LANDSAT ETM VERİSİ KULLANILARAK ARAZİ ÖRTÜSÜNÜN EXPERT SİSTEM YÖNTEMİYLE SINIFLANDIRILMASI

Transkript

1 YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ LANDSAT ETM VERİSİ KULLANILARAK ARAZİ ÖRTÜSÜNÜN EXPERT SİSTEM YÖNTEMİYLE SINIFLANDIRILMASI Jeodezi ve Fotogrametri Müh. Oğuzhan KAHYA FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan YÜKSEK LİSANS TEZİ Tez Danışmanı : Yrd. Doç. Dr. Bülent BAYRAM (YTÜ) İSTANBUL, 2005

2 YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ LANDSAT ETM VERİSİ KULLANILARAK ARAZİ ÖRTÜSÜNÜN EXPERT SİSTEM YÖNTEMİYLE SINIFLANDIRILMASI Jeodezi ve Fotogrametri Müh. Oğuzhan KAHYA FBE Jeodezi ve Fotogrametri Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan YÜKSEK LİSANS TEZİ Tez Savunma Tarihi : 10 EKİM 2005 Tez Danışmanı : Yrd. Doç. Dr. Bülent BAYRAM (YTÜ) Jüri Üyeleri : Prof. Dr. Derya MAKTAV (İTÜ) Doç. Dr. Gül BATUK (YTÜ) İSTANBUL, 2005

3 İÇİNDEKİLER Sayfa SİMGE LİSTESİ...iv KISALTMA LİSTESİ... v ŞEKİL LİSTESİ...vi ÇİZELGE LİSTESİ...viii ÖNSÖZ...ix ÖZET... x ABSTRACT...xi 1. GİRİŞ Amaç ve Kapsam Metodoloji Temel Kavramlar Uzaktan Algılama Çözünürlük (Ayırma Gücü) Radyometrik Çözünürlük Spektral Çözünürlük Geometrik Çözünürlük Zamansal Çözünürlük Uydu Sistemleri Sayısal Görüntü İşleme Görüntü Düzeltme Geometrik Düzeltme Radyometrik Düzeltme Yeniden Örnekleme Görüntü Zenginleştirme Kontrast Zenginleştirme Filtreleme Çok Bantlı Zenginleştirme Bant Oranlaması Temel Bileşenler Dönüşümü Sınıflandırma ii

4 Kontrollü Sınıflandırma ( Supervised Classification) Kontrolsüz Sınıflandırma (Unsupervised Classification) Kontrollü - Kontrolsüz Karışık Sınıflandırma En Yakın Komşuluk Sınıflandırıcısı Uzman Sınıflandırma Sınıflandırma Doğruluğu Doku (Texture) Analizi UYGULAMA Çalışma Bölgesi Çalışmada Kullanılan Datum ve Projeksiyon Landsat ETM+ Uydu Görüntüsü Verisi Landsat ETM+ Uydu Görüntüsünün Geometrik Düzeltilmesi Görüntü Verisinin Analizi Bant Oranlaması Temel Bileşenler Dönüşümü Doku (Texture) Analizi Landsat ETM+ Uydu Görüntüsünün Sınıflandırılması Eğitim Alanlarının Belirlenmesi Kontrolsüz Sınıflandırma Kontrollü Sınıflandırma Kontrollü Sınıflandırma Sonucunun Doğruluğu Uzman Sınıflandırma Uzman Sınıflandırma Sonucunun Doğruluğu Uzman Sınıflandırma ile En Yakın Benzerlik Sınıflandırma Sonuçlarının Karşılaştırılması SONUÇ ve ÖNERİLER KAYNAKLAR ÖZGEÇMİŞ iii

5 SİMGE LİSTESİ IR Kızılötesi bant K Kırmızı bant NDVI Normalize Edilmiş Bitki İndeksi (Normalized Difference Vegetation Index) VI Bitki İndeksi (Vegetation Index) c i k L M N n n n P(c i /x) p(c i ) p(x/c i ) r R x, R y R ms x ii x i+ x +i x ij v X ri, Y ri Πc i i düğümünün güven değeri Kappa katsayısı Düzeltme faktörü Gezici pencerenin ortalama değeri Matrisin tamamındaki piksel sayısı (sınıflandırma doğruluğu işleminde) Gezici pencerenin piksel sayısı (doku analizi işleminde) Mantık zincirindeki düğümlerin sayısı (hipotez testi işleminde) Yer kontrol nokta sayısı (geometrik düzeltme işleminde) c sınıfları içinde verilen bir sınıfa ait spektral gözlemin (x) olasılığı c i sınıfına ait a öncül olasılığı eğitim alanlarından hesaplanan c i sınıfının a soncul olasılığı Hata matrisindeki toplam satır sayısı x, y yönündeki karesel ortalama hata Karesel ortalama hata i. satır ve sütundaki piksel sayısı i. satırdaki toplam piksel sayısı i. sütundaki toplam piksel sayısı (i,j) pikselin DN değeri Uyuşmazlık (karşıtlık) değeri Yer kontrol noktasının düzeltme değeri Toplam güven değeri 1-c i Hata olasılığı iv

6 KISALTMA LİSTESİ ASTER BI BÜ CBS DN ERST ETM GIS GPS IFOV IRS KN MSS NASA NBI PC RMS SWIR TIR TM UA US UTM VNIR The Advanced Spaceborne Thermal Emission and Reflection Radiometer Bitki İndeksi Bilgi Üreticisi Coğrafi Bilgi Sistemleri Data Number Earth Resources Technology Satellite Enhanced Thematic Mapper Geographical Information System Global Positioning System Instant Flight Object Visibility Indian Remote Sensing Satellite Kontrol Noktası Multi Spectral Scanner Space Agency of North America Normalize Edilmiş Bitki İndeksi Principal Components Root Mean Square Shortwave Infra-red Region Termal Infra-red Region Thematic Mapper Uzaktan Algılama Uzman Sınıflandırıcı Universal Transform Mercator Visible Near Infra-red Region v

7 ŞEKİL LİSTESİ Sayfa Şekil 1.1 Hipotez, kural ve koşuldan oluşan karar ağacının bir parçası... 5 Şekil 1.2 Sistemin genel yapısını gösteren algoritma... 7 Şekil 1.3 Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2)... 9 Şekil 1.4 Landsat 7 uydusunun görünüşü Şekil 1.5 Landsat 7 uydu yörüngesi Şekil 1.6 Orjinal Landsat görüntüsü (1), Geometrik olarak düzeltilmiş Landsat görüntüsü(2) Şekil 1.7 Algılayıcı kaynaklı radyometrik hata (1), Bulut etkisi (2) ve Sis etkisi (3) Şekil 1.8 Landsat TM görüntüsü ve ham görüntünün histogramı (1), Lineer kontrast artırımı metodu uygulanmış yeni görüntü (2) Şekil 1.9 Kontrollü sınıflandırma işlemi Şekil 1.10 Kontrolsüz sınıflandırma işlemi Şekil 1.11 BÜ penceresinin görünümü Şekil 1.12 US modülünün görünümü Şekil 1.13 US modülünde sınıflandırmaya tabi tutulacak sınıfların seçimi Şekil 1.14 Mantıksal ilişkiyi gösteren karar ağacının görünümü Şekil 1.15 Hipotezin doğru olma durumunu gösteren şema Şekil 1.16 Hipotezin yanlış olma durumunu gösteren şema Şekil 2.1 Çalışma bölgesini gösteren Landsat ETM+ 543 (RGB) uydu görüntüsü Şekil 2.2 Bitki indeksi görüntüsü Şekil 2.3 PC1 bileşenine ait görüntü Şekil 2.4 PC2 bileşenine ait görüntü Şekil 2.5 PC3 bileşenine ait görüntü Şekil 2.6 Imagine interpreter modülü Şekil 2.7 Çalışma bölgesine ait doku görüntüsü Şekil 2.8 Kontrolsüz sınıflandırma işlemi sonucunda elde edilen görüntü Şekil 2.9 Kontrollü sınıflandırma işlemi sonucunda elde edilen görüntü Şekil 2.10 Kontrollü sınıflandırma sonucunda elde edilen üretici doğruluğu değerlerinin grafiksel gösterimi vi

8 Şekil 2.11 Kontrollü sınıflandırma sonucunda elde edilen kullanıcı doğruluğu değerlerinin grafiksel gösterimi Şekil 2.12 Hipotez testi iskeleti Şekil 2.13 BÜ modülünde oluşturulan bilgi tabanına ait hipotez testi iskeleti Şekil 2.14 Hipotez, kural ve koşulların tanımlandığı BÜ modülü Şekil 2.15 Arazi sınıfı koşulunun tanımlandığı diyalog Şekil 2.16 TM Band2 koşulunun tanımlandığı diyalog Şekil 2.17 TM Band4 koşulunun tanımlandığı diyalog Şekil 2.18 Uzman sınıflandırma sonucu elde edilen görüntü Şekil 2.19 Uzman sınıflandırma sonucunda elde edilen üretici doğruluğu değerlerinin grafiksel gösterimi Şekil 2.20 Uzman sınıflandırma sonucunda elde edilen kullanıcı doğruluğu değerlerinin grafiksel gösterimi Şekil 2.21 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından elde edilen üretici doğruluğu değerlerinin karşılaştırılması Şekil 2.22 Uzman sınıflandırma ile en yakın benzerlik sınıflandırmasından elde edilen kullanıcı doğruluğu değerlerinin karşılaştırılması vii

9 ÇİZELGE LİSTESİ Sayfa Çizelge 1.1 Landsat-1, 2 ve 3 te kullanılan dalga boyları ve çözünürlükleri Çizelge 1.2 Landsat-7 uydusu ve yörünge özellikleri Çizelge 1.3 Landsat ETM+ nın algılama yaptığı bantlar, çözünürlükleri ve uygulama alanları Çizelge 2.1 Görüntü metaverisi ve koordinatları Çizelge 2.2 Landsat ETM+ uydu görüntüsüne ait Eigen Analizi Çizelge 2.3 Eğitim alanlarına ait piksel sayısı Çizelge 2.4 Arazi sınıflarının tanımı Çizelge 2.5 Kontrollü sınıflandırma sonucuna ait hata matrisi Çizelge 2.6 Kontrollü sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri ile kappa değerleri Çizelge 2.7 Uzman sınıflandırma sonucuna ait hata matrisi Çizelge 2.8 Uzman sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri ile kappa değerleri Çizelge 2.9 En yakın benzerlik sınıflandırması ile Uzman sınıflandırma sonuçlarının üretici ve kullanıcı doğruluk değerlerinin karşılaştırılması viii

10 ÖNSÖZ Tez çalışması esnasında danışmanım olarak çalışmamı yöneten ve yönlendiren Sayın hocam Yrd. Doç. Dr. Bülent BAYRAM a, yardımlarından dolayı değerli ağabeylerim Arş. Gör. Dr. Selçuk REİS ve Arş. Gör. Dr. Volkan KAHYA ya, sevgili arkadaşım Arş. Gör. Halil İbrahim İNAN a teşekkürlerimi sunarım. Ayrıca çalışmalarım süresince bana her türlü konuda destek olan aileme sonsuz minnet ve şükranlarımı sunarım. Oğuzhan KAHYA İstanbul, 2005 ix

11 ÖZET Uzaktan algılamada yaygın olarak kullanılan görüntü sınıflandırma işleminde daha iyi bir sınıflandırma doğruluğu elde etmek için, uzman (hipotez testi) sistem yer referanslı diğer yardımcı verilerle (arazi kullanım, konumsal doku ve sayısal yükseklik modeli) birleştirilerek bir bilgi katmanı oluşturulur. Arazi kullanım verilerinin geometrik ve zamansal dağılımları, kent ile ilgili ekolojik araştırmalar için önemli verilerdir. Yapılan çalışma, uydu görüntüleri yardımıyla bir uzman sınıflandırma işleminin gerçekleştirilmesidir. Her bir pikseli ait oldukları sınıf değerlerine atamak için çeşitli verilerle birlikte mantıksal kurallar ve algoritmalar kullanılmıştır. Uzman sınıflandırma, etkili bir bilgi bütünleştirme yöntemi olarak görüntüden obje yakalama işleminde daha elverişlidir yılına ait Landsat ETM görüntüsü, en yakın benzerlik yöntemi kullanılarak arazi kullanım türlerine göre yedi sınıf için sınıflandırılmıştır. Ayrıca görüntüye ait ETM verilerinin dokusal yapısı (spatial texture) hesaplanmıştır. Daha sonra, ek bilgilerin (texture, arazi kullanımı vb.) kullanımı ve sınıflandırmaya dahil edilmeyen verilerin katılımı ile kesin bir sınıflandırma işlemi gerçekleştirilmiştir. Uzman sınıflandırma sonucunda elde edilen sınıflandırmanın toplam doğruluğu %95.80 olarak bulunmuştur. Her bir sınıf için kullanıcı doğruluğu % arasında değişen değerler almıştır. Burada tanımlanan metodoloji, arazi kullanım türlerindeki çeşitliliğin izlenmesinde ve tespit edilmesinde etkin bir şekilde kullanılabilir. Anahtar Kelimeler: Görüntü sınıflandırma, Uzman sistem, Obje yakalama, Uzman sınıflandırma x

