UZAKTAN ALGILAMA Uydu Görüntülerinin Sağladığı Bilgi İçeriği Kavramı

Transkript

1 UZAKTAN ALGILAMA Uydu Görüntülerinin Sağladığı Bilgi İçeriği Kavramı GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF439 UZAKTAN ALGILAMA DERSİ NOTLARI /marangoz.htm

2 İÇERİK Giriş Bilgi İçeriği Kavramı Uydu Görüntülerinin YÖA Değeri Normal ve Etkin YÖA Değerleri Örnek Uydu Görüntülerinin Bilgi İçerikleri Yapılan Çalışmaların Sonuç Değerlendirmeleri Ders Konusunu İçeren Sonuçlar 2

3 GİRİŞ Yüksek çözünürlüklü uydu görüntülerinin uzaktan algılama uygulamalarında ve konumsal bilgi elde etmede yoğun olarak kullanılmaya başlanmasının en önemli nedeni, bu görüntülerin Yer Örnekleme Büyüklüğünün (YÖA Değeri veya GSD: Ground Sampling Distance) küçülmesidir. Bu durum görüntünün uzaysal (geometrik) çözünürlüğünün artması ve nesnelerin daha ayrıntılı olarak görüntülerden seçilmesi anlamına gelmektedir. YÖA değerinin yanı sıra, görüntülerin radyometrik ve spektral çözünürlükleri de bilgi içeriğini etkilemekte, değişim belirleme gibi çalışmalarda zamansal çözünürlük de ön plana çıkmaktadır. 3

4 GİRİŞ Bilgi içeriğini etkileyen çözünürlük kavramlarına ek olarak; görüntülerin etkin YÖA değeri, atmosferik durum, görüntünün güneş yükseklik açısı, güneş azimut açısı, görüntüleme sisteminin bakış açısı ve ilgi alanındaki nesnelerin durumu ve aralarındaki kontrast da bilgi içeriğini etkileyen parametrelerdir. Uzaktan algılama görüntülerinden konumsal bilgi elde etmede görüntülerin içerdiği geometrik doğruluk ve bilgi içerikleri iki önemli etkendir. Geometrik doğruluk, sistemin görüntü alım geometrisi ile yakından ilişkilidir ve bu doğruluk ile büyük ölçekli topografik haritaların konum doğruluğuna ulaşmada herhangi büyük bir sorun yaşanmamaktadır. 4

5 Konum Doğruluğu ve Bilgi İçeriği (Topoğrafik Haritalarda) Gözün ayırma gücü dikkate alındığında, gösterimde uygulanmakta olan 0.20 mm kuralına göre 1:5000 ölçekli bir haritanın yatay konum doğruluğu ±1.0m düzeyinde olmaktadır. Bu değere, 1.0m ve daha alt YÖA değerine sahip ticari uydu görüntüleriyle ulaşmak mümkündür. Burada asıl sorun, görüntünün sağladığı bilgi içeriğinin, 1:5000 ölçekli haritanın değil ancak 1:10000 ölçekli bir haritanın bilgi içeriğini vermesidir. Düşey konum doğruluğunda ise daha belirsiz bir durum söz konusudur. Düşey hassasiyet, arazi yapısına bağlıdır ve genellikle eşyükseklik eğrisi aralığının 1/3 ü olarak kabul edilmektedir. Konum Doğruluğu Yatayda: ± (0.20mm) x ölçek paydası Düşeyde: Arazinin eğimine bağlı (Genellikle eş yükseklik eğrisi aralığının 1/3 ü) 5

