T.C. YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÜZLEMSEL HOMOTETİK HAREKETLER ALTINDAT.C. YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

T.C. YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ DÜZLEMSEL HOMOTETİK HAREKETLER ALTINDAT.C. YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ UYDU VERİLERİNİN OBJE TEMELLİ BULANIK MANTIK YÖNTEMİ İLE SINIFLANDIRILMASI: ALAÇATI ÖRNEĞİNDE ZAMANSAL DEĞİŞİMİN BELİRLENMESİ NİLAY ÖZDEMİR YÜKSEK LİSANS TEZİ İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI KIYI VE LİMAN MÜHENDİSLİĞİ PROGRAMI YÜKSEK LİSANS TEZİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI HABERLEŞME PROGRAMI DANIŞMAN DOÇ. DR.BÜLENT BAYRAM İSTANBUL, 2011DANIŞMAN DOÇ. DR. SALİM YÜCE İSTANBUL, 2011

ÖNSÖZ Alaçatı örneğinde obje temelli bulanık mantıkla sınıflandırma yöntemi kıyı çizgisi değişiminin zamansal olarak incelediğim çalışmamın her aşamasında değerli vaktini bana ayıran; desteğini, bilgisini, ilgisini ve tecrübelerini benimle paylaşan, benimle yakından ilgilenen değerli hocam aynı zamanda tez danışmanım Sayın Doç. Dr. Bülent BAYRAM a; Yüksek lisans eğitimim ve çalışmam süresince bilgisini, tecrübelerini ve desteğini esirgemeyen, her türlü sorunumda bana yardımcı olan sevgili hocam Sayın Prof. Dr. Yalçın YÜKSEL e; Yüksek lisans eğitimim sırasında yardımlarını ve tecrübelerini benden esirgemeyen Sayın Prof. Dr. Esin ÇEVİK ve tüm Hidrolik Anabilim Dalı öğretim üyelerine; Manevi desteklerini her zaman hissettiğim ve her zaman yanımda olan sevgili babam Yılmaz ÖZDEMİR, annem Ayten ÖZDEMİR, kardeşim Can ÖZDEMİR ve çok sevdiğim eşim Ahmet YÜCE ye; Çalışmalarım boyunca desteklerini esirgemeyen sevgili yüksek lisans ve iş arkadaşlarım başta olmak üzere tüm arkadaşlarıma sonsuz teşekkürlerimi sunarım. Temmuz, 2011 Nilay ÖZDEMİR

İÇİNDEKİLER iv Sayfa ŞEKİL LİSTESİ... vi ÇİZELGE LİSTESİ... viii ÖZET... ix ABSTRACT... xi BÖLÜM 1 GİRİŞ...1 BÖLÜM 2 1.1 Literatür Özeti...1 1.2 Tezin Amacı...1 1.3 Hipotez...1 GENEL BİLGİ...2 2.1 Elektromanyetik Spektrum...10 2.2 Ayırma Gücü...11 2.3 Radyometrik Çözünürlük...11 2.3.1 Spektral Çözünürlük...12 2.3.2 Mekansal Çözünürlük...13 2.3.3 Zamansal Çözünürlük... 13 2. 4 Verinin Elde Edilmesi...14 2. 4.1 Enerji Kaynağı...14 2. 4.2 Işınım ve Atmosfer...14 2. 4.3 Hedef ile Etkileşim...14 2. 4.4 Enerjinin Algılayıcı Tarafından Kayıt Edilmesi...14 2. 4.5 Verinin İletimi, Alınması ve İşlenmesi...14 2. 5 Verinin İşlenmesi...15 2. 5.1 Yorumlama ve Analiz...15 2. 5.2 Uygulama...15 2. 6 Uydu görüntüleri...15 2. 6.1 Spot...17

BÖLÜM 3 2.6.2 IRS...18 2.6.3 İkonos...19 2.6.4 Earth Observing 1...21 2.6.5 Quickbird...22 2.6.6 ALOS (Advanced Land Observing Satellite, 2.5-10 m)...23 ÇALIŞMADA KULLANILAN VERİLER...24 3.1 Corona uydusu...24 3.2 Landsat uydusu...26 3. 2.1 RBV sistemi...27 3. 2.2 MSS Sistem...27 3. 2.3 TM Sistemi...27 3. 2.4 TM Algılayıcı...27 3.3 Landsat- 1, -2, -3...27 3.4 Landsat -4-5...28 3.5 Landsat -6...29 3.6 Landsat-7 ve ETM...30 3.7 Aster uydusu...32 3.8 Ortofoto Harita...35 3.9 Kullanılan yazılımlar...37 3. 9.1 Ecognition...38 3.10 Kullanılan uydu verileri...45 BÖLÜM 4 ÇALIŞMA ALANI...48 BÖLÜM 5 ÇALIŞMA YÖNTEMİ...53 5.1 Görüntünün Rektifiye Edilmesi...53 5.2 Rektifiye Edilmiş Görüntüden Kıyı Çizgisinin Elde Edilmesi...58 5.3 Görüntünün Sınıflandırılması...67 5.3.1 Obje Temelli Bulanık Mantıkla Sınıflandırma...68 5.3.2 Sınıflandırmanın Doğruluğu...74 SONUÇ VE ÖNERİLER... 789 KAYNAKLAR... 82 ÖZGEÇMİŞ... 87 v

ŞEKİL LİSTESİ vi Sayfa Şekil 2. 1 Elektromanyetik Spektrum...11 Şekil 2. 2 Aynı alana ait farklı spektral çözünürlükte görüntüler...12 Şekil 2. 3 Aynı alana ait farklı spektral çözünürlükte görüntüler...13 Şekil 2. 4 Uzaktan algılamanın bileşenleri...14 Şekil 2. 5 Uyduların çalışma şeması...16 Şekil 2. 6 Yeryüzünden alınan bilgilerin, bilgisayarda sayısal olarak ifade edilmesi...17 Şekil 3. 1 Corona Uydusu...24 Şekil 3. 2 TM algılayıcı elemanları...29 Şekil 3. 3 Landsat Uydusu...32 Şekil 3. 4 ASTER-VNIR stereo görüntüleme geometrisi...34 Şekil 3. 5 Topoğrafik harita örneği....35 Şekil 3. 6 Ortofoto harita örneği...36 Şekil 3. 7 Görüntü segmentasyonu ve anlamlı nesnelerin ortaya çıkması...39 Şekil 3. 8 Piksel ve nesneler arasındaki hiyerarşik yapısı...39 Şekil 3. 9 Görüntü nesnesinin Özellikleri...42 Şekil 3. 10 Ecognition ile nesneye dayalı sınıflandırma...44 Şekil 3. 11 Obje temelli sınıflandırma yönteminin Çalışma Özeti...45 Şekil 3. 12 Alaçatı körfezi Landsat 1975 uydu görüntüsü...45 Şekil 3. 13 Alaçatı Körfezi Aster 2007 uydu görüntüsü...46 Şekil 3. 14 Alaçatı Körfezi Corona 1963 uydu görüntüsü...46 Şekil 3. 15 Alaçatı Körfezi 1995 Hava Fotoğrafı...47 Şekil 4. 1 Alaçatı Uydu Fotoğrafı...48 Şekil 4. 2 Alaçatı kıyı alanında burun kısmında gözlenen litolojik istif...49 Şekil 4. 3 Alaçatı...50 Şekil 4. 4 Projenin Genel Akış Diyagramı...52 Şekil 5. 1 Kontrol noktalarının Corona 1963 görüntüsü üzerinde dağılımı...55 Şekil 5. 2 Landsat 1975 görüntüsü üzerindeki kontrol noktalarının dağılımı...57 Şekil 5. 3 Algoritmanın başlangıcı...60 Şekil 5. 4 Gri değerlerin karşılaştırılması...60 Şekil 5. 5 Üç gri değerli görüntü...61 Şekil 5. 6 Dörtlü piksel komşulukları ile analiz...62 Şekil 5. 7 Sonuç segmentasyon...63 Şekil 5. 8 COAST-FIT yazılımı ile görüntülerin segmentasyon sonuçları...64

Şekil 5. 9 Segmente edilmiş görüntülerden elde edilen farklı yıllara ait kıyı çizgileri..65 Şekil 5. 10 1963-1975 yılları arasında liman bölgesi kıyı değişimi...65 Şekil 5. 11 19763-1975-2007-2009 yılları arasında liman bölgesi kıyı değişimi...66 Şekil 5. 12 Alaçatı Koyunda sediment bölgesindeki ölçüler: 1963,1975,2007...67 Şekil 5. 13 2007 Aster ve 1975 Landsat görüntülerinin segmentasyon sonuçları...68 Şekil 5. 14 Landsat 1975 için segmentasyon parametreleri...69 Şekil 5. 15 Aster 2007 için segmentasyon parametreleri...70 Şekil 5. 16 Landsat 1975 Sınıflandırma sonuçları...73 Şekil 5. 17 Aster 2007 Sınıflandırma sonuçları...74 Şekil 5. 18 1975 Lansat görüntüsünün sınıflandırma doğruluğu sonucu...75 Şekil 5. 19 2007 Aster görüntüsünün sınıflandırma doğruluğu...75 Şekil 5. 20 Landsat 1975 görüntüsü arazi kullanım yüzdeleri...76 Şekil 5. 21 Aster 2007 görüntüsü arazi kullanım yüzdeleri...77 Şekil 5. 22 Yıllara göre arazi kullanım alanları (HA)...77 vii

ÇİZELGE LİSTESİ Sayfa Çizelge 2. 1 Satellite Encyclopedia...8 Çizelge 2. 2 SPOT görüntüsünün özellikleri...18 Çizelge 2. 3 IRS 1D uydu özellikleri...19 Çizelge 2. 4 Ikonos yörüngesinin özellikleri...20 Çizelge 2. 5 Ikonos GEO ürün seçenekleri Çizelgesu...21 Çizelge 2. 6 QuickBird uydusu teknik özellikleri...22 Çizelge 3. 1 Corona uydusunun özellikleri...25 Çizelge 3. 2 Landsat misyonlarında kullanılan algılayıcılar...26 Çizelge 3. 3 Landsat-7 ETM+ algılayıcısının TM bantlarının özellikleri...31 Çizelge 3. 4 ASTER uydu görüntüsünün band özellikleri...33 Çizelge 5. 1 RMS hataları...54 Çizelge 5. 2 Corona Görüntüsü-Afin Dönüşüm Kontrol Noktaları...55 Çizelge 5. 3 Landsat 1975 Görüntüsü-Afin Dönüşüm Kontrol Noktaları...57 Çizelge 5. 4 Landsat 1975 görüntüsü için kullanılan üyelik fonksiyonları...71 Çizelge 5. 5 ASTER 2007 görüntüsü için kullanılan üyelik fonksiyonları...72 Çizelge 5. 6 Yıllara göre Arazi Kullanım Alanları...76 viii

ÖZET UYDU VERİLERİNİN OBJE TEMELLİ BULANIK MANTIK YÖNTEMİ İLE SINIFLANDIRILMASI: ALAÇATI ÖRNEĞİNDE ZAMANSAL DEĞİŞİMİN BELİRLENMESİ Nilay ÖZDEMİR İnşaat Mühendisliği Anabilim Dalı Yüksek Lisans Tezi Tez Danışmanı: Doç. Dr. Bülent BAYRAM Kıyılar tarih boyunca yeryüzünün en önemli parçalarını oluşturmuştur. Bunun en önemli sebebi ise suyun insanların hayatında ki en vazgeçilmez unsurlardan birisi olmasıdır. En büyük uygarlıklar kıyı kesimleri boyuca yoğunlaşmıştır. Ülkemiz kıyılar bakımından oldukça zengin bir yapıya sahiptir. Uzaktan algılama teknikleri ile kıyı alanındaki değişimler ekonomik ve hızlı bir şekilde izlenebilmektedir. Kıyı alanının hareketi, kıyı yönetiminin en önemli ilgi alanlarından biridir. Böylelikle kıyıların sağlıklı bir şekilde yönetilmesine, sürdürülebilir kıyı izleme modelinin geliştirilmesine temel altlık oluşturacak veriler üretilebilmektedir. Seçilen uygulama alanında mevcut sorunlar böylesi bir modelin geliştirilmesi için uygun bir laboratuar olanağı sunmaktadır. Uzaktan algılama verileri ile hassas ve doğru bir şekilde kıyı alanlarının değişiminin izlenmesi olanaklıdır *1+. Kıyı alanlarının gözlenmesi geleneksel olarak dalga, akıntı ölçümü, sediment taşınımı ve morfolojik değişimlerin belirlenmesi olarak özetlenebilir. Bu teknolojiler yüksek çözünürlükte veri sağlamaktadır. Fakat konuma bağlı lojistik güçlükler, zaman ve masraflı olmaları dezavantaj oluşturmaktadır. Uydu ve hava fotoğrafları makul çözünürlükte mekânsal ölçülere olanak sağlamaktadır [2]. Uzaktan ix

algılama teknikleri çevresel izlemeyi hem lokal hem de global olarak ekonomik ve hızlı bir şekilde gerçekleştirebilmektedir [3]. Uydulardan elde edilen verilerin değerlendirilmesiyle çıkan sonuçlar, yeryüzünün araştırılmasına büyük katkı sağlamaktadır. Bu katkının sağlanmasında insan faktörünün yanında kullanılan yazılımlar da büyük önem taşımaktadır. Yazılımların önemi gerek verilerin işlenmesine büyük hız kazandırmasına, gerekse çok büyük bir veri hacminin depolanmasına yardımcı olmasında yatmaktadır [4]. Obje Temelli sınıflandırma, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki basamağında ele alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür segmentasyon ve topoloji oluşumu, çözünürlüğe ve çıkarılması düşünülen nesnelerin ölçeğine göre ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla kalmaz, ayrıca bir önceki segmentasyon basamağı sırasında homojen görüntü nesneleri de ortaya çıkar. Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne kategorilerinin katmanlarını ayırt etmeye de izin verir [5]. Sunulan çalışmada Türkiye nin özellikle son zamanlardaki en önemli turizm beldesi olan Alaçatı kıyı çizgisindeki zamansal değişimi incelenmiştir. Bu inceleme uzaktan algılama verileri kullanılarak yapılmıştır. Çalışmada öncelikle kıyı tanımlamaları, uzaktan algılama, uydu, uydu görüntüleri ve sınıflandırma ile ilgili temel tanımlamalara yer verilmiştir. Çalışmanın ikinci ve üçüncü bölümlerinde ise çalışma bölgesinden bahsedilerek kullanılan yazılımlar ve bunların nasıl, ne amaçla kullanıldığı anlatılmıştır. Alaçatı örneğindeki zamansal değişimin incelenebilmesi için ilk olarak 1995 yılına ait hava fotoğrafı ile Corona 1963 uydu görüntüsü rektifiye edilmiştir. Daha sonra Coast- Fit yazılımı kullanılarak [1], Corona 1963, Landsat 1975, 1995 yılına ait Hava Fotoğrafları ve Aster 2007 uydu görüntülerinden yıllara ait kıyı çizgileri elde edilerek; Landsat 1975 ve Aster 2007 uydu görüntülerinden obje temelli sınıflandırma yöntemi ile Alaçatı örneğinde arazi kullanım alanları yıllara göre belirlenmiştir. Son bölümde ise kıyı çizgisi ve arazi kullanımı hakkındaki elde edilen sonuçlar değerlendirilmiştir. Anahtar Kelimeler: Kıyı çizgisi, Uzaktan algılama, Zamansal değişim, Coast-Fit yazılımı, Obje Temelli Sınıflandırma, Aster, Landsat ve Corona uydu görüntüleri YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ x

ABSTRACT OBJECT BASED CLASSIFICATION OF SATELLITE DATA WITH FUZZY LOGIC METHOD: DETERMINATION OF TEMPORAL CHANGES IN THE CASE OF ALACATI Nilay ÖZDEMİR Department of Civil Engineering MSc. Thesis Advisor: Assoc. Prof. Dr. Bülent BAYRAM Costs are the most important pieces that are constituted the face of the earth. Main reason of this factor is water because it is an indispensable element for human being. Therefore, majority of civilizations have preferred to live around cost areas during history of the world. Turkey has also important and reach structure coasts. Changes in coastal area can be controlled economically and quickly by using remote sensing techniques. Movement of coastal area is one of the most important interests of coastal management. Thus, in a healthy way of coastal management, sustainable development of coastal monitoring model will form the basic data base can be produced. Selected issues in the field of application for the development of such a model provide a suitable laboratory. It is possible to monitor exchange of sensitive and accurate coastal areas by using remote sensing data [1].Monitoring of coastal areas as the traditional wave can be summarized with in current measurements, sediment transport and morphological changes. Also, these technologies provide high-resolution data. However; using the technologies sometimes create disadvantages; depending on location, logistical difficulties. Satellite and aerial photographs provide reasonable spatial dimensions [2] xi

