YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI ÖZET

Transkript

1 III. Ulusal Karadeniz Ormancılık Kongresi Mayıs 2010 Cilt: II Sayfa: YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI Muhittin İNAN 1, Hakan YENER 1 1 İstanbul Üniversitesi, Orman Fakültesi, O.M. Bölümü, İstanbul, inan@istanbul.edu.tr ÖZET Son yıllarda yüksek geometrik çözünürlüklü bazı uydu verileri yardımıyla geniş alanlarda yayılış gösteren orman örtüsü hakkında oldukça ayrıntılı bilgiler elde edilebilmektedir. Ancak ormanın gelişimine etki eden doğal ve yapay birçok faktör orman örtüsünün çok heterojen bir yapıya sahip olmasına da neden olmaktadır. Bu heterojen yapı nedeniyle orman örtüsünün sınıflandırılmasında geleneksel piksel-tabanlı sınıflandırma yöntemleri (en yüksek benzerlik gibi) yetersiz kalabilmektedir. Geleneksel yöntemlerin aksine segment-tabanlı sınıflandırmada türdeş spektral benzerliğe sahip piksellerin gruplandırılması (segmentasyonu) esas alındığı için yüksek çözünürlüklü uydu verilerinin kullanıldığı çalışmalarda üstünlüklere sahiptir. Bu çalışmada segment tabanlı sınıflandırma yöntemi, yüksek çözünürlüklü QuickBird uydu görüntüleri kullanılarak İstanbul Belgrad Orman örtüsünün sınıflandırılmasında kullanılmıştır. Çalışmanın sonuçları, segment-tabanlı sınıflandırma yaklaşımının QuickBird gibi yüksek çözünürlüklü uydu görüntüleri kullanılarak orman örtüsünün sınıflandırılmasında umut verici bir yöntem olduğunu göstermiştir. Segment-tabanlı sınıflandırma yöntemi orman örtüsünün sınıflandırma doğruluğunu piksel- tabanlı sınıflandırma yöntemine göre daha da geliştirmiştir. Anahtar Kelimeler: Segment tabanlı sınıflandırma, piksel tabanlı sınıflandırma, Uzaktan Algılama, QuickBird SEGMENT BASED CLASSIFICATION OF FOREST COVER USING HIGH RESOLUTION SATELLITE IMAGES ABSTRACT In recent years, very detailed information about the forest cover that spread over very broad areas can be gathered by using high resolution satellite images. But, the forest cover could be structured heterogeneously because of natural and artificial factors that effects the forest structure. Because of this heterogenic structure, traditional pixel based classification methods like maximum likelihood classification method could be inadequate for classification of complex forest cover. Contrast to these traditional methods, segment based classification method has some priorities in the studies with high resolution satellite images since the method based on the classification of pixels that have homogenous spectral similarities. In this study, segment based classification method has been used for classifying the Belgrad Forest cover with high resolution QuickBird satellite images. This study indicated that the segment based classification approach is a promising method for forest cover classification using high resolution satellite images like QuickBird. It can be claimed that this approach gives more accurate and satisfying results when compared to the pixel based approach. Keywords: Segment based classification, Pixel based classification, Remote sensing, QuickBird 471

