Sayısal Yükseklik Modelinden Yararlanılarak Bazı Havza Karakteristiklerinin Belirlenmesi: Bursa Karacabey İnkaya Göleti Havzası Örneği

Sayısal Yükseklik Modelinden Yararlanılarak Bazı Havza Karakteristiklerinin Belirlenmesi: Bursa Karacabey İnkaya Göleti Havzası Örneği Sayısal Yükseklik Modelinden Yararlanılarak Bazı Havza Karakteristiklerinin Belirlenmesi: Bursa Karacabey İnkaya Göleti Havzası Örneği Ş. Tülin AKKAYA ASLAN * Kemal S. GÜNDOĞDU ** A. Osman DEMİR *** ÖZET

Detaylı

hkm 2004/90 5. Göllerin Çok Bantl Uydu Görüntülerinden Ç kar m 6. Sonuç ve Öneriler

hkm 2004/90 5. Göllerin Çok Bantl Uydu Görüntülerinden Ç kar m 6. Sonuç ve Öneriler Çöl arazide, yeşil bitki örtüsü su kenarlar nda bulunur. Bu ilişki göllerin ya da rmaklar n etraf nda yeşil bitki örtüsünün olabileceğini gösterir ve su nesnesinin tan nmas nda ve anlaş lmas nda yard mc

Detaylı

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları DÖNEM III HALK SAĞLIĞI-ADLİ TIP-BİYOİSTATİSTİK-TIP TARİHİ VE ETİK Ders Kurulu Başkanı : Prof. Dr. Günay SAKA TANI TESTLERİ (30.04.2014 Çrş. Y. ÇELİK) Duyarlılık (Sensitivity) ve Belirleyicilik (Specificity)

Detaylı

Uzaktan Alg ılamaya Giriş Ünite 6 - Görüntü O t r orektifikasyonu

Uzaktan Alg ılamaya Giriş Ünite 6 - Görüntü O t r orektifikasyonu Uzaktan Algılamaya Giriş Ünite 6 - Görüntü Ortorektifikasyonu Ortorektifikasyon Uydu veya uçak platformları ile elde edilen görüntü verisi günümüzde haritacılık ve CBS için temel girdi kaynağını oluşturmaktadır.

Detaylı

ARAZİ ÖRTÜSÜ HARİTALARININ ÜRETİLMESİNDE YERYÜZÜ ÖZELLİKLERİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ: TRABZON ÖRNEĞİ

ARAZİ ÖRTÜSÜ HARİTALARININ ÜRETİLMESİNDE YERYÜZÜ ÖZELLİKLERİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ: TRABZON ÖRNEĞİ ARAZİ ÖRTÜSÜ HARİTALARININ ÜRETİLMESİNDE YERYÜZÜ ÖZELLİKLERİNİN SINIFLANDIRMA DOĞRULUĞUNA ETKİLERİNİN İNCELENMESİ: TRABZON ÖRNEĞİ İ. Çölkesen*, T. Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü, Jeodezi ve

Detaylı

Yrd.Doç. Dr. Tülin ÇETİN

Yrd.Doç. Dr. Tülin ÇETİN Yrd.Doç. Dr. Tülin ÇETİN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Ege Üniversitesi Bilgisayar Mühendisliği 1987-1992 Lisans Celal Bayar Üniversitesi İnşaat Mühendisliği 2001-2004 Y. Lisans

Detaylı

Coğrafi Bilgi Sistemleri ile Sayısal Yükseklik Modelinden Topoğrafik ve Morfolojik Özelliklerin Üretilmesi

Coğrafi Bilgi Sistemleri ile Sayısal Yükseklik Modelinden Topoğrafik ve Morfolojik Özelliklerin Üretilmesi Coğrafi Bilgi Sistemleri ile Sayısal Yükseklik Modelinden Topoğrafik ve Morfolojik Özelliklerin Üretilmesi Extracting Topographical and Morphological Features from Digital Elevation Model Using Geographic

Detaylı

Uzaktan Algılama Teknolojisi. Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli

Uzaktan Algılama Teknolojisi. Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli Uzaktan Algılama Teknolojisi Doç. Dr. Taşkın Kavzoğlu Gebze Yüksek Teknoloji Enstitüsü Gebze, Kocaeli SPOT görüntüsü (Roma) 16-Aralık-2005 Source: earth.eas.int Uzaktan Algılama Dünya yüzeyinin gözlenmesi

Detaylı

ECAC Havaalanı Gürültüsü Hesaplama Metodunun Teknik Detayları Vitor Rosão

ECAC Havaalanı Gürültüsü Hesaplama Metodunun Teknik Detayları Vitor Rosão TR2009/0327.03-01/001 Technical Assistance for Implementation Capacity for the Environmental Noise Directive () Çevresel Gürültü Direktinin Uygulama Kapasitesi için Teknik Yardım Projesi ECAC Havaalanı