6 Konum Doğruluğu ve Bilgi İçeriği (Topoğrafik Haritalarda) Kazanılan deneyimlerden elde edilen durum, haritanın ölçeği ile YÖA değeri arasında ( mm) gibi bir ilişkinin olduğudur. Bu sayede 1/10000 ölçekli bir harita için 50cm-1.0m sonucuna rahatlıkla varılabilir. Bu ölçekte bir haritanın gerektirdiği yatay konum hassasiyeti ± 2.0 düzeyindedir ki, 1.0 m YÖA değerine sahip bir görüntü ile bu değerin altına inmek mümkündür. Bilgi İçeriği Sivil Uygulamalarda: Ölçeğe bağlı olarak haritada gösterilen ayrıntı Harita Ölçeği YÖA İlişkisi YÖA = ( mm) x ölçek Askeri Uygulamalarda: STANAG 3769 kuralları geçerlidir (1/10000 için gerekli YÖA: 50cm-1.0m) (Görüntü detayı ve içeriğindeki değişikliklere göre) 6

7 Etkileyen Faktörler Görüntünün Kapladığı Arazi Boyutu Görüntünün Uzaysal Çözünürlüğü Normal ve Etkin YÖA Değeri Görüntünün Spektral Çözünürlüğü (pan, ms) Görüntülerin Radyometrik Çözünürlüğü (6, 8, 11 bit) Görüntüdeki Renk Bilgisi (RGB, NIR) Atmosferik Durum (bulut, sis vs.) Güneş Yükseklik Açısı ve Azimut Açısı (Gölge Boyu) Görüntüleme Sisteminin Bakış Açısı Görüntüdeki Nesnelerin Durumu ve Aralarındaki Kontrast 7

8 Görüntünün Kapladığı Arazi Boyutu (Hatırlatma) (Stoney, 2006) 8

9 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) Bir görüntüde fark edilebilir en küçük detay, algılayıcının konumsal çözünürlüğü ile ilgilidir ve görülebilen en küçük hedef boyutunu tanımlar. YÖA: Yer Örnekleme Aralığı - GSD: Ground Sampling Distance, Komşu piksellerin merkezlerinin yeryüzündeki fiziksel karşılıklarıdır. Genellikle cm. ve/veya m. cinsinden ifade edilir. 9

10 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) Aynı bölgenin farklı uzaysal çözünürlüklerde örneklenmesi 10

11 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) Ticari uydular yarım metreden kilometrelere varan çözünürlükler sağlamaktadırlar. Sadece çok büyük nesnelerin görülebildiği görüntülerin çözünürlüğü düşük, küçük nesnelerin ayırt edilebildiği görüntüler ise yüksek çözünürlüklüdür. Farklı konumsal çözünürlüğe sahip uydu görüntüleri (Eminönü, İstanbul) 11

12 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) 12

13 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) 13

14 Konumsal (Uzaysal) Çözünürlük (Hatırlatma) 1m YÖA, IKONOS 30m YÖA, Landsat 5 14

15 Normal ve Etkin YÖA Değeri YÖA değeri, komşu piksellerin merkezlerinin yeryüzündeki fiziksel karşılıkları olarak tanımlanabilir. Bu komşu pikseller, birbirleri üzerine binebilmekte veya bunların aralarında bazı boşluklar da olabilmektedir. Örneğin, SPOT-5, 2.5m YÖA değerine sahip Supermode görüntüleri üretir, fakat burada komşu piksellerin %50 oranında birbirleri üzerine binmesi sonucu, her pikselin yerdeki karşılığı 5m olmaktadır. 15

16 Normal ve Etkin YÖA Değeri YÖA değerine bağlı olarak ele alınması gereken bir durum da görüntülerin etkin YÖA değeridir. Bu değer normal YÖA değeri ile aynı büyüklükte olmayabilir ve bunun nedeni görüntüleme sisteminin yapısı ve atmosferik durumdan kaynaklanabilir. Görüntüleme Sistemi Normal YÖA Etkin YÖA E/N % ASTER VNIR 15.0 m 15.0 m %0 TK m 13.0 m %30 IRS-1C pan (6 bit) 5.8 m 6.9 m %19 SPOT 5 pan 5.0 m 5.0 m %0 KVR m 2.2 m %40 IKONOS pan 1.0 m 1.0 m %0 QuickBird pan 0.6 m 0.6 m %0 16