12 ABSTRACT Land Cover Classification with An Expert System Method Using Landsat ETM Data Expert systems allow for the integration of remote sensed data with other sources of georeferenced information (such as land use data, spatial texture, and digital elevation model (DEMs) to obtain greater classification accuracy. The spatial and temporal distribution of land cover is a fundamental dataset for urban ecological research. In this study, the design and implementation of an expert system for image classification is discussed. Logical decision rules are used with the various datasets to assign class values to each pixel. Expert system is very suitable for the work of image interpretation as a powerful means of information integration. ETM data acquired in 2000 were initially classified into seven classes for land cover using a maximum likelihood decision rule. In addition, spatial texture of the ETM data was calculated. An expert system was constructed to perform postclassification sorting of the initial land cover classification using additional spatial datasets (such as texture, land use data). The overall accuracy of expert classification was 95.80%. Individual class accuracy ranged from 75% to 100% for each class. The methodology described here will be used to monitor and determine future land cover changes. Key Words: Image classification, Expert system, Image interpretation, Expert classification xi

13 1. GİRİŞ Kaliteli ve farklı hizmet talebi ile huzurlu ve konforlu yaşam arzusu, gün geçtikçe çeşitlenen bilgiye artan talep ve dahası çağdaş uygarlık düzeyini yakalama, bilgi toplumu olabilmek için tüm hizmet sektörlerinde bilgiye sahip olmayı ve bilgiyi verimli kullanma zorunluluğunu beraberinde getirmiştir (Yomralıoğlu, 2000). Yeryüzüne yayılmış karmaşık yapıdaki ve farklı türdeki bilgiler, çevresini kontrol altında tutmak ve kendi güvenliğini sağlamak isteyen insanoğlu için vazgeçilmez bir ihtiyaç olmuştur. İnsan gereksinimleriyle birlikte bilgi ihtiyacının da artması, bilginin hızlı ve ekonomik olarak belli organizasyon çerçevesinde kullanımını gerekli kılmıştır. Teknolojilerin uygun kullanımı ile dünyanın doğal kaynaklarının çevresel açıdan etkin yönetimine doğru önemli bir adım atılabilir. Planlama ve gelişimde bu doğal kaynakların önemi göz ardı edilemez. Sadece şimdiki kuşakların gereksinimleri değil, gelecek kuşaklarınki de dikkate alınmak zorundadır (Bayram,1998). Teknolojik gelişmelerin yanında yerleşim alanlarının hızla artması ve doğal kaynakların tükenmeye başlaması yer yüzeyini kontrol edecek mekanizmaların oluşturulmasını gerektirmiştir. Bunun gerçekleşebilmesi, büyük ölçüde konuma bağlı bilgilerin toplanması, işlenmesi, depolanması ve sunulması ile mümkün olabilmektedir (Başkent, 1997). İnsanlara gerçek zamanda ve yeterli miktarda, nitelikli ve sağlıklı bilgileri kısa sürede ulaştırmak için teknolojik ürünlere ihtiyaç duyulmuştur. XX. yüzyılın ortasından bu yana meydana gelen bilişim teknolojisindeki olağanüstü gelişmeler, bu ihtiyaçları giderecek Coğrafi Bilgi Sistemlerinin (CBS) ve Uzaktan Algılama (UA) teknolojilerinin ortaya çıkmasına neden olmuştur. Coğrafi Bilgi Sistemi çalışmalarının günümüzde en önemli veri kaynaklarından biri, Uzaktan Algılama teknolojisidir. İlk sivil amaçlı uydu olan Landsat-1, 1972 yılında yörüngeye yerleştirilmiştir. Landsat serisinden şu ana kadar yedi adet uydu uzaya gönderilmiştir. Özellikle 1990 dan sonra uydularda hızlı bir gelişme olmuş, uydu sayısı artmış ve ±1m nin altına inen çözünürlükte görüntüler elde edilmiştir (Masser, 2001). Uzaktan Algılamanın ilk uygulama alanlarından biri, arazi örtüsü haritalama çalışmalarıdır (George, 1998). Uydu görüntülerinin konumsal ve spektral çözünürlüklerinin sürekli artması, bu alandaki çalışmaların devamlı geliştirilmesine ve daha iyi çözüm arayışlarının ortaya çıkmasına neden olmuştur (Aplin vd., 1999; Stehman ve Czaplewski, 1998). Aynı şekilde yüksek ve düşük çözünürlüklü görüntüler ile farklı zamanlarda alınan görüntülerin

14 2 entegrasyonu, uzaktan algılama çalışmalarında veri kalitesinin arttırılması için önemli bir yer tutmaktadır (Maselli vd., 1998). Arazi kullanımı ve çevrenin korunması, bütün dünyada devlet politikalarının önemli amaçlarından biri olmuştur. Günümüzde ülkeler, çevresel kaynakları ve bunların tüketimini kontrol etmek için geçmişe oranla daha fazla uğraşmaktadır (Seder vd., 2000). Bu nedenle, arazi kullanım haritaları her türlü planlama ve karar verme aşamasında ilgili kuruluşların elinde bulunması zorunlu olan önemli veri kaynakları durumuna gelmiştir. Arazi kullanım türleri ve onların yeryüzüne alansal dağılımları, fiziksel ve sosyal amaçlar için büyük ölçekli çalışmaların yapılmasında gerekli olan önemli verilerdir. Landsat uydusundan veri elde edilmeye başlandığı zamandan itibaren, Landsat MSS ve TM görüntülerinin görünür kısa dalga boylu kızılötesi (VSWIR) bantları, orman ve tarım alanlarının belirlenmesinde yaygın olarak kullanılmıştır. Ancak, düşük çözünürlüklü MSS (79 m/piksel) ve TM (28.5 m/piksel) verileri sadece, Anderson sisteminde oluşturulmuş birinci ve ikinci düzeyden arazi katmanlarının sınıflandırılmasına olanak tanır (Anderson, 1976; Ridd, 1995). Daha yüksek çözünürlüklü algılayıcıların kullanılmasıyla beraber, Anderson sisteminin ikinci ve üçüncü düzeyden arazi katmanlarının sınıflandırılması da yapılabilmektedir (Anderson, 1976). Uzaktan Algılama ile ilgili yapılan çalışmaların çoğunda, arazi kullanım türlerini sınıflandırma işleminde, genellikle yansıma değerlerinin kullanıldığı görülmektedir. Kentsel alanlarda arazi örtüsünün sınıflandırılması işleminde, objelerin yapısal özelliklerinden kaynaklanan karışık piksel sorunu ile karşılaşılmaktadır (Foody, 2000; Ridd, 1995). Farklı yaklaşımlar kullanılarak, kentsel alanlarda arazi kullanımının hassas olarak belirlenmesine yönelik önemli gelişmeler sağlanmıştır. Bu yaklaşımlar; yapay sinir ağlarının kullanımı (Berberoglu, vd., 2000; Kumar, vd., 1997; Paola ve Schowengerdt, 1995), fuzzy (bulanık) sınıflandırması (Bastin, 1997; Fisher ve Pathirana, 1990; Foody, 2000) ve görüntü dokusu analizidir (Berberoglu vd., 2000; Gong ve Howarth, 1990; Iron ve Petersen, 1981; Stuckens, vd., 2000). Bilgisayar teknolojisi ile beraber görüntü işleme tekniğinin geliştirilmesi ile görüntü sınıflandırma işlemi için kontrollü ve kontrolsüz sınıflandırma gibi çeşitli algoritmalar geliştirilmiştir. Bu metotlardan elde edilen sonuçlar, ortaya çıkan sonuç ürün açısından nadiren memnun edicidir ve sadece görsel bir yorum sağlar. Görüntüleri yorumlayan uzmanlar, bilginin birçok farklı türünü bütünleştirebilirler. Objeler arasındaki ilişkilerden ve bundan ötürü ortaya çıkan karmaşıklığın çözümü için bazı araştırmacılar sınıflandırma işlemi içinde ek bilgi kullanmayı denemişler, bazıları ise ilk veya son sınıflandırma yardımıyla

15 3 coğrafik koşulları göz önüne almışlardır. Bu deneylerin bazılarında artan bir sınıflandırma doğruluğu sağlanmasına rağmen, bazılarında ise ek bilgi olmadan yapılan deneylerden daha hatalı bir sınıflandırma elde edilmiştir. Bu nedenle, daha doğru sonuçların elde edilmesine yönelik araştırmalar halen devam etmektedir. Bu araştırmalar sonucu ortaya çıkan yöntemlerden biri de expert (uzman) sınıflandırmadır. Doğal olarak uzman sistem, bilginin etkin bir şekilde bütünleştirilmesi yöntemi olarak görüntü yorumlama işlemi için çok elverişli bir teknolojidir (Zhou, 1989). Bu çalışmada, küçük ölçekli bir uzman sınıflandırma kullanılarak görüntünün sınıflandırılması üzerinde durulacaktır. ERDAS Imagine sayısal görüntü işleme programı kullanılarak bilgi tabanı oluşturulmuştur. Uzman sınıflandırma, görüntü verisine ait spektral bilgiye en yüksek ağırlığın atanmasını sağlar. Bu da modelin zamansal hassasiyetini arttırır. Bunun yanında, bazı ek bilgilerde (örneğin; arazi kullanım verisi), piksel karışıklığından oluşan hatalar da azaltılmış olur. Bitki indeksi (SAVI: soil-adjusted vegetation index) gibi bant oranlarının kullanımı ile ETM görüntüsü içindeki, topografik değişimlerin neden olduğu gölge etkileri de azaltılmış olur. ETM görüntüsünden elde edilen konumsal doku bilgisi, diğer ek bilgilerle birlikte uzman sınıflandırmada kullanılır. ETM verisinin geometrik çözünürlüğü, kentsel alanlara ait sınıfların doğru bir şekilde ayırt edilmesini etkiler; bundan dolayı, kentleşmiş bölgeleri doğal bölgelerden ayırt etmede doku bilgisi öncelikli olarak kullanılır. Yüksek çözünürlüklü veri kümelerinden elde edilen doku bilgisinin diğer yardımcı verilerle birleştirilmesi, uzman sınıflandırma ile oluşturulan kentsel alanlara ait sınıfların daha iyi ayırt edilmesine imkan tanır (Stefanov, Ramsey ve Christensen, 2001). Uzman sınıflandırma işlemi; çok bantlı görüntülerin sınıflandırılması, sınıflandırma sonrası inceleme ve CBS modeli oluşturmada, belirlenen hipotez ve kurallar silsilesi ile daha iyi bir sınıflandırma yapılmasını sağlar. Aslında uzman sınıflandırma sistemi, bir kurallar hiyerarşisi olmakla beraber, düşük düzeyden bilgi kümesinin yüksek düzeyli bilgi kümesine genellemesiyle oluşturulur. Bunun sonucunda hipotez ve koşullara bağlı bir mantık dizini elde edilir. Bilgi kümesi; kullanıcı tarafından tanımlanmış değişkenleri, raster görüntüleri, vektör katmanları, geometrik modelleri, harici programları ve basit ölçekleri içerir. Kural ise, değişken verilerin değerleri ile bir hipotez veya bilgi kümesini oluşturan özellikleri belirleyen bir koşul veya koşulların listesidir. Birçok kural ve hipotez, sınıflandırma sonucunda elde edilen sınıflardan oluşan son küme veya hipotezleri tanımlayan bir hiyerarşi ile birlikte kullanılabilir. Bilgi tabanı oluşturulması esnasında program tarafından atanan ve her bir