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA

COĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Taşınmaz Değerleme ve Geliştirme Tezsiz Yüksek Lisans Programı COĞRAFİ BİLGİ SİSTEMLERİ VE UZAKTAN ALGILAMA 1 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama İçindekiler

Detaylı

KÖY HİZMETLERİ GENEL MÜDÜRLÜĞÜ TOPRAK VE SU KAYNAKLARI ULUSAL BİLGİ MERKEZİ. Doç.Dr. D.Murat ÖZDEN Ziraat Yüksek Mühendisi

KÖY HİZMETLERİ GENEL MÜDÜRLÜĞÜ TOPRAK VE SU KAYNAKLARI ULUSAL BİLGİ MERKEZİ. Doç.Dr. D.Murat ÖZDEN Ziraat Yüksek Mühendisi KÖY HİZMETLERİ GENEL MÜDÜRLÜĞÜ TOPRAK VE SU KAYNAKLARI ULUSAL BİLGİ MERKEZİ Doç.Dr. D.Murat ÖZDEN Ziraat Yüksek Mühendisi 1.Giriş Ulusal düzeyde belirlenen görev, sorumluluk ve yetki çerçevesinde, kurumlar

Detaylı

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB Modelleri Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi Objelerin temsili Raster -- Grid Piksel Konum ve değeri Uydu görüntüleri ve hava fotoları bu formatta Vector -- Linear

Detaylı

Veri toplama- Yersel Yöntemler Donanım

Veri toplama- Yersel Yöntemler Donanım Veri toplama- Yersel Yöntemler Donanım Data Doç. Dr. Saffet ERDOĞAN 1 Veri toplama -Yersel Yöntemler Optik kamera ve lazer tarayıcılı ölçme robotu Kameradan gerçek zamanlı veri Doç. Dr. Saffet ERDOĞAN

Detaylı

PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI

PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI PROJEM İSTANBUL ARAŞTIRMA PROJESİ BİLGİSAYARLI GÖRÜ VE SINIFLANDIRMA TEKNİKLERİYLE ARAZİ KULLANIMININ OTOMATİK OLARAK BULUNMASI Proje Yüklenicisi: Yeditepe Üniversitesi Mühendislik ve Mimarlık Fakültesi

Detaylı

FARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI. Tolga BAKIRMAN 1

FARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI. Tolga BAKIRMAN 1 FARKLI YÖNTEMLERLE SINIFLANDIRILMIŞ UYDU GÖRÜNTÜLERİNİN BENZERLİK KARŞILAŞTIRMASI Tolga BAKIRMAN 1 1 Arş. Gör., Yıldız Teknik Üniversitesi, Harita Mühendisliği Bölümü, 34220, Davutpaşa, İstanbul, bakirman@yildiz.edu.tr

Detaylı

MTA Genel Müdürlüğü Tarafından Yürütülen TUCBS ve INSPIRE Standartları Çalışmaları

MTA Genel Müdürlüğü Tarafından Yürütülen TUCBS ve INSPIRE Standartları Çalışmaları 18 19 Kasım 2015, ATO Congresium, Ankara MTA Genel Müdürlüğü Tarafından Yürütülen TUCBS ve INSPIRE Standartları Çalışmaları Dr. Engin Öncü SÜMER, Dr. Erol TİMUR, Yıldız NURLU, Pemra KUMTEPE ve Dr. Türkan

Detaylı

EN BÜYÜK OLASILIK YÖNTEMİ KULLANILARAK BATI ANADOLU NUN FARKLI BÖLGELERİNDE ALETSEL DÖNEM İÇİN DEPREM TEHLİKE ANALİZİ

EN BÜYÜK OLASILIK YÖNTEMİ KULLANILARAK BATI ANADOLU NUN FARKLI BÖLGELERİNDE ALETSEL DÖNEM İÇİN DEPREM TEHLİKE ANALİZİ EN BÜYÜK OLASILIK YÖNTEMİ KULLANILARAK BATI ANADOLU NUN FARKLI BÖLGELERİNDE ALETSEL DÖNEM İÇİN DEPREM TEHLİKE ANALİZİ ÖZET: Y. Bayrak 1, E. Bayrak 2, Ş. Yılmaz 2, T. Türker 2 ve M. Softa 3 1 Doçent Doktor,

Detaylı

AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI

AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI AKARSULARDA KİRLENME KONTROLÜ İÇİN BİR DİNAMİK BENZETİM YAZILIMI *Mehmet YÜCEER, **Erdal KARADURMUŞ, *Rıdvan BERBER *Ankara Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü Tandoğan - 06100