Remote sensing techniques monitor environment both locally and globally. It also performs quickly and economically [3]. The results for the evaluation of the data obtained from satellites, provides a major contribution to research on the earth. It is also quite important to use this software in addition to the human factor. Additionally, using this software assist to processing data quickly and provide a very large of data storage [4]. Object-Based Classification, structure, textures, and takes into account the spectral information. This classification phase starts with the neighboring s classification and transformation after this process it creates reasonable regions. This type of segmentation and topology formation, and removal of a resolution should be set according to the scale of the objects. With this method, the singular pixels are classificated as well as during the previous segmentation step also occur in a homogeneous image objects. This segmentation can be done different resolutions; it also allows distinguishing the layers of categories [5]. This research analyses and examines one of the significant tourism villages, Alacati s temporal variation of the coastal line. It will be made by using remote sensing data. First of all, the research describes basic definition of primarily coastal, remote sensing, satellite, satellite images and classification. After that, it explains the software and how they are used late in the research, is used what purpose are explained. Lastly, it evaluates data which is obtained from the software. Also, in the case of the first to examine temporal changes in Alacati 1995 analyzed with aerial photo of the 1963 Corona satellite image. After, using the Coast-Fit software [1] Corona 1963, Landsat 1975, 1995, 2007 of the air photos and aster satellite images were obtained for the years of coastal lines and It based on classification of Landsat satellite images of 1975 and 2007 by using Aster Alacati samples were determined by years of land use areas. In the last section, using of the shoreline and land results are created data and the thesis is evaluated this data in greater details. Key words: Coastal line, remote sensing, temporal change, Landsat, Corona and Aster satellite images, Coast- Fit software, Object-Based Classification. xii YILDIZ TECHNICAL UNIVERSITY GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCE

BÖLÜM 1 GİRİŞ 1.1 Literatür Özeti Sunulan çalışmada Türkiye nin özellikle son zamanlardaki en önemli turizm beldesi olan Alaçatı kıyı çizgisindeki zamansal değişimi incelenmiştir. Bu inceleme uzaktan algılama verileri kullanılarak yapılmıştır. Çalışmada öncelikle kıyı tanımlamaları, uzaktan algılama, uydu, uydu görüntüleri ve sınıflandırma ile ilgili temel tanımlamalara yer verilmiştir. Çalışmanın ikinci ve üçüncü bölümlerinde ise çalışma bölgesinden bahsedilerek kullanılan yazılımlar ve bunların nasıl, ne amaçla kullanıldığı anlatılmıştır. 1.2 Tezin Amacı Türkiye nin özellikle son zamanlardaki en önemli turizm beldesi olan Alaçatı kıyı çizgisindeki zamansal değişimin kullanılan yazılımlar ile incelenip kıyı çizgisi ve arazi kullanımı hakkında elde edilen sonuçlar değerlendirilmesidir. 1.3 Hipotez Alaçatı örneğindeki zamansal değişimin incelenebilmesi için ilk olarak 1995 yılına ait hava fotoğrafı ile Corona 1963 uydu görüntüsü rektifiye edilmiştir. Daha sonra Coast- Fit yazılımı kullanılarak *1+. Corona 1963, Landsat 1975, 1995 yılına ait Hava Fotoğrafları ve Aster 2007 uydu görüntülerinden yıllara ait kıyı çizgileri elde edilerek; Landsat 1975 ve Aster 2007 uydu görüntülerinden obje temelli sınıflandırma yöntemi ile Alaçatı örneğinde arazi kullanım alanları yıllara göre belirlenmiştir. 1

BÖLÜM 2 GENEL BİLGİ İçinde yaşadığımız Bilgisayar ve Uzay Çağı nın en önemli iki yeniliği internet ve uzaktan algılama olarak kabul edilebilir. Hemen her şey gibi uzaktan algılama verilerinin de, özellikle raster verilerin, küresel ölçekte yaygın kullanımını sağlaması nedeniyle internet ayrıca ön plana çıkmaktadır. Bilimsel ve uygulamalı sayısız alanda kullanılan ve büyük yararlar sağlayan uzaktan algılamanın önemini tam olarak kavramamız için konunun teknik yönleri hakkında ve tarihsel gelişimi hakkında bilgi sahibi olmamızı gerektirmektedir [6]. Uzaktan algılama, ilk aşamada askeri amaçlı olarak geliştirilmiş olsa da bunu izleyen yıllarda araştırmaların merkezini daha çok 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 [1]. Üç tarafı denizlerle çevrili Türkiye, Karadeniz de 1785 km, Marmara Denizi nde 1089 km, Ege Denizi nde 2805 km, Akdeniz de 1577 km ve Adalar da 1067 km olan oldukça uzun kıyılara sahip bir ülkedir. Literatürde kıyı ve kıyı çizgisi ile ilgili birçok tanım ve tanımlamalar yer almaktadır. Bu tanımlamaların en sağlıklı olanlarından biriside Kıyı Kanunlarında yapılmıştır.3621/3830 sayılı Kıyı Kanununa göre kıyı çizgisi deniz, göl ve akarsularda, suyun taşkın durumları dışında kara parçasına değdiği noktaların birleşmesinden oluşan meteorolojik olaylara göre değişen doğal çizgidir [7]. Kıyı kenar çizgisi ise deniz, tabii ve suni göl ve akarsuların, alçak basık kıyı özelliği gösteren 2

kesimlerinde kıyı çizgisinden sonra kara yönünde su hareketlerinin oluşturduğu kumsal ve kıyı kumullarından oluşan kumluk, çakıllık, kayalık, taslık, sazlık ve benzeri alanların doğal sınırı, dar-yüksek kıyı özelliği gösteren yerlerde ise sev ya da falezin üst sınırıdır. Sahil Şeridi kıyı kenar çizgisinden itibaren kara yönünde yatay olarak en az 100 metre genişliğindeki alandır. Sahil şeridinin birinci bölümü, kıyı kenar çizgisinden itibaren kara yönünde 50 metre genişliğindeki alan olup sadece açık alanlar, yeşil alan, gezinti alanları, çocuk bahçesi ve rekreatif kullanımlar ve yaya yolu olarak kullanılabilecek alanlardır. Sahil şeridinin ikinci bölümü ise sahil şeridinin birinci bölümünden itibaren, kara yönünde en az 50 metre genişliğindeki alan olup, toplumun yararlanmasına açık, günübirlik turizm yapı ve tesisleri, taşıt yolları, açık otoparklar ve arıtma tesislerinin yapılabileceği alanlardır. Kıyı zonu, uluslararası kaynakların değerlendirilmesinde, çevre ve ekonomik bakımdan önemli alanlardır [8]. Kıyı alanı yönetiminin en önemli ilgi alanlarından biri erozyona bağlı yer değişimine uğrayan kıyı alanının hareketi olarak tanımlanabilir. Farklı platformlarına ait çok bantlı görüntüler (IRS, LANDSAT, SPOT) kıyı ve liman alanlarına ilişkin farklı bilgilerin elde edilmesine olanak sağlamaktadır [9]. Uzaktan algılama verilerinin analiz teknikleri geleneksel yöntemlere göre daha avantajlıdır. Birçok bölgede kıyı alanları tarım ve kentleşme dolayısı ile alarm vermeye başlamıştır. Uzaktan algılama böylesi geniş alanlarda değişimlerin etkin ve ekonomik olarak belirlenmesini sağlar. Kıyı çizgisinde meydana gelen değişmeleri uzun dönemli değişmeler, kısa dönemli değişmeler ve epizodik değişmeler olmak üzere üçe ayrılmaktadır. Bu kapsamda uzun dönemli değişmeler 10 ile 100 yıllık zaman diliminde gerçeklesen değişmelerdir; kısa dönemli değişmeler sadece 5 ile 10 yıllık dönemlerde gerçeklesen değişmelerdir. Epizodik değişmeler ise fırtınalar gibi doğal olaylar sonucunda gerçeklesen ani değişmeler olarak tanımlanmaktadır. Uzun dönemli değişmelerden bütün kıyı aynı düzeyde etkilenirken kısa dönemli değişmelerde aynı kıyıda birkaç kilometre aralıklarla bir tarafta çekilme gözlenirken diğer tarafta karanın ilerlemesi ya da durağan olması gözlenebilmektedir. Bu değişmeler alçak kıyıların doğal karakteristiği gereği; dalgalar, rüzgârlar gibi doğal şartlarda gerçekleşen değişmelerin bir sonucu olarak çekilmesi ya da ilerlemesi şeklinde gerçekleşmektedir *10+. 3

Görüntü segmentasyonu görüntü işleme ve computer visionun en önemli problemlerinden biridir. Segmente edilmiş bir görüntü; pikselleri gruplar halinde tek tek belirli sınıflara atanmış edilmiş görüntüdür. Bu pattern yakalama ve tanımaya giden yolda en önemli aşamadır *11+. Geleneksel sınıflandırma yöntemlerine göre obje tabanlı sınıflandırma yöntemleri ile tekil piksel analizine göre daha uygun sonuçlar elde edilebilmektedir. Literatürde obje temelli sınıflandırmanın piksel temelli yöntemlere oranla daha başarılı olduğu belirtilmiştir; [12] obje temelli sınıflandırmanın yüksek çözünürlüklü görüntüde zamansal değişimin belirlenmesi amaçlı çalışmalarda daha uygun olduğunu belirtmiştir. Yine [13] obje temelli sınıflandırmada ek bilginin kullanılmasının sınıflandırmanın doğruluğunu artırdığını belirtmiştir. Nesne-tabanlı yaklaşım, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki basamağında ele alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür segmentasyon ve topoloji oluşumu, çözünürlüğe ve çıkarılması düşünülen nesnelerin ölçeğine göre ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla kalmaz, ayrıca bir önceki segmentasyon basamağı sırasında homojen görüntü nesneleri de ortaya çıkar. Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne kategorilerinin katmanlarını ayırt etmeye de izin verir [5]. Obje temelli görüntü işleme; piksellerin spektral ve mekânsal karakteristiklerini temel alarak anlamlı, görüntünün farklı boyutlarda, anlamlı multi-piksel gruplarına ayrılmasını sağlar. Böylelikle segmente edilen görüntüde objeler bulanık mantık ve hiyerarşik karar ağları ile sınıflandırılmış olur. Obje temelli görüntü sınıflandırma işleminde görüntü obje gruplarına (piksel grupları) ayrılır [14]. Segment obje temelli görüntü analizinin temel işlemidir. Nesnelerin nesne şekil, boyut dokularına ve toplojik ilişkilerine vb. ilişkin tüm bilgiyi içerir. Doku ve renk farklı varyasyon ile bir görüntüyü temsil eder ve görüntü segmentasyonunun temel özellikleridir. Obje temelli görüntü analizinin temel karakteristiği; şekil, doku ve içerik gibi görüntü objelerine ait ek bilgilerden yararlanılarak işlem yapılabilmesidir. Bu bilgilerin kullanımı ile obje temelli görüntü sınıflandırma sonucunda semantik farklılıklar daha iyi ve daha doğru bir şekilde elde edilebilmektedir [14], [15]. Bu özellik piksel tabanlı yaklaşımlarda olanaklı değildir [15], 4

[16]. Uzaktan algılama verilerinin obje-temelli yöntemle şekil ve renk özelliklerine ve bulanık mantık kriterleri ile işlenmesi avantaj sağlamaktadır [17]. Kıyı çizgisinde meydana gelen değişmelerde uzun dönemli verilere ihtiyaç duyulmaktadır. Bu verilerin değerlendirilmesinde ise CBS ve uzaktan algılama (UA)yöntemleri tercih edilmektedir [18]. 20. yüzyılın sonlarına doğru topografya ve doğal kaynaklar gibi yeryüzünün belirgin özelliklerine ait veri gerekliliği hızlı bir şekilde artmaya başlamıştır. Hava fotoğrafları ve uzaktan algılama görüntüleri, büyük alanların yüksek oranda doğrulukla haritalanmasını olanaklı kılmıştır. Aynı teknoloji jeologlar, toprak bilimciler, ekologlar gibi farklı disiplinden birçok bilim adamına ayrıntılı haritalama için büyük bir avantaj sağlamıştır. Ortaya çıkan tematik haritalar, kaynak planlanması ve yönetimi için kullanışlı bilgi kaynaklarını oluşturmuşlardır [19]. Konumsal veri ve bunların daha iyi analiz edilmesine duyulan ihtiyaç, ancak bilgisayarlar kullanılarak karşılanabilir; fakat hava fotoğrafları ve uydulardan elde edilen görüntüler harita değildir. Bunlar manyetik bantlar üzerine kayıt edilmiş verilerden oluşmaktadır. Bu dijital veri, bilindiği gibi nokta, çizgi, poligon gibi yeryüzünü tanımlayan standart formda değildir. Veri piksel olarak adlandırılan, verilen banttaki yansıyan elektromanyetik radyasyonun şiddetini gösteren ve tek bir sayısal değer taşıyan hücrelerde kodlanır. Bu sayısal değerleri harita şekline dönüştürmek ve anlamlı desenleri belirlemek için yeni araçlara gerek duyulmuştur. Bu gereksinimler uzaktan algılama ve kartografinin birleşmesiyle, konumsal bilginin ele alınması ve haritalama araçlarını içeren CBS nin oluşmasıyla sonuçlanmıştır [20]. Coğrafi Bilgi Sistemi (CBS) donanım, yazılım, personel ve veri sistemi depolama, geri alma, haritalama ve coğrafi verilerin analizi için kullanılır. Dünya üzerinde referans gösterilen bir noktanın mekânsal özellikleri koordinat sisteminde saklanmaktadır. Tanımlayıcı şeklinde nitelikleri bu mekânsal özellikleri ile ilişkilidir. Aynı koordinat sistemindeki bu konumsal veriler ve bunların ilişkileri haritalama ve analiz için birlikte kullanılabilmektedir. CBS birçok farklı uygulamada kullanılabilmektedir [21]. Dünya yüzeyindeki coğrafi veri: (a) bilinen bir koordinat sistemine göre konumları, (b) konumdan bağımsız nitelikleri (ph, renk vs.) ve 5

(c) nasıl bağlantılı olduklarını tanımlayan kendi aralarındaki konumsal ilişkileri şeklinde tanımlanır. Bu tanımın dışında CBS için aşağıdaki tanımlar da yapılmıştır [22]. Araç olarak CBS tanımları; - Konumsal olarak dünya ile bağlantılı verinin görüntülenmesi, analizi, düzenlenmesi, kontrol edilmesi, depolanması ve toplanması için kullanılan sistem [23]. - Konumsal ve konumsal olmayan veriyi depolayan, görüntüleyen ve analiz eden bilgi teknolojisi [24]. Bir veritabanı olarak CBS tanımları; - Verinin büyük kısmının konumsal olarak indekslendiği ve veritabanındaki konumsal elemanlar hakkındaki sorguları cevaplandırmak için kullanılan işlemler topluluğunun oluşturduğu veritabanı sistemi [25]. - Bir CBS veri tabanında, analiz edeceğimiz ve sorgulayacağımız konu ile ilgili çok farklı kaynaklardan gelen veriler (işlenmiş veya ham uydu verisi, iklim, toprak, yersel ölçümler, yükseklik, yağış, sıcaklık, nüfus, yollar vb.) katmanlar olarak bilgisayarda tutulurlar; belli uzmanlık dalının kriterleri ile sorgulanarak yeni bilgiler üretilir [26]. CBS teknolojisi son 20-30 yılda, bilgisayar yazılım ve donanım sistemlerindeki gelişime paralel olarak gelişen yeni bir teknoloji olup başlangıçta, eldeki haritaların bilgisayarda tutulabilmesi için amaçlanmış, daha sonraları ise grafik ve grafik olmayan bilgilerle, bunlara ait sözel ve sayısal diğer bilgileri bir arada tutma, aynı anda sorgulayıp, analiz edebilme gücüne ulaşmıştır [27]. Uzaktan algılama teknolojisine ait önemli uygulamalar aşağıdaki gibi sıralanabilir [27]. 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, doğalgaz) 5.Yenilenebilen doğal kaynaklar (sulu alanlar, araziler, ormanlar, okyanuslar) 6