16 4 koşulla bütünleştirilen güven değerleri, sınıflandırılmış görüntüden bu değerlere uygun bir görüntü oluşturulmasını sağlar (ERDAS IMAGINE Expert Classifier Overview, 2001) Amaç ve Kapsam Görüntü işleme teknolojisinin gelişmesiyle beraber, kullanıcılar bu teknolojiyi arazi kullanım sınıfları üzerine uyguladıklarında, görüntü sınıflandırma işleminde kullanılan temel yöntemlerde (kontrollü, kontrolsüz sınıflandırma vb.) bazı kısıtlamaların olduğunu keşfettiler. Bu kısıtlamalar tamamen, arazi kullanım türlerini sınıflandırma işleminde daha çok veriden yararlanılması ile ilgilidir. Bu tekniklerden elde edilen sonuçlar nadiren memnun edicidir ve genellikle görsel yorumlama amacıyla kullanılırlar. Birçok kullanıcı, sınıflandırma işleminde görüntüye ek olarak değişik verileri (örneğin; arazi kullanım verisi, DEM, arazinin dokusal yapısı vb.) kullanmak istemişlerdir. Bu nedenle kullanıcılar, farklı türden bilgileri bütünleştirmek amacıyla daha iyi teknikler geliştirmeye çalışmışlardır. Bunun sonucunda, uzman sınıflandırma yöntemi ortaya çıkmıştır. Bu çalışmada, klasik sınıflandırma yöntemlerinden elde edilen sonuçlar ile çalışma alanına ait arazi kullanım sınıflarının tanımlanmasına yardımcı olacak ek bilgiler bütünleştirilerek daha iyi bir sınıflandırma işleminin gerçekleştirilmesi amaçlanmıştır. Bu amaca yönelik bir metodoloji geliştirilmiştir. Görüntü verisi olarak, Landsat ETM+ uydu görüntüsünden yararlanılmıştır. Bu çalışmada, uzman sınıflandırma yöntemi kullanılarak seçilen alan içerisinde bir görüntü sınıflandırması yapılmıştır. Uzman sınıflandırma tekniğinin kullanılmasındaki temel amaç, ETM verisine uygulanan en yakın benzerlik sınıflandırmasından elde edilen sınıfların ERDAS Imagine programında yer alan Knowledge Classifier (Uzman sınıflandırıcı: US) modülü kullanılarak yeniden sınıflandırılması ve mevcut hataların düzeltilerek sınıflandırmanın doğruluğunu artırmaktır. Uzman sınıflandırıcının içinde yer alan Knowledge Engineer (Bilgi Üreticisi: BÜ) modülü kullanılarak, sınıflandırmanın gerçekleştirilmesini sağlayan bilgi tabanı oluşturulmuştur. Burada bilgi tabanından kasıt, ek bilgilerin (doku bilgisi, arazi kullanım verisi) uzman sistem içinde kullanılması ve buna bağlı olarak kurallar ile koşullardan üretilen hipotezlerin tanımlanmasıdır. Daha sonra bu hipotezlerden oluşan bilgi tabanı US modülü kullanılarak sınıflandırma işlemine tabi tutulmuştur. Bu çalışmada 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünden yararlanılarak, çalışma alanı içerisinde yer alan arazi sınıf türleri, önce kontrollü sınıflandırma ve daha sonra

17 5 uzman sınıflandırma teknikleri kullanılarak belirlenmiştir. Bölgenin genel yapısına bakıldığında, çalışma alanını arazi kullanım türüne göre; yerleşim, su, fındık, tarım, yaprakları dökülen ağaç, yaprakları dökülmeyen ağaç ve karışık olarak yedi sınıfta incelemek mümkündür. Bu sınıfların seçiminde, çalışma alanı içindeki kullanım sıklıkları ve geometrik özellikleri dikkate alınmıştır. ETM verisinin uzman sınıflandırma yöntemiyle sınıflandırılması işleminden sonra, en yakın benzerlik yöntemi ile karşılaştırılarak, uzman sınıflandırmanın işlevselliği belirlenmiştir Metodoloji Çalışmada kullanılan işlem adımları Şekil 1.2 de verilen algoritmada gösterilmiştir. a) ETM verisi: 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsü b) Ek bilgi: Doku verisi, arazi kullanım verisi, DEM vb. (Bu çalışmada ETM verisinin doku değerleri ve arazi kullanım verileri kullanılmıştır) c) Görüntünün işlenmesi: ETM verisinin geometrik düzeltme işlemi yapıldıktan sonra görüntü içerisinde yer alan arazi sınıfları hakkında görüntü zenginleştirme teknikleri kullanılarak bilgi sahibi olunması olarak ifade edilebilir. Kontrolsüz sınıflandırma: ETM verisine ISODATA yöntemi uygulanarak yirmi (20) sınıf için kümeleme yapılmıştır. Kontrollü sınıflandırma: ETM verisine en yakın benzerlik yöntemi uygulanarak arazi seçilen yedi sınıfa göre sınıflandırılmıştır. d) Bilgi tabanının oluşturulması: Bu bölümde BÜ modülü kullanılarak hipotez, kural ve koşullar tanımlanmış ve karar ağacı oluşturulmuştur (Şekil 1.1). Koşul-1 Hipotez Kural A Koşul-2 Şekil 1.1 Hipotez, kural ve koşuldan oluşan karar ağacının bir parçası

18 6 Bir hipotezin doğruluğu, hipotezi oluşturan kuralı tanımlayan koşulların doğru olmasına bağlıdır. Koşulları oluştururken, kullanılan verilerin (arazi kullanım verisi, doku bilgisi vb.) mümkün olduğunca iyi analiz edilmesi gerekir. Çünkü bu koşullar yardımıyla hipotezin test edilmesini sağlayacak kurallar tanımlanacaktır. Eğer bir hipotez birden fazla kuraldan oluşuyorsa, bu durumda kuralların birbirini tamamlar nitelikte olması gerekir. e) Uzman sınıflandırma: Oluşturulan bilgi tabanı US modülü kullanılarak sınıflandırma işlemine tabi tutulmuş ve sınıflandırma sonucu sınıflar elde edilmiştir. f) Sınıflandırma sonuçlarının karşılaştırılması: En yakın benzerlik sınıflandırması ile uzman sınıflandırma, her iki yöntem içinde test alanları yardımıyla üretici ve kullanıcı doğrulukları açısından karşılaştırılmıştır. g) Sonuç: Uygulamada kullanılan uzman sınıflandırma işleminin elde edilen sonuçlar doğrultusunda kullanılabilirliği irdelenmiştir.

19 7 ETM VERİSİ EK BİLGİ VERİLERİN HAZIRLANMASI (Arazi kullanım verisi, doku verisi, ETM verisi) GÖRÜNTÜ İŞLEME BİLGİ TABANININ OLUŞTURULMASI KONTROLLÜ-KOTROLSÜZ SINIFLANDIRMA UZMAN SINIFLANDIRMA SINIFLARIN OLUŞTURULMASI SINIFLARIN OLUŞTURULMASI KARŞILAŞTIRMA SONUÇ Şekil 1.2 Sistemin genel yapısını gösteren algoritma

20 Temel Kavramlar Uzaktan Algılama Uzaktan algılama, belli bir mesafeden bilgi elde etme bilim ve sanatıdır. Böylece nesne veya varlıklara herhangi bir fiziksel temasta bulunulmadan bilgi sağlanır (Yomralıoğlu, 2000). Uzaktan algılama, ilk aşamada askeri amaçlı olarak geliştirilmiştir. Bunu izleyen yıllarda (1975), araştırmaların merkezini çevresel araştırmalar oluşturmuştur. Özellikle bitkisel alanların incelenmesi, su ve hava kirliliği incelemeleri bunlara örnek olarak verilebilir. Uzaktan algılama verileri hem uzaysal hem de zamansal amaçlı çalışmalarda kullanılmaktadır. Son yıllarda ise doğal afetler sonucunda oluşan değişimlerin izlenmesinde uzaktan algılama yöntemleri kullanılmaya başlanmıştır (Bayram, 1998). Uzaktan Algılama teknolojisine ait önemli uygulamalar aşağıdaki gibi sıralanabilir (Schowengerdt,1997); 1. Çevresel değerlendirme ve görüntüleme (Yerleşim alanlarının büyümesi, tehlikeli atıklar ) 2. Küresel değişimin belirlenmesi ve görüntülenmesi (Atmosferik ozonun azalması, ormanların azalması, küresel ısınma) 3. Tarım (Ürün durumu, ürün tahmini, toprak erozyonu) 4. Yenilenemeyen kaynakların araştırılması (mineraller, petrol, doğal gaz) 5. Yenilenebilen doğal kaynaklar (Sulu alanlar, araziler, ormanlar, okyanuslar) 6. Meteoroloji (Atmosfer dinamikleri, hava durumu tahmini) 7. Haritacılık (Topografya, arazi kullanımı, mühendislik) 8. Askeri gözetim ve keşif (Stratejik politikalar, taktik değerlendirmesi) 9. Kitle iletişim araçları (örnekler, analizler) Uzaya gönderilen uydulara yerleştirilen birçok uzaktan algılama sistemi, yeryüzünün tamamının düzenli bir şekilde görüntülenmesini sağlamaktadır. Ancak, tüm bu algılayıcı verilerinin topografik amaçlı uygulamalarda kullanılabileceğini söylemek fazla iyimser bir yaklaşım olacaktır (Önder,1997).

21 Çözünürlük (Ayırma Gücü) Çözünürlük bir görüntüleme sisteminde kayıt edilen detayların ayırt edilebilirlik ölçüsüdür. Uydu görüntüleri için dört farklı çözünürlük tanımlanmaktadır. Bunlar; radyometrik çözünürlük, spektral çözünürlük, uzaysal çözünürlük ve zamansal çözünürlüktür Radyometrik Çözünürlük Elektromanyetik enerji miktarında bulunan duyarlık radyometrik çözünürlüğü göstermektedir. Bir başka deyişle, bir görüntüleme sisteminin radyometrik çözünürlüğü, enerji farklılıklarını ayırt edebilme yeteneğini gösterir. Bahsedilen enerji farklılıkları ayırt edilmesi mümkün olan gri tonu sayısına denk gelir. Şekil 1.3 Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2) [2] Aynı bölgeye ait 2-bitlik bir görüntü (1) ile 8-bitlik bir görüntü (2) karşılaştırıldığında, radyometrik çözünürlükle ilişkili olarak detay ayırt etme düzeyindeki fark göze çarpmaktadır (Şekil 1.3). Buna göre (2) görüntüsünden, çok daha fazla detayı ayırt etmek mümkündür Spektral Çözünürlük Spektral çözünürlük algılayıcının duyarlı olduğu dalga boyu aralıkları ile ilgilidir. Spektral çözünürlüğün iyi olması bir kanal ya da bandın algıladığı dalga boyu aralığının küçük olduğunu gösterir. Çok gelişmiş çoklu-spektral algılayıcılara hiperspektral algılayıcılar denilmektedir. Bu algılayıcılar elektromanyetik spektrumun görünür, yakın kızılötesi ve ortakızılötesi bölgelerinde yüzlerce küçük spektral aralıkta algılama yapmaktadırlar Geometrik Çözünürlük Bir görüntüde fark edilebilir en küçük detay, algılayıcının uzaysal çözünürlüğü ile ilgilidir ve görülebilen en küçük arazi parçası boyutunu tanımlar. Ticari uydular bir metreden

22 10 kilometrelere varan çözünürlükler sağlamaktadırlar. Çok büyük nesnelerin görülebildiği görüntülerin çözünürlüğü düşük, küçük nesnelerin ayırt edilebildiği görüntüler ise yüksek çözünürlüklüdür Zamansal Çözünürlük Zamansal çözünürlük bir uzaktan algılama sisteminin aynı bölgeyi görüntüleme sıklığı ile ilgilidir. Bir bölgedeki spektral karakteristikler zamanla değişebilir ve çok-zamanlı görüntü setleri kullanılarak değişim analizi yapılabilir Uydu Sistemleri Yeryüzü üzerinden bilgi toplayan, hizmet amacına göre değişen özelliklerde birçok uydu vardır. Doğal kaynakların araştırılması amacıyla 1972 yılında ABD tarafından uzaya gönderilen Landsat uydusundan sonra birçok uydu uzaya gönderilmiştir. Bu amaçla en çok kullanılan uydulardan biri de Landsat uydusudur. Bu çalışmada arazi örtüsünün belirlenmesinde Landsat ETM+ uydu görüntüsünden yararlanılmıştır. Bu uydu ile ilgili bilgi aşağıda verilmiştir. Geniş alanlara yayılmış doğal kaynakların tespit edilmesinde kullanılan diğer bir uydu ise Spot uydusudur. Bu uydu serisinin ilki 1986 yılında uzaya fırlatılmıştır. Şu ana kadar 5 adet Spot uydusu uzaya gönderilmiştir. Bunlardan en son Mayıs 2002 de gönderilen Spot 5 uydusudur ve bu uydu, siyah-beyaz bantta m ile renkli bantta 10 m (60 km çerçeve ile) çözünürlüklüdür. Bu uyduda, pankromatik bant dahil toplam 5 adet spektral bant bulunmaktadır yılında fırlatılan Ikonos uydusu, pankromatik bantta 1 m, renkli bantta 4 m ile günümüzdeki en yüksek çözünürlüklü uydudur. Ikonos un en çok kullanıldığı alanlar, kentsel planlama ve alt yapı çalışmaları olmaktadır yılında Hindistan ın ilk serisini uzaya gönderdiği IRS uydusu, pankromatik bantta 5.3 m ve renkli bantta ise 23.5 m çözünürlük ile en çok kullanılan uydulardan biridir (Sesören, 1998; Richards ve Jia, 1999). ASTER uydusu, gelişmiş çok bantlı bir görüntüleyicidir ve Aralık 1999 da NASA nın Terra uzay aracı ile birlikte uzaya gönderilmiştir. ASTER, görünür bölge ile termal kızılötesi bölge arasında 14 bantlı geniş bir spektral bölgeyi kapsar ve yüksek konumsal, spektral ve radyometrik çözünürlüğe sahiptir. Ayrıca yakın kızılötesi bantta stereo kaveraj sağlar. Her bir ASTER görüntüsü 60*60 km lik bir alanı kapsar. ASTER uydusunun konumsal çözünürlüğü;