2 1. Giriş: Geleneksel kontrollü ve kontrolsüz sınıflandırma yöntemleri tipik olarak eğitim alanındaki tüm piksellerin birleşimine ait spektral yansıma değerini verilen sınıf tipine atar (Huguenin, Karaska, Blaricom ve Jensen 1997) yani sınıflandırmada işleminde sadece spektral bilgiden yararlanılır. Bu yüzden en yüksek benzerlik (maximum likelihood classification) gibi piksel tabanlı sınıflandırma yöntemleri QuickBird veya Ikonos gibi yüksek geometrik çözünürlüğe sahip uydu verilerinin sınıflandırılmasında yetersiz kalabilmektedir. Geleneksel yöntemlerin aksine segment-tabanlı sınıflandırmada ilk olarak türdeş spektral benzerliğe sahip piksellerin gruplandırılması ile segmentler oluşturulur. Sonra her bir sınıf için belirlenen spektral, mekansal, bağlamsal ve texturel bilgileri içeren sınıflandırma koşul setine göre akıllandırılmış sınıflandırma yöntemi uygulanır. En sonunda da bu koşul seti çalıştırılarak, her bir segment uygun sınıfa atanır (Leurkert, 2004). Ayrıca bu yöntemde isteğe bağlı olarak gerekli coğrafi bilgi katmanları, sayısal arazi modelleri de sınıflandırma yöntemine kolayca entegre edilebilir ve sınıflandırma sürecinde kullanılabilir. Bu üstünlüklerinden dolayı segment bazlı sınıflandırma yöntemi yüksek çözünürlüklü uydu görüntüleri ve radar verileri için uygun bir sınıflandırma yöntemi olarak görünmektedir. Bu çalışmada, QuickBird uydu verisi kullanılarak segment tabanlı sınıflandırma yönteminin orman örtüsünü sınıflandırmada ki başarısı test edilmiş ve sonuçlar geleneksel piksel tabanlı sınıflandırma yöntemi ile kıyaslanmıştır. Segment tabanlı sınıflandırma işlemi IDRISI Taiga yazılımı, piksel tabanlı sınıflandırma işleminde ise ERDAS Imagine yazılımı kullanılmıştır. Sonuç veriler üzerinden doğruluk analizleri yapılmış ve her iki yaklaşıma ait sonuçlar karşılaştırılmıştır. 2. Çalışma Alanı ve Kullanılan Veriler Çalışmada test alanı olarak İstanbul Belgrad Ormanı yakınlarında yer alan Atatürk Arberetumu ve yakın çevresi seçilmiştir. ve coğrafi olarak 41 11'-41 09' kuzey enlemleri ile 28 58'-29 01' doğu boylamları arasında yer almaktadır. Çalışma alanında piksel ve segment tabanlı sınıflandırma yöntemlerini test etmek için 1 Haziran 2008 tarihinde alınan QuickBird uydu görüntü setinden (Şekil 1 - a,b) ilgili kesim kesilerek kullanılmıştır. Çalışmada ayrıca Bahçeköy Orman İşletme Şefliğine ait sayısal amenajman haritaları kontrol ve eğitim sınıflarının belirlenmesinde yardımcı veri olarak kullanılmıştır. Bu altlıklarda ağaç türlerinin servet ve artım bilgilerinin yanı sıra bölmecik içindeki kayalık, boşluk gibi fiziki özellikler ile ağaçların oluşturduğu grup ve bağımsız yayılışlar hakkında da bilgiler bulunmaktadır. 472

3 3. Yöntem Bu çalışmada segment tabanlı sınıflandırma yönteminin orman örtüsünün sınıflandırmadaki yeterliliği ve geleneksel sınıflandırma yöntemlerine göre durumu test edilmiştir. Bu amaçla izlenen yöntem üç ana başlık altında toplanabilir; (1) Veri Setinin Hazırlanması ve Görüntü İşleme : 1 Haziran 2008 tarihinde alınan QuickBird uydu görüntü orijinalinde koordinatlandırılmış olmasına rağmen 1/1000 ölçekli sayısal eşyükselti eğrilerinden oluşturulan sayısal arazi modeli ve yersel DGPS ölçümleri ile elde edilen yer kontrol noktalarından yararlanarak görüntünün pankromatik ve multispektral bantları ayrı ayrı ortorectifiye edilmiş ve görüntü UTM, Zone 35 N Projeksiyon sisteminde, international 1909 spheroid ve ED50 datumunda yeniden örneklenmiştir. Buna takiben görüntüye geometrik ayrım gücü yüksek görüntüyle (pankromatik-0,74m) ile spektral ayrım gücü yüksek olan görüntünün (multispektral-4 band, 2.4 m) her ikisinin de en iyi özelliklerinden yararlanabilmek için çözünürlük birleştirme işlemi uygulanmıştır (Yener, 2003). Çözünürlük birleştirmede temel bileşenler analiz yöntemi ve kübik katlama örnekleme tekniği kullanılarak segment ve piksel tabanlı sınıflandırma tekniklerinin test edileceği nihai görüntü elde edilmiştir (Şekil 1-c). a b c Şekil 1. QuickBird pankromatik(a), multispektral(b) ve çözünürlük birleştirme görüntüsü(c) (2) Sınıflandırma : Bu aşamada 2 farklı yaklaşım izlenmiştir. Öncelikle çözünürlük birleştirme görüntüsüne segmentasyon işlemi uygulanmıştır. Test işleminde denemeler sonucu segment ölçeği 0.50, segment birleştirme ölçeği ise 0.55 olarak seçilmiş ve segmentasyon da ön tanımlı mekansal, spektral ve texturel özellikler hesaplamaya dahil edilmiştir. Akıllandırılmış sınıflandırma işlemine geçilmeden önce yersel kontrol ve sayısal altlıklara yardımıyla test alanı içerisindeki sınıflar (Orman T1 ve Orman T2, Su, Bina/Yerleşim, Yol ve Gölge) belirlenmiş ve bu sınıflara göre konumu ve niteliği tam olarak bilinen yerlerden eğitim alanları alınmış ve sınıflandırma 473