17 Radyometrik Çözünürlük (Hatırlatma) 17

18 Radyometrik Çözünürlük (Hatırlatma) 18

19 Harita Yapımı İçin Gereksinim 15m YÖA ile genel bir bakış Harita yapımı olanakları 10m YÖA ile başlar 5m YÖA ile ana yollar ve büyük binalar 2m YÖA ile tekli binalar 1m ve altı YÖA ile ayrıntılı olarak binalar tanınabilir 19

20 Örnek Görüntüler (1) Landsat 7, 30m YÖA Landsat 7, 30m YÖA ASTER, 15m YÖA LANDSAT-7 MSS görüntüsü, içerdiği nesnelerin sınıflandırılmasında kullanılmasına karşın, harita yapımı için uygun değildir. Renk bilgisinin sağladığı avantajlarla, 15m YÖA değerine sahip LANDSAT-7 pankromatik görüntüsüyle neredeyse aynı bilgi içeriği sunmaktadır. 15m YÖA değerine sahip ASTER görüntüsü daha fazla detay içermektedir. Yüksek kontrasta sahiptir. Geniş yollar ve yerleşim yapıları tanınabilmektedir. Bu görüntüler 1: ölçekli bir haritanın yapılmasına olanak vermektedir. 20

21 Örnek Görüntüler (2) TK350, 10m (13m) YÖA Kompsat-1, 6.6m YÖA IRS-1C, 5.7m (6.9m) YÖA 10m normal YÖA değerine sahip olan TK-350 görüntüsü ise, gerçekte 13m etkin YÖA değerine sahiptir. Stereo görüntüleriyle SYM üretimi için uygun olan bu görüntü, doğrudan topoğrafik harita yapımına uygun değildir. KOMPSAT-1 görüntüsü IRS-1C görüntüsü gibi daha fazla bilgi içeriğine sahiptir. KOMPSAT-1 de yol yapıları daha açıktır ve büyük blok halindeki binalar tanınabilmektedir. Bu görüntüler 1:50000 ölçekli haritaların yapımı için uygun olup, daha büyük ölçekli haritaların üretiminde kullanılamamaktadır. 21

22 Örnek Görüntüler (3) IKONOS pan, 1.0m YÖA IKONOS MSS, 4.0m YÖA IKONOS pan-sharp, 1.0m YÖA Ikonos görüntüsü; Pan ve MSS bandları ile oldukça iyi bir detay zenginliğine sahiptir. Pan ile binalar, yollar ve diğer nesneler gerçek boyutlarıyla algılanır. Pan-sharp görüntüleri, sahip oldukları yüksek çözünürlük ve içerdikleri renk bilgileri nedeniyle nesneler arasındaki renk farklılıklarını ortaya koyar, nesne ayrımı ortaya çıkar 1:10000 ölçekli bir haritanın bilgi içeriğine sahiptir. 22

23 Örnek Görüntüler (4) QuickBird pan, 0.6m YÖA QuickBird MSS, 2.4m YÖA QuickBird pan-sharp, 0.6m YÖA QuickBird görüntüsü, Pan ve MSS bandlarıyla çok iyi bir detay zenginliğine sahiptir. 60 cm YÖA değerine sahip görüntüde pan ile binalar, yollar ve diğer nesneler gerçek boyutlarıyla algılanır. Pan-sharp görüntüleri, sahip oldukları yüksek çözünürlük ve içerdikleri renk bilgileri nedeniyle nesneler arasındaki renk farklılıklarını ortaya koyar, nesne ayrımı ortaya çıkar. Yaklaşık olarak 1:5000 ölçekli bir haritanın bilgi içeriğine sahiptir. 23

24 Güneş Açıları (Hatırlatma) Güneş ışınları dünya üzerine belirli açılarla gelirler. Bu ışınlar ile dünya üzerindeki yüzeyler arasında belirli açılar vardır. Uydu görüntülerinin alımı esnasındaki güneş ışınlarıyla ilişkili açılar bizim için önem arzetmektedir: Güneş yükseklik açısı (α): güneş ışınımı ile yatay yüzey arasındaki açıdır. Güneş azimut açısı (β): güneş ışınlarının kuzeye göre, saat dönüş yönünde sapmasını gösteren açıdır. Örneğin saat de 180º dir. 24

