İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ UZAKTAN ALGILAMADA BENZER SPEKTRAL ÖZELLİKLERE

İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ UZAKTAN ALGILAMADA BENZER SPEKTRAL ÖZELLİKLERE SAHİP DOĞAL NESNELERİN AYIRT EDİLMESİNE YÖNELİK BİR METODOLOJİ GELİŞTİRME İsmail ÇÖLKESEN 5002602 Doktora Tez Önerisi Anabilim Dalı: Geomatik Mühendisliği Tez Danışmanı : Prof. Dr. Tahsin YOMRALIOĞLU Tez İzleme Jürileri: Prof. Dr. Taşkın KAVZOĞLU Doç. Dr. Arif Çağdaş AYDINOĞLU Kasım 202

İÇİNDEKİLER GİRİŞ 2 PROBLEM TANIMI 2 3 ÇALIŞMANIN AMACI 4 4 LİTERATÜR TARAMASI 5 5 METEDOLOJİ 6 5.. Ön hazırlık çalışmaları.. 8 5.2. Saha çalışmaları, mevcut veri/bilgi analizi... 8 5.3. Uzaktan algılanmış görüntülerin temini. 9 5.4. Uydu görüntülerinin ön işlemesi 0 5.5. Görüntü sınıflandırma yöntemleri 0 5.5.. En çok benzerlik (EÇB) yöntemi... 5.5.2. Destek vektör makineleri (DVM) yöntemi 5.5.3. Yapay sinir ağları (YSA) yöntemi.. 2 5.5.4. Karar ağaçları (KA) yöntemi.. 3 5.6. Sınıflandırma Sonuçlarının Analizi 4 6 ZAMAN ÇİZELGESİ 8 KAYNAKLAR 9 İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 2

GİRİŞ Yeryüzü ile ilgili yapılan çalışmaların başarısı kullanılacak bilginin doğruluğu ve güvenirliği ile yakından ilişkilidir. Bununla birlikte söz konusu bilgilerin hızlı ve ekonomik bir şekilde elde edilebilmesi önemli bir ihtiyaçtır. Bu noktada uzaktan algılama teknolojileri sahip olduğu önemli avantajlar ile yeryüzünde meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal kaynaklara ilişkin envanterlerin oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için önemli bir veri kaynağı konumundadır. Cisimlerle direkt temas etmeden fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanan uzaktan algılama tekniği ile yeryüzünün farklı konumsal, spektral, radyometrik ve zamansal çözünürlüklerde görüntülenmesi ve izlenmesi mümkün olabilmektedir. Sahip olduğu bu önemli özellikler, uzaktan algılama teknolojilerini yeryüzünde meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal kaynaklara ilişkin envanterlerin oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için önemli bir araç durumuna getirmiştir. Uzaktan algılama sistemleri kullanıcılara strateji belirleme ve zamanında karar verme olanakları da sağlamaktadır. Uydu görüntüleri farklı amaçlarla kullanılabilmekte ve aynı bölgede farklı ölçeklerde çalışmaların aynı zamanda yapılabilmesine mümkün olmaktadır. Yeryüzünün düzenli olarak izlenmesi, kontrolü ve ulaşımı zor coğrafi bölgelerde çalışabilme imkânı uzaktan algılama teknolojisinin diğer önemli avantajları olarak sıralanabilir. Son zamanlarda objelerin ayırt edilebilirliklerini arttırarak daha iyi sonuçlar elde etmek amacıyla hiperspektral olarak adlandırılan onlarca banta sahip yeni algılayıcı sistemler geliştirilmiştir. Objelerin spektral karakteristikleri hiperspektral uydu görüntüleri ile daha detaylı şekilde belirlenebilmektedir. Hiperspektral görüntüler yardımıyla madencilik, jeoloji, ormancılık, ziraat ve çevre yönetimi ile ilgili birçok uygulamada doğruluğu yüksek sonuçlar elde etmek mümkün olabilmektedir. Toprak ve kayaç türlerinin tespiti ve ayırt edilmesi, orman türlerinin belirlenmesi, tarım ürünlerinin gelişimlerinin izlenmesi, maden kaynaklarının belirlenmesi gibi birçok uygulamada hiperspektral görüntüler başarıyla kullanılmaktadır. Uzaktan algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi de uydu görüntüleri yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının üretilmesidir. Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin korunması açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi için en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma işleminin esası; görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden belirlenen arazi örtüsü sınıflarıyla karşılaştırılarak benzer olduğu bir sınıfa atanması olarak ifade edilebilir. Uzaktan algılamada uydu görüntülerinin sınıflandırılmasında kontrollü ve kontrolsüz sınıflandırma olarak bilinen iki yaklaşım vardır. Kontrolsüz sınıflandırma genellikle arazi hakkında herhangi bir ön bilgiye sahip olunmadığında veya arazi hakkında bir ön bilgi elde etmek için İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 3

kullanılan bir yaklaşımdır. Bu yöntemde görüntü piksellerinin sahip olduğu spektral özellikler kullanılarak benzer özelliklere sahip pikselle bir araya toplanarak sınıflar oluşturulur. Kontrollü sınıflandırmada ise, sınıflandırma öncesinde tüm görüntüyü temsil eden ve sınıfları belli olan piksellerden sınıflara ait spektral özelliklerin çıkarımı ve bu bilgiler ışığında tüm görüntünün sınıflandırılması söz konusudur. Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir. Bu yöntemlerden başlıcaları en çok benzerlik, paralel kenar, en yakın komşuluk, bulanık mantık algoritmaları, yapay sinir ağları, destek vektör makineleri, karar ağaçları olarak sıralanabilir. 2 PROBLEM TANIMI Yeryüzü üzerindeki objelerin uzaktan algılama teknolojileri ile ayırt edilebilmelerinin en önemli nedeni, söz konusu objelerin farklı spektral özelliklere sahip olmasıdır. Uzaktan algılama sistemleri, seçilen dalga boyu bantlarında yer yüzeyindeki cisimlerden yansıyan ve yayılan enerji miktarlarını kayıt etmektedir. Daha sonra elde edilen bu veriler yeryüzü üzerindeki objelerin yorumlanması ve analizi için kullanılmaktadır. Uzaktan algılanan verilerin bilgisayar ortamında analiz edilebilmesi için objelerin spektral özelliklerinin bilinmesi gerekmektedir. Bu nedenle çalışma sahasında yer alan bitki örtülerinin, toprağın, suyun ve ilgilenilen diğer yer yüzeyi objelerinin spektral özelliklerinin tespiti, uzaktan algılanan verilerin uygun bir şekilde analizi ve yorumlanması açısından son derece önemlidir. Uzaktan algılanmış görüntüler üzerinden yeryüzündeki objelerin ayırt edilmesinde yaşanan en büyük problem benzer spektral özelliklere sahip objelerin ayırt edilmesinde yaşanmaktadır. Şekil de benzer spektral özelliklere sahip fındık, geniş yapraklı orman, iğne yapraklı orman ve bozkır alanları için 2005 tarihli Quickbird görüntüsü üzerinden belirlenen test alanlarının spektral özellikleri görülmektedir. Şekilden de görüleceği üzere özellikle görünür bölgeyi temsil eden., 2. ve 3. bantlar kullanılarak söz konusu bitki türlerinin Quickbird görüntüsü ile ayırt edilmesi güçleşmektedir. Bu nedenle, özellikle görünür ve kızıl ötesi bölgede benzer spektral özellikler sergileyen bitki türlerinin ayırt edilmesinde arazide gerçekleştirilecek spektral ölçümler büyük önem arz etmektedir. Farklı obje türleri için spektral kütüphanelerin oluşturulmasında spektroradyometre cihazları kullanılmaktadır. Spektroradyometrik yöntemler, herhangi bir objeden yansıyan enerjinin reflektans, radyans ya da irradyans değerlerinin ölçümüne dayanmaktadır. Burada radyasyon kaynağı olarak güneş ya da yapay ışık kaynakları kullanılabilmektedir. Spektroradyometrik yöntemlerin esası, objelerin elektromanyetik bölgelerde kendine özgü yansıma (reflectance/radiance) değerlerinin bulunmasına dayanmaktadır. Bu yansıma değeri objeye renk, doku ve parlaklık gibi özellikleri veren kimyasal yapısından kaynaklanmaktadır. Spektral ölçümler sonucunda elde edilen bilgiler bir obje türünün spektrumun hangi dalga boyu aralığında diğer obje türlerinden farklı davranış gösterdiğinin belirlenmesinde önemli rol oynamaktadır. Spektral ölçümler sonucu farklı bitki türleri için spektral kütüphaneler oluşturulmakta ve uydu görüntüleri üzerindeki karışık piksellerin ayırt edilmesi gibi problemlerin İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 4

çözümünde başarıyla kullanılmaktadır. Bu bağlamda farklı obje türleri için spektral kütüphanelerin oluşturulması uydu görüntüsünün sınıflandırılmasında ve doğruluğu yüksek tematik harita üretiminde önemli bir altlık niteliğindedir. Şekil. Benzer spektral özelliklere sahip bitki türlerinin Quickbird görüntüsündeki yansıma değerleri. Bununla birlikte benzer spektral özelliklere sahip objelerin ayırt edilmesinde ve karışık piksel probleminin çözümünde hiperspektral algılayıcıların kullanılması büyük avantajlar sağlamaktadır. Hiperspektral algılayıcılar elektromanyetik spektrumun görünür bölgesinden kızılötesi bölgeye kadar olan kısmında çok küçük dalga boyu aralıklarında yüzlerce spektral bantta veri toplayabilmektedir. Hiperspektral görüntülerde söz konusu yüksek spektral çözünürlük sayesinde yeryüzü objeleri arasındaki spektral benzerlikler, değişimler ve farklılıklar standart görüntü algılayıcılarına oranla daha yüksek bir başarımla tespit edilebilmektedir. Arazide gerçekleştirilen spektral ölçümler ve oluşturulan spektral kütüphaneler ile ilişkilendirilen hiperspektral görüntülerin sınıflandırılması sonucunda ise yüksek doğruluğa sahip farklı bitki türlerine ait tematik haritalar üretilebilmektedir. Hiperspektral görüntüler yüksek sayıda spektral banttan oluşmaktadır. Bu durum neticesinde fazlalık ya da yüksek kolerasyona sahip bantlar dikkate alınmakta ve sınıflandırma doğruluğu düşebilmektedir. Bununla birlikte yüksek boyutlu verilerle yapılan sınıflandırma işleminde boyutun artmasına paralel olarak belirli bir noktadan sonra sınıflandırma doğruluğunun düştüğü bilinmektedir. Yüksek boyutlu verilerde ortaya çıkan bu durum Hughes fenomeni veya boyutsallık (curse of dimensionality) problemi ile açıklanmaktadır (Hughes,968; Mianji and Zhang, 20). Bu nedenle İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 5

hiperspektral verilerin değerlendirilmesi aşamasında hem işlem yükünün azaltılması hem de boyutsalllık probleminin önüne geçilerek sınıflandırma doğruluğunun arttırılması amacıyla boyut indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral görüntülerde boyut azaltılması ya da indirgemesi (feature selection) bant seçimi veya özellik çıkarımı olarak bilinen yaklaşımlarla gerçekleştirilmektedir (Serpico et al., 2003; Pal and Foody 200). Uydu görüntüleri üzerinden yeryüzü ile ilgili yararlı bilgilerin elde edilmesi en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Uydu görüntülerinin sınıflandırılması sonucunda yeryüzünün çeşitli özelliklerini gösteren tematik haritalar üretilmektedir. Söz konusu haritaların doğruluğu ve güvenirliği birçok çalışma için kritik bir öneme sahiptir. Sınıflandırma sonuçlarını ve dolayısıyla üretilen tematik harita doğruluğunu etkileyen faktörlerin başında sınıflandırmada kullanılacak yöntem ve veri gelmektedir. Günümüze kadar uydu görüntülerinin sınıflandırılması ve tematik harita üretiminde birçok yöntem kullanılmış ve çeşitli derecelerde başarılar elde edilmiştir. Söz konusu yöntemlerden istatistiksel tabanlı algoritmalar (en çok benzerlik, paralel kenar vb.) belirli istatistiksel kabullere dayalı işlem yapmakta dolayısıyla spektral ayrımın zor olduğu karışık pikselleri içeren görüntülerin sınıflandırılmasında ve sınırlı sayıda eğitim alanının belirlenemediği problemlerin çözümünde düşük doğrulukta sonuçlar üretmektedir. Bu zayıflıkları ortadan kaldırmak amacıyla son dönemde daha güçlü sınıflandırma yaklaşımları (yapay sinir ağları, karar ağaçları, destek vektör makineleri vb.) ile uydu görüntülerinin sınıflandırılması konusunda yoğun çalışmalar yürütülmektedir. 3 ÇALIŞMANIN AMACI Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Bu amaç doğrultusunda arazide gerçekleştirilecek spektroradyometre ölçümleri ile benzer spektral özelliklere sahip bitki örtüsü türleri için spektral kütüphane oluşturulması öngörülmektedir. Spektral ölçümler sonucu elde edilen spektral kütüphane yardımıyla bitki türlerinin ayırt edilebildiği en uygun spektral dalga boyu aralıkları tespit edilerek analiz edilecektir. Bu bağlamda, oluşturulan bu spektral kütüphane multispektral ve hiperspektral uydu görüntüleri ile ilişkilendirilerek farklı bitki türlerinin yüksek doğrulukta sınıflandırıldığı tematik haritalar üretilecektir. Sınıflandırma ve tematik harita üretimine esas veri seti olarak multispektral klasik Landsat uydu görüntülerinin yanında 8 spektral banda sahip yüksek konumsal çözünürlüklü tek uydu olan WorldView-2 uydu görüntüsü kullanılacaktır. Hiperspektral uydu görüntüsü olarak 220 spektral banda sahip EO- Hyperion ve 63 spektral banda sahip CHRIS Proba görüntüleri kullanılacaktır. Hiperspektral görüntüler için boyut indirgeme işlemini gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 6