4 koşulları belirlenmiştir. Daha sonra bu sınıflandırma koşul setine uygun olarak IDRISI yazılımında hazırlanan makro çalıştırılarak segment tabanlı sınıflandırma gerçekleştirilmiştir (Şekil 2). Piksel tabanlı sınıflandırmada, kontrollü sınıflandırma yöntemi en yüksek benzerlik algoritması ile kullanılmıştır. Sınıflandırma sonuçlarını karşılaştırabilmek için her iki sınıflandırmada da aynı eğitim alanları ve sınıfları kullanılmıştır. ERDAS Imagine yazılımı kullanılarak sınıflandırma gerçekleştirilmiş ve elde edilen sonuç görüntü Şekil 2'de verilmiştir. (3) Doğruluk Analizi : Sınıflandırma uygulamasının tamamlanabilmesi için elde edilen sonuçların doğruluğunun belirlenmesi gereklidir (Richards, 1999). Bir sınıflandırma doğruluğunun derecesini belirlemede en yaygın kullanılan yöntem hata matrisi kurularak elde edilir (Chambell 1996; Foody 2002; İnan 2004). Çalışmada konumsal doğruluk değerlendirmesi yapılmış ve hata matrisleri kullanılarak üretici, kullanıcı ve Kappa doğrulukları hesaplanmıştır. Elde edilen sonuçlar sınıflandırma sonuçlarının karşılaştırılmasında kullanılmıştır. 4. Bulgular ve Doğruluk Analizi Şekil 2'de QuickBird test görüntüsünün segment ve piksel tabanlı sınıflandırma sonuç görüntüleri yer almaktadır. Piksel tabanlı sınıflandırma görüntüsü incelendiğinde orijinal çözünürlük birleştirme görüntüsünden belirlenen sınıflar için çok fazla değişiklik göstermediği ve gölgelenmeden kaynaklanan çok fazla gürültü içerdiği gözlenmektedir. Diğer bir bulguda, sonuç tematik görüntünün sayısal amenajman ve 1/1000 ölçekli halihazır paftalar ile birlikte incelendiğinde orman sınıfları için bölme veya bölmecik yapısına uygun bir guruplaşma gözlenmemektedir. Buna karşılık segment tabanlı sınıflandırma görüntüsü vektöre dönüştürüldüğünde orman sınıfına ait coğrafi katman bölmecik yapısı ile uyum gösterdiği görülmektedir. Ayrıca Bina ve Su sınıflarına ait coğrafi katmanda 1/1000'lik halihazır haritalarla mükemmel eşleşmektedir. Piksel Tabanlı Sınıflandırma Segment Tabanlı Sınıflandırma Şekil 2. Piksel Tabanlı ve Segment Tabanlı Sınıflandırma Sonuç Görüntüleri 474