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 ) Uzaktan algılamanın tarihsel konumlaması ise şu şekilde gerçekleşmektedir; 4 Ekim 1957 tarihinde Sovyetler Birliği iyonosfer üzerinde bilimsel araştırmalar yapmak üzere ilk uyduyu fırlatmıştır. Uyduya, seyahat eden anlamına gelen Sputnik ismini vermişlerdir. 3 Kasım 1957 tarihinde de Sputnik 2 yi fırlatmışlardır. ABD ise Vanguard Projesi altında bilimsel uydu programı çalışmalarına devam etmekteydi, fakat henüz bir uydu fırlatamamıştı [29]. 1 Ocak 1958 tarihinde NASA nın kurulmasından sonra ABD uzay araştırmaları çalışmalarına hız vermiştir. O yıllarda Sovyetler Birliği-ABD arasındaki uzay araştırmaları rekabeti sonucunda, gerek uzay araçlarının geliştirilmesinde gerekse de yeni bilgilerin insanlığa sunumunda çok kısa sürelerde çok büyük ilerlemeler kaydedilmiştir. 31 Ocak 1958 tarihinde Army Ballistic Missile Agency-Ordu Balistik Füze Kurumu tarafından ismi Explorer (Kâşif) olan ve önemli bilimsel görevleri üstlenecek olan ilk Amerikan uydusunun geliştirilmesine başlanmıştır 7 Ağustos 1959 tarihinde Goddard laboratuarının çalışmaları öncülüğünde fırlatılan Explorer-6 isimli uydu, dünyanın uzaydan ilk görüntüsünü çekmiştir 1960 yılında ise Uzaktan Algılama, (Remote Sensing) terimi literatüre girmiştir. İlk uzaktan algılama uydusunun fırlatılışı 1972 yılındadır. Sonraları ismi Landsat-1 olarak değiştirilen Earth Resources Technology (Yeryüzü Kaynakları Teknolojisi) uydusunun 1972 yılında California daki üssünden fırlatılmasından sonra uzaktan algılama uydularının kullanılması hız kazanmıştır [30]. Landsat serisi uyduların en sonuncusu olan Landsat-7 1999 yılında fırlatılmıştır. 1972 yılından bugüne kadar sürekli gelişen uzaktan algılama uydularının teknolojileri paralelinde, uydulardan elde edilen görüntülerin çözünürlüğü ~ 50 cm. kadar 7

yükselmiştir. Bu kadar yüksek çözünürlüğe sahip uydu görüntüleri birçok doğal/yapay obje ve canlının görüntülenmesine olanak tanımaktadır. Uydu görüntülerinin sayısal ortamda kolay işlenebilmesi, hızlı ve ekonomik olması, görüntü çözünürlüklerinin yüksek olması, Coğrafi Bilgi Sistemlerine veri sağlamada yoğun olarak kullanılması gibi üstünlüklerini gören diğer ülkeler de ilerleyen yıllarda kendi uydularını fırlatmıştır. Bu uyduların isimleri ve fırlatılış tarihleri Çizelge 2.1 de belirtilmiştir [31]. Çizelge 2.1 Satellite Encyclopedia(2006) Çizelge 2.1 görüldüğü gibi en eski ticari uydu Landsat uydusudur ve aynı zamanda hala görüntüleri ile bu tür çalışmalara kaynak teşkil etmektedir. Yeryüzünün uzaydan incelenmeye başlanması, fotoğrafın keşfinden ve havadan uzaktan algılamadan sonra, doğal olarak insanoğlunun uzaya da adım atması ile 8

olanaklı hale gelmiştir. Uzaya açılmanın ilk adımı Sovyet Rusya nın 1957 de fırlattığı Sputnik1 uydusu ile atılmıştır. Bu adımla sahnelenen ve liderliğini A.B.D. nin yürüttüğü uzay çalışmaları, yılında Landsat1 uydusu ile özel anlamda Yer gözlem amaçlı uzaydan uzaktan algılama dönemini başlatmıştır. Bugün ABD ve Rusya nın dışında, başka birçok ülkenin Yer gözlem uydusu bulunmaktadır [6]. Uydu görüntülerinin başlıca özelliği, hava fotoğraflarına oranla çok geniş yeryüzü alanlarını kaplaması ve topografyaya ilişkin büyük çapta konumsal veri içermesidir. Uydu görüntülerinin Sayısal Coğrafi Veri Tabanları ve CBS içindeki etkinliği ve kullanım oranı her gün hızla artmaktadır [32]. Uydu sistemlerini şu şekilde sınıflandırabiliriz; (1) Birinci kuşak uydu görüntüleri (1970-1982), (2) İkinci kuşak uydu görüntüleri (1982-1997), (3) Üçüncü kuşak uydu görüntüleri (1997 ve sonrası). Birinci Kuşak Uydu Görüntüleri (1970-1982) içeriğinde tanımlanan uydular arasında en önemlileri; LANDSAT-1, 2 ve 3, Uzay Laboratuarı (Skylab) ve Soyuz uyduları sayılabilir. Gerçekte bu uyduların temel amacı, üzerindeki algılayıcılar aracılığıyla elde edilen görüntülerle, yeryüzünün küçük ve orta ölçekli haritalarını üretmektir [33]. İkinci Kuşak Uydu Görüntüleri (1982-1997) içeriğinde tanımlanan uydular, LANDSAT-4 ve 5, SPOT-1, 2 ve 3, Uzay Mekiği, Soyuz, Salyut ve vb. uyduları sıralanabilir. Özellikle 1/50.000 ile 1/100.000 ölçekli haritaların üretimini ve güncelleştirilmesini hedefleyen bu uydulara ait görüntülerde, birinci kuşak uydu görüntülerine oranla büyük gelişmeler meydana gelmiştir [34]. Üçüncü Kuşak Uydu Görüntüleri (1997 ve sonrası) kapsamında ele alınan uydular; IKONOS, EarlyBird, QuickBird, LANDSAT-7, SPOT-5, IRS-1C, ASTER uyduları sıralanabilir. Özellikle 1/10.000 ile 1/25.000 ölçekli haritalar, bu uydu görüntüleri ile üretilebilmektedirler. Çözünürlüklerin bu kuşak uydularda 1 metreye kadar 9

düşürülmesi en büyük etken olarak görülmektedir. Ayrıca, tarayıcı bant sayılarındaki büyük artış bu kuşak uyduların gelişmesini sağlamıştır [33]. Landsat1 in fırlatılmasının üzerinden sadece 36 yıl gibi kısa bir süre geçmiş olmasına karşın, Yer gözlem amaçlı uzaktan algılama alanında baş döndürücü gelişmeler olmuştur. Örneğin Landsat1 in 80 m ile başlattığı görüntü çözünürlüğü, günümüzde 0,5 m ye yükseltilmiştir ve bir iki yıl gibi yakın gelecekte de 0,25 m ye kadar yükseltilecektir. Uzaydan uzaktan algılamayı bir sistem olarak düşünürsek, bu sistemin ögeleri algılama platformları, algılayıcı gereçler, algılar (görüntüler), algıların yere iletilmesini sağlayan alt sistem, alıcı yer istasyonları ve algıları değerlendirme uzmanları olarak sıralanabilir. [6]. Değişik ortamlarda üretilen bilgilerin, bir veritabanında sayısal olarak saklanması ve ilgili koordinattaki ait olduğu eleman ile ilişkilendirilmesi, UA ve CBS çalışmasının temel mantığını oluşturmaktadır. Böylelikle, verilerin birbiri ile olan konumsal ilişkisi değerlendirilebilmekte, koordinat, alan, uzunluk gibi coğrafi bilgilere ulaşılabilmektedir. Kullanılan veriler içindeki tüm elemanların öznitelik ve konumsal bilgilerinin tamamının aynı anda değerlendirilmesi sayesinde, görsel yorum ve analiz yapılabilmektedir. Gerekli görüldüğünde modelleme çalışmalarına altlık olacak sayısal haritalar üretilebilmektedir [35]. 2.1 Elektromanyetik Spektrum Günümüzde uzaktan algılama verisi, kameralar ve algılayıcılar ile donatılmış uçaklar, insansız hava araçları ve uydular tarafından sağlanmaktadır. Kameralar ve algılayıcılar görüntüyü elektromanyetik spektrumun belirli alanlarında yeryüzünden yansıyan ve yayılan enerjiyi ölçerek oluştururlar. Elektromanyetik spektrum en yalın şekliyle çeşitli dalga boylarındaki radyant enerjiyi içeren ve bu radyant enerjinin elektromanyetik dalgalar halinde serbestçe hareket ettiği bir ortam olarak tanımlanabilir [36]. 10

Şekil 2.1 Elektromanyetik Spektrum Uzaktan algılama yoluyla elde edilmiş görüntüler yeryüzüne ait birçok bilgiyi içinde barındırır. Bu bilgiler yeryüzünden yansıyan elektromanyetik enerjinin uyduların alıcıları tarafından algılanarak çeşitli bantlarda kaydedilmesi yoluyla toplanır. Kanal olarak da nitelendirilebilen bant, yansıyan ışığı veya yayılan ısıyı (mavi, yeşil, kırmızı, kızıl ötesi, termal v.b. ) gösteren elektromanyetik tayfın özel bir kısmına ilişkin veri dosyası değerlerinin tamamına verilen isimdir. Piksellerin bir araya gelmesinden bantlar, bir veya daha fazla bandın bir araya gelmesinden görüntüler oluşmaktadır. Her bir bantta o bandın spektral alanına ait yansıma değerleri bulunur. Birden fazla bant bir araya gelerek bir görüntü oluşturabildiği gibi, tek bir banttan oluşan görüntüler de mevcuttur [37]. 2.1.1 Ayırma Gücü (Çözünürlük) 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. 2.1.2 Radyometrik Çözünürlük Radyometrik çözünürlük, algılayıcının gri ton değer farklılıklarına olan hassasiyetini belirtmektedir. Bir görüntüleme sisteminin radyometrik çözünürlüğü, enerji farklılıklarını ayırt edebilme yeteneğini gösterir. Başka bir deyişle radyometrik çözünürlük, elektromanyetik enerji miktarı karşısındaki duyarlılık olarak tanımlanabilir. 11

1 2 Şekil 2.2 Aynı bölgeye ait 2 bitlik görüntü (1) ile 8 bitlik görüntü (2) Aynı bölgeye ait 2 bitlik * görüntü (1) ile 8 bitlik görüntü (2) karşılaştırıldığında, radyometrik çözünürlükle ilişkili olarak detay ayırt etme düzeyindeki fark göze çarpmaktadır (Şekil 2.2). Buna göre 8 bitlik görüntüde (2), radyometrik çözümleme nedeniyle 2 bitlik görüntüye (2) nazaran çok daha fazla detayı ayırt etmek mümkündür. 2.1.3 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. Örneğin; Landsat TM sensorunun birinci bandı (band1) görünen ışık bölgesinde ve 0.45 μm - 0.52 μm dalga uzunlukları arasındaki enerjiyi kaydetmektedir. 12

Enerjinin kaydolduğu belirli bir bantta, iki dalga uzunluğu arasındaki fark yüksek ise spektral çözünürlük düşük, az ise spektral çözünürlük yüksektir. Şekil 2.3 Aynı alana ait farklı spektral çözünürlükte görüntüler 2.2 Mekânsal Çözünürlük Mekânsal çözünürlük, dijital görüntüler için genellikle görüntü hücresinin zemindeki boyutları olarak açıklanabilir. Sensorun tasarımına ve yüzeye olan mesafesine ilişkin bir fonksiyondur. Algılayıcıdaki detektörlerin her biri yeryüzünün belirli bir parçasından gelen enerjiyi ölçerler. Bu parçalar ne kadar küçük olursa görüntüden elde edilecek mekânsal bilgi de o kadar ayrıntılı olacaktır. 2.3 Zamansal Çözünürlük Yeryüzündeki nesnelere ait fiziksel özellikler, bu özelliklerin gözlenebileceği en uygun zaman aralıkları içerisinde bir takım değişimlere maruz kalacaklardır. Uygun zaman aralığı, yıl, mevsim, birkaç gün veya hafta olabilmektedir. Hele bazı uygulamalar için uzaktan algılama sonucu elde edilmiş verilerde zaman aralığı daha da önemli bir unsur olmaktadır. Örneğin ürün büyüme ve gelişimini izlemede, önceden belirlenmiş kısa zaman aralıklarında görüntü elde etmek büyük önem taşımaktadır. Ancak bir yerleşim yerinin gelişiminin araştırılmasına yönelik bir çalışmada ise bu süre, bir yıl veya daha fazla bir zaman aralığı olabilmektedir. Ürün rekolte tahmini, yerleşim yerlerindeki gelişim, hidrolojik değişim, deprem, deniz taşımacılığı, ekili alan izlenmesi gibi önemli 13

dinamik olayların algılanmasında, zaman faktörü çoğu kez anahtar rol oynamaktadır [38]. Kıyı değişiminin incelenmesinde verilerin değerlendirilmesi için kullanılan en önemli yöntem olan Uzaktan Algılama işlemi iki temel aşamadan oluşur. Bunlar "Veri Elde Etme" ve "Veri İşleme" dir [39]. Şekil 2.4 Uzaktan algılamanın bileşenleri [40]. 2.4 Verinin Elde Edilmesi 2.4.2 Enerji Kaynağı: Hedefe bir kaynak tarafından enerji gönderilmesi gerekmektedir. Bu kaynak, hedefi aydınlatır veya hedefe elektromanyetik enerji gönderir [39]. 2.4.2 Işınım ve Atmosfer: Enerji, kaynağından çıkarak hedefe doğru yol alırken atmosfer ortamından geçer ve bu yol boyunca bazı etkileşimlere maruz kalır [39]. 2.4.3 Hedef ile Etkileşim: Atmosfer ortamından geçen elektromanyetik dalga hedefe ulaştığında, hem ışınım hem de hedef özelliklerine bağlı olarak farklı etkileşimler oluşur [39]. 2.4.4 Enerjinin Algılayıcı Tarafından Kayıt Edilmesi: Algılayıcı, hedef tarafından yayılan ve saçılan enerjiyi algılar ve buna ilişkin veri kayıt edilir [39]. 14

2.4.5 Verinin İletimi, Alınması ve İşlenmesi: Hedeften toplanan enerji miktarına ait veri algılayıcı tarafından kayıt edildikten sonra, görüntüye dönüştürülmek ve işlenmek üzere bir uydu yer istasyonuna gönderilir [39]. 2.5 Verinin İşlenmesi 2.5.1 Yorumlama ve Analiz: Görüntü görsel, sayısal ve elektronik işleme teknikleri ile zenginleştirilir, analiz edilir ve nicel sonuçlar elde edilecek veriye sahip olunur [39]. 2.5.2 Uygulama: İşlenmiş veriden bilgi çıkarılır, bazı sonuçlara ulaşılır. Ayrıca elde edilen sonuçlar, başka veri kaynakları ile birleştirilerek kullanılabilir [39]. Kıyı çizgisi değişimi incelenirken kullanılan en önemli yöntem olan Uzaktan algılama (UA) yöntemini de açıkladıktan sonra kıyı çizgisinde değişimin nedenlerini araştırılırken nelere dikkat edilmesi gerektiği ile ilgili öncelikleri de şu şekilde sıralanabilir [41]. - Katı madde taşınımı - İklim ve su seviye değişimleri - Jeomorfolojik değişim - Zirai bulgular - Tarihi veriler - Suni yapılar - Önceki çalışmaların değerlendirilmesi - Hava fotoğrafları ve uydu görüntüleri 2.6 Uydu görüntüleri Dünya çevresinde farklı kullanım amaçlarına yönelik; farklı teknik özellik ve çözünürlük de uydu sistemleri mevcuttur. Günümüzde haritacılık ve uzaktan algılama alanında yoğun olarak bu uydu sistemleri kullanılmaktadır. Bu uydu sistemlerinin konumsal çözünürlükleri çoğunlukla 1 km ile 1 metre, radyometrik çözünürlükleri 3 bit ile 12 bit ve zamansal çözünürlükleri 1 gün ile 40 gün arasında değişmektedir [41]. 15

Şekil 2.5 Uyduların çalışma şeması (Google image, 2009) Uzaktan algılamada uydu, cisimler tarafından yansıtılan veya yayılan elektromanyetik radyasyonun, uzaya yerleştirilen platformlar (uydu) üzerinde bulunan radyometreler tarafından ölçülmesine (pasif algılama) ve radar (aktif algılama) sistemlerine dayanır. Dünya çevresindeki yörüngesinde hareket ederken, algılayıcıları tarafından kaydedilen verileri belirli aralıklarla yer istasyonlarına gönderir. Uydudan elde edilen görüntü bir kamera ya da filmden elde edilmiş fotoğraf değildir. Uydular, görüntüleri, algılayıcıları sayesinde sayısal olarak elde ederler. Çalışma şekli olarak günümüzde kullanılan sayısal kameralarla aynı prensiplerde çalışmaktadırlar. Uydu, yeryüzünden ve onun üstündeki cisimlerden gelen elektromanyetik enerjinin miktarını ölçen binlerce küçük alıcılardan oluşmuştur. Bunlar spektral ölçümler olarak adlandırılır. Her spektral yansıma değeri sayısal bir değer olarak kaydedilir. Bu sayılar dünyaya geri gönderilerek bilgisayarlar tarafından sayı dizilerine çevrilir, sıra ve sütunlar bir gri renk değerine denk gelen sayı ile ifade edilir. Kısaca, sayılar küçük resim elemanlarına çevrilirler ve bir araya geldiklerinde görüntünün tamamını oluştururlar. Sayısal görüntüyü oluşturan resim elemanlarına piksel adı verilir. Her piksel, alandan gelen ortalama ışınımı veren bir sayısal değer olarak gösterilir. Bu sayısal değerler genellikle 0-255 arasındadır [39]. 16