algoritmaları kullanılacaktır. Multispektral ve hiperspektral uydu görüntülerinin sınıflandırılması amacıyla son yıllarda birçok sınıflandırma probleminin çözümünde başarıyla kullanılan yapay sinir ağları, destek vektör makineleri ve karar ağaçları yöntemleri kullanılacaktır. Sınıflandırma sonucu elde edilen haritaların doğruluk analizleri için hata matrislerinden elde edilecek standart doğruluk ölçütlerinin yanı sıra Z-test ve McNemar s gibi istatistiksel testler kullanılarak doğruluk değişimlerindeki anlamlılık düzeyleri analiz edilecektir. 4 LİTERATÜR TARAMASI Uzaktan algılama verileri ile ormancılık, tarım, jeoloji, doğal kaynak, arazi örtüsü tespiti, arazi yönetim planları için altlık oluşturulmaktadır (Liu et al., 2006; Rokade et al., 2007; Hu et al., 200; Kunwar et al., 200, Royer et al., 20). Kent gelişimi, kaçak yapı tespiti, orman ve doğal yapıların uğradığı zararların tespiti, afet bilgi sistemleri, kent bilgi sistemleri vb. birçok uygulama sahalarında uzaktan algılanmış görüntüler bölgeye ait bir veri tabanı oluşturulmasında kullanılabilmektedir (Silvestri and Omri, 2008; Tang et al., 2009; Jha et al., 2009; Du et al., 2009; Zhang et al., 200). Uzaktan algılama teknolojileri sahip olduğu önemli avantajlarla yeryüzünün görüntülenmesi ve yeryüzüne ait önemli bilgilerin elde edilmesi noktasında önemli bir kaynak durumundadır. Uzaktan algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi uydu görüntüleri yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının üretilmesidir. Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin korunması açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi için en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma işleminin esası görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden belirlenen arazi örtüsü sınıflarından benzer olduğu bir sınıfa atanması olarak ifade edilebilir (Lillesand et al., 2008). Uzaktan algılanmış görüntülerinin sınıflandırılması ile yeryüzünün çeşitli özelliklerini gösteren tematik haritalar üretilebilmekte, arazi örtüsü ve kullanım şekilleri detaylı olarak analiz edilebilmektedir. Sınıflandırılma işlemi genel olarak görüntü üzerinde belirli bir yansıtma ve parlaklık değerine sahip piksellerin arazi örtüsü sınıflarından birine atanması olarak ifade edilebilir (Campbell, 996; Lillesand et al., 2008). Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir (Lu and Weng, 2007; Tso and Mather, 2009; Du et al., 202). Uzaktan algılama teknolojiklerinin etkin olarak kullanıldığı çalışma alanlarından birisi de tarımsal uygulamalardır. Uzaktan algılanmış görüntüler yardımıyla farklı özellikteki bitki tiplerinin sınıflandırılması, bitki gelişiminin izlenmesi, ürünlere ait rekolte tahminlerinin yapılması, toprak türünün ve toprak nemliliğinin belirlenmesi başta olmak üzere bir çok tarımsal çalışma başarıyla gerçekleştirilmektedir. Bitki izlemenin geleneksel yöntemleri ve rekolte tahmini zemin etütleri ve İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 7

budama zamanı nedeniyle pahalı ve zaman alıcıdır. Jafari and Lewis (202) Güney Avustralya daki kurak arazi bileşenlerinin Earth Observing (EO-) Hyperion hiperspektral görüntüler yardımıyla ayırt edilmesi üzerine bir çalışma yapmış ve kurak arazi bileşenlerinin spektral özelliklerinin belirlenerek gruplandırmasında ASD FielSpec spektroradyometre cihazında faydalanmışlardır. Gao et al. (202) büyüme evresindeki mera/otlak alanlarının biyokütlesinin tespit edilmesinde ASD FielSpec spektroradyometre cihazı ve MODIS-NDVI görüntüleri kullanmıştır. Mukherjee et al. (200) tarafından Hindistan da yürütülen bir çalışmada 2006 yılının Şubat ve Mart aylarında alınan IRS LISS-III ve AWiFS verileri en yakın benzerlik yöntemi kullanılarak sınıflandırılmış ve sonuçlar analiz edilmiştir. Kavzoglu and Reis (2008) yapay sinir ağları ve en çok benzerlik yöntemlerinin çok zamanlı Landsat uydu görüntülerine uygulanması ile arazi örtüsü haritası oluşturulmasındaki performans analizini yapmıştır. Çalışmada özellikle karışık piksel içeren görüntülerde yapay sinir ağları yönteminin sınıflandırma performansının en çok benzerlik yöntemine göre yüksek olduğu vurgulanmıştır. Xu et al. (20) MODIS uydusundan elde edilen NDVI (normalleştirilmiş bitki fark indeksi) kullanarak Pekin bölgesindeki geniş yapraklı orman alanlarının büyüme mevsiminin yılın hangi zaman aralıklarında olduğunu incelemişlerdir. Özellikle birbirine benzer spektral özelliklere sahip bitki türlerinin uzaktan algılanmış görüntüler üzerinden tespiti için arazide yapılan spektroradyometre ölçümleri büyük önem arz etmektedir. Li et al. (2005) hiperspektral yansıma ile salatalık bitkisinin gelişim durumunun incelenmesi amacıyla FieldSpec cihazı ile elde edilen spektroradyometre ölçülerinden faydalanmışlardır. Ren et al. (2008) hyperspektral uydu görüntüsü ve ASD spektroradyometre kullanarak pirinç ekili alanlarda su stresi değişimini incelemişlerdir. Ding et al. (200) sera domateslerindeki klorofil miktarının tespit edilmesinde spektroradyometre cihazı kullanmış ve domates yaprağının klorofil içeriğinin tahmini için bir model önermişlerdir. Hanna and Rethwisch (2003), AVIRIS uydusu ile elde edilen verileri, tarım ürünleri için ölçülen spektroradiometre verileri ile spektral ve radyometrik özelliklerinin karşılaştırması üzerine bir çalışma yapmışlardır. Lee et al., (2007), orta derecede kurak olan bir bölgedeki orman türlerinin spektral karakteristiklerinin belirlenmesi amacıyla laboratuvar ortamında yapılan spektral ölçmelerle birlikte EO- Hyperion uydu görüntüleri kullanmışlardır. Çalışma sonucunda orta kızılötesi bölgesinde ağaçların yapraklarına ait spektral yansımalarıyla yapraklardaki su içeriği arasındaki ilişkiyi ortaya koymuşlardır. 5 METEDOLOJİ Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Tez çalışması kapsamında izlenecek temel iş akış şeması Şekil 2 de gösterilmiştir. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 8

Pilot bölgelerin belirlenmesi Mevcut veri/haritaların temini Örnekleme alanlarının tespiti Spektroradyometre ölçümleri Spektroradyometre ölçümlerinin yeniden örneklenmesi Uydu görüntülerinin temini Uydu görüntülerinin ön işlemesi ve kozmetik operasyonlar Spektral kütüphanenin oluşturulması Mutispektral ve Hiperspektral veriler için bant seçimi Genetik algoritma Ana bileşenler analizi Uydu görüntülerinin sınıflandırılması Destek vektör makineleri Karar ağaçları Yapay sinir ağları Sınıflandırma sonuçlarının analizi Tematik haritaların oluşturulması Tematik haritaların doğruluğunun analizi Genel Değerlendirme Şekil 2. Tez kapsamında takip edilecek iş akış diyagramı. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 9

5.. Ön hazırlık çalışmaları: Tez çalışmasının amacına yönelik olarak gerçekleştirilecek saha çalışmaları ve örnekleme alanlarının tespiti en önemli işlem adımları olarak sayılabilir. Çalışma alanı olarak belirlenen Trabzon ili sahip olduğu topoğrafik özellikler ve iklim koşulları neticesinde bölgede farklı türlerden oluşan bitki kuşakları mevcuttur. Kıyıya yakın kesimlerden itibaren geniş yapraklı ormanlar (kızılağaç, kestane, meşe türleri, ıhlamur vb.) yer almaktadır. Kıyı kesimlerden uzaklaştıkça geniş-iğne yapraklı karışık ormanlar (avrupa kestanesi, adi kızılağaç, adi gürgen, doğu gürgeni, meşe, akça ağaç, üvez, çitlenbik, defne, mor çiçekli ormangülü, kayın, ladin ve göknar) ve daha yukarı da ise iğne yapraklıların hakimiyetindeki orman türleri (sarıçam, ladin vb.) dağılış göstermektedir (www.trabzonkulturturizm.gov.tr). Çalışma alanında mevcut tarım alanları (fındık, mısır ve çay) genellikle orman alanları ile çevrili bölgeler içerisinde kalmaktadır. Bu durum özellikle söz konusu bitki türlerinin uzaktan algılanmış görüntüler üzerinden ayırt edilmesini güçleştirmektedir (Kavzoglu and Reis, 2008). Öncelikle, çalışma alanına ilişkin pilot bölgelerde örnek alanlar tespit edilip özelliklerine bağlı olarak bu bölgeler gruplandırılacaktır. Bölge seçiminde, elektromanyetik spektrumun görünür bölgesinde spektral olarak ayrımı yapılamayan bitki örtüsü türlerinin mevcut olduğu yerler tercih edilecektir. 5.2. Saha çalışmaları, mevcut veri/bilgi analizi: Tez çalışmasında temel altlık teşkil edecek ve uydu görüntülerinin geometrik olarak düzeltilmesinde kullanılmak üzere mevcut standart topoğrafik harita altlıklarının bölgedeki kamu kurumlarındaki mevcudiyeti araştırılacaktır. Özellikle doğruluk ve güncelik bakımından mevcut verilerin kaliteleri irdelenerek, yararlılığı onaylanacak konumsal veriler, proje kapsamında kullanılacaktır. Bu amaçla, il ve ilçe gibi idari sınırlar ile bu bölgelere ait her türlü grafik-olmayan tanımsal bilgiler de temin edilecektir. Bunun yanında temel veri niteliği taşıyacak olan /25.000 ölçekli sayısal eşyükseklik eğrileri ve arazi kullanım kabiliyet sınıfı haritaları da ilgili kurumlardan temin edilecektir. Bölgeye ait sayısal yükseklik modelinin varlığı araştırılacaktır. Spektroradimetre Ölçümleri: Tez çalışması kapsamında, çalışma alanı içerisinde kalan bitki türlerine ait spektral özellikler 350 ile 2500 Nanometre dalga boyu aralığında yansıtım kaydedebilen ASD (Analytical Spectral Devices) FieldSpec3 spektroradyometre cihazı (Şekil 3) ile tespit edilecektir. Ölçümler sonrasında bitki türleri için spektral kütüphane oluşturulacaktır. Uydu görüntüsü üzerindeki her bir piksel yeryüzünde kapsadığı alanı ifade eden bir dijital sayı (digital number) değerine sahiptir. Arazide spektroradyometre ile yapılan ölçümlerde her bir bitkinin yansıma (reflektans) değerleri kaydedilmektedir. Arazi ve uydu verisinin ilişkilendirilmesi için, uydu görüntüsündeki dijital sayılardan, reflektans değerlerine bir dönüşüm yapılacaktır. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 0

Şekil 3. Spektral ölçümlerde kullanılacak ASD Fieldspec3 spektroradyometre cihazı Sonraki aşamada ise arazi çalışmaları ile oluşturulan spektral kütüphane ile uydu görüntülerinin ilişkilendirilmesidir. Ayrıca spektrum ölçümleri yapılan noktaların koordinatlarının belirlenmesinde 5m konum doğruluğuna sahip TOPGON FC-236 el-gps i (Şekil 4) kullanılacaktır. Bununla birlikte el-gps i üzerinde bulunan 3 megapiksel çözünürlüğe sahip kamera ile spektal ölçüm yapılan noktaların doğal nesnelerin fotoğrafları çekilecektir. Şekil 4. Spektral ölçümlerin yapıldığı noktaların koordinatlandırılmasında kullanılacak el-gps i. 5.3. Uzaktan algılanmış görüntülerin temini: Tez çalışmasında çalışma alanı olarak Doğu Karadeniz Bölgesi genelinde Trabzon ili öngörülmektedir. Çünkü bölge, coğrafi koşullardan ötürü, geniş yapraklı ağaçlarla örtülü bir arazi yapısına sahip olup, ekonomik değere sahip bitkiler (fındık, mısır ve çay) ile diğer orman türlerinin benzerlik göstermesinden dolayı bir karmaşaya neden olabilmektedir. Bu ayrımın tespiti için tez çalışmasında farklı spektral, konumsal ve radyometrik çözünürlüklere sahip 3 farklı uydu görüntüsünün kullanılması düşünülmektedir. Bunlardan ilki hiperspektral uydu görüntüsü olan 220 spektral banda sahip EO- Hyperion görüntüsü ve ikincisi 63 spektral banda sahip CHRIS Proba görüntüleridir. Tez çalışmasında dikkate alınacak 3. görüntü ise Ekim 2009'da uzaya fırlatılan üstün özelliklere sahip WorldView-2 uydu görüntüsüdür. 2009 uzay gönderilmiş olan WorldView-2 uydusu İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202

sivil amaçlı olarak en yüksek konumsal çözünürlüğü spektral çözünürlükle diğer bir deyişle bant sayısıyla sunabilen bir uydudur. Üstün teknolojisi olan bu uydu ile özellikle bitkilerle ilgili önemli çalışmalar yapılabilecektir. Çünkü iki adet yakın kızıl ötesi bandının yanında bir de Kırmızı kenar (red edge) olarak adlandırılan özel bir bandı bulunmaktadır. Bu üç bant bitkilerin sağlığı ve verimi hakkında önemli ipuçları verebilmektedir. Bu özelliğinden dolayı birçok çalışmada tercih edilen WorldView-2 uydusu bu tez kapsamında da değerlendirmeye alınacaktır. Literatürde bu uydunun görüntüleriyle yapılmış yayınlar son dönemde yayınlanmaktadır. Gerçekleştirilecek tez çalışmasının çıktıları bu görüntülerin kullanımı ve etkinliği noktasında önemli kazanımlar ve bilimsel katkı sağlayacak niteliktedir. 5.4. Uydu görüntülerinin ön işlemesi Atmosferik, Radyometrik ve Geometrik düzeltme: Uydu görüntülerinin yörünge ve algılayıcı özellikleri, geçiş zamanındaki atmosferik şartlar ve çalışma bölgesinin coğrafi durumu, bu görüntüleri olumsuz etkileyebilmektedir. Bu bağlamda, uydu görüntülerinin radyometrik ve geometrik düzeltme işlemleri yapılacaktır. Geometrik düzeltme işlemi, orijinal uydu görüntüsündeki eğilme-büzülmelerin (distorsiyonları) giderilerek harita şeklinde kullanımını sağlamaktadır. Dijital ortamdaki uydu görüntüleri üzerinde, görüntü sistemi, uydu yörüngesi ve dünyanın dönmesinden dolayı bozulmalar meydana gelir. Bunun içinde manuel olarak görüntü üzerinde ve arazide ortak yer kontrol noktaları belirlenerek dönüşüm işlemi yapılır. Bu çalışma alanının topografik yapısı eğimli olduğundan, Sayısal Arazi Modeli kullanılarak uydu görüntüleri ülke sisteminde koordinatlandırılacaktır. Sayısal Arazi Modelinin üretilmesinde /25.000 ölçekli standart topografik haritalardan yararlanılacaktır. Böylece, tüm konumsal verilerle ortaklaşa kullanılabilecek ve bindirmeli veri katmanları aynı datum ve projeksiyonda olan uydu görüntüleri elde edilecektir. Araziden veri toplama: Araziden veri toplama aşaması haritaların bütünleştirilmesi ve güncellenmesi bakımından oldukça önem taşımaktadır. Bu çalışma kapsamında uydu görüntü işlemede kullanılmak üzere araziden iki çeşit veri toplanacaktır. Bunlardan birincisi, geometrik düzeltme amacıyla araziden doğrudan yer kontrol noktaları ölçülecektir. İkincisi ise, çalışma alanında farklı bitki örtüsü (geniş yapraklı, iğne yapraklı, fındık, mısır, çay gibi) sınıflarının belirlenmesi için yine doğrudan arazi üzerinden bu sınıflara ait örnek (eğitim) veriler toplanacaktır. Ayrıca, sınıflandırma doğruluklarının belirlenebilmesi içinde örnek veriler yanında sadece bu amaçla kullanılacak test alanları da alınacaktır. Hiperspektral veriler için bant seçimi: Hiperspektral verilerin değerlendirilmesi aşamasında hem işlem yükünün azaltılması hem de boyutsalllık probleminin önüne geçilerek sınıflandırma doğruluğunun arttırılması amacıyla boyut indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral görüntülerde boyut azaltılması ya da indirgemesi, bant seçimi veya özellik çıkarımı olarak bilinen yaklaşımlarla gerçekleştirilmektedir. Hiperspektral görüntüler için boyut indirgeme işlemini gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 2

ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme algoritmaları kullanılacaktır. 5.5. Görüntü sınıflandırma yöntemleri: 5.5.. En çok benzerlik (EÇB) yöntemi Kontrollü sınıflandırma yöntemlerinden literatürde en yaygın olarak kullanılan ve günümüzde görüntü analiz programlarının birçoğunda yer alan yöntem en çok benzerlik (EÇB) yöntemidir. EÇB istatistiksel bir teoriye dayanan parametrik bir sınıflandırma yöntemidir. Sınıfların normal dağılımda olduğu varsayımı nedeniyle sınırlandırmalar söz konusu olmasına rağmen bu yöntem en yaygın kullanılan sınıflandırma metotlarından birisidir. EÇB yönteminde, sınıf kontrol verilerini oluşturan noktalar kümesindeki dağılımın normal (Gauss) dağılımında olduğu kabulü yapılır. Sınıfların ilk olasılıkları hakkında bilgi mevcut değilse, hepsi eşit olasılıklı olarak kabul edilir. Yöntem, sadece piksel değerlerine göre değil, her sınıf için oluşturacak varyans-kovaryans matris değerini de dikkate alarak sınıf tayini yapar. Böylece metot, örnek piksellerin özellik uzayındaki dağılımlarını da dikkate almış olur (Mather and Koch, 20). Pikselin p sayıdaki bant değerlerini içeren x vektörünün bir k sınıfında olma olasılığı aşağıdaki şekilde hesaplanır; P( x ) [ ( ı 0. 5 y S i y) ] 0. 5p 0. 5 = 2π Si exp () Bu eşitlikte; P ( x ) olasılık değerini, S i i. sınıf için varyans-kovaryans matrisini, determinantını, y ( x ) = x i ve x i ise i. sınıf için ortalama değeri ifade eder. matrisin 5.5.2. Destek vektör makineleri (DVM) yöntemi Uydu görüntüleri üzerinden arazi örtüsü tipinin ve kullanım türünün belirlenmesi için en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma işleminin esası, görüntü üzerinde farklı spektral özelliklere sahip piksellerin, önceden belirlenen arazi örtüsü sınıflarından benzer olduğu bir sınıfa atanmasıdır. Son yıllarda uzaktan algılanmış görüntülerin sınıflandırılmasında kullanılmaya başlanılan DVM, geleneksel istatistiksel sınıflandırıcılarla karşılaştırıldıklarında, karmaşık yapıya sahip ve gürültü oranı yüksek verilerin tanımlanmasında ve bu veriler arasındaki doğrusal olmayan ilişkilerin belirlenmesinde etkin bir sınıflandırıcıdır (Pal and Mather, 2005; Melgani and Bruzzone, 2004; Kavzoglu and Colkesen, 2009; Mountrakis et al., 20; Dalponte et al., 202). DVM sınıflandırıcısı eğitim verileri aracılıyla problemi öğrenme ve daha sonra yeni bir verinin tanımlanmasını yapabilme özelliğine sahip olduğundan sezgisel algoritma olarak nitelendirilir. DVM, parametrik olmayan, farklı tür veri tiplerini kullanabilen, genelleştirme kapasitesi yüksek ve veri içindeki gürültüye toleranslı bir sınıflandırıcıdır. Bu avantajlar arasında belki de en önemli olanı DVM'lerin parametrik olmayan yani verinin istatistiksel dağılımı ile ilgili herhangi bir ön bilgiye ihtiyaç duymama özelliğidir. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 3

Destek Vektör Makineleri (DVM) istatistiksel öğrenme teorisine dayalı bir kontrollü sınıflandırma algoritmasıdır DVM nin çalışma prensibi genel olarak iki sınıfa ait verileri birbirinden en uygun şekilde ayıran karar fonksiyonun tahmin edilmesi veya karar sınırlarının (hiper düzlemlerin) belirlenmesidir (Vapnik, 995). Doğrusal olarak ayrılabilen iki sınıflı bir verinin sınıflandırılması DVM için en temel sınıflandırma problemidir. Bu problemin çözümünde DVM iki sınıf arasındaki ayırımı en iyi yapan ve sınıflar arasındaki sınırın maksimum olduğu optimum bir hiper düzlemi belirlemeye çalışır (Şekil 5). Optimum hiper düzlem, her bir sınıfa ait piksellerin hiper düzleme olan uzaklıklarını maksimum hale getirir (Huang et al., 2002). Hiper düzlemlere en yakın pikseller iki sınıf arasındaki sınırı belirleyen destek vektörlerini oluştururlar. Destek Vektörleri w x + b = + Hiper Düzlemler - - - - Destek Vektörleri w x + b = - - - - - - - - - Optimum Hiper Düzlem Şekil 5. Doğrusal olarak ayrılabilen veri setleri için hiper düzlemin belirlenmesi Destek vektör makineleri ile sınıflandırmada genellikle {-,+} şeklinde sınıf etiketleri ile gösterilen iki sınıfa ait örneklerin, eğitim verisi ile elde edilen bir karar fonksiyonu yardımıyla birbirinden ayrılması amaçlanır. Söz konusu karar fonksiyonu kullanılarak eğitim verisini en uygun şekilde ayırabilecek hiper düzlem bulunur. Şekil de görüldüğü üzere iki sınıf arasındaki sınırı maksimuma çıkararak en uygun ayrımı yapan hiper düzleme optimum hiper düzlem ve sınır genişliğini sınırlandıran noktalar (pikseller) ise destek vektörleri olarak adlandırılır. 5.5.3. Yapay sinir ağları (YSA) yöntemi Yapay sinir ağları insan beynindeki nöronların temel çalışma prensibini esas alan sınıflandırma yöntemleridir. Eğitim örneklerini kullanarak problemi öğrenmekte ve test verileri ile yöntemin geçerliliği test edilmektedir. YSA algoritmalarının istatistiksel kabul gerektirmemeleri, farklı kaynaklardan gelen farklı karakterdeki bilgileri aynı anda kolaylıkla kullanabilmeleri, gürültüyü tolere edebilmeleri ve öğrenebilme kabiliyetlerinden dolayı bu konuda birçok araştırma yapılmasına neden olmuştur. Günümüzde birçok yapay sinir ağı modeli geliştirilmiştir (Mas and Flores, 2008). Bunlar arasında çok katmanlı perseptron (ÇKP) uzaktan algılanan görüntülerin sınıflandırılmasında en yaygın İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 4

olarak kullanılan (Paola and Schowengerdt, 995; Atkinson and Tatnall, 997, Kavzoglu and Mather, 2003; Zhang et al., 202) yöntem olmuştur. YSA nda temel eleman insan beynindeki nöronlar gibi çalışan işlem düğümüdür. Her bir işlem düğümü girdi değerlerini toplar ve bu değerleri düğümlerin çıkış değerlerini oluşturan bir aktivasyon fonksiyonundan geçirir. Birçok katmanlı perceptronun yapısı Şekil 6 da gösterildiği gibi bir girdi katmanı, bir veya birden fazla saklı katman ve bir çıktı katmanından oluşur. Girdi verilerini temsil eden girdi tabakası her bir sınıfa ait değerlerin ağdaki dağılımını tanımlar. Saklı katmanlar hesaplamalar için kullanılırlar ve her bir düğüme ilişkin değerler girdi düğümü ile bu düğüme gelen bağlantılara ait ağırlıklarının çarpımının toplamından elde edilir. Çıktı katmanı tanımlanacak sınıfları göstermek için bir grup koda sahip son işlem katmanıdır. Tüm ara düğüm bağlantıları ağırlıklarla birleştirilir. Bir değer ara bağlantılarından geçerken ara düğüm bağlantılarıyla birleştirilen ağırlıklarla çarpılır (Kavzoglu and Reis, 2008). Saklı Katmanlar Girdi Katmanı Çıktı Katmanı Arazi Örtüsü Sınıfları Şekil 6. Dört tabakalı ileri beslemeli basit bir yapay sinir ağı yapısı 5.5.4. Karar ağaçları (KA) Yöntemi Karar ağaçları (KA) uydu görüntülerinin sınıflandırılması gibi karmaşık yapıdaki bir sınıflandırma problemini çok aşamalı bir hale getirerek bir karar verme işlemi gerçekleştirir (Safavian and Landgrebe, 99). Yöntemin yaygın olarak kullanımının en önemli nedeni ağaç yapılarının oluşturulmasında kullanılan kuralların anlaşılabilir ve sade olmasıdır. KA arazi örtüsünün sınıflandırılmasında veya sınıf etiketlerinin belirlenmesinde çok aşamalı veya ardışık bir yaklaşım kullanmaktadır. Her bir aşamada kullanılan değişkenlerin sayısına bağlı olarak tek değişkenli veya çok değişkenli karar ağaçları vardır (Friedl and Brodley, 997). Tek değişkenli karar ağaçları genellikle küresel ölçekte arazi örtüsü sınıflandırmaları için kullanılmaktadır (DeFries et al., 998; Hansen et al., 2000). Çok değişkenli karar ağaçları tek değişkenli karar ağaçlarına göre daha hassas olmalarına rağmen, daha karmaşık algoritmalar içermektedirler. Karar ağaçlarının oluşturulmasındaki en önemli adım ağaçtaki dallanmanın hangi kritere veya kıstasa göre yapılacağı ya da hangi öznitelik değerlerine göre ağaç yapısının oluşturulacağıdır. Literatürde bu problemin çözümü için geliştirilmiş çeşitli yaklaşımlar vardır. Bunlardan en önemlileri 5 İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202

bilgi kazancı ve bilgi kazanç oranı (Quinlan, 993), Gini indeksi (Breiman et al., 984), Towing kuralı (Breiman et al., 984) ve Ki Kare olasılık tablo istatistiği (Mingers, 989) yaklaşımlarıdır. Bilgi kazancı ve bilgi kazanç oranının kullanımı Quinlan (993) tarafından ortaya atılmıştır. Bu yönteme göre karar ağacında hangi özelliğe göre dallanmanın yapılacağını belirlemek üzere entropi kurallarını içeren bilgi teorisi kullanılmıştır. Entropi bir sistemdeki düzensizliğin ya da belirsizliğin ölçüsüdür. Tek değişkenli karar ağaçlarında ID3 algoritması bilgi kazancı yaklaşımını kullanmaktadır. Bu algoritmanın geliştirilmiş hali olan C4.5 algoritması Quinlan (993) tarafından ortaya konulan bölünme bilgisi kavramı ile bilgi kazancından yararlanarak hesaplanan kazanç oranı yaklaşımını kullanmaktadır. Bir veri setinin C,C 2,...,Cn şeklinde birkaç sınıftan oluştuğu ve T nin sınıf C değerlerini gösterdiği düşünülsün. Bir sınıfa ait olasılık P i i = olduğu düşünülürse sınıflara ait T entropi n Entropi(T ) = pi log2 ( p i ) (2) i= şeklinde hesaplanır. Veri setindeki B özniteliğine göre T sınıf değerleri T,T 2,...,Tn şeklinde alt kümelere ayrıldığı göz önüne alınsın. B öznitelik değerleri kullanılarak T sınıf değerlerinin bölünmesi sonucunda elde edilecek kazanç, Kazanç( B,T ) n Ti = Entropi(T ) i= T Entropi ( T ) i (3) eşitliği ile hesaplanacaktır. Quinlan (993), T kümesi için B niteliğinin değerini belirlemek için gereken bilginin bölünme bilgisi olduğunu ifade etmiştir. Bölünme ilgisi, BölünmeBilgisi (B,bilgi) k Ti T = i log2 i= T T (4) şeklindedir. Bu durumda hesaplanan kazanç ve bölünme bilgisi ile kazanç oranı, Kazanç( B,T ) KazançOran ı = (5) BölünmeBilgisi (B,bilgi) şeklinde hesaplanır. Bu eşitlik, sınıflandırmada işleminde kullanılacak ayırma ile elde edilen bilgi oranını vermektedir. Bu kriter kullanılarak, ağacın her bir düğümünde kazanç oranı maksimum olacak şekilde T eğitim kümesi tekrarlı bir şekilde ayrılır. Bu işlem her bir yaprak düğümü sadece bir sınıfa ait gözlem değerleri içerene kadar devam eder. 5.6. Sınıflandırma Sonuçlarının Analizi: Sınıflandırma sonucu elde edilen haritaların doğruluk analizleri için hata matrislerinden elde edilecek kullanıcı ve üretici doğrulukları, Kappa değerleri, genel doğruluk gibi standart doğruluk İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 6

ölçütlerinin yanı sıra Z-test ve McNemar s gibi istatistiksel testler kullanılarak doğruluk değişimlerindeki anlamlılık analiz edilecektir. Z testi, sınıflandırma sonucu elde edilen Kappa değerlerinin karşılaştırılması amacıyla kullanılan istatistiksel bir testtir. İki farklı sınıflandırma yöntemi veya iki farklı eğitim seti için elde edilen genel sınıflandırma doğruluğu arasındaki farkın istatistiksel olarak anlamlı olup olmadığının tespitinde hesaplanan Kappa değerlerinin karşılaştırılması esasına dayanmaktadır (Foody, 2004;2009). Z istatistik değeri aşağıdaki şekilde hesaplanarak Kappa değerleri arasındaki farkın anlamlılığı test edilir. Z =!!!!!!!!!!!! (6) Bu eşitlikte K! ve K! karşılaştırılan iki Kappa değerini, σ K! ve σ K! ise Kappa değerleri için hesaplanan varyans değerlerini ifade etmektedir. Hesaplanan Z değeri önceden belirlenen güven aralığındaki Z!! kritik değer ile karşılaştırılır. Hesaplanan Z değeri %95 güven aralığındaki Z =.96 kritik değerinden büyük olduğunda iki sınıflandırma sonucu arasındaki farkın istatistiksel olarak anlamlı olduğu söylenebilir. Bu durum iki bağımsız Kappa değerinin istatistiksel olarak farklı olduğunu, dolayısıyla iki sınıflandırıcıya ait performansların birbirinden farklı olduğunu göstermektedir. McNemar s testi parametrik olmayan bir istatistiksel test olmakla birlikte temel çalışma prensibi 2x2 lik bir hata matrisini esas almaktadır (Foody, 2004; De Leeuw et al. 2006). McNemar s testi Eşitlik 7 de gösterilen Ki-Kare test istatistiğini dikkate almaktadır. ( n n ) 2 2 ij ji χ = (7) nij + n ji Bu eşitlikte n!", i. sınıflandırıcı tarafından hatalı sınıflandırılan fakat j. sınıflandırıcı tarafından doğru sınıflandırılan piksel sayısını gösterirken; n!", i. sınıflandırıcı tarafından doğru fakat j. sınıflandırıcı tarafından hatalı sınıflandırılan piksel sayısını göstermektedir. Bu eşitlikten elde edilen test sonucu %95 güven aralığındaki 2 χ = 3. 84 kritik tablo değerinden büyük olduğunda bu iki sınıflandırıcının performanslarının farklı olduğu söylenebilir (Pal, 2008). Diğer bir ifadeyle, i ve j sınıflandırıcıları ile elde edilen doğruluklar arasındaki fark istatistiksel olarak anlamlıdır. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 7

6 ZAMAN ÇİZELGESİ İşlem Adımı/Tanım AYLAR 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 2 0 2 2 2 2 3 2 4 - Tez ön hazırlık çalışmaları, literatür taraması 2- Saha Çalışmaları, pilot bölgelerin tespiti, benzer özelliklere sahip nesnelerin gruplandırılması 3- Saha Çalışmaları, belirlenen nesne türleri için spektral ölçümlerin yapılması 4- Spektral ölçülerin analizi ve spektral kütüphanenin oluşturulması 5- Uydu görüntülerinin temini 6- Uydu görüntülerinin ön işlemesi 7- Uydu görüntüleri ile spektral ölçülerin ilişkilendirilmesi 8- Uydu görüntüleri görüntüler için en uygun bant seçimi 8- Görüntü Sınıflandırma: DVM, YSA ve KA Yöntemleri 9- Sınıflandırma Sonuçlarının Analizi 0- Tez Yazımı ve Sonuçlara ilişkin makale hazırlanması İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 8

KAYNAKLAR Atkinson, P. M. & Tatnall, A.R.L., 997. Neural networks in remote sensing. International Journal of Remote Sensing, 8, 699 709. Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J., 984. Classification and regression trees, Monterey, CA: Wadsworth. Campbell, J.B., 996. Introduction to Remote Sensing, Second Edition, The Guilford Press, New York, USA. Dalponte, M., Bruzzone, L. & Gianelle, D., 202. Tree species classification in the Southern Alps based on the fusion of very high geometrical resolution multispectral/hyperspectral images and LiDAR data. Remote Sensing of Environment, 23, 258-270. De Leeuw, J., Jia, H., Yang, L., Liu, X., Schmidt, K., & Skidmore, A.K.,2006. Comparing accuracy assessments to infer superiority of image classification methods. International Journal of Remote Sensing, 27, 223-232. DeFries, R.S., Hansen, M., Townshend, J.R.G. & Sohlberg, R., 998. Global land cover classifications at 8km spatial resolution: the use of training data derived from Landsat imagery in decision tree classifiers. International Journal of Remote Sensing, 9, 34 368. Ding, Y.J., Li, M.Z., Li, S. Q. & An, D.K., 200. Predicting chlorophyll content of Greenhouse Tomato with ground-based remote sensing. Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques, and Applications Iii, 7857. Du, P.J., P. Liu & Y. Luo, 2009. Urban Thermal Environment Simulation and Prediction Based on Remote Sensing and Gis. 2009 IEEE International Geoscience and Remote Sensing Symposium, Vols -5, 2357-2360. Du, P.J., Xia, J.S., Zhang, W., Tan, K., Liu, Y., & Liu, S.C., 202. Multiple Classifier System for Remote Sensing Image Classification: A Review. Sensors, 2, 4764-4792. Foody, G.M., 2004. Thematic map comparison: Evaluating the statistical significance of differences in classification accuracy. Photogrammetric Engineering and Remote Sensing, 70, 627-633. Foody, G.M., 2009. Classification accuracy comparison: Hypothesis tests and the use of confidence intervals in evaluations of difference, equivalence and non-inferiority. Remote Sensing of Environment, 3, 658-663. Friedl, M.A. & Brodley, C.E., 997. Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, 6, 399 409. Gao, J.X., Chen, Y.M., Lu, S.H., Feng, C.Y., Chang, X.L., Ye, S.X., & Liu, J.D., 202. A ground spectral model for estimating biomass at the peak of the growing season in Hulunbeier grassland, Inner Mongolia, China. International Journal of Remote Sensing, 33, 4029-4043. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 9

Hanna, S. H. S. & Rethwisch, M.D., 2003. Characteristics of AVIRIS bands measurements in agricultural crops at Blythe Area, California: III - Studies on teff grass. Remote Sensing for Agriculture, Ecosystems, and Hydrology Iv, 4879, 25-4. Hansen, M., DeFries, R.S., Townshend, J.R.G. & Sohlberg, R., 2000. Global land cover classification at km spatial resolution using a classification tree approach. International Journal of Remote Sensing, 2, 33 364. Hu, G.Y., Z.B. Dong, Z.H. Wei & J.F. Lu, 200. Land use and land cover change monitoring in the Zoige Wetland by remote sensing. Sixth International Symposium on Digital Earth: Data Processing and Applications, 784, -70. Huang, C., Davis, L.S., & Townshend, J.R.G., 2002. An assessment of support vector machines for land cover classification. International Journal of Remote Sensing, 23, 725-749. Hughes, G., 968. On the mean accuracy of statistical pattern recognizers, IEEE Transactions on In Information Theory, 4, 55-63. Jafari, R. & Lewis, M.M., 202. Arid land characterisation with EO- Hyperion hyperspectral data. International Journal of Applied Earth Observation and Geoinformation, 9, 298-307. Jha, R. K., Karnataka, H.C. & Pant, D.N., 2009. Forest landuse planning for Thano range, Dehradun forest division, Uttaranchal. Range Management and Agroforestry, 30, 72-77. Kavzoglu, T. & Reis, S. 2008. Performance Analysis of Maximum Likelihood and Artificial Neural Network Classifiers for Training Sets with Mixed Pixels, GIScience & Remote Sensing, 45, 330-342. Kavzoglu, T., & Colkesen, I., 2009. A kernel functions analysis for support vector machines for land cover classification. International Journal of Applied Earth Observation and Geoinformation,, 352-359. Kavzoglu, T., & Mather, P.M., 2003. The use of backpropagating artificial neural networks in land cover classification. International Journal of Remote Sensing, 24, 4907-4938. Kunwar, P., Kachhwaha, T.S., Kumar A., Agrawal, A.K., Singh, A.N. & Mendiratta, N., 200. Use of high-resolution IKONOS data and GIS technique for transformation of landuse/landcover for sustainable development. Current Science, 98, 204-22. Lee, K.S., Kook, M.J., Shin, J.I., Kim, S.H., & Kim, T.G., 2007. Spectral characteristics of forest vegetation in moderate drought condition observed by laboratory measurements and spaceborne hyperspectral data. Photogrammetric Engineering and Remote Sensing, 73, 2-27. Li, M.Z., Zhang, X. J., Zhang, Y., Zhao, P. & Zhang, J.P., 2005. Investigation of crop growth condition with hyperspectral reflectance based on ground-based remote sensing. Multispectral and Hyperspectral Remote Sensing Instruments and Applications Ii, 5655, 30-308. Lillesand, T.M., Kiefer, R.W. & Chipman, J.W., 2008. Remote Sensing and Image Interpretation, Sixth Edition, John Wiley & Sons, New York. İTÜ FBE Geomatik ABD Doktora Tez Önerisi İsmail ÇÖLKESEN (c) 202 20