23 11 VNIR (görünür yakın kızılötesi bölge) 15 m, SWIR (kısa dalga boylu kızılötesi bölge) 30 m ve TIR (termal kızılötesi bölge) 90 m dir (ASTER User Handbook, 2000). Bu uydulardan başka, ERS, Radarsat ve Jers gibi aktif algılama yapan uydular da mevcuttur. İlk Landsat sisteminin fırlatıldığı zamanla kıyaslandığında, uzaktan algılama sistemleri şimdi sıra dışı bir çeşitlilik sergilemektedir. Halihazırda ticari amaçla görev yapan, 60 cm den 1000 m ye kadar konumsal çözünürlüklü, elektromanyetik spektrumun elde edilebilen hemen hemen bütün bantlarını örnekleyen ve 10 nm spektral çözünürlüklü hava sistemleri ile tamamlanan uydu sistemleri bulunmaktadır (Schowengerdt,1997). Landsat Uydu Sistemi: Landsat uydu sistemi, doğal kaynakların araştırılması amacıyla uzaya gönderilen ilk uzaktan algılama uydusudur. ERST-1 (Earth Resources Technology Satellite) olarak adlandırılan, daha sonra Landsat-1 olarak ismi değiştirilen uydu, 1972 yılında NASA tarafından yörüngesine oturtulmuştur. Landsat-2, 3, 4 ve 5 sırasıyla 1975, 1978, 1982 ve 1984 yıllarında yörüngeye yerleştirilmiştir. Landsat-6 uydusu fırlatma esnasında tahrip olmuştur. Landsat-7 uydusu 1999 yılında fırlatılmıştır. Landsat-1, 2, 3 uyduları birinci jenerasyon uydular olarak adlandırılmıştır ve bu uydular benzer yörünge ile çok spektrumlu tarayıcı (MSS) özelliklerine sahiptirler. Çizelge 1.1 de özellikleri verilmiştir. Landsat-4, 5, 6 uyduları ise MSS ve sonradan geliştirilen tematik tarayıcı (TM) sistemlerini taşımaktadır. Landsat-7 uydusu ise geliştirilmiş tematik görüntüleyici (Enhanced Thematic Mapper: ETM+) algılayıcısını taşımaktadır (Şekil 1.4). Landsat ETM+ algılayıcısı, yüksek çözünürlüklü veri sağlayabilme özelliğinde, 8 bantlı ve radyometrik çok bantlı bir tarayıcıdır. Uydu 4.3 m uzunluğunda, 2.8 m çapında ve kütlesi yaklaşık 2200 kg ağırlığındadır.

24 12 Şekil 1.4 Landsat 7 uydusunun görünüşü [1] Çizelge 1. 1 Landsat-1, 2 ve 3 te kullanılan dalga boyları ve çözünürlükleri [1] Algılayıcı Uydu Bant Dalga boyu Çözünürlük (m) MSS (yeşil) (kırmızı) (yakın-ir) (yakın-ir) (termal-ir) 240 Şekil 1.5 Landsat 7 uydu yörüngesi [1]

25 13 Uydu 705 km yükseklikte, güneş uyumlu, 98.2 o eğim açısıyla, alçalma sırasında ekvatoru yerel saatle 10 da kesen bir yörüngede döner (Şekil 1.5). Çizelge 1.2 de Landsat ETM+ uydusu ve yörünge özellikleri verilmiştir. Landsat 7 yılda in üzerinde çerçevelik arşive sahip olmuş, dünyanın her yerinden sistematik bir şekilde veri toplamaktadır (Goward vd., 1999). Yaklaşık 375 Gb veriyi board üzerinde saklayabilmekte veya 150 Mbps hızda yer istasyonuna veri transfer edebilmektedir. Yer yüzeyi üzerinden veri toplamadaki piksel boyutları; pankromatik bantta 15 m, görünür-yakınorta dalga kızılötesi olmak üzere 6 bantta 30 m ve termal kızılötesi bantta 60 m dir (Aksu vd., 2001). Çizelge 1.3 te Landsat uydusunun spektral bantları ve uygulama alanları verilmiştir. Çizelge 1. 2 Landsat-7 uydusu ve yörünge özellikleri [1] Çerçeve Genişliği 185 kilometre Görüntü Tekrarlanma Aralığı 16 gün (233 yörünge) Yükseklik 705 kilometre Kayıt Türü 9 bitin en iyi 8 i seçilerek Algılayıcı Çeşidi Optik-mekanik tarayıcı Veri Depolama Kapasitesi 375 Gb (solid state) Eğim Açısı 98.2 derece Ekvator Geçişi Alçalma durumunda 10:00 +/- 15 dk Yörüngeye Yerleştirme Aracı Delta II Yörüngeye Yerleştirme Tarihi 15 Nisan 1999

26 14 Çizelge 1. 3 Landsat ETM+ nın algılama yaptığı bantlar, çözünürlükleri ve uygulama alanları [1] Kanal Çözünürlük (m) Dalga boyu (µm) Uygulama ETM ETM ETM ETM ETM ETM ETM (mavi) (yeşil) (kırmızı) (yakın IR) (kısa dalga IR) (termal IR) (kısa dalga IR) Su kütlelerinin penetrasyonunda, kıyı harita yapımında ve toprağın bitkilerden ayırt edilmesinde kullanılır. Bitkilerin canlılığını saptamada, görülen spektrumdaki yeşil bölgede oluşan yansımanın ölçülmesinde kullanılır. Klorofil soğurma bandı olduğu için bitkilerin ayırt edilmesinde önemli rol oynar. Bitki türlerinin tanımlanması, su kütlelerinin ayırt edilmesi ve toprak neminin belirlenmesinde kullanılır. Bitki ve topraktaki nemi gösterir. Aynı zamanda karın buluttan ayırt edilmesinde yardımcı olur. Değişik yerlerde, özellikle toprağın nemi, su kirliliği, orman yangınları, volkan araştırmalarında ve termal harita üretiminde faydalanılır. Kayaç türlerinin ayırt edilmesinde ve hidrotermal haritalamada kullanılır Sayısal Görüntü İşleme Sayısal görüntü işleme, bilgisayar yardımı ile uydu verilerinin veya diğer raster verilerin işlenmesi ve yorumlanarak anlamlı bilgilerin elde edilmesidir. Uydu verilerinin analizi tez içerisinde üç temel başlık altında incelenmiştir. Bunlar; görüntü düzeltme, görüntü zenginleştirme ve sınıflandırmadır Görüntü Düzeltme Düzeltmenin amacı, görüntü elde etme işleminden (görüntü çekerken) kaynaklanan çarpıklıklardan ve kalite düşüklüğünden görüntüyü kurtararak yeryüzüne ait daha kaliteli görüntü elde etmektir. Bu işlem, ham görüntüdeki geometrik bozuklukların giderilmesini, verilerin radyometrik olarak düzeltilmesini ve verilerde bulunan gürültünün elimine edilmesini sağlamak amacıyla yapılan işlemleri içerir.

27 15 Görüntü düzeltme işlemleri çoğu zaman ön işleme olarak da adlandırılır. Çünkü bunlar daha sonraki adımlarda görüntülerden özel bilgiler elde etmek için yapılan işleme ve analiz işlerinden daha önce yapılır Geometrik Düzeltme Ham sayısal görüntüler genellikle geometrik bozukluklar, algılayıcı platformunun yüksekliği ve hızındaki değişimlerden kaynaklanır. Panoramik bozukluk, dünyanın küreselliği, atmosferik yansıma, algılayıcının anlık görüş alanı (IFOV) taramasının doğrusal olmayışı gibi faktörlerden kaynaklanmaktadır. Geometrik düzeltmenin amacı, yukarıda sözü edilen bozucu etkileri ortadan kaldırarak düzeltilen görüntünün en yüksek geometrik doğruluğa ulaşmasını sağlamaktır (Lillesand ve Kiefer, 2000). Uzaktan algılama verisi genellikle sistematik ve rasgele geometrik hatalar ile yüklü olarak elde edilir. Sistematik bozukluklar, matematiksel olarak modellenerek elde edilen formüller ile kolaylıkla düzeltilebilir. Rasgele ve bilinmeyen artık sistematik bozukluklar, yeryüzüne iyi bir şekilde dağıtılmış yer kontrol noktalarının yardımı ile düzeltilir. Çok sayıda (çerçeve başına adet nokta veya 200 km 2 de bir nokta) ve yüksek kalitede yer kontrol noktalarının seçimi fazlaca bir iş gücü gerektirmektedir (Lillesand ve Kiefer, 2000). Şekil 1.6 da İstanbul a ait Landsat 7 uydu görüntüsünün geometrik düzeltmesi yapılmadan önceki ve sonraki görüntüleri görülmektedir. Şekil 1.6 Orjinal Landsat 7 görüntüsü(1); Geometrik olarak düzeltilmiş Landsat 7 görüntüsü (2) [2] Kontrol noktaları (KN) yeryüzünde belli olan ve görüntü de görülen bazı coğrafi detaylar olabilir. Örneğin; iki yolun kesişimi veya kıyı çizgilerinde görülen farklı bir kısım KN olarak alınabilir. Düzeltme işleminde birçok yer kontrol noktası, bozuk görüntü üzerine görüntü

28 16 koordinatları (satır, sütun) ve yer kontrol koordinatları (haritadan sayısallaştırılmış, arazide GPS ile belirlenmiş, UTM koordinatları veya enlem/boylam şeklinde olabilir) yardımıyla yerleştirilir. Bu değerler, daha sonra geometrik olarak düzeltilmiş harita koordinatları ile bozuk görüntü koordinatları arasında ilişki kurularak, iki koordinat sistemi arasındaki dönüşüm parametrelerini belirlemek amacıyla en küçük kareler yöntemine tabi tutulur. Bu eşitliklerdeki katsayılar bir kez belirlendiğinde, harita üzerindeki herhangi bir noktadaki bozuk resim koordinatları düzeltilebilir. Matematiksel olarak ifadesi (1.1) formülünde gösterilmiştir (Lillesand ve Kiefer, 2000; Jensen, 1996). X ı = b 0 + b 1 X 1 + b 2 Y 1 Y ı = a 0 + a 1 X 1 + a 2 Y 1 (1.1) X i ve Y i X ı ve Y ı a 0, a 1, a 2, b 0, b 1, b 2 : Dönüşüm öncesi nokta koordinatları : Dönüşüm sonrası nokta koordinatları : Dönüşüm matrisi katsayıları Dönüşüm doğruluğu, görüntü koordinatları ile bunlara karşılık gelen referans koordinatları arasındaki uzaklık olan karesel ortalama hata nın (1.2) hesaplanması ile bulunur (Gazioğlu, 2001); R x = 1 n n 2 ( X ) i= 1 R i n 2 ( Y ) R = R (1.2) y i= 1 i R = R + R ms 2 x 2 y R x, R y R ms X ri, Y ri n : x, y yönündeki karesel ortalama hata : Karesel ortalama hata : i. Yer kontrol noktasının düzeltme değeri : Yer kontrol nokta sayısı Radyometrik Düzeltme Radyometrik düzeltmeye üç tür hata nedeni ile ihtiyaç duyulabilir (Şekil 1.7):

29 17 1. Algılayıcı kaynaklı hatalar; bunlar sistematik hatalardır. Şekil 1.7 (1) de resim üzerinde görülen dikey çizgiler (Line drops) radyometrik hatalara örnek olarak verilebilir. 2. Güneş geliş açısından veya topografyadan kaynaklanan gölge etkisi 3. Atmosferik şartlardan kaynaklanan hatalar; sis ve bulut örnek olarak verilebilir. Hedefin önünde yer alarak, yeryüzüne ait veriye sağlıklı bir şekilde ulaşmayı engellemektedirler. Görüntü işlemeden önce bu hata ve etkilerin giderilmesi gerekmektedir. Şekil 1.7 (1) Algılayıcı kaynaklı radyometrik hata, (2) Bulut etkisi ve (3) Sis etkisi [2] Yeniden Örnekleme Görüntünün geometrik olarak düzeltilmesi işleminden sonra, görüntünün piksel değerleri yeniden hesaplanır. a) En Yakın Komşuluk Yöntemi Bu yöntemde piksellerin parlaklık değerleri değişmez ve dönüşüm süresi kısadır. Geometrik olarak düzeltilmiş görüntünün piksel değerleri, girdi görüntüdeki en yakın pikselin parlaklık değerinin atanmasıyla elde edilir. Campbell (1996) a göre en yakın komşuluk yöntemi, üç yöntem içinde hesaplama açısından en hızlı ve en verimli olanıdır. b) Bilineer Enterpolasyon Yöntemi Bu yöntem, daha karmaşık bir yeniden örnekleme yöntemidir. Birinci derece enterpolasyon adı ile anılan bu yöntemde, girdi görüntüsüne dik iki doğrultudaki parlaklık değerleri enterpole edilerek çıktı pikseline atanır (Önder, 2000). Burada geometrik olarak düzeltilmiş görüntünün piksel değerleri orijinal görüntünün pikselleri etrafındaki 4 pikselin ağırlıklı ortalamasının hesaplanmasıyla bulunur. Piksellerin ortalama değeri alındığından katlama etkisi oluşur ve kenar düzeltmesi nedeniyle veri kaybı olur (Musaoğlu, 1999).