Detaylı

ÇIĞ DUYARLILIK ANALİZİ RAPORU

ÇIĞ DUYARLILIK ANALİZİ RAPORU T.C... VALİLİĞİ İl Afet ve Acil Durum Müdürlüğü..İli, İlçesi, Beldesi.. Mevkii ÇIĞ DUYARLILIK ANALİZİ RAPORU Hazırlayanlar:. Arşiv No:.. Tarih: İÇİNDEKİLER DİZİNİ İÇINDEKILER DIZINI ŞEKILLLER DIZINI ÇIZELGELER

Detaylı

ÇOK ZAMANLI UYDU GÖRÜNTÜLERİ VE CBS İLE ALİBEYKÖY BARAJI VE YAKIN ÇEVRESİNİN ARAZİ KULLANIMI ÖZELLİKLERİNİN BELİRLENMESİ

ÇOK ZAMANLI UYDU GÖRÜNTÜLERİ VE CBS İLE ALİBEYKÖY BARAJI VE YAKIN ÇEVRESİNİN ARAZİ KULLANIMI ÖZELLİKLERİNİN BELİRLENMESİ ÇOK ZAMANLI UYDU GÖRÜNTÜLERİ VE CBS İLE ALİBEYKÖY BARAJI VE YAKIN ÇEVRESİNİN ARAZİ KULLANIMI ÖZELLİKLERİNİN BELİRLENMESİ Yasemin Özdemir, İrfan Akar Marmara Üniversitesi Coğrafya Bölümü Marmara Üniversitesi

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİNİN İNŞAAT ALANINDAKİ UYGULAMALARI

COĞRAFİ BİLGİ SİSTEMLERİNİN İNŞAAT ALANINDAKİ UYGULAMALARI COĞRAFİ BİLGİ SİSTEMLERİNİN İNŞAAT ALANINDAKİ UYGULAMALARI Ali Baran AKGÜN Egemen ÇAKIR Melike ERSOY Özlem PALABIYIK Danışman: Y. Doç. Dr. Esin ERGEN 1 İçerik CBS nedir? CBS nin inşaatta kullanım alanları

Detaylı

KENTSEL ALANLARDA AĞAÇLIK VE YEŞİL ALANLARIN UYDU GÖRÜNTÜLERİNDEN NESNE-TABANLI ÇIKARIMI VE COĞRAFİ BİLGİ SİSTEMLERİNE ENTEGRASYONU

KENTSEL ALANLARDA AĞAÇLIK VE YEŞİL ALANLARIN UYDU GÖRÜNTÜLERİNDEN NESNE-TABANLI ÇIKARIMI VE COĞRAFİ BİLGİ SİSTEMLERİNE ENTEGRASYONU KENTSEL ALANLARDA AĞAÇLIK VE YEŞİL ALANLARIN UYDU GÖRÜNTÜLERİNDEN NESNE-TABANLI ÇIKARIMI VE COĞRAFİ BİLGİ SİSTEMLERİNE ENTEGRASYONU Aycan Murat MARANGOZ, Serkan KARAKIŞ, Hakan AKÇIN, Murat ORUÇ Zonguldak

Detaylı

Ormancılıkta Uzaktan Algılama. 4.Hafta (02-06 Mart 2015)

Ormancılıkta Uzaktan Algılama. 4.Hafta (02-06 Mart 2015) Ormancılıkta Uzaktan Algılama 4.Hafta (02-06 Mart 2015) Hava fotoğrafı; yeryüzü özelliklerinin kuşbakışı görüntüsüdür. Hava fotoğrafları, yersel fotoğraf çekim tekniğinde olduğu gibi ait oldukları objeleri

Detaylı

olmak üzere 4 ayrı kütükte toplanan günlük GPS ölçüleri, baz vektörlerinin hesabı için bilgisayara aktarılmıştır (Ersoy.97).

olmak üzere 4 ayrı kütükte toplanan günlük GPS ölçüleri, baz vektörlerinin hesabı için bilgisayara aktarılmıştır (Ersoy.97). 1-) GPS Ölçülerinin Yapılması Ölçülerin yapılacağı tarihlerde kısa bir süre gözlem yapılarak uydu efemerisi güncelleştirilmiştir. Bunun sonunda ölçü yapılacak bölgenin yaklaşık koordinatlarına göre, bir