25 Örnek Görüntüler - Ikonos (5) GY (α) : pan-sharp, 41 GA (β ): Güneş yükseklik açısının (GY) yanında, güneş azimutu (GA) değerinin de önemi büyüktür. İkinci görüntüde bina gölgelerinden dolayı yolların tanınması güçtür. Bina çatılarında güneşin yansıması olduğu için, binaların haritalanmasında herhangi bir sorun bulunmamaktadır. Fakat Zonguldak taki sıralı binalar birbirlerine çok yakın olduğu için, bazen yol ve ev bahçeleri birbirlerinden ayırt edilememektedir. Güneş yükseklik açısının yanında, güneş azimutu değerinin de önemi büyüktür. Üçüncü görüntüde yolların vektörleştirilmesi daha kolaydır. IKONOS pan-sharpened görüntüsü ile binaların tanınması kolaylaşmaktadır, fakat renk bilgisinin avantajı 1m YÖA değeri için sınırlı kalmıştır. 25

26 Görüntüden Vektörleştirme Örnekleri SPOT-5 (5m YÖA) IRS-1C (6.9m YÖA) SPOT-5 ve IRS-1C görüntüleri yaklaşık aynı YÖA değerlerine sahip olmalarına rağmen farklı radyometrilere sahiptirler. IRS-1C görüntüsünün düşük radyometrik çözünürlüğü yüzünden, SPOT-5 görüntüsünden daha fazla detay çıkarmanız olasıdır. Bu görüntüden blok halindeki binalar, büyük tek binalar, ana ve ara yollar, kıyı çizgisi, açık ve yeşil alanlar rahatlıkla tanınabilmektedir. Fakat IRS-1C görüntüsünde büyük tek binaların ve ara yolların belirlenmesi SPOT-5 görüntüsündeki kadar kolay olmamaktadır. 26

27 Görüntüden Vektörleştirme Örnekleri 27

28 Görüntüden Vektörleştirme Örnekleri 28

29 Görüntüden Vektörleştirme Örnekleri 2002 yılı IKONOS görüntüsü ve bu görüntüden elde edilen elle vektörleştirme sonuçları 29

30 Görüntüden Vektörleştirme Örnekleri 30

31 Görüntüden Vektörleştirme Örnekleri Görüntüden üretilen vektör haritadaki bina ve yol yapılarının 1/5000 ölçekli haritadaki mevcut bina yapılarına benzer şekilde çıkarıldığı görülmüştür. 31

32 Görüntüden Vektörleştirme Örnekleri (Zonguldak Fener Caddesi Kıyı Şeridi Bölgesi) (Sarı=Kıyı Şeridi, Yeşil=Yol, Kırmızı=Bina) Worldview-2 32

33 Görüntüden Vektörleştirme Örnekleri (Kırmızı=Görüntü, Mor=Referans Harita) Worldview-2 33

34 Görüntüden Vektörleştirme Örnekleri (Zonguldak Çarşı Girişi Yol Analizi) (Yeşil=Görüntü, Gri=Referans Harita) Worldview-2 34

35 Görüntüden Vektörleştirme Örnekleri (Zonguldak Kıyı Şeridi Analizi) (Yeşil=Görüntü, Sarı=Referans Harita) Worldview-2 35

36 Görüntüden Sınıflandırma Örnekleri Nesne-tabanlı sınıflandırma, Pan-sharp QuickBird görüntüsü, ecognition V4.0.6 Pan-sharp QuickBird görüntüsü Nesne-tabanlı sınıflandırma sonucu 36

37 Görüntüden Sınıflandırma Örnekleri Nesne-tabanlı sınıflandırma sonuçları, Pan-sharp QuickBird görüntüsü, ecognition V4.0.6 Bina yapılarının sınıflandırma sonucu Yol yapılarının sınıflandırma sonucu 37