30 18 c) Kübik Katlama Yöntemi Bu yöntemde geometrik olarak dönüşmüş görüntünün piksel değerleri, orijinal görüntüdeki piksele en yakın 16 pikselin ağırlıklı ortalaması alınarak bulunur. Kübik katlama yönteminde en yüksek doğruluk elde edilir, ancak hesaplama süresi en uzun olan yöntemdir (Campbell, 1996) Görüntü Zenginleştirme Görüntü zenginleştirmenin amacı, görüntüdeki detaylar arasındaki farklılıkları daha anlaşılır hale getirmek sureti ile görsel yorum yapma işlemini geliştirmektir. Böylece görüntü üzerinde amaca göre aranan özellikler daha belirgin bir duruma getirilirken, bunların dışında kalan özellikler bastırılmış olabilir. Bir görüntü analizcisi için görüntü zenginleştirme ve bunları görüntüleme seçenekleri sonsuz kabul edilmektedir. Çoğu görüntü zenginleştirme tekniği, nokta operasyonu veya yerel operasyonlardan oluşur. Nokta operasyonlarında, bir görüntüde yer alan veri setindeki her bir pikselin parlaklık değeri bağımsız olarak değiştirilir. Yerel operasyonlarda ise, komşu piksellerin parlaklık değerlerine dayalı olarak her bir pikselin değeri değiştirilir. Her iki zenginleştirme şekli de tek bant (monochrome) görüntü üzerinde veya çok görüntülü karışımların (multi-image composition) tek tek bileşenleri üzerinde uygulanabilir. En uygun görüntü zenginleştirme yöntemini seçmek bir sanat olup, kişinin tercihine bağlıdır (Önder, 2000, Evsahibioğlu, 1994). Görüntü zenginleştirme teknikleri; kontrast zenginleştirme, filtreleme ve çok bantlı zenginleştirme şeklinde üç kısımda toplanmıştır Kontrast Zenginleştirme Uydu algılayıcıları, kutup bölgeleri gibi az ve çöl alanları gibi fazla aydınlanması olan yerlere kadar çok geniş bir aralıkta ve aydınlanmaya göre tasarlanmaktadırlar. Bu nedenle, uydu görüntülerinde yararlanılacak piksel değerlerinde, toplam piksel değer aralıklarının az bir kısmı kullanılır (Önder, 2000).

31 19 Şekil 1.8 Landsat TM görüntüsü ve ham görüntünün histogramı (1), Lineer kontrast artırımı yöntemi uygulanmış yeni görüntü (2) [2] Kontrast zenginleştirme, verileri daha belirgin hale getirmek amacıyla orijinal piksel değerlerini uygun değer aralıklarına yayarak kontrastlığı artırma işlemidir. Böylece analizci söz konusu coğrafi detaylar arasındaki kontrastlığı daha iyi algılayabilir (Şekil 1.8) Filtreleme Konumsal filtreleme, orijinal görüntüdeki piksel değerlerini komşu piksellerin gri ton değerlerini temel alarak değiştiren yerel bir işlemdir (Lillesand ve Kiefer, 2000). Filtreleme, görüntü üzerindeki gürültü etkisini azaltır ve cisimlerin ayırt edilebilirliğini artırır (Musaoğlu, 1999). Filtreleme de öncelikle görüntüdeki pikseller üzerinde gezdirilecek pencere boyutu, piksel sayısına göre (3x3, 5x5, 7x7) seçilir. Daha sonra seçilen pencere, orijinal görüntünün piksel değerleri üzerinde gezdirilir ve matematiksel hesaplama ile pencerenin merkezindeki piksele yeni değeri atanır Çok Bantlı Zenginleştirme Çok bantlı zenginleştirme, bant oranlaması ve temel bileşenler dönüşümü olarak iki şekilde incelenir.

32 Bant Oranlaması Kontrast zenginleştirme ve filtreleme tek bantta yapılabilirken görüntülerin oranlaması bir, iki veya daha fazla spektral bant kullanılarak yapılabilir. En az iki spektral bant birbirine oranlanarak oran görüntüler elde edilir. Bazen aynı özelliklere sahip bir yüzey, eğim ve bakı, gölgelik veya mevsimlik değişikliklerden dolayı güneş ışınlarının açısını ve yoğunluğunu etkileyerek farklı parlaklık değerleri alır. Bu koşullar, yüzey materyallerinin doğru bir şekilde ayırt edilmesini engeller. Bu durumda görüntülerin oranlanmasıyla, görüntünün çevresel koşullardan etkilenmesi en aza indirilir (Lillesand ve Kiefer, 2000). Spektral bant oranlamasının en çok kullanıldığı alanlardan biri, bitki örtüsünün elde edilmesidir. Bu amaçla, Normalize Edilmiş Bitki İndeksi (Normalized Difference Vegetation Index (NDVI)) (1.3) ve Bitki İndeksi (Vegetation Index (VI)) (1.4) oranı gibi teknikler geliştirilmiştir. Bu oranların hesaplanış şekilleri aşağıda ifade edilmiştir (Huete, 1988): NDVI = [(NIR red) / (NIR + red + L)] * (1 + L) (1.3) VI = NIR / red (1.4) Burada; NIR (yakın kızılötesi) = Band 4, red (görünür kırmızı) = Band 3 tür. L ise düzeltme faktörüdür (algılayıcı tarafından gönderilen enerjinin topraktaki yansıma değerlerine getirilen düzeltmedir) ve 0 ila 1 arasında değişir. L=0 için yüksek bitki örtüsü, L=1 için düşük ve L=0.5 için orta bitki örtüsü değerlerini alır. İkili bant oranlama kombinasyonlarının yanında, 3 adet 2 li bant oranlanarak renkli karışımlar elde edilebilir. Burada her bir ikili bant oranı, sırasıyla RGB sisteminde ifade edilerek 3 lü renkli bant oranlaması elde edilir. Bant oranlamaları, kombinasyon sayılarının çok fazla olması nedeniyle uygun bant oranlamasının seçiminin yapılmasını güçleştirmektedir. Buna karşılık özellikle arazi örtüsünün (vejetasyon ve toprak ayrımı gibi) çıkarılmasında görüntü oranlama çok hızlı bir tekniktir; fakat tek başına yeterli değildir (Rahman, 2001) Temel Bileşenler Dönüşümü Çok bantlı veriye ait farklı bantlar arasında bulunan yüksek korelasyon, çok bantlı görüntü verilerinin analizinde sıkça karşılaşılan bir problemdir. Temel bileşenler dönüşümü, çok bantlı verideki gereğinden fazla verileri azaltmak için tasarlanmış bir tekniktir. Örneğin, Landsat MSS bant 4 ve bant 5 (yeşil ve kırmızı) aynı yüzey örtüleri için aynı yansıma değerlerini verdikleri için görsel olarak birbirlerine benzerler. Çok

33 21 bantlı görüntüler, istatistik-analiz tekniklerine tabi tutularak, bu görüntülere ait gereğinden fazla veriler ve aralarındaki korelasyon azaltılabilir. Temel bileşenler dönüşümü olarak adlandırılan bu işlemle üzerinde çalışılan bant sayılarında azalma olur ve orijinal banttaki bilgilerin çoğu sıkıştırılarak daha az bantla çalışma olanağı sağlanır. Bu dönüşüm, verilerin görsel olarak yorumlanmasından önce bir zenginleştirme işlemi olarak ya da verilerin otomatik olarak sınıflandırılmasından önce yapılan bir ön işlem olarak uygulanır (Carr, 1998; URL-3, 2002). Böylece diğer bantlardaki bilgiler, ilk iki veya üç bantta toplanır ve diğer bantlarda daha az bilgi kaldığından kullanılmaz Sınıflandırma Görüntü sınıflandırmasının amacı, bir görüntüdeki benzer spektral özellikleri taşıyan pikselleri arazi sınıflarına veya konularına göre otomatik olarak sınıflara ayırma işlemidir. Normalde sınıflandırma için çok bantlı görüntü verisi kullanılır ve gerçekte her bir pikselin, yansıma değeri sınıflandırma için temel bir veridir. Yani farklı coğrafi detaylar kendi spektral yansıma ve yayma özelliklerine bağlı olarak farklı yansıma değeri kombinasyonları gösterirler. Bu bilgiler ışığında, piksellerin bilinen özelliklerine göre birbirleriyle karşılaştırılarak benzer piksel gruplarını bir araya toplayarak kullanıcıların uzaktan algılama verisini tanıyabilecekleri sınıflara ayırmak mümkündür (Campbell, 2000) Kontrollü Sınıflandırma (Supervised Classification) Bu sınıflandırma; kent, tarım veya orman gibi bazı arazi sınıflarının benzerlik veya konumlarının, arazi çalışması, hava fotoğraflarının analizi, haritalar ve kişisel deneyimlerin birleştirilmesi yoluyla öncül (priori) olarak bilinir. Analizci, bu arazi sınıflarından homojen olan örnek alanları alarak görüntü üzerinde yerleştirmeye çalışır. Bu alanlar genellikle eğitim alanları (training area) olarak ifade edilir. Çünkü bunların spektral karakteristikleri, görüntünün geri kalan kısımları için sınıflandırmanın gerçekleştirilmesinde kullanılır (Şekil 1.9).

34 22 Şekil 1.9 Kontrollü sınıflandırma işlemi [2] Her bir eğitim alanının istatistik parametresi (ortalama, standart sapma, kovaryans matrisi, korelasyon matrisi gibi) hesaplanır. Uygun sınıflandırma algoritması seçilerek, araziden ilk eğitim alanları toplanır. Daha sonra sınıflar arasındaki en iyi ayırımı sağlayacak bantlar seçilerek, ilave eğitim verisi toplanır ve sınıflandırma algoritmasına uygulanarak sınıflandırma haritası elde edilir (Jensen, 1996). Kontrollü sınıflandırmada ortalamaya en az uzaklık (minimum distance to means) yöntemi, paralel kenar (parellelepiped) yöntemi ve en yüksek olabilirlik (maximum likelihood) yöntemi en çok kullanılan yöntemlerdir (Richards, 1999) Kontrolsüz Sınıflandırma (Unsupervised Classification) Bu sınıflandırmada, sınıflandırma için herhangi bir eğitim alanı kullanılmaz. Bunun yerine, görüntü içerisindeki bilinmeyen pikselleri inceleyen ve bunları görüntü değerlerinde olan mevcut doğal grup ve kümelere dayanarak bir dizi sınıflar içinde toparlayan algoritmalar içerir (Şekil 1.10). Verilen bir sınıf çeşidi içindeki değerlerin ölçü alanındaki değerlere yakın olması gerekirken, farklı sınıflardaki verilerin birbirilerinden çok iyi ayrılması bu işlemdeki ana öncül bilgidir. Kontrolsüz sınıflandırma sonucunda oluşturulan sınıflar spektral sınıflardır; çünkü bunlar tamamen yansıma değerlerindeki doğal gruplara bağlıdır ve spektral sınıfların kimlikleri ilk başta bilinmez. Spektral sınıfları tanımlamak için analizci, sınıflandırılmış veri ile bazı referans veri formlarını (büyük ölçekli görüntü ve haritalar) karşılaştırmalıdır. Böylece kontrollü sınıflandırma ile faydalı bilgi kategorileri tanımlayıp, bunların spektral farklılıkları incelenebildiği gibi spektral olarak birbirinden ayrılabilen sınıfları belirleyip bunlardan elde edilecek bilgiler tanımlanabilir (Lillesand ve Kiefer, 2000).