Detaylı

COĞRAFİ BİLGİ SİSTEMLERİ

COĞRAFİ BİLGİ SİSTEMLERİ COĞRAFİ BİLGİ SİSTEMLERİ HARİTA TABANLI PLANLAMA VE YÖNETİM Prof.Dr. Vahap TECİM Dokuz Eylül Üniversitesi HARİTADAN DA ÖTE COĞRAFİ BİLGİ SİSTEMLERİ BİLGİ SİSTEMİ Donanım Yazılım Veriler Personel Yeryüzü

Detaylı

HEYELAN DUYARLILIK HARİTASININ ÜRETİLMESİNDE KULLANILAN FAKTÖRLERİN ETKİLERİNİN ARAŞTIRILMASI: DÜZKÖY ÖRNEĞİ

HEYELAN DUYARLILIK HARİTASININ ÜRETİLMESİNDE KULLANILAN FAKTÖRLERİN ETKİLERİNİN ARAŞTIRILMASI: DÜZKÖY ÖRNEĞİ HEYELAN DUYARLILIK HARİTASININ ÜRETİLMESİNDE KULLANILAN FAKTÖRLERİN ETKİLERİNİN ARAŞTIRILMASI: DÜZKÖY ÖRNEĞİ Taşkın KAVZOĞLU 1, İsmail ÇÖLKESEN 2, Emrehan Kutluğ ŞAHİN 2 1 Prof. Dr., Gebze Yüksek Teknoloji

Detaylı

ONDOKUZMAYIS İLÇESİ NDE (SAMSUN) AFETE YÖNELİK CBS ÇALIŞMALARI

ONDOKUZMAYIS İLÇESİ NDE (SAMSUN) AFETE YÖNELİK CBS ÇALIŞMALARI TÜRKİYE 17. ESRI KULLANICILARI TOPLANTISI ONDOKUZMAYIS İLÇESİ NDE (SAMSUN) AFETE YÖNELİK CBS ÇALIŞMALARI Kıvanç ÇALIŞKAN Harita Mühendisi 25 Mayıs 2012 - ANKARA SUNUM İÇERİĞİ GİRİŞ AMAÇ VE KAPSAM MATERYAL,

Detaylı

CBS DESTEKLİ TAŞKIN ALANLARININ BELİRLENMESİ: KAVAKÖZÜ DERESİ ÖRNEĞİ GIS AIDED DETERMINATION OF FLOOD AREAS: KAVAKÖZÜ CREEK CASE STUDY

CBS DESTEKLİ TAŞKIN ALANLARININ BELİRLENMESİ: KAVAKÖZÜ DERESİ ÖRNEĞİ GIS AIDED DETERMINATION OF FLOOD AREAS: KAVAKÖZÜ CREEK CASE STUDY CBS DESTEKLİ TAŞKIN ALANLARININ BELİRLENMESİ: KAVAKÖZÜ DERESİ ÖRNEĞİ Ü. TONBUL 1 1 Devlet Su İşleri 5. Bölge Müdürlüğü, Harita Mühendisi, Çorum, umittonbul@dsi.gov.tr Özet Bu çalışmanın amacı, Osmancık

Detaylı

YÜZEYSULARI ÇALIŞMA GRUBU

YÜZEYSULARI ÇALIŞMA GRUBU 1/23 HEDEFLER Mühendislerimiz ve akademisyenlerimiz ile birlikte gelişmiş yöntem ve teknikleri kullanarak; su kaynaklarımızın planlama, inşaat ve işletme aşamalarındaki problemlere çözüm bulmak ve bu alanda

Detaylı

TMMOB Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita Bilimsel ve Teknik Kurultayı 28 Mart - 1 Nisan 2005, Ankara COĞRAFİ BİLGİ SİSTEMLERİ İLE İL ÖLÇEĞİNDE AFET YÖNETİM AMAÇLI PLANLAMA S. Reis

Detaylı

PROJE AŞAMALARI. Kaynak Envanterinin Oluşturulması. Emisyon Yükü Hesaplamaları

PROJE AŞAMALARI. Kaynak Envanterinin Oluşturulması. Emisyon Yükü Hesaplamaları PROJENİN AMACI Bölgesel Temiz Hava Merkezlerinden olan Ankara merkez olmak üzere; Bartın, Bolu, Çankırı, Düzce, Eskişehir, Karabük, Kastamonu, Kırıkkale, Kırşehir, Kütahya, Yozgat ve Zonguldak illerinde

Detaylı

Bulanık Mantık Tabanlı Uçak Modeli Tespiti

Bulanık Mantık Tabanlı Uçak Modeli Tespiti Bulanık Mantık Tabanlı Uçak Modeli Tespiti Hüseyin Fidan, Vildan Çınarlı, Muhammed Uysal, Kadriye Filiz Balbal, Ali Özdemir 1, Ayşegül Alaybeyoğlu 2 1 Celal Bayar Üniversitesi, Matematik Bölümü, Manisa

Detaylı

1999 yılı sonundan itibaren 1/25.000 ölçekli harita üretimi sayısal olarak yapılmaya başlanmıştır.

1999 yılı sonundan itibaren 1/25.000 ölçekli harita üretimi sayısal olarak yapılmaya başlanmıştır. Kartografya Dairesi Başkanlığı Faaliyetleri 1. Fotogrametri Dairesi Başkanlığı tarafından hazırlanan, yurt içi 1/25.000 ölçekli ve yurt dışı 1/50.000 ölçekli sayısal verilerin, kartografik düzenlemeleri

Detaylı

TARBİL Kapsamında Uydu ve Yersel Veri Tespit, Kayıtçı İşlem Yönetim Sistemi Geliştirilmesi

TARBİL Kapsamında Uydu ve Yersel Veri Tespit, Kayıtçı İşlem Yönetim Sistemi Geliştirilmesi TARBİL Kapsamında Uydu ve Yersel Veri Tespit, Kayıtçı İşlem Yönetim Sistemi Geliştirilmesi Kurum Adı : İstanbul Teknik Üniversitesi Bilimsel Araştırma Projeleri Birimi Proje Durumu : Tamamlandı. Projenin

Detaylı

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL VERİ MADENCİLİĞİ Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL SPRINT Algoritması ID3,CART, ve C4.5 gibi algoritmalar önce derinlik ilkesine göre çalışırlar ve en iyi dallara ayırma kriterine

Detaylı

CORINE 1990 ve 2006 Uydu Görüntüsü Yorumlama Projesi. Kurum adı : T.C. Orman ve Su İşleri Bakanlığı. Proje durumu : Tamamlandı.

CORINE 1990 ve 2006 Uydu Görüntüsü Yorumlama Projesi. Kurum adı : T.C. Orman ve Su İşleri Bakanlığı. Proje durumu : Tamamlandı. CORINE 1990 ve 2006 Uydu Görüntüsü Yorumlama Projesi Kurum adı : T.C. Orman ve Su İşleri Bakanlığı Proje durumu : Tamamlandı. Uygulama adresleri: http://aris.cob.gov.tr/crn/ http://aris.cob.gov.tr/csa/

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing

Detaylı

Dijital Görüntü İşleme Teknikleri

Dijital Görüntü İşleme Teknikleri Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.

Detaylı

ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI

ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI ORM 7420 ORMAN KAYNAKLARININ PLANLANMASINDA UYGU GÖRÜNTÜLERİNİN KULLANILMASI Yrd. Doç. Dr. Uzay KARAHALİL III. Hafta (Uyduların Detay Tanıtımı Sunum Akışı Doğal Kaynak İzleyen Uygular Hangileri Uyduların

Detaylı

KADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ

KADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ KADASTRO HARİTALARININ SAYISALLAŞTIRILMASINDA KALİTE KONTROL ANALİZİ Yasemin ŞİŞMAN, Ülkü KIRICI Sunum Akış Şeması 1. GİRİŞ 2. MATERYAL VE METHOD 3. AFİN KOORDİNAT DÖNÜŞÜMÜ 4. KALİTE KONTROL 5. İRDELEME

Detaylı

ZONGULDAK ORMANLIK ALANLARINDAKİ KAÇAK YAPILAŞMANIN UYDU GÖRÜNTÜLERİNDEN OTOMATİK NESNE ÇIKARIMI YAPILARAK CBS İLE ANALİZİ

ZONGULDAK ORMANLIK ALANLARINDAKİ KAÇAK YAPILAŞMANIN UYDU GÖRÜNTÜLERİNDEN OTOMATİK NESNE ÇIKARIMI YAPILARAK CBS İLE ANALİZİ ZONGULDAK ORMANLIK ALANLARINDAKİ KAÇAK YAPILAŞMANIN UYDU GÖRÜNTÜLERİNDEN OTOMATİK NESNE ÇIKARIMI YAPILARAK CBS İLE ANALİZİ * H. Akçın, A. M. Marangoz, S. Karakış, H. Şahin *Zonguldak Karaelmas Üniversitesi

Detaylı

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü

3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü 3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,

Detaylı

YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2

YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI. Sibel SELİM 1 Efe SARIBAY 2 Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi Cilt 5, Sayı:2, 2003 YABANCI DİL EĞİTİMİ VEREN ÖZEL BİR EĞİTİM KURUMUNDAKİ ÖĞRENCİLERİN BEKLENTİLERİNİN ARAŞTIRILMASI Sibel SELİM 1 Efe SARIBAY