38 Görüntüden Sınıflandırma Örnekleri Nesne-tabanlı sınıflandırma vektör sonuçları, Pan-sharp QuickBird görüntüsü, ecognition V4.0.6 Bina yapılarının vektör ürünü Yol sınıflarının vektör ürünü 38

39 Yapılan Çalışmaların Değerlendirilmesi Uydu görüntülerinden topoğrafik harita yapımı, YÖA değeri ve harita ölçeği arasında yeterli bir ilişki gerektirir. Günümüzde haritalar, ulusal koordinatlarıyla bir CBS ortamında bulunsalar bile, bilgi içerikleri ve harita yapımlarının düzeyi çıktı ölçeğiyle ilişkilidir. İstenen semantik bilgi harita ölçeğine bağlıdır. Örneğin, tekli binalar 1:50000 ölçekli haritada gösterilmezken, bu ölçekte sadece bölgenin genel yapısı sunulmaktadır. 1:5000 1: :50000 Bina yapıları ayrıntılı Binaların genel yapıları Binalar sembol olarak olarak gösterilmiştir gösterilmiştir gösterilmiştir 39

40 Yapılan Çalışmaların Değerlendirilmesi (Askeri Amaçlı) STANAG 3769 a göre aşağıdaki ayrımlar yapılmaktadır: Nesnelerin Bulunması (Detection): Görüntü yorumlamada, nesnenin tanınmadan varlığının belirlenmesi, Nesnelerin Grup Olarak Tanınması (Recognition): Görüntüdeki tank, hava aracı gibi bir özelliğin veya nesnenin kimliğinin grup tipi halinde kararlaştırılması kabiliyeti (Recognition, detection a ihtiyaç duyar), Nesnelerin Tam Olarak Tanınması (Identification): Görüntüdeki bir özelliğin veya nesnenin kimliğinin tam olarak kararlaştırılması kabiliyeti (örneğin T-54 Tankı, MIG-217J hava aracı gibi), Teknik Analizler: Görüntüdeki bir özelliğin, nesne veya bir elemanın tam olarak tanımlanma kabiliyetidir. 40

41 Yapılan Çalışmaların Değerlendirilmesi (Askeri Amaçlı) Nesne Görüntü Yorumlama İçin Yeterli Görülen YÖA Değerleri (STANAG 3769 NATO Standartları) Bulunması (Detection) Grup Tipi Olarak Tanınması (Recognition) Ayrıntılı Olarak Tanınması (Identification) Teknik Analizler Bölgesel Özellikler ~800m 90m 3m 0.75m Yerleşim Alanları 60m 15m 3m 0.75m Yollar 6m 4.5m 1.5m 0.38m Demiryolları 15m 4.5m 1.5m 0.38m Köprüler 6m 4.5m 1.5m 0.3m Havaalanı Tesisleri 6m 4.5m 3m 0.15m 41

42 Yapılan Çalışmaların Değerlendirilmesi (Sivil Amaçlı) Zonguldak bölgesindeki ve daha önce yapılan testlere dayanarak, nesne sınıflandırılmasına ilişkin bulunan bazı kurallar aşağıdaki çizelgede gösterilmiştir: Normal Koşullar Altında Pankromatik Görüntülerden Nesne Çıkarımına İlişkin Yeterli Görülen YÖA Değerleri Nesne Yapıları Yeterli Görülen YÖA Değeri (m) Yerleşim bölgelerindeki binalar 2 Bina Patika 2 Ara yollar 5 Tren yolları 5 Su yapıları 5 Ana yollar 10 Blok halindeki binalar 10 42

43 1 : : : : : BİLGİ İÇERİĞİ KAVRAMI Yapılan Çalışmaların Değerlendirilmesi 10m 5m 2.5m 1m thematic maps topographic maps topographic maps, larger structures detailed topographic maps, smaller structures mapping possible - not economic 10m YÖA değerinin üzerindeki görüntüler topoğrafik harita yapımı için uygun değildir. Kontrastı uygun olmayan ve 5-7m arasındaki YÖA değerlerine sahip görüntülerden bütün önemli nesneleri tanımak olanaksızdır. 2.2m etkin YÖA değerine sahip KVR-1000 görüntüsü, 1:25000 ve daha büyük ölçekli topoğrafik haritaların içerdiği detay zenginliğini karşılamaktadır. Fakat 1:10000 ölçeği için uygun değildir. 1m YÖA değerine sahip IKONOS görüntüsü yaklaşık olarak 1:10000 ölçeğinde harita yapımı ve 60cm YÖA değerine sahip QuickBird görüntüsü yaklaşık olarak 1:5000 ölçeğinde harita yapımı için kullanılabilir. 43

44 Yapılan Çalışmaların Değerlendirilmesi Zonguldak örneğindeki bina ve yol yapılarının, görüntülerden değişik yöntemlerle bulunma ve grup olarak tanınma değerlendirmeleri Bulunma Elle Vektörleştirme Nesne- Tabanlı Grup Tipi Olarak Tanınması Elle Vektörleştirme Nesne- Tabanlı Detay Görüntü Bina Yapısı Yol Yapısı 2004 yılı QuickBird 2002 yılı IKONOS 2008 yılı IKONOS 2004 yılı QuickBird 2002 yılı IKONOS 2008 yılı IKONOS 44

45 Yapılan Çalışmaların Değerlendirilmesi Görüntüden üretilen vektör haritadaki bina ve yol yapılarının 1/5000 ölçekli haritadaki mevcut bina yapılarına benzer şekilde çıkarıldığı görülmüştür. 45

46 DERS KONUSU İLE İLGİLİ SONUÇLAR Düşük çözünürlüklü uydu görüntüleri ile 1/50000 ve 1/ ölçekli harita yapımı imkanı vardır. IKONOS, QuickBird, Orbview, Worldview-2 ve GeoEye-1 gibi yüksek çözünürlüklü uydu görüntüleri ile 1m ve altı YÖA değeri sağlanmaktadır. 50cm ve altında YÖA değerine sahip görüntülerde yaklaşık 1/10000 ölçekli bir haritanın bilgi içeriğini çıkaracak ayrıntı zenginliği mevcuttur. Bilgi çıkarım ve revizyon çalışmalarında görüntülerin hazır hale getirilmesi, işlenmesi ve yorumlanması için yazılım-donanım gereksinimi vardır. Günümüzde bilgileri tanıma ve çıkarma yaklaşımları ortaya çıkmaktadır. Bu yaklaşımların başarısı, görüntülerin harita bilgisi üretme ve revizyonu çalışmalarında kullanılabilmelerini sağlamaktadır. Zengin bilgi içeriğine sahip olan QuickBird ve IKONOS görüntüleri harita revizyonu için uygun bir veri olmasına rağmen, 1/5000 ölçekli haritadak bilgi içeriğine erişememektedir. 46

47 GELECEK HAFTA: Uydu Görüntülerinin Sınıflandırılması 47

48 KAYNAKLAR, Yrd. Doç. Dr. Aycan Murat MARANGOZ, BEÜ Müh. Fak. Jeodezi ve Fot. Müh. Bölümü, Fotogrametri ABD Sunuları, 2012 Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Yöntemiyle Belirlenmesi ve CBS Ortamında Bütünleştirilmesi, Yrd. Doç. Dr. Aycan M. MARANGOZ, Danışman: Prof. Dr. Zübeyde ALKIŞ, Doktora Tezi, YTÜ Fen Bilimleri Enstitüsü, Jeodezi ve Fotogrametri Müh. ABD, Uzaktan Algılama ve CBS Programı, Ekim 2009 Büyüksalih, B., Marangoz A. M. ve Jacobsen, K., (2005), Potential of KOMPSAT-1 for Mapping Purposes, EARSeL Workshop on 3D Remote Sensing, Porto Cheng, P., Toutin, T., Zhang, Y. ve Wood, M., (2003) QuickBird Geometric Correction, Path and Block Processing and Data Fusion, 2003 Hoffmann, P., (2005), Detecting Informal Settlements From Ikonos Image Data Using Methods Of Object Oriented Image Analysis An Example From Cape Town (South Africa), Jacobsen, K., (2005), High Resolution Imaging Satellite Systems, 3D-Remote Sensing Workshop, Porto Karakış, S., Topan, H., Büyüksalih, G., Marangoz, A. M. ve Jacobsen, K., (2005), Semantic Analysis of Space Imagery for Mapping Purposes, 2. Uluslararası RAST Kongresi, İstanbul Karakış, S., Marangoz, A. M., Büyüksalih, G., (2005), Quickbird Pan-Sharpened Görüntüsü Üzerinden Otomatik Detay Çıkarımı ve Coğrafi Bilgi Sistemlerine Uygunluğunun Analizi, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara Karakış, S., (2005), Yüksek Çözünürlüklü Uydu Görüntülerinden Kentsel Ayrıntıların Nesne-Tabanlı Sınıflandırma Tekniğiyle Otomatik Olarak Belirlenmesi ve Coğrafi Bilgi Sistemi (CBS) Ortamında Bütünleştirilmesine Yönelik Araştırma, ZKÜ Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2005 Liedtke, J., (2002), QuickBird-2 System Description and Product Overview, JACIE Workshop, Mart 2002, Washington DC Marangoz, A. M., Oruç, M. ve Büyüksalih, G., (2004), Object-oriented Image Analysis and Semantic Network for Extracting The Roads and Buildings from Ikonos Pan-sharpened Images, XX ISPRS Kongresi, İstanbul Marangoz, A. M., Karakış, S., Oruç, M. ve Büyüksalih, G., (2005), Nesne-Tabanlı Görüntü Analizi ve Ikonos Pan-Sharpened Görüntüsünü Kullanarak Yol ve Binaların Çıkarımı, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara Ohlhof,T., Emge, T., Reinhardt, W., Leukert, K., Heipke, C. ve Pakzad, K., Generation and Update of VMap Data Using Satellite and Airborne Imagery, 2005 Özfidan, F., Topan, H., Şahin H., Karakış, S., (2005), Yüksek Çözebilirlikli Uydu Görüntülerinin Bilgi İçeriklerinin Karşılaştırılması, IGSM&GHG 2005, İstanbul Padwick, (2005), Pan Sharpening of High Resolution Satellite Imagery, DigitalGlobeWEB, QuickBird Imagery Products, Product Guide, DigitalGlobe Inc., 2003 STANAG 3769: Minimum resolved object sizes and scales for imagery interpretation, AIR STD 80/15, Edition 2,HQ USAF/XOXX(ISO) Washington D.C , 1970, Stoney, W. E.,(2006) Guıde To Land Imagıng Satellites Şahin, H., Topan, H., Karakış, S. ve Marangoz, A. M., (2004), Comparison of Object Oriented Image Analysis and Manual Digitizing for Feature Extraction XX ISPRS Kongresi, İstanbul Şahin, H., Büyüksalih, G., Akçın, H., Topan, H., Karakış, S. ve Marangoz, A.M., (2004), Information Content Analysis of KVR-1000 Ortho-Image Based on the Available Topographic Maps in the GIS Environment, EARSeL Workshop on Remote Sensing for Developing Countries, Kahire Şahin, H., Karakış, S., Topan, H., ve Marangoz, A. M., (2005), KVR-1000 Uydu Görüntüsü Üzerinden Elle Sayısallaştırma ve Nesneye Yönelik Görüntü Analizi Yöntemlerinin Karşılaştırılması, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara Topan, H., Büyüksalih, G. ve Jacobsen, K., (2004), Comparison of Information Contents of High Resolution Space Images, XX ISPRS Kongresi, İstanbul Topan, H., Büyüksalih, G. ve Jacobsen, K., (2005), Information Contents of High Resolution Satellite Images, EARSeL Workshop on 3D Remote Sensing, Porto 48