Şekil 2.6 Yeryüzünden alınan bilgilerin, bilgisayarda sayısal olarak ifadesi Nicelik ve niteliklerinin belirlenmesinde yaygın olarak kullanılan bazı uydular ile yeni kuşak yüksek çözünürlüğe sahip en çok kullanılan bazı uydular ve özellikleri şu şekilde özetlenebilir [39]; 2.6.1 Spot Spot uydusu Fransız Uzay Merkezi (CNES) tarafından planlanarak Fransa, Belçika ve İsveç tarafından üretildi. İlk kez 22 Şubat 1986 da işlev kazandı. SPOT1 uydusu da Landsat uyduları gibi kutup doğrultusuna yakın, güneşle eş zamanlı 98,7 derece eğimli, yer yüzeyinden 832 km yükseklikte bir yörüngeye sahiptir. İki farklı modda çalışan yüksek çözünürlüklü iki görüntüleme cihazına (HRV) sahiptir. Çok bantlı spektral modu (MSm) 20*20 m2 geometrik çözünürlüklü tayfın yeşil (.50-.59 μm), kırmızı (.61-.68 μm) ve yakın kızılötesi (.79-.89 μm) bölümünü kaplayan 3 banttan oluşur. Pankromatik (siyah-beyaz) modu sadece görünür bölgeyi örten tek bant (.51-.73 μm) ve 10*10 m2 yüksek geometrik çözünürlüğe sahiptir. Her iki algılayıcı seti birlikte aralarında 3 km lik örtme bulunan 117 km lik tarama genişliğini kapsamaktadır [42]. Pankromatik görüntüler düşük spektral çözünürlüğünden dolayı bitki haritalaması için iyi bir seçim değildir. Bununla birlikte, SPOT pankromatik görüntüleri, yollar, keskin sınırlar, kaya çıkıntıları, havza alanları ve diğer yüksek kontrastlı özelliklerin 17

haritalanması için çok iyi bir seçimdir. Patika yolları veya daha küçük yüksek kontrastlı özelliklerin haritalanmasında küçük ölçekli renkli uydu görüntüleri yerine büyük ölçekli hava fotoğrafları tercih edilmelidir. Çok bantlı görüntünün nem ya da gölge ilişkili özelliklerin haritalanmasında önemli olabilen orta kızılötesi bantları yoktur. Ayrıca SPOT verisinde ısı bölgelerinin haritalanması gibi bazı uygulamalarda önemli olan termal bant bulunmamaktadır. Çizelge 2.2 de SPOT uydu sisteminin özellikleri gösterilmektedir [43]. Çizelge 2.2 SPOT görüntüsünün özellikleri [43] 2.6.2 IRS Hindistan uzaktan algılama uyduları sistemi IRS nin bir parçası olarak IRS- 1C uydusu, 28 Aralık 1995'te bir Rus roketi ile başarılı bir şekilde kutupsal yörüngeye oturtulmuştur. Ocak 1996'da ilk görüntüler alınmaya başlanmıştır. IRS-1D ise 29 Aralık 1997'de kutupsal yörüngeye başarılı bir şekilde oturtulmuş olup 1997'nin Ekim'inde çalışmaya başlamıştır. IRS-1C dairesel, güneş uyumlu, kutuplara yakın yörüngede 98,69 derecelik bir eğimle ve 817 km lik bir yükseklikte yeryüzünü hemen hemen sabit bir ışık altında görüntüleme yapacak şekilde yörüngeye oturtulmuştur. Günde 14 dönüşüm yapılmaktadır. Dünya etrafındaki bir dönümü 101.35 dakika sürmektedir. Yeryüzü 18

üzerinde aynı noktadan 24 günde bir geçer, buna çevrim denir. IRS-1C ve 1D'nin birbirinden biraz farklı yörüngeleri vardır [44]. Çizelge 2.3 IRS 1D uydu özellikleri [44]. 2.6.3 İkonos Dünyanın ilk ve yüksek çözünürlüklü ticari uydusu olan Ikonos -1 29 Nisan 1999 yılında fırlatılmıştır. Fakat roketin istasyondan planlanan süreden 4.5 dakika geç ayrılması sonucu uydu gerekli hıza ulaşamamış ve yörüngeyi yakalayamamıştır. Ikonos -1 uydusu Güney Pasifik Okyanusuna düşmüştür. İkinci uydu Ikonos-2 adıyla 24 Eylül 1999'da fırlatılmıştır. Pankromatik ve çok spektrumlu görüntülerin birleştirilmesi ile "pansharpened" görüntüler elde edilir. Bu durumda pankromatik bandının geometrik çözünürlüğü ve çok spektrumlu bantlarının spektral çözünürlüğü birleştirilmiş olur [43]. SpaceImaging firması tarafından (orbimage firması ile birleşip şu an Geoeye olarak devam etmektedir) yörüngeye gönderilmiş olup 1m siyah/beyaz (PAN) 4m renkli 4 farklı dalga boyunda görüntü alabilmektedir. Sağlanan görüntüler 11 bitlik radyometrik 19

çözünürlüğe sahiptir (0-2047 farklı gri parlaklık seviyesi). 1:5.000 hassasiyetinde veri üretilebilmektedir [45]. Çizelge 2.4 Ikonos yörüngesinin özellikleri [44]. Ikonos GEO ürünüdür ve bantlar 4 Bant 4 Dosya şeklindedir. Yani her bant ayrı GeoTIFF dosyasıdır. Çizelge 4.5 de gösterilen GEO ürünler daha önceden belirlenmiş bir elipsoid ve harita projeksiyonuna gore geometrik olarak düzeltilmiş ve rektifiye edilmiştir. Rektifikasyon işlemi görüntüdeki hataları düzeltir ve belirlenen harita projeksiyonuna göre yeniden örnekler (resampling). Bu ürün topoğrafyadan kaynaklanan ötelemeler hariç ± 15 m (RMSE) standart yatay doğruluğa sahiptir [46]. 20

Çizelge 2.5 Ikonos GEO ürün seçenekleri Çizelgesi [46]. Ikonos uydu görüntüleri, şehir planlama, arazi kullanımı ve analiz çalışmaları, haritacılık, tarım, ormancılık, maden aramaları, kamu kurumları (elektrik, telefon 13 şirketleri vb.), çevre çalışmaları, ulusal güvenlik ve telekomünikasyon, nakliye sistemleri ve acil yanıt sistemleri gibi uygulamalarda kullanılmaktadır [43]. 2.6.4 Earth Observing 1 NASA tarafından yeni bin yıl projesi (NMP) kapsamında Lantsat 7 ETM+ uydusunu 1 dakika geriden aynı rota üzerinde takip edecek biçimde tasarlanmıştır. Dünya gözlem 1( Earth Observing 1) adı verilen uydu 21 Kasım 2000 tarihinde yörüngeye oturtulmuştur. Uydu Landsat 7 ETM+ uydusu ile benzer özelliklere sahip 7 band spektral çözünürlük, 30m*30m multispektral ve 10m*10m pankromatik yersel çözünürlüğe sahip ALI ( Advanced Land Imaging; ileri arazi görüntüleme ) algılayıcısı, 0,4 2,4 μm dalga boyları arasında 10 nm aralıkla yeryüzeyinden yansımaları 220 band spektral 30m*30m yersel çözünürlükle kaydeden Hyperion (hyperspektral) algılayıcısı ile 0,4 2,4 μm dalga boyları arasında 2 6 nm aralıkla yeryüzeyinden yansımaları 256 band spektral 250m*250m yersel çözünürlükle AC (Atmospheric Corrector; Atmosferik düzeltici) algılayıcısı taşımaktadır [26]. 21

2.6.5 QuickBird QuickBird uydusu, Digital Globe firması tarafından 18 Ekim 2001 de Kaliforniya daki Vendenberg Hava Kuvvetleri nde bulunan Boeing Delta II fırlatma aracından fırlatılmıştır. Uydu bir metrenin altında konumsal çözünürlükte veri elde edebilen ve mevcut ticari uydular arasında en genis kaplama alanına sahip ilk uydudur. Uydunun bulunduğu alçak yörünge yüksekliği ve artırılmış hızı, görüntünün doğruluğunu ve netliğini olumsuz yönde etkilemediği gibi alçak yörünge yüksekliği, yer konum doğruluğunu (geolocation accuracy) artırmaktadır. Günün herhangi bir saatinde dünyanın herhangi bir yerine ait görüntülerin alınması mümkündür. Gün boyunca yaklaşık olarak 900 görüntü alımı gerçekleştirebilmekte ve yaklaşık olarak 137 GByte veri toplayabilmektedir. 17 km x 17 km lik görüntüyü yaklaşık 4 saniyede çeken QuickBird 2 uydusu 2003 yılından itibaren stereo görüntü (in-orbit stereo pairs) çekimine de imkân vermektedir (URL,1). Çizelge 2.6 de QuickBird uydusu teknik özellikleri verilmiştir [44]. Çizelge 2.6 QuickBird uydusu teknik özellikleri [44]. 22

QuickBird 2 bir görüntüyü (17km. x 17km.) kabaca 4 saniyelik bir sürede çekmektedir. Ayrıca uydunun bulunduğu alçak yükseklik ve arttırılmış hızı, görüntünün doğruluğu, berraklığı gibi etkenleri eksi yönde etkilememekle beraber alçak yükseklik, jeolokasyon doğruluğu (geolocation accuracy) arttırmaktadır. QuickBird 2, 2003 yılından itibaren stereo görüntü (in-orbit stereo pairs) çekimine de imkân sunmaktadır [44]. 2.6.6 ALOS (Advanced Land Observing Satellite, 2.5-10 m) Japon Uzay ajansı (JAXA) tarafından 26 Ocak 2006 da yörüngeye gönderilmiş olup üzerinde 3 farklı algılayıcı sistem barındırmaktadır. Bunlar 2.5 metre çözünürlüklü stereo ve 3 lü çekim yapan PRISM (Panchromatic Remote-sensing Instrument for Stereo Mapping, 35kmX35lm lik çerçeve genişliği), 4 farklı dalga boyunda 10 metre çözünürlüklü çekim yapan AVNIR-2 (Advanced Visible and Near Infrared Radiometer type 2, 70kmX70km lik çerçeve genişliğinde Radar verisi toplayan PALSAR (Phased Array type L-band Synthetic Aperture Radar) dır. Bu uydu dünyanın her yerini yılda 3 dönem olarak programlayarak çekmektedir Bu durumda günümüze kadar ülkemizin tamamını yaklaşık 9 dönem görüntülemiştir [45]. 2.5 metre çözünürlüğünde stereo veya 3 farklı açıdan 35kmX35 km lik çerçeveler halinde veri sağlamaktadır. Bu Stereo veriler ile yatay ve düşeyde 1:10.000 ölçeğinde arazi topografyası çıkarmak mümkündür. Yine PRISM ve AVNIR-2 verilerinin pansharpened (karma) yapılması ile 2,5 metre çözünürlüklü renkli verisini elde etmek mümkündür. Özellikle 1 metre altında yeni çıkan 60 ve 50 uydu verilerinin ortorektifikasyonunda 1:25.000 ölçekli sayısal yükseklik modelleri yetersiz olmaktadır. Böylesi hassas verilerin ortorektifikasyonunda sağlıklı sonuçlar alabilmek için gereken hassas sayısal yükseklik modeli ALOS PRISM 2,5 metre stereo verilerinden elde edilecek sayısal yükseklik modeli kullanılması yeterli olacaktır [45]. 23

BÖLÜM 3 ÇALIŞMADA KULLANILAN VERİLER 3.1 Corona Uydusu Resmi ve yerel kullanıcılar için yüksek çözünürlükte görüntü elde etme tamamen geçmiş birkaç yıl içinde mümkün olmuştur. Ancak yüksek çözünürlükte görüntüleme tekniklerinin kullanılması sadece yakın zamana ait bir durum değildir. Ağustos 1960 ta, A.B.D. Corona adıyla bir uydu programı başlatarak bunu başarmıştır. Bu A.B.D. nin ilk keşif uydu sistemidir. Sovyetler Birliği, Çin ve Ortadoğu ile güneydoğu Asya arasındaki diğer bölgeleri gözlemleyen Corona keşif uydusu 1972 de düşmüş ve görevini tamamlamıştır [47]. Şekil 3.1 Corona Uydusu 24

Corona nın keşif kameraları, anahtar deliği anlamındaki Key Hole kelimelerinin baş harfleri olan KH ile isimlendirilmiştir. Üretilen ilk iki kamera, KH-1 ve KH-2, 1960 ve 1961 yılları arasında gerçekleştirdikleri beş başarılı görevden sonra düşürülmüştür. Diğer Corona kameraları olan KH-3 (1961-1962), KH-4 (1962-1963), KH-4A (1963-1969) ve KH-4B (1967-1972), Itek tarafından tasarlanmış, gözden geçirilmiş ve üretilmiştir. Corona nın gerçekleştirdiği 95 başarılı görevin çoğunda tasarımları çok benzer olan KH- 4, KH-4A ve KH-4B kameraları kullanılmıştır [48]. Çizelge 3.1 Corona uydusunun özellikleri 25

Corona keşif uyduları serisi Sovyetler Birliği, Çin ve Orta doğu ülkelerini kapsamaktadır. 1960 lı yıllarda gerçek zamanlı veri iletimi yeterince gelişmemiştir. Corona uydusunun yeryüzünü resimlemesinde farklı bir yöntemi vardı. 3.2 Landsat Uydusu NASA, ERTS (Earth Resources Technology Satellites) proje çalışmasına 1967 yılında başladı. İlk aşamada, ERTS-1, 23 Temmuz 1972 yılında Thor-Delta roketiyle fırlatıldı ve 6 Ocak 1978 yılına kadar yörüngede kaldı. ERTS-2 nin 22 Ocak 1975 yılında fırlatılmasından önce NASA, ERTS programını diğer bir planlanmış misyon olan Seasat osinografi uydu programından ayırmak için programın ismini Landsat olarak değiştirdi. Bu nedenle, ERTS-1, Landsat-1 olarak adlandırıldı ve tüm sonraki seri uydularda Landsat ismini sırasıyla aldı. Landsat uyduları arasında 1-5 ve 7 misyonları başarılı şekilde yörüngeye yerleştirilirken Landsat-6 görevini başaramadı. Çizelge 3.2 Landsat misyonlarında kullanılan algılayıcılar [43] Landsat uydularında üç adet görüntüleme sistemi kullanılmaktadır; -MSS(Multispectral Scanner, Çok Bantlı Tarayıcı) sistemi 26

-TM(Thematic Mapper, Tematik Harita Yapımı) sistemi -RBV (Return Beam Vidicon, Dönel Işıklı Kamera ) sistemi 3.2.1 RBV Sistemi: Aynı zamanda yeryüzünün aynı bölgesini 185kmx185km boyutunda görüntülemeyi amaçlayan üç adet televizyon türü kameradan oluşmaktadır. Kameraların arazideki ayırma gücü 80m dır. Elde edilen bantlar 1,2 ve 3. bantlardır. Landsat-3 te kamera sayısı ikiye indirilmiş olup, ayırma gücü 40m dır [49]. 3.2.2 MSS Sistemi: İkisi görünen dalga bandında olmak üzere toplam dört bantta ve 185kmx185km genişliğinde görüntüleme yapan bir radyometredir. Döndürme yerine salınan ayna sistemi kullanılmıştır. Bu ayna her 33 milisaniyede bir salınmaktadır. MSS, uydusunun güneye doğru hareketi sırasında her satırı batıdan doğuya doğru artar [49]. 3.2.3 TM Sistemi: Landsat 4 uydusu, Thematic Mapper TM ismi verilen yeni geliştirilmiş çok bantlı bir algılayıcı taşımaktadır. TM, yedi çalışma bandına sahiptir. TM nin altıncı bandı hariç diğerlerinin uzaysal ayırma gücü 30m dır. Altıncı bandı ise 120 m ayırma gücüne sahip termal bir banttır [49]. 3.2.4 TM Algılayıcı: Landsat 4 uydusu Thematic Mapper ismi verilen yeni geliştirilmiş çok bantlı bir algılayıcıyı taşımaktadır. TM yedi çalışma bandına sahiptir. TM nin altıncı bandı hariç diğerlerinin uzaysal ayırma gücü 30m dır. Altıncı bandı ise 120 m ayırma gücüne sahiptir [49]. 3.3 Landsat 1, -2, -3 Uydular yaklaşık 815 kg ağırlığında ve yaklaşık 900 km düzeyinde yörüngesel yüksekliktedir. Yaklaşık 9 açıyla ekvatordan geçmektedir ve birbirini izleyen yörüngeler ekvator'dan yaklaşık 2760 km uzaklıkta yer almaktadır. Algılayıcılar sadece 185km genişliğinde uydu görüntüsü kaydettiğinden, aynı günde birbirini izleyen yörüngeler arasında görüntü örtüsünde büyük boşluklar oluşmaktadır. Yörüngenin aynı noktadan geçmesi 18 gün almaktadır. Bu nedenle, uydunun dünyayı 18 günde bir veya yılda 20 kez görüntüleme kapasitesi vardır. Landsat-1, -2, -3 içindeki MSS sistemi, 185 km genişlikli taramada 4 bantı içermektedir: İki görünür bant (0.5-0.6 μm/yeşil ve 0.6-0.7 μm/kırmızı) ve iki yakın kızılötesi bant (0.7-0.8 μm ve 0.8-1.1 μm). MSS tarayıcısının 27

anlık görüş alanı (IFOV) karedir ve hücre boyutu yaklaşık 79m olan GSD üretmektedir. Toplam görüş açısı yaklaşık 11.56 'dir. Sistemin dönel aynası her 33 milisaniyede bir salınmaktadır. Bu tür bir düzenleme, her biri 6 detektörlü (her satır için bir adet) 11 dört adet dizini (her bir bant için bir adet) gerektirmektedir. Yer örnekleme aralığı 56 m düzeyine elde edilebilmektedir. Bu durumda görüntü piksel boyutu, 56x79 m olmakta ve her bir pikselin parlaklık değeri gerçekte 79x79 m'lik yer çözünürlük hücresinden üretilmektedir. Sonuçta bir MSS görüntüsü; 2.340 tarama satırı, her satırda 3.240 piksel ve haliyle bant başına 7.581.600 piksel içermektedir [43]. Landsat-1 in RBV sistemi, 23 Temmuz ve 5 Ağustos 1972 tarihleri arasında 1690 adet görüntü üretmiş ve bu süreçte kayıt sistemindeki problemlerden dolayı sistem daha sonra kapatılmıştır. Landsat- 2 deki RBV arada sırada görüntü çekmiştir. Landsat-3 deki RBV sisteminin tasarımında iki önemli değişiklik yapılmıştır. Sistem, multispektral algılama yerine tekil bantta algılama yapmaktadır. Sistemin spektral algılama sahası ise 0.505 den 0.750 μm ye yani yesilden yakın kızılötesine kadardır. Ayrıca, kameranın uzaysal çözebilirligi, önceki RBV lerle karsılaştırıldığında yaklaşık 2.6 kat artırılmıştır. Yer piksel çözünürlüğünün 30m ye düşürülmesi, kamera mercek sisteminin odak uzaklıgının iki misline çıkarılması, pozlama sırasında görüntü yürümesini önlemek için poz zamanının azaltılması ve önceki RBV sistemlerindeki spektral filtrelerin kaldırılmasıyla yeteri pozun korunması sayesinde başarılmıştır. Odak uzaklığının iki katına çıkarılmasıyla yer örtü alanındaki azalma sebebiyle iki kameralı yan yana konfigürasyon uygulanmıştır. Böylece, 183x93km lik yeryüzü alanı görüntülenebilmiştir. Öyle planlanmamasına karsın, Landsat 1, 2 ve 3 deki RBV sistemleri bu uydularda yer alan MSS sistemleriyle karsılaştırıldığında ikincil bir veri kaynağı haline gelmişlerdir. Buna iki önemli faktör katkıda bulunmuştur. İlk olarak, RBV lerin işletiminde çeşitli teknik sorunlar oluşmuştur. Daha önemlisi, MSS sistemleri sayısal formda multispektral veri üretebilen ilk global uzaktan algılama sistemi haline gelmişlerdir. MSS verilerinin bilgisayar ile islenebilmesi Landsat- 1, -2 ve -3 verilerinin kullanımına ivme vermiştir. Yeryüzünün büyük bir bölümü bu uydulardaki MSS sistemleri tarafından görüntülenmiştir [50]. 28

3.4 Landsat 4 ve 5 Landsat- 4 ve -5 önceki Landsat serisi uydulara benzer şekilde tekrarlı, dairesel, güneş eş-zamanlı ve yakın-kutupsal yörüngelere yerleştirilmiştir. Ancak, bu yörüngelerin yüksekliği 900km'lerden 705km'ye düşürülmüştür. Daha alçak yörünge, daha iyi yer örneklemeli görüntülerin çekimine olanak vermiştir. TM, MSS ile karşılaştırıldığında hem spektral bant sayısı hem de geometrik ve radyometrik açıdan çok daha üst düzeyli bir algılayıcıdır. Dört adet bant yerine 7 adet spektral bandı vardır ve bantlar spektrumun görünür (mavi), orta-kızılötesi ve termal kısımlarını içermektedir. Geometrik açıdan TM, 30m çözünürlüklü veri (120m'lik termal bant hariç) toplamaktadır. Böylece, yer piksel boyutu 2,6 kat azalmış, bu da jeodezik konum doğruluğunu artırmıştır [43]. 3.5 Landsat - 6 Landsat-6'nın 5 Ekim 1993 yılındaki fırlatımı başarısızlıkla sonuçlandı. Bu uydu, Landsat -4 ve -5'in yörünge özelliğini içerirken algılayıcı olarak ETM algılayıcısını kullanmaktaydı. Landsat- 4 ve -5 ile veri sürekliliği sağlamak için ETM, TM ile benzer 7 spektral bantta ve eşit mekânsal çözünürlükte algılama yapacaktı. ETM'in TM ile karşılaştırıldığında artışı, 15 m GSD'li 0.50-0.90μm arasında algılama yapan 8 nci bir bandı "pankromatik bant" içermesiydi. Bu yüksek mekânsal çözünürlüklü pankromatik bant verisi, 15m çözünürlükte renkli görüntü üretmek için ETM'in 30 m piksel boyutlu diğer bantlarıyla pan-sharpening algoritmasıyla birleştirilebilecekti [43]. Şekil 3.2 TM algılayıcı elemanları [50] 29

3.6 Landsat 7 ve ETM+ uydu görüntülerinin özellikleri Landsat 7 ETM+ uydusu diğer Landsat uydularından farklı olarak iki termal banda ve bir pankromatik banda sahiptir. Landsat 7 ETM+ uydusunun bantlarının özellikleri ise şöyledir; Bant 1 / Blue - Mavi: Mavi renge, su yüzeylerine, nemli alanlara, H2O içeren minerallere hassastır. Su yüzeylerinin tespiti, toprak ve bitkileri ayırt etmek, orman tipleri belirlemek, yapay materyalleri tespit etmek gibi kullanım alanları vardır. Bant 2 / Green - Yeşil: Yeşil renge ve bitkilere hassastır. Bitki örtüsü ve insan yapısı materyallerin tespitinde kullanılır. Bant 3 / Red- Kırmızı: Kırmızı renge, demir içeren minerallere hassastır. Bitkiler düşük yansıma verirler, bundan dolayı çeşitli bitki türlerinin ayrılmasında, yapay materyallerin tespitinde, jeolojik sınırların belirlenmesinde kullanılır. Bant 4 / Near Infrared (NIR) Yakın kızılötesi: Klorofile hassastır. Yoğun bitki örtüsünün belirlenmesinde tarımsal bitki örtülerinin ayırt edilmesinde, toprak, yüzey bitkileri ve su yüzeylerinin ayrılmasında kullanılır. Bant 5 / Mid infrared (MIR) Orta kızılötesi: Organik topraklardaki hidroksil iyonuna, karbonatlı minerallere, bitkilerin içerdiği suya duyarlıdır. Jeolojik sınırların tespitinde, tarımcılıkta kullanılır. Bulut, kar ve buzun görüntüde ayırt edilmesinde kullanılır. Bant 6 / Thermal infrared (TIR) Termal kızılötesi: Isıya duyarlıdır. Sıcak su kaynakları, sudaki kirlenme, volkan araştırmaları, endüstriyel alanlar ve kirlilik tespitinde kullanılır. Bant 7 / Shortwave infrared (SWIR) Kısa dalga kızılötesi: Bazı minerallere vekile duyarlıdır. Jeolojik sınır tespitinde kullanılabilir. Bant 8 / Pankromatik: Renk hassasiyeti yoktur. Mekânsal çözünürlüğü diğerlerinden fazladır [51]. 30

Çizelge 3.3 Landsat-7 ETM+ algılayıcısının TM bantlarının özellikleri [52]. Landsat-7, 15 Nisan 1999 da yörüngeye yerleştirildi. Bu uzay aracı üzerindeki algılama sensörü ETM+ dır ve bunun tasarımı Landsat-4 ve -5 ile veri sürekliliği sağlamaktadır. Benzer yörünge ve 185km genişliğinde görüntüleme alanı algılanmaktadır. Ayrıca, sistem pankromatik bantta 15m çözünürlük üretecek şekilde dizayn edilmiştir. Görünür, yakın ve orta kızılötesi bölgedeki bantların resolusyonu 30m dır. Altıncı bant (termal) ise 60m dır. Bu değer ETM nin termal bandında 120m dir. Landsat-7 uydusundaki ETM+ tarayıcısı 31 Mayıs 2003 tarihinden itibaren oluşan arızadan dolayı teknik problemler yasamaktadır. Arıza sonucu komsu tarama satırları arasında bindirme ve boşluklar oluşmaya başlamıştır Bunlar, özellikle ETM+ görüntülerinin kenarlarına doğru belirginleşirken, merkezi bölümdeki görüntü satırları giderek kaybolmaktadır. Eksik kısımlar farklı tarihlerdeki Landsat-7 görüntüleriyle tamamlanmaktadır [50]. 31

Şekil 3.3 Landsat Uydusu (Google Images 2009) 3.3 Aster Uydusu ASTER uydusu, Japon Ekonomi-Ticaret ve Endüstri Bakanlığı (MITI) tarafından Japonya da gerçekleştirilmiş bir uydu sistemidir. Veri geçerliliği, kalibrasyon ve aygıt dizaynından, ortak bir Amerikan-Japon Bilim Grubu sorumludur. ASTER, TERRA platformu üzerine monte edilmiş tek yüksek çözünürlüklü uzaysal (spatial) aygıttır. ASTER modülü, değişiklik tespiti (change detection), kalibrasyon/geçerlilik ve yeryüzü çalışmalarında diğer TERRA aygıtları için yakınlaştırıcı mercek (zoom lens) olarak hizmet etmesi yönünden önemli bir aygıttır. TERRA uydusu, 18 Aralık 1999 tarihinde Van Der Berg Hava Üssü'nden (Kaliforniya) başarıyla fırlatılmıştır. Uydu üzerinde beş değişik modül bulunmaktadır. Bunlar; ASTER, MODIS, CERES, MOPITT ve MISR dir. ASTER, 24 Şubat 2000 tarihinde veri toplamaya başlamış ve 01 Aralık 2000 tarihinden itibaren veriler kullanıma sunulmuştur [53]. Yeryüzünün kendine özgü kutuplarda basık, ekvator bölgesinde genişleyen yapısı nedeniyle uydu yüksekliği enleme bağlı bir yapı göstermesine karşın, ortalama 32

yükseklik 705 km civarındadır. ASTER uydusu, tüm yeryüzünü görüntülemesi veya aynı yerden ikinci kez geçişini 16 günde tamamlamaktadır. Uydu ömrü 6 yıl olarak planlanmıştır. Uydunun elips yörünge düzlemi ile güneş arasındaki açı sabit olup (98.9 o ), ekvator düzlemini alçalma noktasında daima aynı zamanda (10:30 am) geçer. Birbirine komşu yörünge izleri arasındaki mesafe ekvatorda 172 km dir [54], [55]. ASTER modülü sayesinde, dünyanın 15 m pikselden 90 m piksele kadar ve 14 banttan oluşan görüntüler elde edilebilmektedir. ASTER algılayıcısı üç alt sistemden oluşmaktadır. Bunlar; - VNIR: Görünür Yakın Kızılötesi, - SWIR: Kısa Dalga Kızılötesi, - TIR: Termal Kızılötesi. Çizelge 3.4 ASTER uydu görüntüsünün band özellikleri VNIR algılayıcısına görüntüdeki bozulmaları azaltmak için Nadir ve Back (geri) olmak üzere iki bağımsız teleskop monte edilmiştir. VNIR, toplam 3 band (1-2-3N) ve stereo görüntüleme özellikli 1 banda (3B) sahip olup, 0.52 μm - 0.86 μm dalga boyunda 33

algılama yapabilmektedir. Stereoskopik görüntü algılayıcısı tek yörüngedeki 3 band algılayıcısını 27.6 derece geriye doğru (Şekil 3) görüntüleme yeteneğine sahiptir. Stereo görüntülemede baz yükseklik oranı B/H = 0.6 dır. VNIR nadirden çapraza ± 24 o görüntüleme kapasitesine sahiptir. Görüntüleme alanı 60 km x 60 km olup, görüntü çözünürlüğü 30 metredir [54], [55]. Şekil 3.4 ASTER-VNIR stereo görüntüleme geometrisi [55] SWIR algılayıcısı, 1.60-2.43 μm aralığında yeryüzünden yansımaları algılayan kısa dalga kızıl ötesi optik bir algılayıcıdır. SWIR, toplam 6 banda (4-5-6-7-8-9) sahiptir. Görüntü çözünürlüğü 30 metredir [55]. TIR algılayıcısı, 8.12-11.65 μm aralığında 5 ışınsal banda sahip bir algılayıcıdır. Termal emisyon özellikleri ölçebilme yeteneği sayesinde; bu algılayıcı ile maden kaynakları, kara ve deniz yüzeyini tanımlama ile atmosferik gözlemleri yapılabilmektedir. TIR, 34

toplam 5 banda (10-11-12-13-14) sahiptir. Görüntü çözünürlüğü 90 metredir. Gece ve gündüz olmak üzere tüm gün veri elde etme özelliğine sahiptir [55]. 3.4 Ortofoto Harita Günümüzde, güncel haritalara olan gereksinim her alanda kendisini hissettirmektedir. Hızla değişen dünyaya ait haritaların üretimi klasik yöntemlerle çok uzun zaman almaktadır (Şekil 3.5). Bu klasik yöntemlere alternatif olarak, standart bir haritanın doğruluk ve hassasiyet kriterlerini taşıyan ortofoto haritalar, birçok uygulama alanında kendisini kabul ettirmektedir. (Şekil 3.5). Şekil 3.5. Topoğrafik harita örneği 35

Şekil 3.6 Ortofoto harita örneği [56] Ortofoto yaygın bir biçimde kullanılan fotogrametrik ürünlerdir. Yaygın bir biçimde kullanılmalarının sebebi; -üretim maliyetlerinin fotogrametrik harita üretimine göre daha düşük olması, - görüntü formatında olmaları sebebi ile gösterimlerinin kolaylığı, -ve son kullanıcılar tarafından sayısal fotogrametrik haritalarda olduğu gibi sembolojilerin anlamlarının bilinmesi gibi harita kullanım bilgilerine ihtiyaç olmaması nedeniyle kolay bir biçimde kullanılmalarıdır [56]. Bugün ortogörüntüler CBS inde bir katman olarak kullanılan oldukça popüler bir fotogrametrik üründür. Bunun başlıca sebeplerini aşağıdaki şekilde sıralayabiliriz: - Arazinin son durumunu gösteren güncel haritalara olan şiddetli gereksinim, - Stereo değerlendirme yöntemi ile sayısal harita üretiminin yavaş olması ve üretim sisteminin hızlandırılması gereksinimi, - Yer bilimciler, tarımcılar, planlamacılar gibi harita kullanıcılarının çizgi haritadan daha fazla veriye ihtiyaç duymaları. Haritanın geometrik doğruluğu ve bir fotoğrafın sunduğu zengin bilgi içeriğinin aynı anda elde edilmesi gerekliliği, - Topoğrafik ve çizgi harita üretiminde maliyet ve ekonomi açısından kartografik çalışmaların azaltılması düşüncesi, - Karmaşık arazi yapısı ve bitki örtüsünün haritada gösteriminde yaşanan güçlükler, 36

- Fotogrametrik yöntemle harita üretiminde ayrıntıların gösteriminde fotogrametri operatörlerinin foto yorumlama yeteneğine dayanan nesnelerin seçimi ve gösterimi yerine bütün ayrıntıların tümünün daha objektif bir biçimde sunumu [56]. Harita üretiminde, sağladığı hız, ekonomi, fazla bilgi içerme, çalışma kolaylığı gibi üstünlükleri ile optimal yöntem olarak kabul edilen fotogrametriden yararlanılmalıdır. Fotogrametrik uygulamalar içinde ise, ortofoto tekniği kent planlama hizmetleri açısından biçilmiş kaftandır. Kadastral haritaların ortofoto ile bütünlenmesi mükemmel bir altlık ortaya çıkarır. Günümüzde ve dışarda geniş uygulama bulan ortofoto tekniği genel olarak: Harita üretimi (imar, kadastro, orman, ziraat, yol ve trafik konularında...), harita revizyonu ve kent planlama hizmetlerinde kullanılmaktadır. Buna bağlı olarak harita tanımı «Harita, yeryüzünün ölçekli bir manzarasıdır» şeklînde de yapılmaktadır [57]. Ortofoto eğiklik dönüklük ve diferansiyel alanlarda yükseklik etkileri giderilmiş, ölçeklenmiş, bir haritanın geometrik niteliklerine sahip yeniden örneklenmiş bir fotoğraf, görüntü olarak tanımlanabilir. Bugün ortofoto ve ortogörüntü kavramları birlikte kullanılmaktadır. Çünkü fotoğraflar CCD kameralar yardımıyla doğrudan sayısal olarak kaydedilebilmektedir[56]. Ortofotoda arazinin fiziksel görünüşünün tümünün ölçekli olarak var olması, planlamada büyük doğruluk, kolay, çabuk, seçmeli ve karşılaştırmalı çalışma olanağı sağlar. Böylece yapı tekniği ve imar koşullarına uygun bir düzenleme, taşınmaz malın ekonomik ve teknik bakımdan daha yararlı hale getirilmesi, tahliye ve yıkma zorunluluklarının ve itirazların en aza indirilmesi sağlanır veya kolaylaşır. Çizgi haritalarda topografik ve planimetrik ayrıntı yeterince gösterilememekte ve unutulabilmektedir. Fotoğraf veya foto-harita, haritası yapılacak araziye ait zengin bilgi kaynağıdırlar [57]. 3.5 Kullanılan Yazılımlar Uydulardan elde edilen verilerin değerlendirilmesiyle çıkan sonuçlar, yeryüzünün araştırılmasına büyük katkı sağlamaktadır. Bu katkının sağlanmasında insan faktörünün yanında kullanılan yazılımlar da büyük önem taşımaktadır. Yazılımların önemi gerek 37

verilerin işlenmesine büyük hız kazandırmasına, gerekse çok büyük bir veri hacminin depolanmasına yardımcı olmasında yatmaktadır [4]. Bu çalışmada, mevcut sayısal görüntü işleme yazılımlarından biri olan geçici lisanslı ERDAS Imagine 8.6, lisanslı ecognition 5.0 ve COAST-FIT [1] yazılımı kullanılmıştır. 3.5.1 Obje Temelli Bulanık Mantıkla Görüntü İşleme Yapan Ticari Yazılım (ECOGNITION) Ecognition yazılımının görüntü segmentasyonu algoritması, spektral ve mekânsal ölçütlere göre, birbirine yakın özellikteki pikselleri olabildiğince homojen parçalar olarak gruplandırmaktadır. Bu işlem sonucunda tek piksellerden oluşan görüntü yerine, görüntü piksel gruplarından yani daha anlamlı nesnelerden oluşan bir görüntü ortaya çıkmaktadır [58]. Ecognition yazılımı, görüntü bilgisinin nesne tabanlı işlenmesini sağlayan segmentasyon ve sınıflandırma olanakları ile nesne tabanlı görüntü sınıflandırma yaklaşımını gerçekleştirir. Ayrıca veri giriş çıkışı, vektörleştirme, çalışma, bilgi ara yüzleri, doğruluk analizi ve istatistiği ile yaklaşımının bütünlüğünü sağlar. Segmentasyon işleminin en önemli adımını başlangıç segmentasyonu oluşturur. İstenilen herhangi bir çözünürlükteki segmentasyon ve ileriki sınıflandırma işlemi için uygun görüntü nesne segmentleri oluşturulur. ecognition, nitelik bakımından iyi segmentlerin oluşturulabilmesi için görüntü nesne primitifleri gibi yaklaşımları tam olarak destekler. Bu sebeple ecognition, Definiens Imaging tarafından geliştirilen çoklu segmentasyon adı verilen bir segmentasyon yöntemini kullanır [59]. Segmentasyon işlemi bir amaç degil ileriki sınıflandırma işlemleri için bir araçtır. Obje tabanlı görüntü analizinin temel işlemi niteliğinde olan segmentasyon işlemi, görüntü nesnelerinin heterojenliğine bağlı olarak çoğu zaman ilgilenilen alanları veya nesneleri direkt olarak çıkaramayabilir. İleriki sınıflandırma ve diğer segmentsayon işlemleri için bilgi taşıyıcılar ve alt yapı taşları gibi davranan görüntü nesneleri, ecognition altında nesne tabanlı görüntü analizinde görüntü nense primitiflerinden daha iyi yapıdadır. Bu sebeple, en iyi segmentasyon sonucu, ileri segmentasyon ve sınıflandırma işlemleri için optimum bilgi sağlayandır [44]. 38

Şekil 3.7 Görüntü segmentasyonu ve anlamlı nesnelerin ortaya çıkması [58] Segmentasyon aşamasında görüntü üzerinde bulunan her bir piksel görüntü üzerinde bir nesneye hiyerarşik olarak bağlıdır. Bu hiyerarşi segmentasyon için hazırlanmış olan algoritmada, değişkenlere bağlı olarak kurulur. Burada önemli olan uygun homojenliği sağlayarak pikselden nesneye doğru, uygun yapıyı kurmaktır. Segmentasyon aşamasında bunun için kullanılan değişkenler; ölçek, renk, biçim, yumuşaklık ve bütünlük değişkenleridir. Bu değişkenlerin dahil olduğu bir fonksiyon yardımıyla pikselden segmente ve buradan da daha büyük segmentlere doğru bir zincir yapı kurulur. Şekil 3.8 de piksel ve nesneler arasındaki hiyerarşik yapı gösterilmektedir [58]. Şekil 3.8 Piksel ve nesneler arasındaki hiyerarşik yapısı [60] 39

ecognition ile gerçekleştirilen obje tabanlı görüntü analizi için çoklu segmentasyonda optimum ham materyale ulaşabilmek adına aşağıda belirtilen özellikler dikkate alınır. Bu özellikler çoklu segmentasyonun ecognition için geliştirilmesi aşamasında tanımlanmıştır: a. Bir segmentasyon aşaması, görüntü alanlarının optimum ayrımı ve sunumu için homojenliği yüksek görüntü segmentleri üretmelidir. b. Her görüntü analizi işlemi, özel bir veriye bağlı belirli bir uzaysal ölçekteki verilerle uğraşırken, görüntü nesnelerinin ortalama boyutları ilgilenilen ölçeğe uygun olmalıdır. c. Görüntü nesnelerinin özellikleri (gri değeri, doku, semantik yapı ve komşuluk ilişkileri) az çok ölçek bağımlı olduğundan sadece benzer ölçekteki yapılar karsılaştırılabilir kalitededir ve karsılaştırılabilir özellikler içerirler. Bunun için oluşan sonuç görüntü nesneleri aşağı yukarı aynı değerde olmalıdırlar. d. Segmentasyon aşaması evrensel olmalı ve çok sayıda farklı görüntü ve probleme uygulanabilmelidir. e. Oluşan segmentasyon sonuçları çoğaltılabilir nitelikte olmalıdır. f. Yer gözlemleri, sık aralıklarla veri ürettiği için yapılan segtmentasyon işlemi maksimum hızda olmalıdır. Yapılan bir segmentasyon işleminin optimum düzeyde olduğunu değerlendiren en iyi ve tecrübeli kaynak şüphesiz insan gözüdür. Bu sebeple segmentasyon sonucu (nicel olarak çok iyi hesaplanmış olsa bile) insan gözünü yeterince memnun etmediği sürece tam olarak anlamlı sayılmaz. Burada oluşan görüntü segmentlerinin görüntü nesneleri ile benzer şekilde ve boyutta olması önemlidir. Ancak burada en az sınır yumuşatması ile görüntü nesnelerinin üretilmesi için karışık ve dokulaşmış verideki spektral homojenliğin ortaya çıkarılması oldukça zordur. Segmentasyonun uygulanmasında, aşağıdaki parametreler olabildiğince gerçeğe yakın seçilmelidir [61]. Segmentasyon aşamasında kullanılan parametreler şu şekilde açıklanabilir; Ölçek parametresi (Scale Parameter): Ortalama nesne boyutunu dolaylı yoldan etkileyen bu parametre, nesnelerin heterojenliğine izin veren maksimum değeri belirler. Ölçek parametresi ne kadar büyürse nesneler de o kadar büyür [44]. 40

Renk / Biçim (Color / Shape):Bu parametrelerle renk ve biçim çatışmasının homojenliğinin nesne üretimi etkisi düzeltilebilir. Biçim kriteri ne kadar yüksek olursa, spektral homojenliğinin nesne üretimine etkisi daha az olacaktır [44]. Yumuşaklık / Bütünlük (Smoothness / Compactness): Biçim kriteri 0 dan büyük olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması gerektiğine karar verebilir. ecognition yazılımında uygun nesneler belirlendikten sonra sınıfların oluşturulması aşamasına geçilir. Gerçekte bir binayı temsil eden segment veya segmentlerin, ilgili sınıfa dahil edilmesi için uygun fonksiyonlar belirlenir. Burada en yakın komşuluk ilişkileri veya bulanık üyelik fonksiyonları devreye girer. Bu aşamada dikkat edilmesi gereken husus, segmentlerin belirlenmesi aşamasında parametrelerin uygunsuz seçilerek heterojenliğin artması ve segmentlerin birleşerek yanlış sınıflara dâhil olmasıdır. Böyle problemlerle karşılaşmamak için olabildiğince gerçekteki yapıları en az segmentle ifade edebilecek yapıyı oluşturmak bunun yanında heterojenliği de dengede tutmak gerekmektedir [58]. Segmentasyon aşaması, tezde kullanılan yazılımdaki en önemli işlemlerden biridir. Türetilmiş renk ve doku özellikleriyle birleştirilmiş bu şekil, oluşturulan görüntü nesnelerini sınıflandırarak öncelikle görüntünün sınıflandırılması için kullanılabilir. Bu yüzden sınıflar, bir sınıf hiyerarşisi içinde düzenlenir. Her sınıf, bir alt sınıf ve üst (süper) sınıfa sahip olabilir ve böylece her sınıf, bir veya daha fazla üst (süper) sınıfların özellikleri de alt sınıflarında görülmektedir. Ortaya çıkarılacak nesnelerin çok ölçekli sonuçları göz önüne alındığında küçük nesneler, anlamsal bir hiyerarşi oluşturan daha büyük nesneleri yapılandırmak için birleştirilebilir [5]. Nesne analizinin iki ana yaklaşımına yönelen küçük nesnelere bölünebilir. Kullanılan yazılım her iki yöntemde şu şekilde uygulanabilmektedir; - Çoklu-çözünürlüklü segmantasyon işlemi kullanarak görüntü nesnelerinin hiyerarşik yapısını oluşturulurken üst katmadaki görüntü segmentleri küçük nesneleri gösterirken alt katta bulunanlar büyük nesneleri gösterilmesi, - Nesnelerin fiziksel özelliklerine göre sınıflandırılması, - Komşuluk ilişkilerine göre sınıflandırılması, - Sınıflandırılmış nesnelerin anlamsal guruplar olarak birleştirilmesi. 41

Görüntü sınıflandırılırken belirli özellikleri göz önünde bulundurularak sınıflandırılmalıdır. Bu özelliklerden en önemlisi objenin yapısal özellikleridir. Bir diğer önemli özelliği ise sınıf ilişkileri özelliğidir. Bu özellikler Şekil 2.10 de gösterilmektedir [5]. Şekil 3.9 Görüntü nesnesinin Özellikleri [16] Sınıf hiyerarşisi ölçeğe bağlı olarak nesnenin özelliğini yansıttığından, katman sınıflarını yaratmak yararlıdır. Bu sınıflar, görüntü segmentasyonundan çıkartılmış katmanları ifade ederler ve belirli bir katmana ait olduklarını belirterek tanımlanırlar. Sadece bu katmanlarda beliren sınıflar, bu özelliği katman sınıflarından alırlar. Bu teknik genellikle, sınıf hiyerarşisini yapılandırmaya yardım eder. Kullanılan sınıf hiyerarşisinin bazı avantajları mevcuttur. Bu avantajları şöyle özetleyebiliriz; - Görüntü nesnelerine ait bilgi temeli mevcuttur. - Hiyearaşik bir sınıf ağı bulunmaktadır. - Sınıf tanımlamalarında kalıtımsal özellikler dikkate alınır. - Sınıflar guruplandırılır. - Karmaşık sınıflandırmanın formülasyonu bulunmaktadır. - İlişkiler kolay tanımlanır. - Diğer nesnelere çabuk ulaşılır [16]. 42

Sınıf hiyerarşisi, sınıfların semantik gruplamasını destekler. Bu farklı özelliklerdeki sınıfların, semantik anlamca üst bir genel sınıfa atanmasında kullanılabilir. Bu bağlamda, üst sınıf, kendi açık sınıf tanımlamalarına ihtiyaç duymaz. Kentsel yeşil alan ve kentsel geçirimsiz, örneğin kentsel sınıfı altında gruplandırılabilir. Bu durumun kendine özgü bir avantajı, üst sınıfla olan kontekst ilişkileri tarif etmektedir: kentsel sınıfı içinde olmak hem kentsel geçirimsizi hem de kentsel yeşili gösterir. Bunlara ek olarak, sınıf hiyerarşisi, kalıtsal olarak sınıf tanımlamalarının, alt sınıflara geçmesini sağlar. Örneğin yeşil alan gibi bir sınıf, sınıf tanımlamalarını, kentsel yeşil veya kırsal yeşil gibi alt sınıflara kalıtsal olarak geçirerek değiştirilebilir. Bu bilgi tabanının şeklini oluşturur yani, bir sınıfın tanımlamasının detay seviyesi arttıkça, hiyerarşi kolları derinleşir. Bu imkânlarla, sınıf hiyerarşisi şaşırtıcı semantik zenginlikte, iyi kurulmuş bir bilgi tabanının, etkin bir şekilde oluşturulmasını sağlar. Bulanık mantıkla birlikte bu nesne tabanlı görüntü analizi yaklaşımına çok fazla güç katar. Burada dikkat edilmesi gereken en önemli husus; sınıf hiyerarşisinin farklı bir şey olduğu ve görüntü nesnesi hiyerarşisinden bağımsızlığıdır. Sonunda, nesnelerin şekilleri, sınıflandırmayla ve bilgi tabanlı segmentasyonla geliştirilebilir. Genellikle bu yeni özellikli ve semantik ilişkili, sırasıyla, yeni üretilen özelliklerine göre sınıflandırılan yeni nesnelere yol açar [60]. Obje temelli yöntem ile yapılan sınıflandırmanın en önemli özelliklerinden biri de görüntüden nesne yakalanabilmesidir. Bunun için öncelikle görüntü analizi yapılmalıdır. Görüntü analizi yapılırken kullanılan bilgiler kendi arasında pikseller ve nesneler olmak üzere ikiye ayrılır. Piksellerde sadece renk ögesi kullanılırken nesnelerde; renk istatisliği, şekil, boyut, doku ve içerik kullanılmaktadır. Bu sebeple obje temelli yöntem nesneye dayalı sınıflandırmadır ve piksellere dayalı yönteme oranla çok daha sağlıklı sonuçlar vermektedir. Şekil 3.10 da bu çok daha ayrıntılı olarak görünmektedir; 43

Şekil 3.10 Ecognition ile nesneye dayalı sınıflandırma [16] Sonuç olarak: Şekil 3.11 Obje temelli sınıflandırma yönteminin Çalışma Özeti [16] 44

3.6 Kullanılan Uydu Verileri Sunulan Alaçatı örneğinde kullanılan uydu verileri, Corona 1963, 1995 yılına ait 1:35 000 ölçekli hava fotoğrafı, Landsat 1997 ve Aster 2007 dir.pankromatik Corona görüntüsü 2.8 m, Landsat 1975 görüntüsünün 80 m, Aster 2007 görüntüsünün yersel çözünürlüğü 15 m dir. Şekil 3.12 Alaçatı Körfezi Corona 1963 Uydu Görüntüsü 45

Şekil 3.13 Alaçatı Körfezi Landsat 1975 Uydu Görüntüsü Şekil 3.14 Alaçatı Körfezi 1995 Hava Fotoğrafı 46

Şekil 3.15 Alaçatı Körfezi Aster 2007 Uydu Görüntüsü 47

BÖLÜM 4 ÇALIŞMA ALANI İzmir ilinin, Çeşme ilçesine bağlı Alaçatı beldesi, Çeşme yarımadasının rüzgârın kuzeyden güneye, güneyden kuzeye estiği koridorun merkezinde yer alır. Yazın hâkim rüzgâr olan poyraz Alaçatı'ya nefes aldırır, kışın ise daha çok esen lodos beldede ılık bir iklim oluşturur. Alaçatı'da rüzgârlı gün sayısı (yılda 330 gün ile) Türkiye ortalamasının çok üzerindedir, bu da beldeyi dünyanın en önemli rüzgâr surf'ü merkezlerinden biri yapmıştır. Denizden 3 km. içeride yer alan Alaçatı'nın denizden yüksekliği ise 16 metre. İzmir'den 70 km. uzaklıkta bulunmaktadır. Şekil 4.1 Alaçatı Uydu Fotoğrafı (Google image, 2010) 48

Kıyı alanı boyunca volkanik kayaçlardan lüfil ve aglomeralar gözlenir. Muhtemelen yörede Ege Bölgesi'nde yaygın olan volkanik çıkış stilinin aksine, önce andezilik lav çıkışı olmuş, ardından çıkan tüfler, karasal ortamda yayılarak masif tüfit kütlelerinimeydana getirmiştir. Temeldeki mesozoyikyaşlı (jura) kireçtaşlarım ve daha önce çıkan andezillerikesen lüfler, eksplosif (patlamalı) çıkış sırasında bünyelerine köşeli andezit, kireçtaşı çakıl ve bloklarını alarak çevrede çökelmişlerdir [62]. Dalga aşındırmasıyla, burun kesimlerinde açığa çıkan lilolojik islif incelenmiştir. Buna göre altta deniz seviyesinden itibaren 3-4 m izlenen beyaz renkli tüfitler, yer yer andezit, jura yaşlı çakıl ve bloklar içerir. Tüfillerin üzerine kalınlığı 2 m'ye varan aglomeralar gelmektedir. Sellenmeyle yakın çevreden taşınıp çökelen aglomeranın unsurları, andezitlerle beraber yine Mesozoyik yaşlı kireçtaşlarından oluşur. Aglomera unsurları tüf ' m a t r i k s i (hamuru) ile birbirine bağlanmıştır. Unsurlar az yuvarlanmış ya da köşelidir. Aglomeralar, varlığını kısa bir süre devam ettirebildiği anlaşılan sığ bir göl ya da balaklık içinde çökelmiş ince tabakalı ve sarımsı renkli, az miktarda çakıl içeren killi-kumlu çökeller ile süslenir [62] (Şekil 4.2). Şekil 4.2 Alaçatı kıyı alanında burun kısmında gözlenen litolojik istif [63] 49

Alaçatı kıyı alanında koylardaki beyaz kumlu yüksek kaliteli plaj şerlileri tamamen litolojinin ürünüdürler. Kıyı alanında yaygın lüfiller oldukça saf ve yoğun silis (kuvars) taneciklerinden oluşmuştur. Plaj gerisinde pekişmesi zayıf lüfil kayaçlan, mekanik ve kimyasal aşınım süreçleri ile kolayca çözülmekle ayrıca burun kesimlerinde dalga aşındırması ile (dalgaların çarpma sonucu hidrolik ve mekanik etkilerle bünyeden parçalar koparması) koparılan ve ufalanan parçacıklar dalgalarla koylara taşınıp biriktirilerek beyaz kumlu ve kaliteli plaj malzemelerinin oluşmasını sağlamaktadırlar [62]. Alaçatı-Ovacık kıyı alanının rekreasyonal tasarım ve planlanmasında yeryüzü şekilleri, diğer faktörlerle beraber ortamın önemli bir bileşeni olarak değerlendirilmiştir. Temel durumundaki topoğrafik yüzey üzerinde vejetasyon ve litoloji gibi diğer bileşenler üçboyutlu tasarımlar için tamamlayıcı durumundadırlar. Yeryüzü şekilleri için özetle, deniz seviyesinden itibaren yükselti katmanlarına göre değişen eğimler kompozisyonunun oluşturduğu görünüm denebilir. Şekil 4.3 Alaçatı [63] 50

Buna göre alan çeşitli eğimlerde yüzey, diklik ve düzlükler gibi rölyef özellikleri gösterir. Arazinin yapısını oluşturan kaya birimleri; akarsular, sellenme, dalgalar, rüzgar vb aşındırıcı ve biriktirici dış etken ve süreçlerle biçimlendirilirler. Alaçatı-Ovacık kıyı alanının morfolojisine gelince; burun kesimlerinde kıyıdan başlanacak olursa, IV. zaman başlananda akarsu aşındırmasıyla oluşan ve kara yönünde genişliği yer yer 300 metreyi bulan 10-15 metre yüksekliğinde bir platform, düz bir yüzey halinde devam eden platformun kara yönünde bitiminden itibaren eğimin aniden artmasıyla başlayan bir yamaç alanı ve en geride 150-200 metrelerde uzanan tepelik alanlar şeklinde bir profil karşımıza çıkar. 150-200 metrelerde uzanan söz konusu tepelik alanlar, Pliyosen döneminde oluşmuş aşınım yüzeylerine tekabül ederler. Kıyı gerisindeki düz alanları oluşturan platform, burunlarla ayrılan ve genişliği 150 metreyi geçmeyen bir dizi koyla biçimlendirilmiş durumdadır. Burun kesimlerinde dalga aşındırması sonucu dirençsiz tüfitler dik yamaçlarla gerileyerek falezler meydana gelmiş, buradan taşınan malzeme plaj şeritlerinde biriktirilmiştir. Plajların hemen gerisinde bir süre devam eden alüvyal birikim alanından sonra hafif bir eğimle platform seviyesine geçilmektedir. Koy tabanları 7-10 bin yıl kadar önce deniz seviyesinin yükselmesi ile bir süre sularla işgal edilmiş, deniz günümüz seviyesine (O m) çekildikten sonra zeminde kalan denizel alüvyonun üzerinde daha sonra üst yamaçlardan sellenmeyle taşınan ince malzemeler de birikerek günümüzdeki durum ortaya çıkmıştır [63]. 51

Çalışmanın genel akış diyagramı aşağıda verilmiştir: Şekil 4.4 Projenin Genel Akış Diyagramı 52

BÖLÜM 5 ÇALIŞMA YÖNTEMİ 5.1 Görüntünün Rektifiye Edilmesi Sensor dizileriyle elde edilen dijital görüntüler, sensorların kapasitesi, atmosferik şartlar ve izdüşüm geometrisinden kaynaklanan hatalarla yüklüdürler. Bu hatalar, sensorların ölçtüğü elektromanyetik dalgaların enerjilerinin değerlerini ve ayrıca sensorların karşılık geldiği nesne detaylarının uzaydaki geometrik dizilişini etkilerler. Buna göre, iki ana grup altında ele alınabilecek bu etkiler sırasıyla; radyometrik ve geometrik hatalar olarak adlandırılır. Dijital görüntülerden geometrik ve semantik bilgilerin çıkarılmasından önce, uygulamalardan beklenen sonuç ürünler ve sonuç duyarlıklara göre görüntülerin bu hatalardan arındırılması gerekir. Geometrik hataların giderilmesi için yapılan bu işlemlere genel olarak görüntü rektifikasyonu adı verilir [64]. Dijital bir görüntü, temel olarak radyometrik özelliklerin ve konumsal bilgilerin her ikisine birden sahip olan, iki boyutlu piksel dizilerinden oluşur [65]. Rektifikasyon, görüntülerin doğal olarak sahip oldukları distorsiyonlarının giderilmesiyle, hatasız (en az hatalı) hallerinin elde edilmesi işlemidir. Dijital görüntülerin rektifikasyonu için algılayıcı türüne bağlı olarak farklı matematik modeller kullanılır. Optik mekanik ve satır tarayıcılar için polinomal model (afin ve daha yüksek dereceli polinomlar), çerçeve algılayıcılar içinse projektif dönüşüm (düz alanlar için) ya da sayısal yükseklik modelinin dâhil edilmesi ile merkezi izdüşüm geometrisi yani eş doğrusallık koşulu (kolinearite 53

eşitlikleri) kullanılarak eğiklik ve yükseklik farklarından kaynaklanan ötelemeler (relief displacement) düzeltilir [66]. İçerdikleri geometrik bozuklukların giderilmesi, tüm görüntülerin aynı yerel koordinat sistemine sahip olmaları ve nihayetinde elde edilen kıyı çizgisindeki zamansal değişimin belirlenmesi amacıyla uydu verileri rektifikasyon işlemine tabi tutulmuştur. Landsat 1975 ve Aster 2007 ve görüntülerinin geometrik dönüşümlerinde afin dönüşüm, yeniden örneklemelerinde kübik katlama yöntemleri kullanılmıştır. Corona 1963 görüntüsünde ise yeniden örnekleme işlemi için kübik katlama yöntemi, geometrik dönüşüm işlemi için sonlu elemanlar yani rubber sheeting metodu ardından afin dönüşüm uygulanmıştır. 1995 yılına ait hava fotoğrafı ise stereo çifti kullanılarak değerlendirilmiş ve ortofoto üretilmiştir. Geometrik dönüşüme ilişkin RMS hataları ise Çizelge 5.1 de gösterilmiştir; Çizelge 5.1 RMS hataları X (m) Y (m) XY (m) Corona63 5.98 7.10 11.04 Landsat 1975 32.32 25.5 41.17 Aster 2007 11.57 10.28 15.46 54

Şekil 5.1 Kontrol noktalarının Corona 1963 görüntüsü üzerinde dağılımı Çizelge 5.2 Corona Görüntüsü-Afin Dönüşüm Kontrol Noktaları Point ID Res Res X Res Y Ground Y Ground Y Comp X Comp Y G0016 14.779 14.091-4.457 443527.729 4231604.913 443541.82 4231600.46 G0031 14.681-9.696-11.024 447694 4232597 447684.3 4232585.98 G0007 13.552-4.786-12.679 447622 4232438.5 447617.21 4232425.82 G0025 13.112 3.636 12.598 443519.5 4231238 443523.14 4231250.6 G0027 12.665 7.865-9.926 447611.75 4234012 447619.62 4234002.07 G0023 12.658 0.547-12.647 444039.202 4234852.599 444039.75 4234839.95 G0019 12.276 0.319 12.272 445595.35 4236997.108 445595.67 4237009.38 G0015 11.85 4.391-11.007 444283.238 4232932.069 444287.63 4232921.06 G0010 11.779 11.26-3.459 444790.5 4234927.5 444801.76 4234924.04 55

G0029 10.907-10.851-1.099 443531 4236692 443520.15 4236690.9 G0035 10.808 4.63 9.766 447637 4230079 447641.63 4230088.77 G0037 10.048 4.488 8.99 445937 4236261 445941.49 4236269.99 G0032 9.68-4.681 8.474 446859 4230663 446854.32 4230671.47 G0003 9.069 2.977-8.566 445319 4235343 445321.98 4235334.43 G0006 8.847-8.687 1.677 443724 4236476 443715.31 4236477.68 G0013 8.701 5.621 6.642 445410 4236338.5 445415.62 4236345.14 G0020 8.253-4.265 7.066 443668.134 4236920.22 443663.87 4236927.29 G0008 8.084-7.99 1.231 446542.75 4230792 446534.76 4230793.23 G0022 7.351-3.934-6.21 443846.982 4235220.325 443843.05 4235214.12 G0036 7.265-6.257 3.692 446755 4231228 446748.74 4231231.69 G0040 7.188 0.862 7.137 447558.5 4233767.5 447559.36 4233774.64 G0021 6.97-6.96 0.373 443307 4236550 443300.04 4236550.37 G0002 6.221 6.189 0.638 446393 4236183 446399.19 4236183.64 G0033 5.95 2.432-5.43 446554 4230987 446556.43 4230981.57 G0039 5.341-5.003 1.872 446727 4231645 446722 4231646.87 G0011 4.575-2.922 3.52 444364 4235148.5 444361.08 4235152.02 G0030 4.455 4.06-1.834 445445 4235563 445449.06 4235561.17 G0012 4.233 0.191-4.229 444396.899 4236395.375 444397.09 4236391.15 G0038 4.093 4.007-0.831 446835 4234856 446839.01 4234855.17 G0001 3.078-1.524 2.674 445485 4235304 445483.48 4235306.67 G0034 3.012-1.937 2.307 446987 4230560 446985.06 4230562.31 G0005 2.577 2.577 0.011 445022 4235250 445024.58 4235250.01 G0009 2.544-0.653 2.459 445103 4232547 445102.35 4232549.46 56

Şekil 5.2 Landsat 1975 görüntüsü üzerindeki kontrol noktalarının dağılımı Çizelge 5.3 Landsat 1975 Görüntüsü-Afin Dönüşüm Kontrol Noktaları Point ID Res Res X Res Y Ground Y Ground Y Comp X Comp Y G0027 72.748-72.746-0.396 447501.4 4236456.2 447428.65 4236455.8 G0002 64.288 64.246 2.316 447134.6 4232771.4 447198.85 4232773.72 G0011 59.525-43.06-41.099 445524.6 4233507.8 445481.54 4233466.7 G0026 54.221-6.434 53.838 446238.6 4235991.4 446232.17 4236045.24 G0015 50.316 35.263-35.891 447409 4234123.8 447444.26 4234087.91 G0001 46.321 9.892 45.253 446275 4233283.8 446284.89 4233329.05 G0021 40.4 28.548-28.586 445575 4236515 445603.55 4236486.41 57

G0010 40.386-27.278 29.782 446765 4234938.6 446737.72 4234968.38 G0004 40.267 38.564-11.587 445670.2 4235383.8 445708.76 4235372.21 G0016 37.714-26.489-26.846 447467.8 4232751.8 447441.31 4232724.95 G0028 36.334-30.113 20.331 444553 4231262.2 444522.89 4231282.53 G0009 28.4 26.574 10.017 446535.4 4230797.4 446561.97 4230807.42 G0013 25.066-0.677-25.057 445631 4233104.6 445630.32 4233079.54 G0020 21.141 19.138-8.982 446107 4236361 446126.14 4236352.02 G0022 21.122 19.141-8.931 444359.8 4235151.4 444378.94 4235142.47 G0024 20.448-19.919 4.62 445471.4 4232701.4 445451.48 4232706.02 G0014 20.256-4.265 19.802 446081.8 4233972.6 446077.53 4233992.4 G0018 19.688 17.154 9.662 447319.4 4235851.4 447336.55 4235861.06 G0017 17.244-15.355-7.847 446580.2 4232247.8 446564.84 4232239.95 G0019 12.191-12.185-0.4 447876.6 4236408.6 447864.42 4236408.2 5.2 Rektifiye Edilmiş Görüntülerden Kıyı Çizgisinin Elde Edilmesi Kıyı yönetiminde, kıyı alanlarında meydana gelen değişimin hızlı elde edilmiş, güncel ve doğru bilgi yardımıyla belirlenmesi öncelikli öneme sahiptir. Kıyı çizgisindeki herhangi bir değişimin belirlenmesinde kullanılabilen uzaktan algılama verileri en önemli bilgi kaynaklarından biridir. Kıyı bölgelerinde meydana gelen değişimlerin bir kısmının uydu görüntülerinden çıkarılan kıyı çizgisi yoluyla görüntülenmesi mümkündür. Görüntü işleme algoritmaları, ilgili görüntülerden gerekli bilginin hızlı ve doğru bir şekilde elde edilmesini mümkün kılar. Bu özellikle, doğal afetler gibi acil durumlarda doğru veri ihtiyacının hızla karşılanması açısından önemlidir. Düz bir çizgiye sahip kıyı bölgelerinde kıyı çizgisinin ayırt edilmesi kolaydır. Ancak kıyı alanları genellikle çok karışık şekillenmiş bir yapıya sahiptir. Bu karışık yapının 58

görüntülenmesinde kullanılan segmentasyon, görüntü işleme disiplinleri içerisinde önemli bir araştırma konusudur. Uygulamada kıyı çizgisi çıkarımının insan gözü ve klasik metotlarla yorumlanarak yapılması, kıyı boyunca uzanan koylar ve ormanlık bölgelerin etkisi, düşük çözünürlük vb. nedenlerden dolayı çok zordur. Su ve kara arasındaki bozuk kontrast ve benzerlik, kıyı çizgisinin mevcut diğer bileşenler arasından ayırt edilmesine engel olur. Landsat 7 ve Landsat 5 uydu görüntülerindeki yakın kızıl ötesi band, su sınırlarının, belirlenen gri değerden daha açık olan piksellerin beyaz, daha koyu olanların siyah olması şeklinde ikili veri setine dönüştürülmesi mantığına dayanan eşikleme tekniği ile ortaya çıkarılmasını mümkün kılar. Ancak özellikle pankromatik uydu görüntülerinde eşikleme tekniği tek başına yeterli değildir. Bu çalışmada proje ekibi tarafından geliştirilen COAST-FIT algoritması [1] kullanılarak kıyı alanları segmente edilerek ardından kıyı çizgileri elde edilmiştir. Geliştirilen algoritma hibrid tekniğe dayanır. Algoritmanın benzer algoritmalara karşı üstünlüğünü ortaya koyan ve en göze çarpan özelliği deniz ile kara arasında farkı daha kolay ayırt edebilme özelliğidir [1]. Algoritma çalışma yöntemi; Algoritma çalışmaya başlamak için kullanıcıdan bir piksel gri değeri alır. (Şekil 5.3) Bu gri değer ayırma işleminin yapacağı bölgenin seçilmesini sağlar. Eğer denizden bir piksel gösterilmiş ise deniz kıyıdan, kıyıdan bir piksel gösterilmiş ise kıyı denizden ayrılır. 59

Şekil 5.3 Algoritmanın başlangıcı Algoritma bu piksel seçilme işleminden sonra varsayılan olarak algoritmaya önceden tanımlanmış tamamı 150 gri değerine sahip ve çalışılacak görüntü ile tamamen aynı boyutlarda bir görüntü oluşturur. Burada 150 değeri bir anlam ifade etmemektedir. Sadece rastgele seçilmiş ortalama bir değerdir. 150 gri değeri işlem yapılmamış piksel anlamına gelmektedir. Bu görüntünün oluşturulmasındaki amaç yeni piksellerin bu dosya üzerine yazılmasıdır. Bu aşamadan sonra, seçilen kıyı pikselinin gri değeri orijinal görüntü ile karşılaştırılır. Seçilen pikselin gri değeri komşu sekiz piksel ile aynı gri değere sahipse, yeni dosyada aynı gri değer, değil ise mevcut değer kaydedilir. Seçilen pikselin gri değeri bu işlemden sonra varsayılan olarak belirlenen 150 gri değeri olarak değiştirilir, bu da bu gri değer için işlemin bittiği anlamına gelmektedir. (Şekil 5.4) Şekil 5.4 Gri değerlerin karşılaştırılması 60