5 Çizelge 1 çalışma alanında uygulanan piksel ve segment tabanlı sınıflandırmalarının sonuçlarını göstermektedir. Genel olarak segment tabanlı sınıflandırmanın toplam doğruluğu, piksel tabanlı sınıflandırmaya kıyasla %20 daha yüksektir. Bunun nedeni sınıflandırma yöntemlerinin yapısından kaynaklanmaktadır. Çizelge 1. Piksel tabanlı ve segment tabanlı sınıflandırmaların doğruluk analizi karşılaştırması Sını flar Üret ici Doğruluğu % Piksel Tabanlı Sınıflandırma Kullanıcı Doğruluğu % appa Or man T Or man T Su Bin a/yerleşim Yol Göl ge Toplam Sınıflandırma Doğruluğu: K Üretici Doğruluğu % 0 0 Segment Tabanlı Sınıflandırma Kullanıcı Doğruluğu % appa Toplam Sınıflandırma Doğruluğu: Toplam Kappa: Toplam Kappa: QuickBird gibi yüksek geometrik çözünürlüklü uydu verilerinin kullanıldığı çalışmalarda, geleneksel piksel tabanlı sınıflandırma yöntemleri sadece piksel içindeki tüm materyallerin ortalamasını tek bir piksel değeri olarak ele almakta ve genellikle en yüksek benzerlik kuramına göre sınıflandırmaktadır. Bu yaklaşım segment tabanlı sınıflandırmaya göre daha katı bir sınıflandırmadır. Segment tabanlı sınıflandırma ise doğası gereği piksel değerinin yanı sıra mekansal, spektral ve texturel özellikleri sınıflandırmaya dahil etmektedir. Bu özellik görüntüdeki objelerin yer gerçekleri ile olan uyumunu artırmakta ve buna bağlı olarak doğru sınıf sayısı yükselmektedir. K 5. Sonuçlar Bu çalışmada, İstanbul Belgrad Ormanı yakınlarında yer alan Atatürk Arberetumu ve yakın çevresine ait yüksek mekansal çözünürlüğe sahip QuickBird uydu görüntüsü kullanılarak piksel ve segment tabanlı sınıflandırma yöntemleri karşılaştırılmıştır. Elde edilen sonuçlar yüksek çözünürlüklü uydu görüntülerinin sınıflandırılmasında segment tabanlı sınıflandırma yönteminin daha yüksek sınıflandırma doğruluğuna sahip olduğunu göstermektedir. Sonuç olarak; 475

6 Piksel tabanlı sınıflandırma yönteminin toplam sınıflandırma doğruluğu: %63.08 ve toplam Kappa İstatistiği: 0.54 Segment tabanlı sınıflandırma yönteminin toplam sınıflandırma doğruluğu: %83.08 ve toplam Kappa İstatistiği : 0.80 Bu çalışma, segment tabanlı sınıflandırma sonucu elde edilen tematik haritaların, sayısal amenajman planları gibi yardımcı verilerle birlikte değerlendirilmesi sonucunda, orman alanlarında bölmecik haritalarının ve süksesyon evrelerini gösteren haritaların elde edilebileceğini göstermektedir. Ancak bu bulguların farklı orman tipleri içinde test edilmesi ve arazi çalışmaları ile desteklenmesi gereklidir. 6. Kaynaklar Campbell, J.B. (1996), Introduction to Remote Sensing, Second Edition, Virginia Polytechnic Institute and State University, The Guildford Press, NY. Foody, G.M. (2002). Status of Land Cover Classification Accuracy Assessment. Remote Sensing and Environment, Vol: 80, pp: Huguenin,R.L.; Karaska, M.A.; Blaricom, D.V.;Jensen, J.R., (1997). Subpixel Classification of Bald Cypress and Tupelo Gum Trees in Thematic Mapper Imaginery, Photogrammetric Engineering and Remote Sensing, Vol: 63, pp: İnan, M., (2004). Orman Varlığının Saptanmasında Uzaktan Algılama Verileri, İÜ. Fen Bilimleri Enstitüsü Doktora Tezi, İstanbul. Leukert, K., (2004). Transferability of Knowledge-based classification rules, ISPRS 2004 XX th Congress, Istanbul. ed: Orhan Altan, ISSN: Richards, J.A.; (1999). Remote Sensing Digital Image Analyst, Third Edition, Springer Verlag, Berlin, NY Yener, H., (2003). İki Farklı Uydu Verisinin Üstün Niteliklerinden Faydalanmak Amacıyla Sayısal Olarak Birleştirilmesi, İstanbul Üniversitesi Orman Fakültesi Dergisi, Seri: A, Sayı: 53, Yıl: 2003, Sayfa: