ÇOK BANDLI UYDU GÖRÜNTÜLER NDEN PARSEL BAZINDA CO RAF B LG S STEM ÖZELL KL ÜRÜN DESEN KATMANI OLU TURULAB L RL ÜZER NE B R ARA TIRMA

EGE ÜN VERS TES FEN B L MLER ENST TÜSÜ (YÜKSEK L SANS TEZ ) ÇOK BANDLI UYDU GÖRÜNTÜLER NDEN PARSEL BAZINDA CO RAF B LG S STEM ÖZELL KL ÜRÜN DESEN KATMANI OLU TURULAB L RL ÜZER NE B R ARA TIRMA Senem YILMAZ Tez Danı manı : Prof. Dr. Yusuf KURUCU Çevre Bilimleri Anabilim Dalı Bilim Dalı Kodu : 615.01.00 Sunu Tarihi : 14.09.2011 Bornova- ZM R 2011

ii

iii Senem YILMAZ tarafından yüksek lisans tezi olarak sunulan Çok Bantlı Uydu Görüntülerinden Parsel Bazında Coğrafi Bilgi Sistemi Özellikli Ürün Deseni Katmanı Oluşturulabilirliği Üzerine Bir Araştırma başlıklı bu çalışma E.Ü. Lisansüstü Eğitim ve Öğretim Yönetmeliği ile E.Ü. Fen Bilimleri Enstitüsü Eğitim ve Öğretim Yönergesi nin ilgili hükümleri uyarınca tarafımızdan değerlendirilerek savunmaya değer bulunmuş ve 14.09.2011 tarihinde yapılan tez savunma sınavında aday oybirliği ile başarılı bulunmuştur. Jüri Üyeleri: Đmza Jüri Başkanı Raportör Üye Üye : Prof. Dr. Yusuf KURUCU : Prof. Dr. Ümit ERDEM : Prof. Dr. Bahar TÜRKYILMAZ

iv

v ÖZET ÇOK BANTLI UYDU GÖRÜNTÜLERĐNDEN PARSEL BAZINDA COĞRAFĐ BĐLGĐ SĐSTEMĐ ÖZELLĐKLĐ ÜRÜN DESENĐ KATMANI OLUŞTURULABĐLĐRLĐĞĐ ÜZERĐNE BĐR ARAŞTIRMA YILMAZ, Senem Yüksek Lisans Tezi, Çevre Bilimleri Tez Danışmanı: Prof. Dr. Yusuf KURUCU Eylül 2011, 64 sayfa Bu çalışmada, tarım ürünlerinin Uzaktan Algılama verileri ve Coğrafi Bilgi Sistemi entegrasyonuyla doğru şekilde sınıflandırılması hedeflenmiştir. Araştırmada Matlab R2010a yazılımı ile bir arayüz oluşturulmuş ve Rapideye uydusunun verileri kullanılarak Foça dayetiştirilenpamuk, ayçiçeğive mısır ekili alanların parsel düzeyinde ürün deseni haritalanmasına çalışılmıştır. Araştırmada ekili alan hesabının yapılabilmesi için vektör formattaki parsel sınırları, ürün deseni çeşidinin belirlenmesi için ise Rapideye uydu görüntüsü piksel sayısal değerleri temel alınmıştır. Geliştirilen bu arayüz ile hem ekili alanların parsel düzeyinde ürün deseni haritalanmasına çalışılmış hem de ürün ekili alanlar hesaplanmıştır. Uydu görüntüsü geliştirilen arayüz ile sınıflandırılmış ve parsel bazında pamuk, mısır ve ayçiçeği bitkileri % 98 doğrulukla ayırt edilebilmiştir. Anahtar sözcükler: Rapideye, Parsel Bazlı Sınıflandırma, Ürün Deseni, Uzaktan Algılama, Coğrafi Bilgi Sistemi.

vi

vii ABSTRACT RESEARCH ON THE ABILITY TO FORM CROP PATTERN LAYER QUALIFIED PARCEL BASED GEOGRAPHICAL INFORMATION SYSTEM FROM SATELLITE IMAGES WITH MULTI BANDS YILMAZ, Senem MSc in Environmental Science Supervisor: Prof. Dr. Yusuf KURUCU September 2011, 64 pages This studyintroduces a methodologyfor integrating remote sensing and geographic information systems to accurately classify agricultural crops. The aim of the study was to determine spectral characteristics of the cotton, corn and the sunflower growing plots at Foça using Rapideye Satellite Imagery for field based agricultural crop mapping with the interfaces implemented for the imageprocessing using by MATLAB R2010a development tool. Determining the type of product design is based on the numerical values of the Rapideye satellite image pixels.detectingthe area of cultivated land, parcel boundaries in vector format are used. With this developed interface, field based agricultural crop mapping and crop planted area is studied. Satellite image was classified and these plants in the plots basis were distinguished by 98 percentage accuracy. Keywords: Rapideye, Parcel Based Classification, Crop Pattern, Remote Sensing, Geographic Information Systems.

viii

ix TEŞEKKÜR Teşekkürlerin en büyüğü bu çalışma süresince sabır ve özveri ile beni yönlendiren, Uzaktan Algılama ve Coğrafi Bilgi Sistemi EBĐLTEM Uydu Laboratuarının altyapı olanaklarını kullanmamı sağlayan, sınırsız bilgi birikimiyle öneriler sunan her zaman örnek aldığım, E.Ü.Z.F. Toprak Bölümü öğretim üyesi değerli hocam Prof. Dr. Yusuf KURUCU ya gitmelidir. Çalışmalarımda bana sonuna kadar güvenen, her zaman saygı duyduğum E.Ü. Çevre Sorunları Araştırma ve Uygulama Merkezi Müdürü ve E.Ü.Z.F. Peyzaj Mimarlığı Bölümüsayın hocam Prof. Dr. Ümit ERDEM e, tüm lisansüstü öğrencilerin ablası Dr. Nurdan ERDOĞAN a ve E.Ü. Çevre Sorunları Araştırma ve Uygulama Merkezine katkılarından dolayı teşekkürlerimi sunarım. Tez konum ile ilgili yapılan çalışmalar konusunda beni aydınlatarak, misafirperverliği ile bana büyük yardımda bulunan Hacettepe Üniversitesi Jeodezi ve Fotogrametri Mühendisliği Bölümü öğretim üyesi sayın hocam Doç. Dr. Mustafa TÜRKER e teşekkürü bir borç bilirim. Yüksek lisans tezimin araştırma ve hazırlama aşamaları süresince desteklerini esirgemeyen, bilgi ve deneyimlerinden yararlandığım Dr. M. Tolga ESETLĐLĐ ye, Dr. Fulsen ÖZEN e, Dr. Çiğdem COŞKUN HEPCAN a ve Ziraat Yük. Müh. Ece EROĞLU na, teşekkürlerimi sunarım. Araştırmalarımın her aşamasında maddi ve manevi olarak her zaman yanımda bulunan en kıymetlim, aileme ve desteğini esirgemeyen müstakbel hayat arkadaşım Tayfun TANYEL e sonsuz teşekkürlerimi bir borç bilirim. Ayrıca bende ve tezimde büyük emeği olan sayın Cihat ELDENĐZ e teşekkürlerimi sunarım.

x

xi ĐÇĐNDEKĐLER Sayfa ÖZET... v ABSTRACT... vii TEŞEKKÜR... ix ŞEKĐLLER DĐZĐNĐ... xvi ÇĐZELGELER DĐZĐNĐ... xx KISALTMALAR DĐZĐNĐ... xxii 1.GĐRĐŞ... 1 2.ÖNCEKĐ ÇALIŞMALAR... 3 3.UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM ALANLARI.. 6 3.1 Uzaktan Algılama Tekniği... 6 3.2 Cisimlerin Spektral Yansıtma Özellikleri... 7 3.2.1 Bitkilerin spektral yansıtma özellikleri... 8 3.2.2 Toprağın spektral yansıtma özellikleri... 8 3.2.3 Suyun spektralyansıtma özellikleri... 9 3.3 Uydu Görüntüleri... 10 3.4 Uydu Görüntülerinde Çözünürlük... 10 3.4.1 Radyometrik çözünürlük... 11

xii ĐÇĐNDEKĐLER (devam) Sayfa 3.4.2 Spektral çözünürlük... 12 3.4.3 Spatial çözünürlük... 13 3.4.4 Temporal çözünürlük... 14 3.5 Rapideye Uydusu Görüntüleme Sistemi... 16 3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma Yöntemleri... 19 3.6.1 Kontrolsüz sınıflandırma... 20 3.6.2 Kontrollü sınıflandırma... 21 3.6.3 Sınıflandırma sonuçlarının kontrolü... 22 4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI... 23 4.1 Coğrafi Bilgi Sistemi... 23 4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri... 23 4.2.1 Vektör (Çizgisel) veriler... 24 4.2.2 Raster veriler... 25 4.2.3 Metin (Text) veriler... 25 5. MATERYAL VE YÖNTEM... 26 5.1 Materyal... 26 5.1.1 Araştırma alanı ve coğrafi konum... 26

xiii ĐÇĐNDEKĐLER (devam) Sayfa 5.1.2 Yazılımlar ve diğer materyaller... 27 5.2 Yöntem... 27 5.2.1 Yardımcı veriler... 29 6. ARAŞTIRMA BULGULARI VE DEĞERLENDĐRME... 38 6.1 Araştırma Konusu Kültür Bitkilerinin Rapideye Uydu Görüntüsündeki Yansıma Değerleri... 38 6.2 Araştırma Alanında Ekili Alanların Parsel Bazında Sınıflandırılması... 44 7. SONUÇ VE ÖNERĐLER... 56 KAYNAKLAR DĐZĐNĐ... 59 ÖZGEÇMĐŞ... 64 EKLER... Ek 1 Araştırma Alanına Ait Adaların Parsel Bilgileri... Ek 1 (a) 1. Bölgedeki Parsel Bilgileri... Ek 1 (b) 2. Bölgedeki Parsel Bilgileri... Ek 1 (c) 3. Bölgedeki Parsel Bilgileri... Ek 1 (d) 4. Bölgedeki Parsel Bilgileri... Ek 1 (e) 5. Bölgedeki Parsel Bilgileri...

xiv ĐÇĐNDEKĐLER (devam) Sayfa Ek 1 (f) 6. Bölgedeki Parsel Bilgileri...

xv

xvi ŞEKĐLLER DĐZĐNĐ Şekil Sayfa 3.1. Uzaktan algılama tekniğinin 4 temel ilkesi... 6 3.2 Elektromanyetik spektrum... 7 3.3 Bitkiörtüsü, toprak ve suyun spektralyansıtım eğrileri... 9 3.4a 1 bitlik görüntü... 11 3.4b 2 bitlik görüntü... 11 3.4c 3 bitlik görüntü... 11 3.4d 4 bitlik görüntü... 11 3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri.. 12 3.6a 30 m piksellandsat5 görüntüsü... 13 3.6b 2.5 m piksel Quickbird görüntüsü... 13 3.7a Japonya da 11.03.2011 tarihinde yaşanan Tsunami felaketinden önce Rapideye uydusundan alınan görüntü... 14 3.7b Japonya da 11.03.2011 tarihinde yaşanan Tsunami felaketinden sonra Rapideye uydusundan alınan görüntü... 14 3.8 Dijital görüntü... 15 3.9 Aynı alana ait yapılan band birleştirmeleri... 16 4.1 Coğrafi veri türleri... 24 4.2 Coğrafi Bilgi Sistemlerinde vektör veri modelleri... 24

xvii ŞEKĐLLER DĐZĐNĐ (devam) Şekil Sayfa 4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri... 25 5.1 Araştırma alanının yeri... 27 5.2 Arayüz oluşturulurken gerek duyulan veriler... 29 5.3 Geomedia 4.0 programında oluşturulan parsellerin.dgn formatında kaydedilmesi... 30 5.4.dgn uzantılı görüntünün Magic View And Converter 5.2 programında.tif formatına çevrilmesi... 31 5.5 Araştırma alanına ait uydu görüntülerinin kesilmesi... 31 5.6 Parsellere ait ürün yansıma değerlerinin oluşturulması... 32 5.7 Homojen ürün dağılımı göstermeyen parsel... 33 5.8 Matlab yazılımında programlanan arayüz ekranının görüntüsü... 34 5.9 Tasarlanan arayüzde uydu görüntüdü ve parsel haritasının çağırılması 35 5.10 Araştırma alanına ait uydu görüntüsü ile parsel çizgilerinin hizzalanması...36 5.11 Araştırma alanına ait parsel bazında yapılan sınıflandırmanın ekran görüntüsü... 36 6.1 Araştırma alanında yer alan bütün ürünlerin bandlara göre yansıma değerleri... 41 6.2 Araştırma alanında yer alan 1. ürün mısır bitkisinin bandlara göre yansıma değerleri... 42

xviii ŞEKĐLLER DĐZĐNĐ (devam) Şekil Sayfa 6.3 Araştırma alanında yer alan 2. ürün mısır bitkisinin bandlara göre yansıma değerleri... 43 6.4 Araştırma alanında yer alan orta pamuk bitkisinin bandlara göre yansıma değerleri... 43 6.5 Araştırma alanında yer alan iyi pamuk bitkisinin bandlara göre yansıma değerleri... 43 6.6 Araştırma alanında yer alan ayçiçeği bitkisinin bandlara göre yansıma değerleri... 44 6.7 Birinci araştırma alanına ait sınıflandırma sonucu... 45 6.8 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller... 45 6.9 Đkinci araştırma alanına ait sınıflandırma sonucu... 47 6.10 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller.. 47 6.11 Üçüncü araştırma alanına ait sınıflandırma sonucu... 49 6.12 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller... 49 6.13 Dördüncü araştırma alanına ait sınıflandırma sonucu... 50 6.14 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller.. 51 6.15 Beşinci araştırma alanına ait sınıflandırma sonucu... 52 6.16 Çalışma alanına ait homojen dağılım göstermeyen parseller... 52

xix ŞEKĐLLER DĐZĐNĐ (devam) Şekil Sayfa 6.17 Altıncı araştırma alanına ait sınıflandırma sonucu... 54 6.18 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller 54

xx ÇĐZELGELER DĐZĐNĐ Çizelge Sayfa 3.1 Rapideye Uydusunun Teknik Özellikleri... 18 5.1 Lejantda yer alan ürünlere ait renk kodları... 34 6.1 Çalışma alanına ait bitkilerin 5. Banddaki yansıma değerleri... 39 6.2 Çalışma alanına ait bitkilerin 4. Banddaki yansıma değerleri... 40 6.3 Çalışma alanına ait bitkilerin 3. Banddaki yansıma değerleri... 40 6.4 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 46 6.5 Birinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı. 46 6.6 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 48 6.7 Đkinciçalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı. 48 6.8 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 50 6.9 Üçüncüçalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı. 50 6.10 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 51

xxi ÇĐZELGELER DĐZĐNĐ (Devam) Çizelge Sayfa 6.11 Dördüncüçalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı.. 51 6.12 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 53 6.13 Beşinciçalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı. 53 6.14 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan bilgileri 55 6.15 Altıncı çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı. 55

xxii

xxiii KISALTMALAR DĐZĐNĐ Kısaltmalar Açıklama CBS Coğrafi Bilgi Sistemi DGN Intergraph Graphics DWG Autocad Drawing File ETM+ The Enhanced Thematic Mapper Plus NIR Near Infra Red TIF Togged Image File Format TM Thematic Mapper TAKBĐS Tapu Kadastro Bilgi Sistemi UA Uzaktan Algılama

1 1. GĐRĐŞ Nüfusdaki artış, tarımsal üretime olan ilgiyi ve beraberinde tarım alanlarındaki ürünlerin en doğru şekilde nasıl haritalanabileceği sorusunu gündeme getirmiştir. Ürün deseni oluşturulması ekonomiye olan katkının saptanabilmesi açısından önemlidir. Bu amaç için var olan en etkili yöntem otomatik görüntü sınıflandırmasıdır. Sınıflandırma yöntemleri ile uydu görüntüsünü oluşturan verilerin bilgisayar ortamında sınıflandırılarak ekili tarım alanlarından tematik harita üretilebilmektedir. Ürün deseninin belirlenmesi için bilinen en temel sınıflandırma yöntemlerinden biri parsel bazlı sınıflandırma tekniğidir. Parsel bazlı sınıflandırma tekniğinin temeli, varolan tarım parsellerinin sınır bilgisinden yararlanılarak görüntünün homojen parsel bölgelerine ayrılmasıdır.buyöntemde her parselin içine düşen hücreler saydırılır ve her parsel için çoğunlukta olan hücre bilgisi ilgili parsele etiket bilgisi olarak atanır. Bu özelliğinden dolayı, parsel bazlı sınıflandırma yöntemi ile parsel içindeki çeşitlilik ve parsel sınırlarına düşen karışık hücre etkileri giderilmiş olur (De Wit and Clevers, 2004). Teknolojinin ilerlemesiyle güçlenen bilgisayar donanımları ve yazılımları görüntü ile ilgili yapılan çalışmaları kolaylaştırmış, bu konulara olan ilgiyi arttırmıştır. Görüntü işleme teknolojisi tıp, güvenlik, üretim, bilim alanlarında yenilikler ve kolaylıklar sağlamaktadır. Görüntü işleme uygulamalarını geliştirmek, eğitimini vermek klasik programlama dilleri ve teknikleri ile kolay olmamaktadır. Bu nedenle görüntü işleme algoritmalarına yönelik fonksiyon kütüphaneleri bu programlama dillerine eklenmiş, hazır araçlar geliştirilmiş, hatta bu işlemlere yönelik özel programlama dilleri, geliştirilmiştir. Bu araştırma ile uydu görüntüsünü oluşturan piksellerin her bant için yansıma değerlerinin sorgulandığı ve ürün deseni yansıma aralıklarının girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları içerisindeki ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik (attributes) bilgisi olarak veri tabanına girilmesini sağlayacak bir yöntemgeliştirilmiştir. Bu çalışmada, Matlab R2010a yazılımına bir arayüz eklenerek, çalışma

2 sonucunda görüntülerin çeşitli yöntemler ile sınıflandırılması ve parsel bilgilerine tekrar aktarılması işlemlerine gerek kalmadan raster özellikliveriler üzerinden doğrudan parsel düzeyinde ürün deseni haritalanmasına ve alanların belirlenmesine çalışılmıştır.

3 2. ÖNCEKĐ ÇALIŞMALAR Başbakanlık Güneydoğu Anadolu Projesi Bölge Kalkınma Đdaresi Başkanlığı (2003), tarafından Fırat Sulama Birliği sınırları içinde kalan bölgede yapılan çalışmadamart 2000 tarihli LANDSAT 7 ETM+ ve 16 Ağustos 2000 tarihli SPOT 4 uydu görüntüleri ile parsel-bazlı sınıflandırma tekniği kullanılmıştır.elde edilen ürün deseninin gerçekle ne kadar uyumlu olduğunu saptamakamacıyla ise doğruluk analizi yapılmış ve sınıflandırılmış görüntünün ortalama doğruluğu % 95.5 olarak bulunmuştur. Otomatik sınıflandırma sonucu elde edilen bilgiler ile Fırat Sulama Birliğiverilerinin köyler ve ürün türleri bazında karşılaştırılması neticesinde su parasıyüksek olan ürünler için eksik beyanda bulunulduğu ortaya çıkmıştır. Projede elde edilen sonuçlara bakıldığında, ürün deseninin çok zamanlı uydu görüntülerinin otomatik sınıflandırılma ile belirlenebilmesi sonucunda, bölgede sulama birliklerine verilen beyanlardan kaynaklanan kayıpların önlenebileceği ve sağlıklı ürün planlaması yapılabileceği görülmüştür. Sefer (2005),yaptığı bir araştırma ile Landsat 5 TM uydusunun sayısal verileri kullanılarak Yüreğir ovasında yetiştirilen 2003 yılı pamuk, soya fasulyesi ve mısır ekili parsellerin belirlenmesini amaçlamıştır. Bu amaçla, çalışma alanında bulunan pamuk, soya fasulyesi ve mısır bitkilerinin yansıtma verileri altı ayrımlı bandta saptanmış ve bu veriler ışığında söz konusu bitkilerin ekili olduğu alanların en iyi Landsat 5 TM uydusu 3., 5., ve 7. band kombinasyonu ile belirlenebileceği sonucuna varılmıştır. Uydu görüntüsü, kontrollü yöntemile sınıflandırılmış ve parsel bazında pamuk, soya fasulyesi ve mısır bitkileri % 96,3 doğrulukla ayırt edilebilmiştir. Türker ve Arıkan (2005), Mayıs, Haziran ve Ağustos Landsat 7 ETM+ görüntülerini kullanarak parsel bazında sınıflandırma yapmıştır. Mayıs ve Haziran aylarında alınan görüntülere Çok Zamanlı Maskeleme Tekniği uygulamıştır. Sonuçta Çok Zamanlı Maskeleme Tekniği kullanarak sınıflandırdığı görüntülerde, Ağustos ayında çekilen görüntünün verdiği doğruluk oranının %10 fazlası olan %81 doğruluk sonucunu elde etmiştir. Smith ve Fuller (2001), Parsel bazlı sınıflandırma tekniği ile Jersey de arazi haritalamasına çalışmışlardır. Parsel sınırları çizilmiş vektör haritaları

4 kullanarak raster görüntünün her bir parselini ayrı ayrı sınıflandırarak diğer bilinen sınıflandırma yöntemlerine göre daha yüksek oran vererek % 85 ile %95 arası doğruluk sonucu elde etmiştir. Aplin ve ark. (1999), yüksek çözünürlüklü uydu görüntülerini kullanarak parsel bazında ürün deseni oluşturmak için bazı yöntemler geliştirmişlerdir. Bu tekniklerden en iyi sonuç veren tekniğin ürün bazında filtreleme tekniği (per-field texture filtered classification) olduğunu belirtmişlerdir. Bauer ve Steinnocher (2001), Avusturalya nın Vienna kentinde IKONOS uydu görüntülerini kullanarak parsel bazında kentsel arazi kullanım haritası üretmişlerdir. De Wit ve Clevers (2004), Parsel bazlı sınıflandırma tekniği ile spektral değişkenliğin ve parsel sınırları içinde karışık piksellerin yolaçtığı saptırmanın engellendiğini vurgulamışlardır. Türker ve Özdarıcı (2005),farklı mekansal çözünürlükteki görüntüleri karşılaştırarak parsel bazında sınıflandırma yapmışlardır. Sınıflandırmada Karacabey bölgesine ait Spot 4, Spot 5, IKONOS ve Quickbird uydu görüntülerini kullanmışlardır. 4 m çözünürlüğe sahip IKONOS uydu görüntüsü %88.6 ile en yüksek doğruluk oranını vermiştir. Özdarıcı (2005),Eşzamanlıçekilen Karacabey yakınlarında yer alan yaklaşık 95 km 2 lik bir tarımalanının renkli SPOT 4, SPOT 5, IKONOS, QuickBird uydu görüntüleri ile birleştirilmiş QuickBird görüntüsünün parsel tabanlısınıflandırma yöntemi ile sınıflandırarakçözünürlüğün tarımsal ürünler için parseltabanlı sınıflandırma yöntemi üzerindeki etkisini değerlendirmiştir. SPOT4 ve SPOT 5 renkli görüntülerinin poligon sonrası sınıflandırma sonuçları 76,1% ve 81,4% doğruluk üretirken, IKONOS renkli görüntüsü 88,6% doğruluk payı ile en yüksek sonucu sağladığını belirlemişlerdir. Diğer taraftan, QuickBird renkli ve birleştirilmiş QuickBird görüntüsü 83,7% and 85,8%doğruluk sağladığı sonucuna varmışlardır. Poligon öncesi sınıflandırma için SPOT 4 ve SPOT 5 görüntülerinin sonuçları 65,2% ve 69,8% olarak hesaplanmıştır. Poligonsonrası sınıflandırmada olduğu gibi, SPOT5 görüntüsü SPOT 4 ten daha iyi sonuçlar sergilerken IKONOS görüntüsü 81,8% ile en

5 yüksek doğruluğu elde etmişlerdir. QuickBird renkli ve QuickBird birleştirilmiş görüntülerinin doğruluk oranları 78,6% ve 82,1% olarak bulunmuştur. Şencan (2004), Karacabey (Bursa) yakınlarındaki tarımsal alanlarda Ağustos ayına aittarım ürünlerini sınıflandırmak için karar ağacı sınıflandırma tekniğiile beraber çok zamanlı uydu görüntülerini kullanmıştır. Analizler için Mayıs, Temmuz ve Ağustos 2000 de elde edilen Landsat 7 ETM+ görüntülerinden yararlanarak orijinal bantlara ek olarak NDVI, PCA ve Tasselled Cap Transformation bantları oluşturmuş ve sınıflandırma işlemine dahil etmiştir. Karar ağacı sınıflandırma yaklaşımı ile beraber çok zamanlı maskeleme tekniği kullanılarak görüntüler piksel bazlı olarak sınıflandırmıştır. Mayıs ve Temmuz aylarında karar ağacı yöntemi ile 91.10% ve 66.15%, en büyük olasılık sınıflandırma yöntemi ile ise 84.38% ve 63.55% doğruluk değerleri elde etmiştir. Bununla beraber, Ağustos ayında en büyük olasılık (70.82%) ve karar ağacı sınıflandırma (69.14%) yöntemleriiçin yaklaşık olarak aynı toplam doğruluk sonuçları elde etmiştir. Ek olarak kullanılan bantların karar ağacı sınıflandırma yönteminde şeker pancarı, domates, bezelye, biber ve pirinç sınıflarının görüntü üzerinden ayrılabilirliğini arttırdığı gözlenmiştir. Türker (2003), Vektör Parsel Sınırları ile Çakıştırılmış Landsat 7 ETM+ (Ağustos 2002) Uydu Görüntüsü nün 4,5,3 Band Kombinasyonunu kullanarak Karacabey de yaptığı sınıflandırmada %80 doğruluk sonucu elde etmiştir. Dean ve Smith (2003), Đngiltere, Cambridgeshire da parsel bazında sınıflandırma tekniği ile piksel bazında sınıflandırma tekniğini kıyaslamak amacıyla yaptıkları çalışmada, seçilen araştırma alanıüzerindeki ürün deseni homojen olmadığı için parsel bazlı sınıflandırmanın piksel bazlı sınıflandırmaya göre daha doğru sonuçlar verdiğini belirlemişlerdir.

6 3. UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM ALANLARI 3.1 Uzaktan Algılama Tekniği Uzaktan algılama yer yüzeyindeki bir cisimle temas etmeksizin o cismin fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanır (Örüklü, 1988). Uzaktan algılama teknolojileri, cisimlerin yüzeyinden yansıyan veya salınan enerjinin atmosferde ya da uzayda konumlandırılmış platformlara yerleştirilen algılayıcılar ile algılanıp kaydedilerek, elde edilen verilerin bilgisayar ortamında işlenerek analiz edilmesi temeline dayanır. Uzaktan algılama tekniğinde öncelikli olarak elektromanyetik enerji yayan doğal (güneş) ya da yapay (uydu) bir kaynak gerekir. Doğal enerji kaynağı kullanılarak yapılan algılama pasif uzaktan algılama, yapay enerji kaynağı kullanılarak yapılan algılama aktif uzaktan algılama tekniği olarak adlandırılır. Uzaktan algılama tekniğinin uygulanması dört temel ilkeye dayanmaktadır (Şekil 3.1). Bunlar; radyasyon ya da elektromanyetik enerji, atmosferik geçiş koridoru, hedef -yeryüzü objeleri ve yansıyan ya da yayılan elektromanyetik enerjinin algılandığı algılama düzenekleri ile onları taşıyan platformlardır. Şekil 3.1 Uzaktan algılama tekniğinin 4 temel ilkesi (Amerikan Ulusal Hava ve Uzay Dairesi, 2010) Algılama düzenekleri, elektromanyetik tayfın değişik dilimlerinde (0.3-15 µm), cisimlerin özelliklerine göre yansıyan enerjiyi ayrımlı dalga boylarında kayıt ederek çalışırlar. Alıcılar, elektromanyetik spektrumun görünebilir (0.4-

7 0.5 µmmavi, 0.5-0.6 µmyeşil, 0.6-0.7 µmkırmızı) ve kızıl ötesi (0.7-1.35 µm yakın kızıl ötesi; 1.35-3.00 µmortakızıl ötesi; 3-15 µmuzak kızıl ötesi veya termal) bölgelerindeki enerjiyi algılamaktadırlar (Şekil 3.2). Đnsan gözü ancak 0.4 0.7 µmdalga boyundaki elektromanyetik enerjiyi algılayabilmekte, bunun dışındaki dalga boylarındaki verileri algılayamamaktadır( Esetlili, 2001). Şekil 3.2 Elektromanyetik Spektrum (University of Virginia, 2011) 3.2 Cisimlerin Spektral Yansıtma Özellikleri Bir cisme ulaşan ışınım yansıtılır, yutulur ve geçirilir. Enerjinin kaybolmayacağı, ancak şekil değiştireceği göz önüne alınarak cisme gelen toplam enerji, cisim yüzeyi tarafından yansıtılan, cisim tarafından geçirilen ve yutulan enerjilerin toplamına eşittir (Ekercin, 2007; Paine ve Kiser, 2003). Cisimlerin spektral özelliklerinin farklı olması, uzaktan algılamada ifade edilebilmelerinin temel nedeni olarak kendisini göstermiştir. Cisimlerin yansıtmadaki farklı davranışları spektral yansıtma eğrileri ile gösterilir. Her spektral bant elektromanyetik spektrumun bir bölümündeduyarlıdır. Spektral yansıtma özellikleri belirli spektral bölgelerde açık bir şekilde farklılık gösteren cisimler bu bölgelere duyarlı uzaktan algılama görüntülerinde farklı gri renk tonu ve renklerde gözükürler. Bu bakımdan cisimlere ait spektral yansıtma özelliklerinin bilinmesi, spektral bant seçiminde önemli rol oynar.

8 3.2.1 Bitkilerin Spektral Yansıtma Özellikleri Bitkiler elektromanyetik spektrumun değişik dalga boylarını kullanmaktadır. Uydu görüntülerinde, görünebilir (visible) bölge dışında kalan spektral alanda bitkiler, mavi (0.4 0.5 µm) ve kırmızı (0.5 0.6 µm) dalga boyunda yer alan enerjiyi bünyelerinde fotosentez için absorbe ederken yeşil (0.6 0.7 µm) ve yakın kızılötesi (0.7 0.9µm) dalga boyunu hemen hemen hiç kullanmadan yansıtırlar. Đnsan gözü, yansıyan enerjinin sadece yeşil dalga boyundaki bölümünü algılayabildiğinden bitki örtüsü bize yeşil olarak görünmektedir (Kurucu,Y. ve ark.,2003). 3.2.2 Toprağın Spektral Yansıtma Özellikleri Zeminlerin spektral özelliği, yansımanın artan dalga uzunluğu ile artması şeklinde ortaya çıkmaktadır. Zemine ulaşan bir ışınım ya yutulur ya da yansıtılır. Ayrıca zeminlerin fiziksel ve kimyasal özelliklerinin farklı olmasından dolayı, yutma ve yansıtma özellikleri de farklıdır. Zeminlerin yansıtmaözellikleri zeminin su muhtevası, zeminin organik madde muhtevası, zeminin doku ve yüzey pürüzlülüğü, zemini oluşturan minerallerin miktarı gibi faktörlere bağlıdır. Bir zemindeki su muhtevası, yansıtma özelliğini olumsuz olarak etkiler. Elektromanyetik spektrumun görünür, yakın ve orta kızılötesi (ısıl ve yansıtıcı) bölgelerinde çok nemli toprak, buharlaşmayla soğuyacağından koyu renk tonunda görünürken, kuru toprak açık tonlu görünür. Spektrumun görünür bölgesinde koyu, ısıl bölgesinde ise açık tonlu görünen bir toprak alanı yüksek oranda organik madde içeren çok kuru bir toprağı belirtir. Toprağın dokusunda, tanecik boyutunun küçük olması yansıtımı artırır. Ayrıca yüzey pürüzlülüğünün azalması, yansımanın artmasına etki eden önemli bir etkendir (Ekercin, 2007).

9 3.2.3 Suyun Spektral Yansıtma Özellikleri Suyun spektral duyarlılığı gelen ışınımın dalga boyuna bağlıdır. Su ışınımı yansıtır, soğurur, kırarak geçirir veya saçar. Işınım su yüzeyinden, su içindeki askıdaki maddelerden ve su tabanından yansıyabilir. Işınımın soğurulması ve geçirilmesi, su içindeki organik ve inorganik maddelere bağlıdır. Saçılma ise mavi dalga boylarında olduğu için derin ve temiz suların rengi mavidir. Berrak bir suyun geçirim özellikleri saf suyun geçirim özelliğine benzemesine rağmen, bulanıklık derecesinin artması suyun geçirgenliğini azaltır. Bulanık su içerisinde askıda bulunan maddeler suyun spektral özelliğini etkilemektedir. Bulanık su, berrak sudan daha yüksek bir yansıtma özelliği gösterir. Bütün su kitleleri çok sığ olsalar da yakın ve orta kızılötesi dalga boylarında gelen ışınımın hemen hemen tümünü soğurur, çok azını yansıtır. Bu durum, görüntülerde çevrelerine göre çok koyu renk tonlarında beliren su alanlarının karalardan kolaylıkla ayırt edilebilmesini mümkün kılar (Ekercin, 2007). Şekil 3.3 Bitki örtüsü, toprak ve suyun spektral yansıtım eğrileri (Akça ve Doğan, 2002) Uzaktan algılama tekniği; jeoloji (maden arama), meteoroloji, tarım (arazi kullanımı-toprak haritalama), hidroloji (sulama-baraj etudleri), ormancılık (kaynakların haritalanması, yangın hasar tespiti), haritacılık (sayısal arazi modellerinin hazırlanması), şehircilik (otoyol-demiryolu-boru hattı),

10 çevre (kirlilik haritaları), ve askeri amaçlı çalışmaları süre ve maliyet açısından en aza indirgemektedir. 3.3 Uydu Görüntüleri Görüntü bir cismin sayısal gösterimidir. Görüntü verileri sadece sayılardan oluşup, her sayı bir veri dosya değerini içerir. Veri dosya değerleri genellikle piksel olarak adlandırılır. Piksel terimi görüntüdeki en küçük elemana karşılık gelir ve genellikle kare biçimindedir. Piksele atanan veri değeri belirli konumdaki yeryüzü bölgesinden yansıtılan yada yayılan elektromanyetik enerjinin kaydıdır. Bir pikselin bir dosyada veya görüntüdeki konumu bir koordinat sistemi ile gösterilir. Đki boyutlu koordinat sistemlerinde satır ve sütundan oluşan bir grid sistemi ile ifade edilir. Griddeki her bir konum iki koordinat değerivardır (X,Y). X koordinatı gridin sütun sayısını, Y de satır sayısını gösterir(örmeci vd., 1992). Sayısal uydu görüntüleri raster verilerdir ve bunlar sayısız küçük ünitelerden veya piksellerden oluşurlar. Pankromatik (tek bantlı) raster verileri tek renkli olduklarından renk parlaklık seviyelerine göre gri renk tonlarını veya siyah beyaz sınır arası renkleri verirler. Multispektral (çok bantlı) verilerde ise üç değişik spektral banda karşılık gelen her bir pikselde kırmızı, yeşil ve mavi renklerin kombinasyonlarısöz konusudur ve bunlar renkli fotoğraflara benzerler (Kurucu Y. ve ark., 2003). 3.4 Uydu Görüntülerinde Çözünürlük Uydu görüntüleri terminolojisinde, spektral çözünürlük, spatial çözünürlük, radyometrik çözünürlük ve temporal çözünürlük önemli kavramlardır. Çözünürlük, görüntünün kaç piksele bölündüğünü, yani kaç pikselle temsil edildiğini gösterir. Çözünürlük ne kadar yüksekse, görüntü o kadar yüksek frekansta örneklenmiş olur ve görüntüdeki ayrıntılar o kadar belirginleşir. Geniş bir terim olan çözünürlük, görüntü aracında görüntülenen piksel sayısı veya görüntü dosyasındaki pikselin temsil ettiği yeryüzü alanı olaraktanımlanabilir. Ancak bu geniş tanım uzaktan algılanmış veri tasvirinde

11 yetersiz kalmaktadır (ERDAS 1995). Çözünürlük, detayların ayırt edilebilme gücünü belirtir. 3.4.1 Radyometrik Çözünürlük Radyometrik çözünürlük, görüntünün içerdiği bilginin ifadesidir ve değeri bit adı verilen veri birimidir. Radyometrik çözünürlük arttıkça sayısal değer aralığı dolayısıyla görüntülenen renk sayısı artar.8 bit veride her pikselin sayısal değeri 0 dan 255 e kadar uzanırken 7-bit veride her pikselin sayısal değerisadece 0 dan 127 ye kadardır. Yani 8-bit veride kaydedilen enerji 256 8 7 ( 2 ) parlaklık değerine, 7-bitveri de ise 128 ( 2 ) parlaklık değerine ayrılır. (a) (b) (c) (d) Şekil 3.4 (a) 1 bitlik görüntü;(b) 2 bitlik görüntü;(c) 3 bitlik görüntü;(d) 4 bitlik görüntü (Amerikan Ulusal Hava ve Uzay Dairesi, 2010)

12 3.4.2 Spektral Çözünürlük Spektral çözünürlük, bir algılayıcının elektromanyetik spektrumda kaydedebildiği belirli dalga boyu aralığı sayısıdır. Aralık daraldıkça ve kaydedilebildikçe spektralçözünürlük artar ve aralık genişledikçe kaba spektral çözünürlükten bahsedilir. Yeryüzünden yansıyan enerji, algılama düzeneklerinin yetenekleriyle sınırlı olarak algılanabilirler. Yansıyan enerji, kamera düzenekleri içindeki filtreler veya merceklerle ayrı ayrı kaydedilir ve her bir dalga boyu aralığı band olarak isimlendirilir. Bir görüntüde bant sayısı ne kadar fazlaysa elde edilen bilginin miktarı da o oranda artar. Đnsan gözünün görebildiği dalga boyu aralığı 0.4-0.7 µm dir ve bu da 3 bölgeye ayrılır. Mavi, yeşil ve kırmızı rengi veren dalga boyları ayrı ayrıalgılanır ve depolanır. Bu bölgenin üzerinde Infrared (IR) bulunur. Đnsan gözü bunları göremez. Bitkiler IR yi yüksek düzeyde yansıtırlar. Mavi ve sarı rengi veren dalga boyundaki enerjiyi fotosentezde kullanırlar. Ancak yeşil ışığı yansıttıkları için insan gözü bitkileri yeşil olarak görür (Kurucu Y. ve ark., 2003). Şekil 3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri (Pamukkale Üniversitesi, 2010) Grafikte 1. bantta toprak bitkiden yüksek spektral yansıma değerine sahip iken, 4. bantta bitkinin toprağa göre daha fazla yansıması söz konusudur.

13 3.4.3 Spatial Çözünürlük Spatial çözünürlük, algılayıcı tarafından algılanan bir pikselin yeryüzünde temsil ettiği alanın, bir başka deyişle ayırt edilebilen en küçük objenin boyutudur. Uydu görüntülerinde çözünürlük yükseldikçe görüntülenen bant veya tarama genişliği daralmakta ve daha küçük alan görüntülenebilmektedir. Görüntünün çözünürlüğü alınan görüntü çerçevesini küçültür ve buna bağlı olarak alan çalışmaları maliyeti artar. Büyük alan çalışmalarında ayrıntı gerekmiyorsa yüksek çözünürlüğe gerek duyulmaz.bir kamera düzeneğinin yeryüzünde gözetleyebildiği en küçük alan (piksel), spatial çözünürlüğü belirler ve bu alanı da görüntü sütunu ile görüntü satırı çevreler. Çözünürlüğün yüksek olması, aynı görüntü çerçevesi içerisinde daha çok piksel ve daha çok veri anlamına gelir (Kurucu,Y. ve ark., 2003). (a) (b) Şekil 3.6 (a) 30m piksel, LANDSAT 5uydu görüntüsü, (b) 2,5 m piksel, Quickbird uydu görüntüsü (Ören, A., 2009).

14 3.4.4 Temporal Çözünürlük Temporal çözünürlük, bir uydunun yeryüzündeki aynı noktayı algılayabilme sıklığıdır. Bir bölgedeki spektral karakteristikler zamanla değişebilir ve çok-zamanlı görüntü setleri kullanılarak değişim analizi yapılabilir. Doğa olaylarının ve tarımsal işlevlerin sürekli izlenmesigerektiği konumlarda oldukça önemlidir. (a) (b) Şekil3.7 Japonya da 11.03.2011 tarihinde yaşanan Tsunami felaketinden önce (a) ve sonra (b) Rapideye uydusundan alınan görüntüler (http://www.rapideye.de/home/news/news-extrapage.html) Görüntüler, uydu sinyaller ile yer istasyonlarına iletilir. Uzaktan Algılama görüntüleri dijital formlarda kayıt edilir ve bilgisayarlar tarafından görüntüye dönüştürülmek üzere işlenir. Bir uzaktan algılama sisteminde algılayıcı enerjiyi (ışığı) algılar, ölçer ve miktarını bilgisayarın okuyabileceği bir sayıya çevirir. Yörüngedeki uzay aracı bu kodları sinyaller ile yeryüzündeki uydu yer istasyonuna gönderir. Bu sinyaller alınarak sayı dizilerine çevrilir, sıra ve sütunlarbir grideğerine denk gelen sayı ile ifade edilir ve bir sayısal görüntü oluştururlar.

15 Şekil 3.8 Dijital Görüntü (Đstanbul Teknik ÜniversitesiUydu Haberleşmesi ve Uzaktan Algılama Merkezi, 2010) Görüntüler uydu sinyalleri ile yer istasyonlarına ve oralarda da radyometrik ve geometrik düzeltmeleri yapılarak manyetik bandlara kayıt edilir. Uzaktan algılama tekniğiyle elde edilen görüntüler veri dönüşümünü sağlayan donanım ve yazılımlar kullanılarakyeryüzü ögeleri veri bankalarında depolanırlar ve kullanım ve planlama amacıyla insanoğlunun yararına sunulurken, çevresel ögeler de birbirleriyle birleştirilir, grafike edilir ve zamansaldeğişimlerisomutolarak ortaya konulur. Sayısal uydu verileri, yeryüzü kaynaklarının araştırılmasında bir araç olarak kullanılmakta ve geniş alanların sınıflandırılması ve haritalanmasında yoğun olarak kullanıldığı gibi, yeraltı doğal kaynaklarında nitel ve nicel olarak ortaya çıkarılmasında da işlevini göstermektedir. Kameralar tarafından algılanan filtreler aracılığı ile dalga boylarına bağlı olarak ayrı bantlar şeklinde kaydedilirler. Ham görüntü şeklinde kaydedilen görüntüler kullanıcıya bağlı formatlarda pazarlanmaktadır. Bir bant tek başına siyah beyazdır. Ancak diğer bantlar ile birleştirilirse renkli şekil alır. Bant birleştirmeleri (composite) çalışma konusuna bağlı olarak belirli bir sıra izleyerek yapılır.şekil 3.9 da Menemen e ait uydu görüntüsünde yapılan band birleştirmesi gösterilmiştir.

16 1. Şekil 3.9 Aynı alana ait yapılan band birleştirmeleri, Đzmir Çiğli (Orijinal, 2011) 3.5 Rapideye Uydusu Görüntüleme Sistemi Bu araştırmada Rapideye uydu görüntüsü kullanılmıştır. Rapideye uydusu ve görüntü özellikleri ile ilgili bilgiler aşağıda verilmektedir. Rapideye, MacDonald Dewittwiller & Associates (MDA) tarafından Alman firması Rapideye AG. için tasarlanan ticari amaçlı bir uydudur (MacDonald Dettwiler). Rapideye uydusunun dünya yörüngesinde beş gözlem uydusu bulunmaktadır. Bu uydular takım halinde çalışmaktadırlar. Bu takım sistemi, günde 4 Milyon 2 km gibi olağanüstü bir miktarda görüntü tarayarak toplamakta ve aynı noktayı günaşırı yeniden görüntüleyebilmektedir. Uydu üzerinde bulunan Red-Edge Bandı, ticari olarak ilk kez bir uydu üzerinde bulunan bir bant aralığıdır. Bu bant aralığı, klorofil içeriğiiçindeki değişimlere karşı hassastır. Yapılan çalışmalar bu bandın vejetasyon sağlığının izlenmesi, biokütle içindeki protein ve nitrojen içeriğinin ölçülmesi ve ürün ayırımının daha rahat yapılabilmesine olanak sağlamaktadır. Rapideye uydusu Basic ürün, Geometrik düzeltmeli ürün ve Ortorektifiye edilmiş ürün olmak üzere 3 seviyede ürün vermektedir. Bu ürünlerin teknik özellikleri aşağıda verilmektedir.

17 Level 1B -Rapid Eye Basic Ürün Radyometrik ve sensör düzeltmeleri veriye uygulanmıştır. Geometrik düzeltme uygulanmamıştır. Veri, NITF 2.0 formatında ve meta dosyaları ile birlikte verilmektedir. Verilerin yersel örnekleme mesafesi ise (GSD) 6.5 metredir. Level 2A - Rapid Eye Geometrik düzeltmeli Ürün Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır. Fakat pozisyonal doğruluk için yer kontrol noktası kullanılmamıştır. Görüntüler kuzeye dönüşümlü (North-oriented) olarak gelmektedir. Veri, Geotif formatında, meta dosyaları ile birlikte ve piksel boyutu 5m. olarak gelmektedir. Radyometrik çözünürlük ise 16 bit olarak gelmektedir. Verinin geometrik düzeltmesi sırasında hassas olmayan (coarse) bir sayısal yükseklik modeli(1km. aralıklı) ile uydu pozisyon bilgileri kullanılarak yapılmıştır. Level 3A - Rapid Eye Ortorektifiye Edilmiş Ürün Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır. Veriler yer kontrol noktaları ve DTED Level 1 SRTM veya daha iyi bir sayısal yükseklik modeli ile ortorektifiye edilmiştir. Verilerin 12.7m. CE90'da doğruluk özelliği vardır. Bu veriler için elde edilen iyi doğruluk 1:25000 NMAS standartlarını karşılamaktadır. Veri, Geotif formatında, meta dosyaları ile birlikte vepikselboyutu 5m. olarak gelmektedir. Radyometrik çözünürlüğü 16bit olarak gelmektedir(http://nik.com.tr). Rapideye uydusunun teknik özelliklerine ilişkin bilgiler Çizelge 3.1 de gösterilmektedir.

18 Çizelge3.1 Rapideye Uydusunun Teknik Özellikleri (http://www.mdacorporation.com/corporate/news/pr/backgrounder/rapideye.pdf) Fırlatma Tarihi 2007 Uydu Ömrü 7 yıl Uydu Sayısı 5 Yörünge Yüksekliği Yörünge Eğimi Ekvator Geçiş Zamanı Yersel Çözünürlüğü Piksel Boyutu Radyometrik Çözünürlük Şerit Çekim Genişliği Uydu üzerindeki veri saklama kapasitesi Yeniden geçiş zamanı Spektralband sayısı Spektral Bandlar 620 km Yaklaşık 97.8 derece, güneş eş zamanlı 11:00 am 6.5 m 5 m 8 Bit 78 km. Her yörünge geçişi için 1500km'lik veri toplama kapasitesi 1 gün 5 (440 850 nm) Blue 440 510 Green 520 590 Red 630 685 Red Edge 690 730 NIR 760-850

19 Görüntü Çekme Kapasitesi 4 Milyon 2 km Veri Depolama Kapasitesi On line archive Near -line archive 150 Tbytes 150 Tbytes Off -line vault Dinamik Aralığı Ağırlık Boyutları 12 Bit Her biri 150 kg 875 nm x 780 nm x 1080 nm Rapideye uydusunun kullanım alanları, -Tarım - Ormancılık - Enerji ve Altyapı - Mekansal Çözümler -Çevre - Güvenlik ve Acil Hizmetler - Danışmanlık ve Uyarlanmış Çözümler olarak sıralanabilir. 3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma Yöntemleri Görüntülerden objelerin tanımlanması ve haritalanması için kullanılan diğer yöntemise sınıflandırma işlemidir. Sınıflandırma işlemi obje tabanlıve piksel tabanlı olmak üzere temelde iki farklı yöntem kullanılarak yapılmaktadır. Obje tabanlı sınıflandırmada, çalışmanın ölçeğine bağlı olarak büyüklükleri ve geometrik şekilleri seçilen objelere benzer piksel kümelerinin geometrik yapıları ve piksel sayısal verileri dikkate alınarak yazılım tarafından

20 sınıflandırılması ve poligonlar içerisine alması (segmentasyon) işlemine dayanır. Daha sonra segmentler kullanıcı tarafından yeniden sınıflandırılırlar. Piksel bazlı sınıflandırma ise, piksellerin yansıma değerleri dikkate alınarak gruplandırılmaları işlemidir. Sınıflandırma işleminde sınıf adetlerini kullanıcı belirler, ancak sınıfların içerdikleri piksellerin yansıma aralıklarını bilgisayar veya kullanıcı belirleyebilmektedir. Bu işleve bağlı olarak sınıflandırma, kontrollü(supervised) ya da kontrolsüz(unsupervised) olmak üzere iki şekilde uygulanmaktadır(kurucu, Y., 2010). Sınıflandırma işleminde, edilmek istenen bilgiye göre yapılmış spektral sınıflar, bir görüntüdekitanımlanmış özelliklerle ilişkilendirilebilir (kontrollü sınıflandırma) ya da statiksel olarak belirlenebilir (kontrolsüz sınıflandırma) (Lillesand ve diğ., 2004). Sınıflandırma işleminin gerçekleştirilmesi aşamasında, kullanılacak dalga boyunun, yeterli doğruluk ve sayıda kontrol alanlarının, sınıflandırma algoritmasının belirlenmesi ve doğruluk analizlerinin yapılması, yapılacak çalışmanın doğruluğu açısından son derece önemlidir. Uzaktan algılama çalışmalarında, En Çok Benzerlik, Euklid Uzaklığı ve Mahalanobis Uzaklığı gibi sınıflandırma algoritmalarının yanında Yapay Sinir Ağları, Bulanık Mantık, Fuzzy C-Means, Neuro-Fuzzy gibi farklı sınıflandırma teknikleri de kullanılmaktadır (Ekercin, S., 2007; Laba et all., 2002; Metternicht, 1999;Okeke ve Karnieli, 2006; Zhang ve Kirby, 1997; Zhang ve Foody, 2001). Aşağıda, bu çalışmada kullanılan kontrollü ve kontrolsüz sınıflandırma teknikleri açıklanmaktadır. 3.6.1. Kontrolsüz Sınıflandırma Kontrolsüz sınıflandırmada, kullanıcının veya araştırmacının sınırlı olarak yönlendirmesi ve belirli benzerlik uzaklıkları dikkate alınarak sadece bilgisayar tarafından spektral gruplar oluşturulur. Bu tip sınıflandırma, ilgili alan veya çalışma alanı hakkında daha önceden bilinen herhangi bir bilgi yoksa kullanılır. Kullanıcının bilgisi sadece bilgisayar tarafından oluşturulan grupların isimlendirilmesinde kullanılır (Esetlili, 2001). Görüntü dijital değerlerinde var olan doğal gruplaşmalara veya kümelere dayalı olarak bu elemanları sınıflandıran algoritmalar kullanılır. Doğal gruplaşmaların

21 sınıflandırılması söz konusu oluğu için kontrolsüz sınıflandırma sonucu oluşan sınıflar, işlemden önce tanımlanmamış spektral sınıflardır. Oluşturulan sınıflar sınıflandırma işleminden sonra, hava fotoğrafları, yüksek çözünürlüklü uydu görüntüleri, topoğrafik ve jeolojik haritalar gibi ek bilgilerle tanımlanır. Kontrolsüz sınıflandırmada küme merkezleri geçici olarak hesaplanarak, piksellerin dâhil olacağı sınıflar belirlenir ve bu işlem, küme merkezlerinin konumlarında değişim olmayana kadar devam eder. Sınıflandırma işleminde spektral uzunluğun belirlenmesinde, Euklid ve Mahalanobis gibi uzaklıklar kullanılır (Erdas Field Guide,1991). Sıralı kümeleme (Sequential Clustering), statiksel kümeleme (Statistical Clustering), tekrarlı ardışık kümeleme (ISODATA Clustering-Iterative Self Organising Data Analysis Techniques) ve RGB kümeleme (RGB Clustering) gibi farklı kontrolsüz sınıflandırma türleri vardır. Bunlardan ISODATA algoritması uygulamada, iyi sonuç vermesi nedeniyle yaygın olarak kullanılmaktadır (Ekercin, S., 2007;Armenakis et all., 2003; Musaoğlu ve diğ., 2005; O Hara et all., 2003; Xiao etall., 2002). 3.6.2. Kontrollü Sınıflandırma Kontrollü sınıflandırmada, sınıflandırmayı yapan kişinin çalışma alanı hakkında daha önceden bilgi sahibi olması gereklidir. Kontrollü sınıflandırma iki asamaya ayrılır: Bunlar, çalışma aşaması ve karar verme aşamasıdır. Çalışma aşamasında, sınıflandırmayı yapan kişi bilgisayara piksellerin sınırlarını, hangi sınıfta kabul edileceği ve piksellerin alt ve üst sayısal aralıklarını tanıtır. Daha sonra yazılımda işlem başlatılarak, görüntüyü oluşturan piksellerin hangi sınıf içerisine yerleştirileceği uygulanan sınıflandırma yöntemine göre karar verilerek gruplandırılır. Karar verme aşamasında bilgisayar hangi eğitim sınıfındaki piksellerin benzer olduklarını her bir pikseli inceleyerek saptar. Bundan sonra görüntüdeki bütün pikselleri sınıflara atama işlemini gerçekleştirir. Bütün veriler sınıflandırıldıktan sonra sonuçlar çıktı aşamasında farklı sunulur. Çıktı ürünleri genellikle tematik haritalar, çeşitli arazi örtü sınıfları için tüm görüntüye veya belirlenmiş alt görüntüye ait olan istatiksel tablolar veya coğrafi bilgi sistemlerine dâhil edilecek nitelikteki veri dosyaları olarak oluşturulabilir (Kaya, 1999). Uzaktan algılama ile ilgili yazılımlarda yaygın olarak kullanılan kontrollü sınıflandırma

22 yöntemlerinden kimileri Parallelepiped veya Box sınıflandırma, Minumum Distance sınıflandırma, Maximum Likelihood sınıflandırma ve Mahalanobis Distance dırlar (Esetlili, 2001; Shrestha, 1998). 3.6.3 Sınıflandırma Sonuçlarının Kontrolü Sınıflandırılmış uydu görüntülerinin doğruluklarının belirlenmesi amacıyla iki farklı yöntem yaygın olarak kullanılmaktadır: Chi-Kare (X²) testi ile hatalı sınıflandırılan piksellerin belirlenmesi Hata matrisi ve Kappa katsayısı ile doğruluk analizi. (Đstatiksel analiz amacıyla kullanılan Kappa katsayısı, hata matrisininsatır-sütun toplamları ve köşegeni üzerindeki elemanlar kullanılarak elde edilir, 0 ile 1 arasındadır (Ekercin, S., 2007).

23 4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI 4.1 Coğrafi Bilgi Sistemi CBS alanında ilk adımlar, 1963 yılında Kanada da ülke arazilerinin büyüklüklerini ve kullanım türlerini tespit amaçlı yapılan envanter çalışmalarından oluşan coğrafi bilgi sistemleri projesi ile atılmıştır. Günümüzde ise 40 yıllık bir bilgi birikimi ve uydu teknolojilerinin desteği ile coğrafi bilgi sistemleriartık gündelik hayata bile girmiş durumdadır (Greene, 2001). Bir çok kaynakta coğrafi bilgi sistemi, grafiksel bilgilerin saklandığı bir veri tabanı şeklinde tanımlanır.ancak bu tanım Coğrafi bilgi sistemini tam anlamıyla ifade etmez. Daha geniş kapsamda, Coğrafi bilgi sistemi (CBS), konuma dayalı gözlemlerle elde edilen grafik ve grafik olmayan büyük hacimli coğrafi bilgilerin toplanması, saklanması, işlenmesi ve kullanıcıya sunulması işlevlerini bir bütünlük içerisinde gerçekleştiren donanım, yazılım ve yöntemler sistemidir. Coğrafi bilgi sistemi kavramlarının temellerini oluşturan bilgi, bilişim kurallardan yararlanarak kişinin veriye yönelttiği anlam olarak tanımlanır. Bilgiler çeşitlerine göre değerlendirilirler. Bir gözlem veya işlem sonucunda ortaya çıkan verilerin, birbirleriyle ilişkilendirilmesi ile elde edilen sonuçlara bilgiadı verilir.veri, bilgiyi oluşturan temel öğedir.sistem; ortak bir amaç için etkileşimli faaliyetlerin ve varlıkların oluşturduğu bir gruptur. Bilgiye sahip olmak kadar, bilginin aktif kullanılması ve güncel tutulması da önemlidir. Bu amaçla tüm bilgilerin bir sistem kapsamında toplanması ve işlenmesi gerekir. Mevcut bilgilerin veri tabanı ortamlarında bir araya getirilip saklanması, analiz edilmesi ve kullanıcı ihtiyacına göre sunulması bilgi sistemi olarak adlandırılır (Yomralıoğlu ve ark., 2002). 4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri Coğrafik veriler yapılarına, içerdikleri verinin çeşidine bağlı olarak grafik ya da grafik olmayan veriler olmak üzere iki grupta incelenirler. Grafik bilgiler; verinin yeri, şekli ve sınırları gibi verileri içermektedir. Bulundukları

24 yerlerin koordinat bilgileri, çizgi ya da poligonu oluşturan noktalar ile belirtilir. Böylece ölçek ve alan bilgilerinin de sunulması olanağı vardır. Örneğin kadastral bilgilerde parsel sınırları, yol ya da varsa su yolları birer grafik veridir. Şekil 4.1 Coğrafiveri türleri ( Maden Tetkik ve Arama Genel Müdürlüğü, http://www.mta.gov.tr/v2.0/birimler/rsc_web/index.php?id=ua) Coğrafi bilgi sisteminde veriler vektör, raster ve text veri olmak üzere üç temel şekilde analiz edilir. 4.2.1. Vektör (çizgisel) veriler Coğrafi bilgi sistemi içerisinde en çok kullanılan veridir.alana ait, nokta (kuyu,elektrik direği,vb.), çizgi özellikli veriler (yol,ırmak,vb.) ile poligon özellikli (parsel,göl,vb.) tüm bilgiler çizgisel veri sınıfında yer alırlar. Nokta. Çizgi Poligon Şekil 4.2. Coğrafi Bilgi Sistemlerinde vektör veri modelleri(orijinal, 2011)

25 4.2.2.Raster veriler Raster görüntü, birbirine komşu grid yapıdaki aynı boyutlu hücrelerin bir araya gelmesiyle oluşur. Hücrelerin her birine piksel adı verilir. Taranmış haritalar, hava fotoğrafları ve uydu görüntüleri raster veriye birer örnektir. Şekil 4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri(orijinal, 2011) 4.2.3. Metin (Text) veriler Özellikle çizgisel verilerin öz nitelik bilgilerini, karakter yada nümerik olarak tanımlamalarını içerir. Grafik olmayan bilgiler; grafik bilgilere ilişkilendirilmesi gereken metin özellikli öznitelik tanımlamaları grafik olmayan bilgileri oluşturur.genelde grafik bilgileri tamamlar ve veri analiz ve sorgulamaları çalışmalarında kullanılırlar ve coğrafik veri ile ilişkilendirilmelerine bağlı olarak sorgulama, ya da veri analizi sonucunda grafik veriye ulaşılmasını sağlar. Örneğin kadastral bilgilerde parselasyon haritasının içerisindekiparsel numaraları, mülkiyet bilgileri ya da alan bilgileri grafik olmayan verileri oluşturur (Kurucu Y. ve ark., 2003).

26 5. MATERYAL VE YÖNTEM 5.1 Materyal Çalışma Đzmir ili Foça ilçesinde pamuk, mısır ve ayçiçeği ekim alanlarının yoğun olarak bulunduğu Gerenköy ve Bağarası köylerine ait arazilerin yer aldığı1347450 m 2 lik alanda yürütülmüştür. Çalışmanın başlıca araştırma materyali Foça bölgesine ait Rapideye uydu görüntüsüdür. Foça nın araştırma alanıolarak seçilmesinde alandaki ürün çeşitliliği, daha önce alan ile ilgili yapılmış çalışmalara erişim kolaylığıetkili olmuştur. Araştırma bilgisayar ortamında sayısal veriler değerlendirilerek yürütülmüştür. CBS (Coğrafi Bilgi Sistemi) ve Uzaktan Algılama yazılımları, uydu görüntüleri, alana ve yönteme ilişkin bilimsel araştırmalar ve Matlab R2010a yazılımı araştırmanın yardımcı materyalleri olarak kullanılmıştır. 5.1.1 Araştırma alanı ve coğrafi konum Foça, Ege Bölgesinde, 26 0 45 doğu boylamları ile 38 0 40 kuzey enlemleri arasında yer alan Đzmir iline bağlı bir ilçedir. Đzmir Körfezinin doğu ve kuzey kanadını teşkil eden Foça, körfezin batı kanadında yer alan Karaburun ile karşı karşıyadır. Güney, batı, kuzey tarafları Ege denizi ile çevrili bir yarımada üzerinde olan Foça nın güneydoğusunda Menemen, kuzey doğusunda Aliağa ilçeleri vardır. Yüzölçümü 228 kilometrekare olan ilçe yazları sıcak ve kurak, kışları ise ılık ve yağışlı olan Akdeniz iklim tipine sahiptir (http://www.foca.bel.tr).

27 Şekil 5.1 Araştırma alanının yeri (http://www.uyduharita.org/content/ege-haritasi-158/) 5.1.2 Yazılımlar ve diğer materyaller Araştırmada Eylül 2010 tarihli Rapideye uydusu tarafından kaydedilen uydu görüntülerikullanıldı. Elde edilen verilerin bilgisayar ortamına aktarılması için Geomedia Professional 4.0 ve Geomatica V9.1.8 yazılımları; uydu görüntülerinin kesilmesi için Image Analyst kullanıldı. dgn uzantılı dosyaların tiff formatına çevrilmesi için Magic Viewer and Converter 5.2 programından yararlanılmıştır. Araştırma kapsamında kontrol sistemlerinden haberleşmeye, istatistikten finansal analizlere kadar bir çok uygulama alanına yönelik hazır algoritma ve fonksiyona sahip olan MATLAB R2010a yazılımının görüntü işlemeye yönelik fonksiyonları ve gereçleri kullanılmıştır. 5.2 Yöntem Bu araştırmanın ilk aşamasındauydu görüntüsünü oluşturan piksellerin her bant için piksel sayısaldeğerlerinin sorgulandığı ve ürün deseni yansıma aralıklarının girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları içerisindeki ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik (attributes) bilgisi olarak veri tabanına girilmesini sağlayacak bir arayüz geliştirilmiştir. Bu ara yüz MATLAB ortamının grafiksel ara yüz geliştirme aracı GUIDE (Graphical User Interface Design) kullanılarak tasarlanmıştır.