Sonraki aşamada algoritma değişik bir yol izlemeye başlar. Bundan sonraki aşamada algoritma 0,0 görüntü koordinatından başlayarak çalışır ve deniz olarak tanımlanan gri düzeyini arar. Bulduğu ilk gri değeri işlem yapılacak gri değer olarak belirler. Bu pikselin de sekiz komşu pikseli daha önceki mantık ile kontrol edilir ve işleme soktuğu ilk bulunan deniz gri değerine sahip pikseli de işlenmiş gri değer olan 100 e (rastgele seçilen bir değer) atar. Böylece bütün pikseller işlem bitinceye kadar işlenmiş piksel gri değerini alır. Bu işlem bitinceye kadar algoritmanın yeni görüntüye pikselleri aynı gri düzeyde geçirmesi, okuyucuyu görüntüde bir değişiklik olmadığı kanısına vardırabilir. Ancak algoritma yukarıda da belirtildiği gibi sadece deniz olarak tanımlanmış gri düzeye sahip piksellerde işlem yapmaktadır. Bu pikseller bittiği zaman daha işlenmemiş olarak tanımlanmış gri düzeyli pikseller olmasına rağmen deniz olarak tanımlanmış pikseller bittiği için algoritma durur. Sonuçta üç gri değere sahip bir görüntü meydana gelmiş olur(şekil 5.5) Buradan sonra algoritma bu üç farklı gri düzeyi işlenmiş gri düzey ve diğerleri olarak iki düzeyli bir hale çevirebilir. Şekil 5.5 üç gri değerli görüntü Algoritma, bu özelliklerle sadece kıyı çizgileri düzenli ve girinti ve çıkıntının çok az olduğu görüntülerde istenilen sonuçları doğurabilmektedir. Algoritmanın asıl fark yaratan bölümü bundan sonra başlamaktadır. Gerçekte birçok kıyı heterojen özelliğe sahip olup koylar ve kara kısmındaki ormanlar özellikle tek bantlı görüntülerde yorumlamayı güçleştirmektedir. Öyle ki kimi durumlarda çıplak gözle uydu görüntüsüne bakıldığında ormanlar bile koy gibi algılanabilmektedir. Dolayısı ile kıyı çizgisinde olmaması gereken bir kesiklilik oluşmaktadır. Bundan dolayı algoritmanın 61

verimli çalışabilmesi için görüntünün bir başka deyişle kıyı çizgisinin durumuna göre algoritma yönlendirilmelidir. Bu aşamadan sonra 2x2, 3x3 ve 4x4 lük piksel grupları ile çalışılarak kıyı sınırları segmente edilir. 2x2, 3x3 ve 4x4 lük piksellerin seçilme sebebi bu şekilde gruplanmış piksellerin kare şeklini alması yani bir piksel gibi düşünülebilmesidir. Bu işleme başlamadan da tespit edilebilir. İşlem yapıldıktan sonra da. Örneğin ancak 3x3 piksellik bir gurubun kapatacağı yer yani 3x3 piksellik bir açıklık baştan tahmin edilerek 3x3 veya 4x4 piksellik grup seçilebilir, ya da 2x2 piksellik grup seçilerek yapıldıktan sonra kapanması gereken yerin kapanmadığı gözlenerek 3x3 piksellik grup denenebilir. Seçilmiş olan piksel gruplarının hepsinin çalışma şekilleri birbiri ile aynıdır. Örnek olarak 2x2 piksellik grup için çalışma ilkesi şöyledir: Öncekinden farklı olarak bu sefer seçilen pikselin yanındaki üç piksel de piksel gurubuna dâhil olarak dört piksellik bir çalışma başlangıcı hazırlar. Bu yine daha önce belirtildiği gibi başlangıç piksel grubu olur. Bundan sonra öncekinden farklı olarak 8 komşu piksel yerine bu dörtlü piksel grubunun yine dörtlü piksel komşulukları ile analiz yapılır. Şekil 5.6 Burada nasıl bir koşul olacağı tamamen kullanıcının isteğine ve görüntüye bağlıdır. Yani yukarıda da belirtildiği gibi buradaki durum kesin çizgilerle belirtilmemiştir. Görüntünün yapısına ve kullanıcının yapacağı kar zarar hesabına ( kaybolan piksel ve kıyı olmayan fakat kıyı olması istenilen bölge ) göre yapılır. Şekil 5.6 Dörtlü piksel komşulukları ile analiz 62

Temel olarak işlemler aynı şekilde devam eder. Tek fark piksellerin birer birer değil de başta seçilen piksel grubu büyüklüğüne göre dörder dörder, dokuzar dokuzar veya onaltışar onaltışar tarama yapmasıdır. Böylece algoritma bu piksel gruplarından daha küçük koylara girememiş olur ve bunları da düz bir kıyı olarak işaretlemiş olur. Yalnız bu işlemden sonra piksel büyüklüğüne göre kıyıda çözünürlük azalması olur. Algoritma çözünürlükteki azalmayı olması gereken hale getirmek için bir önceki piksel grubu seviyesi ile karşılaştırma yapar ve önceki piksel seviyesini temel alır. Böylece çözünürlük tekrar yükselmiş olur (Şekil 5.7). Şekil 5.7 Sonuç segmentasyon Sonuçlar: Şekil 5.7 de kullanılan algoritma ile orijinal görüntülerin segmentasyonu sonucu elde edilen görüntüler, Şekil 5.8 de ise bu görüntülerden vektörizasyon yoluyla elde edilmiş kıyı çizgileri gösterilmiştir. 63

Corona 1963 segmentasyon Landsat75 segmentasyon 1995 Hava Fotoğrafı segmentasyon Aster 2007 segmentasyon Şekil 5.8 COAST-FIT yazılımı ile görüntülerin segmentasyon sonuçları 64

Şekil 5.9 Segmente edilmiş görüntülerden elde edilen farklı yıllara ait kıyı çizgileri Şekil 5.10 1963-1975 yılları arasında liman bölgesi kıyı değişimi 65

Alaçatı kıyı bölgesinde 1963-2007 yılları arasında kıyı çizgisinde önemli bir doğal değişime rastlanmamıştır. Fakat yukarıdaki şekilde işaretlenen bölgede insan eliyle yapılan önemli değişiklikler sonucu kıyı çizgisi değişmiştir. Yazılımda elle yapılan ölçümlere göre; 1963-75 yılları arasında mendireklerin yapılmaya başlandığı ve 1995 yılında bu mendireklerin tamamlandığı görülmektedir.1963-1975 yılları arasında 4,5 hektar, 1963-1995 yılları arasında 7,7 hektar, 1963-2007 yılları arasında yapılan ölçümlere göre kıyı ortalama 8 hektar doldurulmuştur. 1963-1987 1963-1995 1963-2007 1963, 1975, 1995, 2007 Şekil 5.11 1973-1975-2007-2009 yılları arasında liman bölgesi kıyı değişimi 66

Sediment bölgesinde 1963 Corona (rektifikasyon sonuçlarına göre ölçü doğruluğu +/- 11.04m.) Aster 2007 (rektifikasyon sonuçlarına göre ölçü doğruluğu +/- 15,46m.) ve Landsat 1975 uydu görüntüsünden (rektifikasyon sonuçlarına göre ölçü doğruluğu +/- 41,17 m.) yapılan ölçüler 334, 333, 338 m. ölçülmüştür. Bu da söz konusu sediment alanında herhangi bir değişiklik olmadığını göstermektedir. Bu durum da [62] in tezini doğrulamaktadır. Bir başka deyişle buradaki sedimentasyonun masif tüfit kitlesinden oluştuğu görülmektedir. Şekil 5.12 Alaçatı Koyunda sediment bölgesindeki ölçüler: 1963, 1975, 2007 5.3 Görüntünün Sınıflandırılması Sınıflandırmanın yapılmasında ki temel amaç; yerleşim ve yeşil alan değişimini gözleyerek kıyıdaki değişimler ile arazi örtüsündeki değişimlerden faydalanarak meydana gelen farklılıkların belirlenmesidir. Uydu görüntülerinin içerdiği ham haldeki ve karmaşık verileri bilgiye dönüştürmek, arazi hakkında bilgi elde edebilmek ve tematik harita oluşturabilmek için kullanılan çeşitli analiz ve yorumlama yöntemlerinin en yaygını olan sınıflandırma, bir veri grubu içinde belirli bir sınıf oluşturan objelerin benzerliğinden yola çıkarak ve özelliklerine göre seçilerek gruplandırılması olarak tanımlanabilir. Başka bir deyişle, görüntü sınıflandırma, bir görüntü veri setinden anlamlı sayısal konu haritaları, tematik 67

haritaları üretme işlemidir. Çok bantlı görüntülerde piksellerin spektral değerleri temel alınarak sınıflandırma işlemi gerçekleştirilir [1]. Sunulan çalışmada obje temelli bulanık mantıkla sınıflandırma yöntemi uygulanmıştır. 5.3.1 Obje Temelli Bulanık Mantıkla Sınıflandırma Nesne-tabanlı yaklaşım, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki basamağında ele alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür segmentasyon ve topoloji oluşumu, çözünürlüğe ve çıkarılması düşünülen nesnelerin ölçeğine göre ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla kalmaz, ayrıca bir önceki segmentasyon basamağı sırasında homojen görüntü nesneleri de ortaya çıkar. Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne kategorilerinin katmanlarını ayırt etmeye de izin verir [5]. Bulanık sınıflandırma, karışık piksel problemini bulanık set fikrini çalıştırarak çözmeye çalışır. Burada verilen varlık (piksel ya da görüntü nesnesi) birden fazla kategoride kısmi üyeliğe sahip olabilir [28]. Yukarıda da belirtildiği gibi Landsat 75 ve Aster 2007 uydu görüntüleri obje temelli bulanık mantık yöntemi ile sınıflandırılmıştır. Öncelikle görüntüler segmente edilerek homojen segmenteler oluşturulmuştur. Landsat 1975 segmentasyon sonuçları Aster 2007 segmentasyon sonuçları Şekil 5.13 2007 Aster ve 1975 Landsat görüntülerinin segmentasyon sonuçları 68

Obje tabanlı sınıflandırmanın klasik sınıflandırma yöntemlerine göre en büyük avantajı oluşturulan segmentlerin objelere ilişkin morfolojiyi ortaya çıkartabiliyor olmasıdır. Bir başka deyişle ölçek faktörü ve diğer segmentasyon kriterleri etkileşimli olarak hedeflenen her bir sınıfa ait homojen piksel gruplarının obje morfolojisini doğru ortaya koyacak şekilde seçilmesi gerekir. Şekil 5.14 Landsat 1975 için segmentasyon parametreleri 69

Şekil 5.15 Aster 2007 için segmentasyon parametreleri Scale faktörünün Landsat 75 için 2, Aster 2007 için 6 seçilmesinin nedeni görüntünün semantik yapısına bağlıdır. Bir başka deyişle oluşacak segmentlerin sınıf geçişlerini ideal olarak tanımlayabilmesi için bu değer kullanılmıştır. Böylelikle görüntü alt piksellere bölünerek sınıflandırmanın başarısının artırılması hedeflenmiştir. Yine Color faktörünü ve Compatness faktörü için seçilen değerlerin gerekçesi aynıdır. Segmentasyon işlemi tamamlandıktan sonra referans görüntüye bakılarak benzer alanlar üzerindeki piksel değerlerinin hangi aralıkta değiştiği belirlenir. ecognition yazılımında özellikler bölümünde bulunun farklı fonksiyonlardan biri seçildikten sonra nesne özeliklerinden de birisi seçilerek, tespit edilen eşik değerleri girilir ve uygun olabilecek farklı fuzzy fonksiyonları denenir. Referans görüntüde bulunan aynı özellikteki sınıflar en doğru şekilde meydana çıkana kadar bu yöntem farklı eşik değerleri, farklı fonksiyonlar ve fuzzy değerleri ile kombine edilerek en doğru sınıflandırılma yakalanmaya çalışılır. Bu süreç oldukça uzun ve dikkat isteyen bir süreçtir. Çünkü bazı sınıfların eşik değerler 70

aralıkları birbirleriyle benzerlik gösterebilmektedir. Bu nedenle üyelik fonksiyonun doğru seçilmesi sınıflandırma açısından oldukça önemlidir. Obje temelli bulanık mantıkla sınıflandırmanın klasik sınıflandırmaya göre en belirgin avantajının bir sınıfa ait pikselin-ki obje temelli sınıflandırmada segmentin-birden farklı sınıflara farklı üyelik derecesi ile ait olabilmesidir. Bu durum klasik sınıflandırıcılardaki radikal (0 ya da 1) kararı yerine daha esnek sonuçların üretilmesine olanak sağlamaktadır. Ancak burada bulanık mantıkta kullanılacak üyelik fonksiyonun doğru seçilmesi sınıflandırmanın temelini oluşturmaktadır. Çizelge 5.4 ve 5.5 da sunulan çalışmada kullanılan üyelik fonksiyonları ve bu fonksiyonlar için öngörülen tanımlamalar verilmiştir. Çizelge 5.4 Landsat 1975 görüntüsü için kullanılan üyelik fonksiyonları Sınıf Adı Kullanılan Fonsiyon Eşik Değeri Fuzzy Üyelik Fonksiyonu Kara Mean Layer 2 25-55 Tarla Mean Layer 2 50-85 Yeşil alan Mean Layer 1 28-32 Su Ratio Layer 1 0.23-0.4 Sediment(Su1) Mean Layer 2 15-25 71

Çizelge 5.5 ASTER 2007 görüntüsü için kullanılan üyelik fonksiyonları Sınıf Adı Kullanılan Fonsiyon Eşik Değeri Fuzzy Üyelik Fonksiyonu Su Ratio Layer 3 0.14-0.18 Su1 Ratio Layer 3 0.18-0.21 Su2 Ratio Layer 3 0.1-0.14 Yerleşim merkezi Mean layer 1 198-255 Yol1 Compactness 4.5-7 Yol2 Density 0.6-0.82 Yol3 ([Mean Layer 2]+[Mean Layer 1])/[Density] 230-280 Yol4 Density 0.54-1 Tarla Mean layer 3 100-120 Yeşil Alan ([Mean Layer 1]-[Mean Layer 2])/([Mean Layer 1]+[Mean Layer 2]) 0.18-0.3 Kullanılan yazılımın daha doğrusu yazılımın öngördüğü temel felsefenin en önemli özelliği sınıflandırma sürecinde obje morfolojisinin belirlenmesine yönelik ek araçların kullanımına olanak sağlamasıdır. Örneğin Aster görüntüsünde yeşil alan için ([Mean Layer 1]-*Mean Layer 2+)/(*Mean Layer 1++*Mean Layer 2+) formülü geliştirilerek kullanılmıştır. Ya da benzer şekilde yol sınıfı için (*Mean Layer 2++*Mean Layer 72

1+)/*Density+ formülü geliştirilmiştir. Ancak sadece sunulan çalışma göz önünde bulundurulduğunda deneysel olarak üretilen matematiksel fonksiyonlar farklı zamanlara, farklı algılayıcılara ait görüntülerde denenmediği için elde edilen sonuçlar sunulan çalışmada kullanılan görüntüler için geçerlidir. Şekil 5.16 Landsat 1975 Sınıflandırma sonuçları Landsat 1975 uydu görüntüsün için belirlenen sınıflar görüntünün çözünürlüğünün çözünürlük düşük olması ve bu dönemde bölgenin doğal yapısını koruyor olmasından dolayı Aster 2007 uydu görüntüsü için belirlenen sınıflardan farklı seçilmiştir. Sınıflandırma sonuçlardan da anlaşıldığı üzere 1975 yılı ile 2007 yılı arasında bölgede insan kaynaklı birçok değişimin gerçekleştiği görülmektedir. 73

Şekil 5.17 Aster 2007 Sınıflandırma sonuçları Aster 2007 uydu görüntüsünün sınıflandırma sonuçları incelendiğinde çözünürlüğün yüksek olması sebebiyle daha fazla ayrıntı dolayısı ile de daha fazla sınıfa ulaşıldığı gözlemlenmektedir. 5.3.2 Sınıflandırmanın Doğruluğu Doğruluk analizi, referans pikseller aracılığıyla doğruluğu kesin veri üzerindeki sınıflandırma alanlarının sonuç görüntüdeki karşılıklarına göre hata matrisleri oluşturularak yapılmıştır. Bu matrisler olasılık tablosu olarak tanımlanır. 74

Şekil 5.18 1975 Lansat görüntüsünün sınıflandırma doğruluğu sonucu Landsat görüntüsünün sınıflandırma doğruluğu sonucu Şekil 5.19 dan da görüleceği üzere %89 olarak gerçekleşmiştir. Şekil 5.19 2007 Aster görüntüsünün sınıflandırma doğruluğu 75

2007 Aster görüntüsünün sınıflandırma doğruluğu ise %93 olarak gerçekleşmiştir, Sınıflandırma sonuçları dikkate alınarak yıllara göre arazi kullanım yüzdeleri ve değişimi Çizelge 5.6 de verilmiştir. Çizelge 5.6 Yıllara göre Arazi Kullanım Alanları (HA) landsat75 aster2007 yerleşim alanı 0 215 boş alan 1614 1297 yeşil alan 127 52 Su 735 681 Toplam Alan 2476 2245 0; 0% 127; 5% 735; 30% 1614; 65% yerleşim alanı boş alan yeşil alan Su Şekil 5.20 Landsat 1975 görüntüsü arazi kullanım yüzdeleri 76

52; 2% 681; 30% 215; 10% 1297; 58% yerleşim alanı boş alan yeşil alan su Şekil 5.21 Aster 2007 görüntüsü arazi kullanım yüzdeleri Elde edilen grafiklerden de görüldüğü gibi en büyük değişimler yerleşim alanında ve boş alanda meydana gelmiştir. Bunun en büyük sebebi ise geçen zaman zarfında bu bölgenin insanlar tarafından keşfedilip hızlı bir şekilde turizme açılmasıdır. Diğer bir farklılık ise yeşil alandadır. 1975 yılına ait uydu görüntüsünde bölge daha bozkırlık olarak görülmesine karşılık 2007 yılına ait görüntüde yeşil alan çok daha fazla göze çarpmaktadır. 2245; 48% 2476; 52% landsat75 aster2007 Şekil 5.22 Yıllara göre Arazi Kullanım Alanları (HA) Son grafik sonucuna göre ise arazi kullanımının zaman içerisinde arttığı tespit edilmiştir. 77