Detaylı

ÖZGEÇMİŞ VE ESERLER LİSTESİ

ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ VE ESERLER LİSTESİ ÖZGEÇMİŞ Adı Soyadı : TAŞKIN KAVZOĞLU Doğum Tarihi : 3 MAYIS 1972 Ünvanı : Prof. Dr. Öğrenim Durumu : Derece Alan Üniversite Yıl Lisans Jeodezi ve Fotogrametri Karadeniz Teknik

Detaylı

ÖĞRETĠM ELEMANLARININ ÖZGEÇMĠġLERĠ

ÖĞRETĠM ELEMANLARININ ÖZGEÇMĠġLERĠ ÖĞRETĠM ELEMANLARININ ÖZGEÇMĠġLERĠ 1. Adı Soyadı: Güler YALÇIN 2. Doğum Tarihi: 21/10/1975 3. Ünvanı: Yrd. Doc. Dr. 4. Öğrenim Durumu: Derece Alan Üniversite Yıl Lisans Jeodezi ve Fotogrametri Müh. A.B.D

Detaylı

MURGUL BAKIR OCAKLARINDAKİ ALANSAL DEĞİŞİMİN UZAKTAN ALGILAMA YÖNTEMİ İLE BELİRLENMESİ

MURGUL BAKIR OCAKLARINDAKİ ALANSAL DEĞİŞİMİN UZAKTAN ALGILAMA YÖNTEMİ İLE BELİRLENMESİ TMMOB Harita ve Kadastro Mühendisleri Odası 12. Türkiye Harita Bilimsel ve Teknik Kurultayı 11 15 Mayıs 2009, Ankara MURGUL BAKIR OCAKLARINDAKİ ALANSAL DEĞİŞİMİN UZAKTAN ALGILAMA YÖNTEMİ İLE BELİRLENMESİ

Detaylı

TAŞKIN YÖNETİMİNDE MODELLEME ÇALIŞMALARI

TAŞKIN YÖNETİMİNDE MODELLEME ÇALIŞMALARI T.C. ORMAN VE SU İŞLERİ BAKANLIĞI SU YÖNETİMİ GENEL MÜDÜRLÜĞÜ TAŞKIN YÖNETİMİNDE MODELLEME ÇALIŞMALARI Tuğçehan Fikret GİRAYHAN Orman ve Su İşleri Uzmanı 17.11.2015- ANTALYA İÇERİK Taşkın Kavramı ve Türkiye

Detaylı

YÜKSEK ÇÖZEBİLİRLİKLİ UYDU GÖRÜNTÜLERİNİN BİLGİ İÇERİKLERİNİN KARŞILAŞTIRILMASI

YÜKSEK ÇÖZEBİLİRLİKLİ UYDU GÖRÜNTÜLERİNİN BİLGİ İÇERİKLERİNİN KARŞILAŞTIRILMASI YÜKSEK ÇÖZEBİLİRLİKLİ UYDU GÖRÜNTÜLERİNİN BİLGİ İÇERİKLERİNİN KARŞILAŞTIRILMASI Ferihan ÖZFİDAN, Hüseyin TOPAN, Hakan ŞAHİN, Serkan KARAKIŞ Zonguldak Karaelmas Üniversitesi, Mühendislik Fakültesi, Jeodezi

Detaylı

ÇEV 361 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama. Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/

ÇEV 361 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama. Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ ÇEV 361 Coğrafi Bilgi Sistemleri ve Uzaktan Algılama Yrd. Doç. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Coğrafi Bilgi Sistemleri (CBS) CBS, karmaşık planlama ve yönetim problemlerinin çözümü için,

Detaylı

Fotogrametri Anabilim dalında hava fotogrametrisi ve yersel fotogrametri uygulamaları yapılmakta ve eğitimleri verilmektedir.

Fotogrametri Anabilim dalında hava fotogrametrisi ve yersel fotogrametri uygulamaları yapılmakta ve eğitimleri verilmektedir. FOTOGRAMETRİ ANABİLİM DALI Fotogrametri eski Yunancadaki Photos+Grama+Metron (Işık+Çizim+Ölçme) kelimelerinden Eski Yunancadan bati dillerine giren Fotogrametri sözcüğü 3 kök sözcükten oluşur. Photos(ışık)

Detaylı

Görüntü Segmentasyonu (Bölütleme)

Görüntü Segmentasyonu (Bölütleme) Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü

Detaylı

BURSA ĠLĠ ĠÇĠN ZEMĠN SINIFLAMASI VE SĠSMĠK TEHLĠKE DEĞERLENDĠRMESĠ PROJESĠ

BURSA ĠLĠ ĠÇĠN ZEMĠN SINIFLAMASI VE SĠSMĠK TEHLĠKE DEĞERLENDĠRMESĠ PROJESĠ BURSA ĠLĠ ĠÇĠN ZEMĠN SINIFLAMASI VE SĠSMĠK TEHLĠKE DEĞERLENDĠRMESĠ PROJESĠ AMAÇ BÜYÜKŞEHİR BELEDİYESİ ile TÜBİTAK Marmara Araştırma Merkezi (TÜBİTAK-MAM) arasında protokol imzalanmıştır. Projede, Bursa

Detaylı

Sayısal Yükseklik Modellerinin Arazi Boy kesitlerinin Çıkarılmasında Kullanımı. Use of DEM in Creating Land Profile Sections

Sayısal Yükseklik Modellerinin Arazi Boy kesitlerinin Çıkarılmasında Kullanımı. Use of DEM in Creating Land Profile Sections Sayısal Yükseklik Modellerinin Arazi Boy kesitlerinin Çıkarılmasında Kullanımı Kemal Sulhi GÜNDOĞDU 1 ÖZET Coğrafi Bilgi Sistemlerinin geliştirilmesine paralel olarak Sayısal Yükseklik Modellerinin(SYM)

Detaylı

ARAZİ KULLANIM POTANSİYELİNİN BELİRLENMESİ VE UZAKTAN ALGILAMA TEKNOLOJİSİ Öğr.Gör. Altay ERBULAK 3

ARAZİ KULLANIM POTANSİYELİNİN BELİRLENMESİ VE UZAKTAN ALGILAMA TEKNOLOJİSİ Öğr.Gör. Altay ERBULAK 3 ARAZİ KULLANIM POTANSİYELİNİN BELİRLENMESİ VE UZAKTAN ALGILAMA TEKNOLOJİSİ Öğr.Gör. Altay ERBULAK 3 ÖZET Öğr.Gör. Murat ŞEN 1 Bu çalışmada bölgesel planlamaya esas olacak dataların bilgisayar ortamında

Detaylı

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması

Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması Karaciğerde Oluşan Hastalıkların Tespitinde Makine Öğrenmesi Yöntemlerinin Kullanılması 1 Emre DANDIL Bilecik Ş. Edebali Üniversitesi emre.dandil@bilecik.edu.tr +90228 214 1613 Sunum İçeriği Özet Giriş

Detaylı

Karar Ağaçları İle Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği

Karar Ağaçları İle Uydu Görüntülerinin Sınıflandırılması: Kocaeli Örneği Harita Teknolojileri Elektronik Dergisi Cilt: 2, No: 1, 2010 (36-45) Electronic Journal of Map Technologies Vol: 2, No: 1, 2010 (36-45) TEKNOLOJĠK ARAġTIRMALAR www.teknolojikarastirmalar.com e-issn: 1309-3983

Detaylı

TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM

TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM TARIMSAL ÜRÜN SINIFLANDIRMADA ÇİZGE-TABANLI YÖNTEM: YENİ BİR YAKLAŞIM A. Özdarıcı Ok a, *. A. Ö. Ok b a Yüzüncü Yıl Üniversitesi, Mühendislik-Mimarlık Fakültesi, Şehir ve Bölge Planlama Bölümü, 65080,

Detaylı

TAŞKIN ARAŞTIRMALARINDA ÇOK KRİTERLİ KARAR VERME ANALİZİ VE HİDROLOJİK MODELLEMELERİN UZAKTAN ALGILAMA VE CBS ENTEGRASYONU İLE KARŞILAŞTIRILMASI

TAŞKIN ARAŞTIRMALARINDA ÇOK KRİTERLİ KARAR VERME ANALİZİ VE HİDROLOJİK MODELLEMELERİN UZAKTAN ALGILAMA VE CBS ENTEGRASYONU İLE KARŞILAŞTIRILMASI TAŞKIN ARAŞTIRMALARINDA ÇOK KRİTERLİ KARAR VERME ANALİZİ VE HİDROLOJİK MODELLEMELERİN UZAKTAN ALGILAMA VE CBS ENTEGRASYONU İLE KARŞILAŞTIRILMASI İrfan Akar 1, Derya Maktav 2 1 Marmara Üniversitesi, Ortadoğu

Detaylı

T.C. ÇEVRE VE ŞEHİRCİLİK BAKANLIĞI. Coğrafi Bilgi Sistemleri Genel Müdürlüğü Veri İşçiliği Projesi

T.C. ÇEVRE VE ŞEHİRCİLİK BAKANLIĞI. Coğrafi Bilgi Sistemleri Genel Müdürlüğü Veri İşçiliği Projesi T.C. ÇEVRE VE ŞEHİRCİLİK BAKANLIĞI Coğrafi Bilgi Sistemleri Genel Müdürlüğü Veri İşçiliği Projesi 1 Projenin Amacı ve Kapsamı Projenin Amacı Bakanlığımız bünyesinde çok çeşitli seviyelerde üretilen coğrafi

Detaylı

sayısal haritalardan taşkın tahmin we erken uyars sistemlerinde yararlanma

sayısal haritalardan taşkın tahmin we erken uyars sistemlerinde yararlanma sayısal haritalardan taşkın tahmin we erken uyars sistemlerinde yararlanma Prof. Dr. Şenol Kuşçu ÖZET Baraj, gölet, köprü ve menfezlerin; yol Bir dere ya da ırmağın yağış havzasının hendeklerinin, şehirlerde

Detaylı

UYDU KAR ÜRÜNÜ VERİLERİYLE TÜRKİYE İÇİN BÖLGESEL VE MEVSİMSEL KARLA KAPLI ALAN TREND ANALİZİ

UYDU KAR ÜRÜNÜ VERİLERİYLE TÜRKİYE İÇİN BÖLGESEL VE MEVSİMSEL KARLA KAPLI ALAN TREND ANALİZİ UYDU KAR ÜRÜNÜ VERİLERİYLE TÜRKİYE İÇİN BÖLGESEL VE MEVSİMSEL KARLA KAPLI ALAN TREND ANALİZİ İbrahim SÖNMEZ 1, Ahmet Emre TEKELİ 2, Erdem ERDİ 3 1 Ondokuz Mayıs Üniversitesi, Meteoroloji Mühendisliği Bölümü,

Detaylı

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007

Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK. 2 Şubat 2007 AVUÇ İZİ VE PARMAK İZİNE DAYALI BİR BİYOMETRİK TANIMA SİSTEMİ Elena Battini SÖNMEZ Önder ÖZBEK N. Özge ÖZBEK İstanbul Bilgi Üniversitesi Bilgisayar Bilimleri 2 Şubat 2007 Biyometrik Biyometrik, kişileri

Detaylı

AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ

AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ AKTİF KAYNAKLI YÜZEY DALGASI (MASW) YÖNTEMINDE FARKLI DOĞRUSAL DIZILIMLERIN SPEKTRAL ÇÖZÜNÜRLÜLÜĞÜ M.Ö.Arısoy, İ.Akkaya ve Ü. Dikmen Ankara Üniversitesi Mühendislik Fakültesi Jeofizik Mühendisliği Bölümü,

Detaylı

1.GİRİŞ. Şevki İSKENDEROĞLU 1, Bahadır İbrahim KÜTÜK 2, Şerife Pınar GÜVEL 3, Aynur FAYRAP 4,Mehmet İrfan ASLANKURT 5

1.GİRİŞ. Şevki İSKENDEROĞLU 1, Bahadır İbrahim KÜTÜK 2, Şerife Pınar GÜVEL 3, Aynur FAYRAP 4,Mehmet İrfan ASLANKURT 5 SULAMA PROJELERİ TABANSUYU İZLEME FAALİYETİNİN COĞRAFİ BİLGİ SİSTEMİNDE İNCELENMESİ VE DEĞERLENDİRİLMESİNDE AŞAĞI SEYHAN OVASI SOL SAHİL SULAMA PROJESİ ÖRNEĞİ Şevki İSKENDEROĞLU 1, Bahadır İbrahim KÜTÜK

Detaylı

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI

KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI KIRIKKALE ÜNİVERSİTESİ FEN-EDEBIYAT FAKÜLTESİ İSTATİSTİK BÖLÜMÜ LİSANS PROGRAMI Kırıkkale Üniversitesi Fen-Edebiyat Fakültesi İstatistik Bölümü Lisans Programı, Kırıkkale Üniversitesi Önlisans ve Lisans

Detaylı

Dijital (Sayısal) Fotogrametri

Dijital (Sayısal) Fotogrametri Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak

Detaylı

Fielding ve diğ. 1994, Geology

Fielding ve diğ. 1994, Geology Yükseklik (Km) Yıllık Yağış (m) Güney Fielding ve diğ. 1994, Geology Kuzey Maksimum Yağış Yakın Minimum Rölyef Uzaklık (Km) Amerikan Jeoloji Kurumunun izniyle kullanılmıştır Hızlı Akış Kalınlaşmaya bağlı

Detaylı

CBS Arc/Info Kavramları

CBS Arc/Info Kavramları Arc/Info Kavramları Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi (ESRI) Environmental Systems Research Institute Dünyadaki 50 büyük yazılım şirketinden birisidir Pazarın 1/3

Detaylı

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr

Detaylı