35 23 Şekil 1.10 Kontrolsüz sınıflandırma işlemi [2] Birçok kümeleme yöntemi olmasına rağmen, ISODATA en yaygın kullanılan yöntem olmuştur. Bu yöntem en iyi yakınsama özelliğine sahip, hızlı ve karmaşık veri grupları içinde doğal gruplama işleminde iyi sonuçlar üretebilen bir yöntemdir (Csillag, 2000) Kontrollü-Kontrolsüz Karışık Sınıflandırma Bazen bazı uygulamalarda, kontrolsüz sınıflandırmanın analizi yapan kişi için anlamı olmayan sınıflar türetmesinden ve kontrollü sınıflandırmada ise sınıflandırma sonucunda birçok sınıfın bölünmesi veya birleştirilmesi gerekliliğinden dolayı her iki sınıflandırmanın birleşimi olan bir yaklaşımın kullanılması gerekebilir. İlk önce kontrolsüz sınıflandırma işlemi, eğitim verileri üzerine uygulanır ve elde edilen kümeler kullanılarak eğitim alanının küme haritaları üretilir. Yeterli veri temsilinin sağlanması için genellikle, çok sayıda küme (50 veya daha fazla) kullanılır. Analizci daha sonra, araziyi gezerek elde ettiği verilerden, hava fotoğraflarından ve diğer referans verilerinden haritanın değerlendirmesini yapar ve her kümeye ait olduğu tabakasını atar. Normal olarak bazı kümelerin tabakalandırılmasında ya alt kümelere bölünmesi veya bazı kümelerin birleşmesi gerekmektedir. Bu tabakalanmış küme verileri (clustered datasets) daha sonra kontrollü sınıflandırmada kullanılır (Schowengerdt,1997). Analizci, çalışma alanı içerisinde yer alan arazi sınıflarından homojen olan örnek alanları alarak görüntü üzerinde yerleştirmeye çalışır. Bu alanlar genellikle eğitim alanları (training area) olarak ifade edilir. Çünkü bunların spektral karakteristikleri, görüntünün geri kalan kısımları için sınıflandırmanın gerçekleştirilmesinde kullanılır (Jensen, 1996). Her bir eğitim alanının istatistik parametresi (ortalama, standart sapma, kovaryans matrisi, korelasyon matrisi gibi) hesaplanır. Uygun sınıflandırma algoritması seçilerek, araziden ilk eğitim alanları toplanır. Daha sonra sınıflar arasındaki en iyi ayırımı sağlayacak bantlar seçilerek, ilave eğitim verisi toplanır ve sınıflandırma algoritmasına uygulanarak sınıflandırma haritası elde edilir (Jensen, 1996).

36 En Yakın Komşuluk Sınıflandırıcısı Bazı parametrik olmayan sınıflandırma şemaları, özellik uzayında komşu eğitim vektörlerinin değerine göre bilinmeyen piksellere değer atar. En yakın komşuluk, en yakın eğitim piksel değerinin aynısını atar. K en yakın komşuluk, k en yakın komşuluk eğitim piksellerinin çoğunlukta olan değerlerine göre değer atar. Ağırlıklı-uzaklık, k en yakın komşuluk eğitim piksel değerlerine ağırlıklar atar. Bu ağırlıklar, bilinmeyen pikselden olan öklid uzaklığı ile ters orantılı olarak hesaplanır (Schowengerdt,1997) Uzman Sınıflandırma Bu çalışmada kullanılan ERDAS programının Uzman sınıflandırma işlemi bu bölümde açıklanacaktır. Uzman sınıflandırma modülü, ERDAS Imagine programında var olan standart bir arayüzdür. Uzman sınıflandırıcı iki bölümden oluşur: a) Bilgi Üreticisi: Uygulama için gerekli veriye ait öncül (priori) bilgi ve değişkenler ile kuralları tanımlayan uzman bir arayüz sağlar. Sınıflandırmada kullanılacak hipotezler bu kısımda oluşturulur. Şekil 1.11 i incelersek; Hipotez kutusu Kural kutusu Koşul Kutusu yeşil renkli kutu hipotezi, sarı renkli kutu kuralı ve cam göbeği rengi de koşulu ifade eder. b) Uzman Sınıflandırıcı: Bir bilgi tabanı oluşturmak ve kesin sınıflandırmayı üretmek için uzman olmayan bir arayüz sağlar (Şekil 1.12).

37 25 Şekil 1.11 BÜ penceresinin görünümü Şekil 1.12 US modülünün görünümü

38 26 Şekil 1.13 US modülünde sınıflandırmaya tabi tutulacak sınıfların seçimi BÜ de hipotezler, kurallar ve değişkenler birbirlerine bağlanmış bir ağaç (karar ağacı) şeklindedir. Karar ağacının tam görünümü Şekil 1.14 de gösterilmiştir. Şekil 1.14 de, sağda gösterilen kutu hareket ettirilerek BÜ penceresi içerisinde yer alan karar ağacı grafiğinin değişmesi sağlanır. Karar ağacının her bir bölümü, karar hiyerarşisinin mantıksal ilişkisini gösteren çizgiler ile bağlanmış kutuları ve düğüm noktalarını içerir. Düğümlerin Mantığı (Logic of Nodes): Bir düğümün mantığı, bileşenlerinin nasıl değerlendirileceğine bağlıdır. Düğüm bir objedir; yani hipotez, kural veya koşullara ait özellikleri içerir. Düğümler bilgi tabanı penceresinde dikdörtgen şeklinde gösterilir. Düğümler arasındaki mantıksal bağlantılar dikdörtgenler arasındaki çizgiler olarak gösterilir. Düğümler doğru veya yanlış olarak değerlendirilir. Koşul, bir pikseli gerçek değeri ile karşılaştırır. Kural, bir veya daha fazla koşullar için değer atar. Hipotez ise bir veya daha fazla kuralın doğruluğunu esas alan bir sınıflandırma oluşturur. Doğru (True): Şekil 1.15 deki örnekte, hipotez doğru olarak değerlendirilirse, ya koşul-1 ile koşul-2 doğru olmalıdır, ya da koşul-3 ile koşul-4 doğru olmalıdır. Yanlış (False): Şekil 1.16 daki örnekte, hipotez yanlış olarak değerlendirilirse, ya koşul-1ile koşul-2 yanlış olmalıdır, ya da koşul-3 ve koşul-4 yanlış olmalıdır.

39 27 Hipotez1 Kural1 Koşul1 Koşul2 Hipotez2 Koşul3 Koşul4 Hipotez3 Kural1 Kural2 Kural3 Koşul5 Koşul6 Koşul7 Hipotez2 Koşul4 Hipotez1 Kural1 Koşul1 Koşul5 Koşul2 Hipotez3 Koşul6 Koşul7 Koşul3 Hipotez4 Koşul8 Koşul9 Şekil 1.14 Mantıksal ilişkiyi gösteren karar ağacının görünümü

40 28 Hipotez (doğru) Kural A (doğru) ve Koşul-1 (doğru) Koşul-2 (doğru) veya Kural B (doğru) ve Koşul-3 (doğru) Koşul-4 (doğru) Şekil 1.15 Hipotezin doğru olma durumunu gösteren şema Koşul-1 (yanlış) Hipotez (yanlış) Kural A (yanlış) ve Koşul-2 (yanlış) veya Kural B (yanlış) ve Koşul-3 (yanlış) Koşul-4 (yanlış) Şekil 1.16 Hipotezin yanlış olma durumunu gösteren şema

41 29 Güvenilirlik (Confidences): Güven değeri düğümün önemli olduğu bir olasılıktır. Kurallar için güven değeri bilgi üreticisi tarafından belirgin bir şekilde atanır veya koşulların güven değerlerinden yararlanılarak uzman sınıflandırıcı tarafından hesaplanabilirler. Koşullar için güven değeri her zaman bilgi üreticisi tarafından atanır. Aşağıda gösterilen denklemler, güven değerlerinin nasıl hesaplandığını göstermektedir (ERDAS IMAGINE Expert Classifier Overview, 2001). a) Tek bir mantık zinciri; n i= 0 c (1.5) i b) Çoklu mantık zinciri; n 1 ( 1 c ) i (1.6) i= 0 c i = i düğümünün güven değeri c i = toplam güven değeri 1-c i = hata olasılığı n = mantık zincirindeki düğümlerin sayısı Sınıflandırma Doğruluğu Sınıflandırma işleminin tamamlanmasından sonra, sonuç ürünün doğruluğunun belirlenmesi gerekir. Bunun için, çalışma bölgesine ait mevcut haritalar veya GPS ölçmeleri sonucunda elde edilen kesin olarak doğruluğuna emin olunan referans verileri kullanılır. Sınıflandırılmış görüntü verisindeki piksellerle bu referans verileri karşılaştırılır. Karşılaştırma işleminde piksellerin rasgele seçilmesi, doğruluk değerlendirmesi yapan kişinin olumlu veya olumsuz olarak hesaplamaya etkisini önler. Sınıflandırma doğruluğunun belirlenmesinde, sınıflandırma aşamasında kullanılmayan eğitim alanlarına ait piksellerin seçilmesi gerekir. Bu amaçla en çok kullanılan yöntem hata matrisi dir. Hata matrisi yardımı ile sınıflandırılmış piksellerin doğruluk yüzdeleri hesaplanır (Mather, 1999). Birçok hata ölçüsü, bu hata matrisinden elde edilir. Bunlardan bazıları; toplam doğruluk, üretici ve kullanıcı doğruluğudur. Hata matrislerinden elde edilen sınıflar arası doğrulukların analiz edilmesi amacıyla k kappa katsayısı kullanılır. k değeri (kappa katsayısı), 0 ile 1 arasında değer alır ve hata matrisinin satır ve sütun toplamları ile köşegeni üzerindeki elemanlar kullanılarak hesaplanır. k nın

42 30 değerinin 1 olması istenilen en ideal durumdur. Kappa değerinin hesaplanması (1.7) formülü ile gösterilmiştir (Congalton, 1991; Lillesand ve Kiefer, 2000). r r ( x ) i+ x+ i N xii k = i= 1 i= 1 r (1.7) 2 N ( x ) i+ x+ i i= 1 r x ii x i+ x +i N : hata matrisindeki toplam satır sayısı : i. satır ve sütundaki piksel sayısı : i. satırdaki toplam piksel sayısı : i. sütundaki toplam piksel sayısı : matrisin tamamındaki piksel sayısı Doku (Texture) Analizi Uygulamada kullanılacak olan alan içerisinde arazi kullanım özelliklerine göre farklı türden sınıflar olabilir. Bu farklı türden arazi kullanım sınıfları, farklı yansıma değerlerine ve sınıflandırma algoritmalarında kullanılabilen doku değerlerine sahiptirler. Yerleşim alanları, kapsadıkları alan içinde bulunan binalara ve sokak şekillerine göre önemli doku değerlerine sahiptirler. Bunun aksine, türdeş alanlar (tarımsal alanlar) ise düşük veya sıfıra eşit doku değerine sahiptirler. Doku değerleri, görüntü verileri esas alınarak görüntü üzerinde 3x3 boyutunda pencere gezdirilerek elde edilir. Burada oluşan uyuşmazlık (karşıtlık) değeri (1.8) formülünden elde edilir (ERDAS, 1999). v = ( x M) ij n 1 2 Burada; x ij = (i,j) pikselinin piksel değeri n = gezici pencerenin piksel sayısı M = gezici pencerenin ortalama değeridir ve (1.9) formülü ile hesaplanır (ERDAS, 1999): (1.8) x ij M = (1.9) n

43 31 2. UYGULAMA 2. 1 Çalışma Bölgesi Uygulamada kullanılan çalışma alanı, yaklaşık olarak 11x26 km ve sadece kuzey hattında sahili içerecek şekilde Trabzon merkezini kapsamaktadır. Çalışma bölgesine ait görüntü koordinatları ULX: , ULY: , LRX: , LRY: şeklindedir. 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünden yararlanılarak bu bölgeye ait arazi sınıf türleri belirlenmiş ve uygulamanın amacına göre kullanılmıştır Çalışmada Kullanılan Datum ve Projeksiyon Bu uygulamada, UTM koordinat sisteminde ve International 1909 elipsoidi ile ED50 (European 1950) datumu temel alınarak görüntü düzeltme, görüntü zenginleştirme ve görüntü sınıflandırma işlemleri yapılmıştır Landsat ETM+ Uydu Görüntüsü Verisi Bu uygulamada 19 Eylül 2000 tarihli Landsat ETM+ uydu görüntüsü kullanılmıştır. Çalışma alanı orijinal görüntü üzerinde belirlenerek, üzerinde çalışılabilir duruma getirilmiştir. Çizelge 2.1 de çalışmada kullanılan görüntü ile ilgili bilgiler verilmiştir. Şekil 2.1 Çalışma bölgesini gösteren Landsat ETM+ 543 (RGB) uydu görüntüsü Landsat ETM+ Uydu Görüntüsünün Geometrik Düzeltilmesi Uydu görüntülerinin geometrik olarak düzeltilmesi gerekir. Geometrik düzeltme işlemi, orijinal uydu görüntüsündeki eğilme ve büzülmeleri (distorsiyonları) gidererek görüntülerin istenilen koordinat sistemi ile çakıştırılmasını sağlar.

44 32 Bu çalışmada, dönüşüm için gerekli kontrol noktaları 1/25000 ölçekli topografik haritalar üzerinden seçilmiştir. Ayrıca kontrol noktalarının seçiminde, noktaların görüntü üzerine homojen olarak dağılmasına dikkat edilmiştir. Uygulamada çalıştığımız alan L o =39 o başlangıç boylamlı 3 o lik tek bir UTM dilimi içerisinde değerlendirilebildiğinden, 3 o lik UTM koordinat sistemi ile 1/25000 ölçekli paftaların üretiminde kullanılan ED50 datumu seçilmiştir. Uzaktan algılama verilerinin geometrik dönüşümünde maksimum karesel ortalama hata (RMS) miktarı 0.5 piksel olarak kabul edilir (Jensen, 1996; Armston vd., 2002). Buna göre Landsat ETM+ görüntüsünün hata miktarı 0.5 pikselden çok bantlı görüntüde yaklaşık 15 m olur. RMS hatasını 1 pikselin altına düşürebilmek amacıyla birçok iterasyonun yapılması gerekmiştir. Geometrik düzeltme işleminde birinci dereceden lineer dönüşüm ile bilineer yeniden örnekleme yöntemi kullanılmıştır. Sonuçta RMS 0.7 piksel olarak bulunmuştur. Çizelge Eylül 2000 tarihli Landsat ETM+ uydu görüntüsünün metaverisi ve koordinatları Görüntü Metaverisi Görüntü Koordinatları Çekim Tarihi ULX Ürün no ULY Bulut oranı (%) 3 LRX Çok bantlı çözünürlük 30 m LRY Termal çözünürlük 60 m Pencere no 173/032 Algılayıcı ETM Görüntü Verisinin Analizi Burada, bant oranlaması (Band Rationing) ve temel bileşenler dönüşümü (Principal Components Transformation) analizleri incelenecektir. Bu işlemlerin uygulanmasında herhangi bir eğitim verisine gereksinim duyulmaz. Bu dönüşümlerle görüntü verisi görsel olarak daha iyi yorumlanır ve arazi sınıfları üzerinde daha iyi analiz yapılması sağlanır. Bu dönüşümlerle ilgili uygulama içerisinde yapılan işlemler aşağıda açıklanmıştır Bant Oranlaması Uzaktan algılama konusunda çalışan bilim adamlarının ilgi alanlarından biri, bir bölgeye ait bitki örtüsünü belirlemek ve buna göre orman kaynaklarını tespit etmek olmuştur. Global

45 33 ölçekte en doğru bilgilere sahip olmak amacıyla bitki indeksi olarak adlandırılan ve çok bantlı verilerden elde edilen birçok farklı dönüşümler gerçekleştirilmiştir (Craig, 2002). Bu çalışmada standart bitki indeksi, BI = Band4/Band3 oran görüntüsünden yararlanılmıştır. Bitki indeksi ile elde edilen görüntünün incelenmesi sonucu, bitki örtüsü ile açık toprak ve deniz sınıflarının ayırt edilebildiği görülmüştür. Bitki örtüsü açık gri tonunda, bitki örtüsü dışında kalan alanlar ise koyu gri tonunda görülmektedir (Şekil 2.2). Akarsu ve yollar belirgin bir şekilde bitki örtüsünden ayrılır. Şekil 2.2 Bitki indeksi görüntüsü Bitki indeksi görüntüsü detaylı olarak incelendiğinde bitki örtüsü içerisinde ormanlık alanların beyaza yakın renk tonunda olduğu görülmektedir. Uygulama alanının geneline bakıldığında, fındık alanlarının sık ve gri renk tonunda olduğu, batı kesiminde ise nispeten tarım arazilerinin çokluğunu ve bunların koyu gri tonunda olduğu görülmektedir Temel Bileşenler Dönüşümü Bu işlemin yapılmasının nedeni, görüntü verisinin gerçek boyutunu belirlemektir. Yani, her bir bantta seçilen arazi sınıflarına karşılık gelen veri tekrarını ortaya çıkartmak ve bu görüntülere ait veriler arasındaki korelasyonu belirlemektir. Temel bileşenler dönüşümü olarak adlandırılan bu işlemle üzerinde çalışılan bant sayılarında azalma olur ve orijinal banttaki bilgilerin çoğu sıkıştırılarak daha az bantla çalışma olanağı sağlanır. Ana bileşen dönüşümü 6. bant hariç tüm bantlara uygulanmıştır. Yapılan işlemlerin sonuçları Çizelge 2.2 de verilmiştir. Sonuçlar incelendiğinde, ilk dört bileşenin Landsat ETM+ verileri içinde %99,75 lik varyansa sahip oldukları görülmüştür (Çizelge 2.2).

46 34 Birinci temel bileşen dönüşümü (PC1) %89,69 la en yüksek varyansa sahip veri kümesidir. İkinci temel bileşen dönüşümü (PC2) %8,48 ve üçüncü temel bileşen dönüşümü ise %1,36 varyansa sahiptir. Birinci temel bileşen dönüşümüne ait ağırlık katsayıları incelendiğinde, tüm bantlar arasında pozitif bir ilişkinin olduğu görülür. Pozitif korelasyon görüntüdeki parlaklığın baskın olduğu anlamındadır (Craig, 2002). Güneş parlaklığı ve topografya, piksel değerleri üzerinde en güçlü etkiye sahiptir. Parlak alanlarda pikseller tüm bantlarda yüksek değer alırken, gölgelik yerlerdeki pikseller düşük değer alırlar. Toprak olarak bilinen piksel değerleri parlak açık gri renkte, gölgelik alanlar ise koyu renktedir. Bitki örtüsü yerleşim yerlerinden az da olsa parlaktır. Ancak bu farklılık bunların ayırt edilmesi için yeterli değildir. PC1 bileşeninde bant 1 in ağırlık katsayısı diğerlerinden düşüktür ve bant 1 suyun belirlenmesinde kullanıldığından, bu bileşeni su kütlelerinin belirlenmesinde kullanabiliriz (Şekil 2.3). Şekil 2.3 PC1 bileşenine ait görüntü İkinci temel bileşen dönüşümüne ait veriler incelendiğinde, Bant 1 ile Bant 4 ve Bant 5 değerleri arasında negatif bir ilişki olduğu görülmektedir (Çizelge 2.2). Bunun anlamı, bant 1 in yansıma değerinin yüksek, bant 4 ve bant 5 in yansıma değerlerinin ise düşük olduğu anlamına gelir. Bu ifadenin tersine, bant 4 ve bant 5 in yansıma değeri yüksek olduğunda bant 1 in düşük olacaktır. Bant 1 mavi ışığın ( ) yansımasını kaydettiğinden suyun belirlenmesinde etkilidir. Bant 5 yeşil bitkilerde nemin belirlenmesinde, Bant 4 ise bitki örtüsünün tanımlanmasında etkendir. Bu nedenle, PC2 bileşeni bitki örtüsü ve nemin belirlenmesinde etkilidir (Şekil 2.4).

47 35 Şekil 2.4 PC2 bileşenine ait görüntü Çizelge 2.2 de üçüncü ana bileşen dönüşümüne bakıldığında, bant 4 ile bant 7 arasında negatif bir ilişki vardır. Bant 4 ün bitki örtüsünün belirlenmesinde ve bant 7 ninde ( ) kayalık alanların ayrımında kullanıldığı göz önüne alındığında, PC3 ün bitki örtüsü ile kayalıkların ve yerleşim alanlarının belirlenmesinde etken olduğu ortaya çıkmaktadır (Şekil 2.5). Şekil 2.5 PC3 bileşenine ait görüntü

48 36 Çizelge 2.2 Landsat ETM+ uydu görüntüsüne ait özdeğer (Eigen) Analizi PC1 PC2 PC3 PC4 PC5 PC6 Özdeğerler 10590,45 898,49 143,84 22,37 16,23 10,50 Varyans (%) 89,69 8,48 1,36 0,21 0,15 0,10 Kümülatif (%) 89,69 98,18 99,54 99,75 99, Ağırlık katsayıları (Weighting coefficients) Band 1 0, , , , , ,63040 Band 2 0, , , , , ,65126 Band 3 0, , , , , ,38432 Band 4 0, , , , , ,04358 Band 5 0, , , , , ,06214 Band 7 0, , , , , , Doku (Texture) Analizi ETM görüntüsünden elde edilen konumsal doku bilgisi, diğer ek bilgilerle birlikte uzman sınıflandırmada kullanılır. Görüntü üzerinde 3x3 boyutunda (5x5 veya 7x7) hareketli pencereler gezdirilerek, görüntüye ait doku bilgileri elde edilir. ETM verisinin çözünürlüğü, kentsel alanlara ait sınıfların doğru olarak ayırt edilmesini etkiler; bundan dolayı, kentleşmiş bölgeleri doğal bölgelerden (yani, gelişmiş bölgeleri gelişmemiş bölgelerden) ayırt etmede doku bilgisi öncelikli olarak kullanılır. Yüksek çözünürlüklü veri kümelerinden elde edilen doku bilgisinin diğer yardımcı verilerle birleştirilmesi, uzman sınıflandırma ile oluşturulan kentsel alanlara ait sınıfların daha iyi ayırt edilmesine imkan tanır (Stefanov, Ramsey ve Christensen, 2001). Uygulamada kullanılan çalışma alanı içerisinde yerleşim yerleri, tarım alanları ve ormanlık alanlar mevcuttur. Bu farklı türden arazi kullanım sınıfları, farklı yansıma değerlerine ve sınıflandırma algoritmalarında kullanılabilen doku değerlerine sahiptir. Yerleşim alanları, kapsadıkları alan içinde bulunan binalara ve sokak şekillerine göre önemli doku değerlerine sahiptirler. Bunun aksine, türdeş alanlar (tarımsal alanlar) ise düşük veya sıfıra eşit doku değerine sahiptirler. Doku değerleri, ETM verileri esas alınarak görüntü üzerinde 3x3 boyutunda pencere gezdirilerek elde edilir.

49 37 Çalışma bölgesine ait doku görüntüsünü elde etmek için ERDAS Imagine yazılımında bulunan Image Interpreter mödülü (Şekil 2.6) kullanılır. ETM verisinden elde edilen mozaik görüntü üzerinden 3x3 boyutunda hareketli pencere gezdirilerek değişimin olduğu alanlar belirlenir. Şekil 2.6 Imagine interpreter modülü Şekil 2.7 Çalışma bölgesine ait doku görüntüsü Şekil 2.7 incelendiğinde, yüksek kenar yoğunluğuna (kentsel alanlar) sahip bölgeler parlak görünürken, düşük kenar yoğunluklu (örneğin; tarımsal alanlar ve kırsal bölgeler) alanlar

50 38 karanlık görünür. Doğal lineer özelliklere sahip alanların (örneğin; nehir yatakları ve kayalık alanlar) doku değerleri, genellikle kent ve türdeş bölgeler arasında ortalama değer alırlar Landsat ETM+ Uydu Görüntüsünün Sınıflandırılması Bu bölümde, Landsat ETM+ uydu görüntüsüne öncelikle kontrollü sınıflandırma daha sonra ise uzman sınıflandırma işlemi uygulanacak ve sonuçlar karşılaştırılacaktır Eğitim Alanlarının Belirlenmesi Eğitim verileri, görüntünün sınıflandırılması aşamasında bu işleme ait istatistiklerin kontrol edilerek, doğru bir sınıflandırma yapılması amacıyla kullanılır. Eğitim verileri, görüntüye ait bilgi sınıflarının eşik (threshold) değerlerini ifade eder. Bilgi sınıfları veya arazi örtüsü sınıfları tematik haritadaki katmanlardır (Syzmanski, 1998). Eğitim alanlarına ait veriler, mümkün oldukça uydu görüntüsünün kaydedildiği tarihe yakın bir zaman diliminde araziden toplanmalıdır. Doğru bir sınıflandırmanın yapılabilmesi için eğitim alanlarının arazide homojen bir şekilde belirlenmesi ve yeterli miktarda tanımlanması gerekir (Lillesand ve Kiefer, 2000). Eğitim alanları doğrudan araziden belirlenebildiği gibi, görüntü üzerinde çok belirgin alanların gözle yorumlanmasıyla veya mevcut haritalar aracılığıyla da belirlenebilir Kontrolsüz Sınıflandırma Çalışma alanı hakkında yeterli bilgiye sahip olmak amacıyla ETM görüntüsüne ISODATA yöntemi uygulanarak yirmi (20) sınıf için kümeleme yapılmıştır (Şekil 2.8). Bu küme sayısı bölgeyi temsil edecek yeterli veriyi kapsamaktadır. Kontrolsüz sınıflandırmada belirlenen sınıflar irdelenerek uygun bulunanlar eğitim alanı olarak atanmış ve eğitim alanlarının kontrolünde kullanılmıştır. Ayrıca, kontrolsüz sınıflandırma işleminde elde edilen sınıflardan bizim belirlediğimiz arazi sınıflarını verenler birleştirilerek kontrollü sınıflandırma işleminde kullanılmıştır.

51 39 Şekil 2.8 Kontrolsüz sınıflandırma işlemi sonucunda elde edilen görüntü Kontrollü Sınıflandırma Bu çalışmada kontrollü sınıflandırma yöntemi olarak En Yakın Benzerlik (Maximum Likelihood) kullanılmıştır. Arazi sınıfları ETM verisinin spektral çözünürlüğü esas alınarak seçilmiştir. Arazi sınıflarına ait eğitim alanları yersel ve arazi kullanım verileri kullanılarak belirlenmiştir. Her bir eğitim alanı 10xn (n=sınıflandırmada kullanılan bant sayısı) ölçütüne uyan en az 70 pikseli kapsar (Congalton ve Green, 1999). Her bir sınıf için hesaplanan piksel sayısı Çizelge 2.3 te verilmiştir. Çalışma alanı incelendiğinde, arazi örtüsünü en iyi gösteren yedi adet sınıf üzerinde durulmuştur. Daha sonra belirlenen yedi sınıf için kontrollü sınıflandırma yapılmıştır. Yapılan kontrollü sınıflandırma işlemine ait görüntü Şekil 2.9 da gösterilmiştir. Çizelge 2.3 Eğitim alanlarına ait piksel sayısı Sınıf Piksel Sayısı Su Yerleşim Tarım Yaprakları dökülen ağaçlar Yaprakları dökülmeyen ağaçlar Karışık Fındık 62286

52 40 Su Tarım Fındık Karışık ağaç Yaprakları dökülmeyen ağaç Yerleşim Yaprakları dökülen ağaç Şekil 2.9 Kontrollü sınıflandırma işlemi sonucunda elde edilen görüntü Çizelge 2.4 Arazi sınıflarının tanımı Arazi Sınıfı Su Yerleşim Tarım Yaprakları dökülen ağaçlar Yaprakları dökülmeyen ağaçlar Karışık ağaçlar Fındık Tanımı Deniz, akarsu ve dereleri içeren alanlar Bina, yol ve boş alanların birlikte bulunduğu alanlar Küçük çapta ürün elde edilen alanlar (mısır, lahana vb.) Mevsimsel değişiklikler sonucu, yaprakları kendiliğinden dökülen ağaçların %75 inden fazlasının hakim olduğu alanlar Tüm yıl boyunca yaprakları dökülmeyen ağaçların %75 inden fazlasının hakim olduğu alanlar Toplam ağaçlık alanın %75 inden fazlasını içeren ve yaprakları dökülen ve yaprakları dökülmeyen ağaçların bulunduğu alanlar Toplu halde bulunan fındık bahçelerinden oluşan alanlar Sınıflandırma sonuçları değerlendirildiğinde, bazı sınıfların topografyadan kaynaklanan parlaklık veya gölgenin etkisi altında olduğu görülmüştür. Kıyı kesimlerinde ara yolların

53 41 çokluğu ve bunların beton-asfalt karışımı malzemelerle döşenmesi binalarla karışmasına neden olmuştur. Aynı şekilde çalışma alanı içerisinde yer alan havaalanına ait yersel özellikler de karışıklığa neden olmaktadır. Bunun için, bu alanların tümü yerleşim sınıfı altında birleştirilmiştir. Çizelge 2.5 Kontrollü Sınıflandırma sonucuna ait hata matrisi Arazi sınıfları Su Yerleşim Tarım Yaprakları dökülen ağaçlar Yaprakları dökülmeyen ağaçlar Karışık ağaçlar Fındık Tpl Su Yerleşim Tarım Yaprakları dökülen ağaçlar Yaprakları dökülmeyen ağaçlar Karışık ağaçlar Fındık Toplam Kontrollü Sınıflandırma Sonucunun Doğruluğu Landsat ETM+ uydu görüntüsünün kontrollü sınıflandırma işlemi sonucu elde edilen değerler, araziden test alanları olarak alınan verilerle karşılaştırılmıştır. Uygulanan kontrollü sınıflandırma işlemi sonucunda sınıflandırmanın toplam doğruluk yüzdesi, kullanıcı ve üretici doğrulukları ile bu doğrulukların istatistiki olarak değerlendirilmesini sağlayan kappa değerleri hesaplanmıştır. Sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk yüzdeleri bir hata matrisi kullanılarak hesaplanır (Congalton&Green, 1999). Hata matrisi, sınıflandırmada doğru değerler elde edilebilmesi için sınıflandırmaya dahil edilmeyen veya dahil edilen hata oranlarını birleştiren bir k (kappa) analizi kullanılarak elde edilir (Jensen, 1996). Sınıflandırma sonucuna ait hata matrisi Çizelge 2.5 de gösterilmiştir.

54 42 Üretici doğruluğu, belirli bir arazi sınıfı olarak sınıflandırılan piksellerin yüzdesidir. Kullanıcı doğruluğu ise, doğru olarak sınıflandırılan arazi sınıfına ait referans piksellerin yüzdesidir. Kullanıcı doğruluğu genellikle sınıflandırmanın doğruluğunu gösterir. Yapılan sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk değerleri hata matrisinden elde edilir. Test alanları kullanılarak yapılan sınıflandırmanın doğruluğu %92.40 ve kappa değeri de olarak bulunmuştur. Sınıflandırma sonucu elde edilen kullanıcı ve üretici doğruluk yüzdeleri ile k değerleri Çizelge 2.6 da verilmiştir. Çizelge 2.6 Kontrollü Sınıflandırma sonucuna ait kullanıcı ve üretici yüzdeleri ile kappa değerleri Sınıf Referans piksellerin sayısı Sınıf. piksel sayısı Doğru sınıf. piksel sayısı Üretici doğruluğu (%) Kullanıcı doğruluğu (%) k (%) Su Yerleşim Tarım Yaprakları dökülen ağaçlar Yaprakları dökülmeyen ağaçlar Karışık ağaçlar Fındık Toplam Toplam sınıflandırma doğruluğu = %92.40 Toplam k değerleri = Çizelge 2.6 da görüldüğü üzere, sınıflandırma sonuçları tarım sınıfı hariç kabul edilebilir doğrulukta olmuştur. Tarım sınıfının doğruluk yüzdesi istenilen düzeyde olmamıştır. Bunun nedeni, bölgenin engebeli yapısından dolayı tarım alanlarının genellikle fındık bahçeleri ile iç içe olmasındandır. Yani, tarım alanları ya fındık bahçelerinin çevrelediği alanının sınır

55 43 bölgelerine gelmekte ya da bölgeye üstten baktığımızda fındıklıkların ve ağaçlık bölgelerin içerisinde kaldığı görülmektedir. Bunun sonucunda, alt piksel karışıklıkları ortaya çıkmış ve bazı bölgelerde ayırt edilmesi zorlaşmıştır. Diğer arazi sınıflarının kullanıcı değerleri % arasında değişmektedir. Şekil 2.10 ve Şekil 2.11 de kontrollü sınıflandırma sonucunda elde edilen üretici ve kullanıcı doğrulukların yüzde değerleri grafiksel olarak gösterilmiştir. Denetimli Sınıflandırma Sonucunun Üretici Doğruluğu (%) 81,36 86,96 100,00 93,10 87,04 93,75 100,00 Su Tarım Yaprakları dökülmeyen ağaçlar Fındık Yerleşim Yaprakları dökülen ağaçlar Karışık ağaçlar Şekil 2.10 Kontrollü sınıflandırma sonucunda elde edilen üretici doğruluğu değerlerinin grafiksel gösterimi Denetimli Sınıflandırma Sonucunun Kullanıcı Doğruluğu (%) 100,00 98,90 88,89 93,10 82,46 84,91 60,00 Su Tarım Yaprakları dökülmeyen ağaçlar Fındık Yerleşim Yaprakları dökülen ağaçlar Karışık ağaçlar Şekil 2.11 Kontrollü sınıflandırma sonucunda elde edilen kullanıcı doğruluğu değerlerinin grafiksel gösterimi

56 Uzman Sınıflandırma Uzman sınıflandırma modeli, ERDAS Imagine görüntü işleme yazılımı kullanılarak oluşturulur. Bu sınıflandırmanın yapılmasındaki temel ilke, arazi katmanlarının sınıflandırılması işleminde (kontrollü sınıflandırmada) kullanılan tekniklerle (örneğin; en yakın benzerlik, minimum mesafe vb.) gerçekleştirilen sınıflandırmayı, ek bilgilerle (örneğin; doku bilgisi, arazi kullanımı vb.) yeniden yapmak ve sınıflandırmanın doğruluğunu arttırmaktır. Uzman sınıflandırma, görüntü verisinde bulunan spektral bilgiye en yüksek ağırlığın atanmasını sağlar. Uzman sınıflandırma yazılımı; çok bantlı görüntülerin sınıflandırılmasında, sınıflandırma sonrası incelemede ve CBS modeli oluşturmada yaygın olarak kullanılan bir yöntemdir. Sınıflandırma işlemi, Şekil 2.12 de verilen bir örnekte görüldüğü üzere hipotez, kural ve değişkenlerden oluşan bir hipotez testi iskeleti kullanılarak yapılır. Bir hipotezin doğru olması için onu tanımlayan koşulların doğru olması gerekir. Şekil 2.12 de yaprakları dökülen ağaçlar sınıfına ait hipotez görülmektedir. Bu diyagrama baktığımızda, elips içerisinde gösterilen Orman1 kuralı ve bu kuralı tanımlayan dikdörtgen kutulardaki koşullar yer almaktadır. Eğer arazi sınıfı yapılan kontrollü sınıflandırma sonucunda yaprakları dökülen ağaçlar olarak sınıflandırılmışsa (Arazi sınıfı=4) ve piksel değeri Bant 4 te 75 den büyük, Bant 2 de 175 den küçük bir değere sahipse, bu sınıf yaprakları dökülen ağaçlar olarak sınıflandırılır. Bant 2, görünür spektrumdaki yeşil bölgede oluşan yansımanın ölçülmesi ile bitkilerin tanımlanmasında kullanılır. Bant 4 ise, yakın IR bölgede bitki türlerinin tanımlanmasını sağlar. Burada piksel değer aralığının 75 ile 175 arasında seçilmesinin sebebi, bitki örtüsüne ait yüzey özelliklerinin ve yansıma değerlerinin, IR bölgedeki yüksek değerler ile görünür bölgede düşük değerler aldığı değer aralığı olmasıdır. Aynı yaklaşım, diğer arazi sınıflarının sınıflandırılmasında kullanılır. Arazi sınıfı==4 Yaprakları dökülen ağaçlar Orman1 TM Band 4>=75 TM Band 2<175 Şekil 2.12 Hipotez testi iskeleti

57 45 Su Su Arazi sınıfı==1 Yerleşim Yerleşim Arazi sınıfı==2 Tarım Tarım Arazi sınıfı==3 Arazi sınıfı==5 Yaprakları dökülmeyen ağaçlar Orman TM Band 4>=75 TM Band 2<175 Şekil 2.13 BÜ modülünde oluşturulan bilgi tabanına ait hipotez testi iskeleti

58 46 Arazi sınıfı==6 Karışık ağaçlar Orman2 TM Band 4>=75 TM Band 2<175 Arazi sınıfı==7 Fındık Fındık TM Band 4>=75 TM Band 2<175 Şekil 2.13 ün devamı Şekil 2.14 Hipotez, kural ve koşulların tanımlandığı BÜ modülü

59 47 Şekil 2.14 te görülen BÜ modülü içerisinde oluşturulan hipotezin doğruluğu, bu hipotez için tanımlanan koşul değerlerini belirleyen ek bilgilerin doğru seçimine bağlıdır. Çünkü bu seçim, sınıflandırmanın doğruluğunu direkt olarak etkileyecektir. Şekil 2.15, 2.16 ve 2.17 de tanımlanan koşullara ait özellikler yer almaktadır. Örneğin, Şekil 2.15 de arazi sınıfı koşulunun tanımlanmasında ek bilgi olarak en yakın benzerlik sınıflandırmasından elde edilen görüntünün kullanıldığı görülmektedir. Şekil 2.16 ve 2.17 de ise, TM Band4 ve TM Band2 koşullarının tanımlanmasında yardımcı veri olarak ETM görüntü verisi kullanılmıştır. Şekil 2.15 Arazi sınıfı koşulunun tanımlandığı diyalog

60 48 Şekil 2.16 TM Band2 koşulunun tanımlandığı diyalog Şekil 2.17 TM Band4 koşulunun tanımlandığı diyalog

61 49 Su Tarım Fındık Karışık ağaçlar Yaprakları dökülmeyen ağaçlar Yerleşim Yaprakları dökülen ağaçlar Şekil 2.18 Uzman sınıflandırma sonucu elde edilen görüntü Ek bilgi (doku görüntüsü, yersel veriler) kullanılarak oluşturulan hipotez testi iskeleti, daha sonra sınıflandırma işlemine tabi tutulmuştur. Uzman sınıflandırma sonucu oluşan görüntü Şekil 2.18 de gösterilmiştir Uzman Sınıflandırma Sonucunun Doğruluğu Yapılan sınıflandırmanın doğruluğu test alanları kullanılarak değerlendirilmiştir. Aynı zamanda sınıfların zamansal hassasiyetlerini arttırmak ve referans veri kümelerinde olabilecek hatalardan kaçınmak için orijinal ETM verisi kullanılmıştır. Sınıflandırmaya ait üretici, kullanıcı ve toplam doğruluk yüzdeleri bir hata matrisi kullanılarak hesaplanır (Congalton ve Green, 1999). Sınıflandırma sonucuna ait hata matrisi Çizelge 2.7 de gösterilmiştir. Test alanları kullanılarak yapılan sınıflandırmanın doğruluğu %95.80 ve kappa değeri de olarak bulunmuştur. Sınıflandırma sonucu elde edilen kullanıcı ve üretici doğruluk yüzdeleri ile k değerleri Çizelge 2.8 de verilmiştir.