UZAKTAN ALGILAMADA İLERİ SINIFLANDIRMA TEKNİKLERİNİN KARŞILAŞTIRILMASI VE ANALİZİ

T.C. GEBZE YÜKSEK TEKNOLOJİ ENSTİTÜSÜ MÜHENDİSLİK VE FEN BİLİMLERİ ENSTİTÜSÜ UZAKTAN ALGILAMADA İLERİ SINIFLANDIRMA TEKNİKLERİNİN KARŞILAŞTIRILMASI VE ANALİZİ İsmail ÇÖLKESEN YÜKSEK LİSANS TEZİ JEODEZİ VE FOTOGRAMETRİ MÜHENDİSLİĞİ ANABİLİM DALI TEZ DANIŞMANI Doç. Dr. Taşkın KAVZOĞLU GEBZE 2009

ii ÖZET TEZİN BAŞLIĞI: Uzaktan Algılamada İleri Sınıflandırma Tekniklerinin Karşılaştırılması ve Analizi YAZAR ADI : İsmail ÇÖLKESEN Global ve yerel ölçekteki birçok uygulamada yeryüzüne ait doğru ve hassas bilgilere ihtiyaç duymaktadır. Bu bilgiler çevre kalitesinin analizi, şehircilik faaliyetleri, doğal kaynakların yönetimi ve planlanması gibi çeşitli uygulamalar için önemli birer kaynak durumundadır. Uzaktan algılama teknolojileri farklı konumsal ve spektral çözünürlüklerde, değişik zaman aralıklarında yeryüzünü görüntüleyebilme kabiliyetine sahip olduğundan bu bilgilerin elde edilmesinde önemli bir kaynak durumundadır. Bu geniş çalışma alanı içerisinde uzaktan algılamanın en yoğun olarak kullanıldığı alan arazi örtüsü ve arazi kullanımının belirlenmesidir. Uzaktan algılanmış görüntülerin sınıflandırılması arazi örtüsü ve/veya arazi kullanımına ait bilgilerinin elde edilmesinde kullanılan en yaygın yöntemdir. Sınıflandırma sonucu elde edilen tematik haritaların analizi ve yorumlanması ile yeryüzüne ait bilgilere ulaşmak mümkün olmaktadır. Doğru ve güncel tematik haritaların kullanımı herhangi bir çalışmanın başarı oranını artırabilir. Literatürde 1972 de ilk uydu görüntüsünün elde edilmesinden günümüze kadar birçok sınıflandırma yöntemi geliştirilmiş ve çeşitli derecelerde başarılar elde edilmiştir. Bu yöntemler arasında istatistiksel bir temele dayanan en çok benzerlik sınıflandırıcısı en yaygın kullanılanıdır. Parametrik yaklaşımların istatistiksel kabullere dayalı yapıları nedeniyle, son yıllarda uzaktan algılanmış görüntülerin sınıflandırılmasında parametrik olmayan yöntemler (yapay sinir ağları, destek vektör makineleri ve karar ağaçları) kullanılmaktadır. Bu tez çalışmasının ikinci bölümünde uzaktan algılama ve temel esasları, sayısal görüntü analizi, sınıflandırma yöntemleri ve çeşitli uydu sistemleri hakkında genel bilgiler verilmiştir. Çalışmanın üçüncü bölümünde, son yıllarda uzaktan algılamada kullanılan ileri sınıflandırma tekniklerinden destek vektör makineleri, karar ağaçları, karar ağacı iyileştirme algoritmaları, yapay sinir ağları ve K-star sınıflandırıcıları ile ilgili literatür taraması yapılmıştır. Çalışmanın dördüncü bölümü olan uygulama kısmında ise Gebze ilçesini kapsayan Landsat ETM+ (1997) ve Terra ASTER (2002) görüntülerinin söz konusu yöntemler ile sınıflandırılarak arazi örtüsü ve kullanımının belirlenmesi amaçlanmıştır. Bu yöntemler ve elde edilen sonuçlar etkili faktörlerde (parametreler) göz önüne alınarak detaylı

iii bir şekilde analiz edilmiştir. Sınıflandırıcıların sahip olduğu parametreler ve bu parametrelerin sınıflandırma doğruluğuna etkileri muhtemel parametre kombinasyonları kullanılarak incelenmiştir. Son olarak metotların kullanımları ve performansları en çok benzerlik yöntemi ile karşılaştırılmıştır. İleri sınıflandırma algoritmaları uzaktan algılanmış görüntülerin sınıflandırılmasında etkili yöntemlerdir. Özellikle parametrik olmayan yapılarıyla destek vektör makineleri, yapay sinir ağları, iyileştirilmiş karar ağaçları ve K-star sınıflandırıcıları en önemlileridir. Yüksek genelleştirme kabiliyetleri ve sınıflandırma performanslarının yanında matematiksel ifadeleri zor ve karmaşıktır. Sınıflandırma öncesinde kullanıcı tarafından belirlenmesi gereken çeşitli parametrelere sahiptirler. Parametre seçimi sınıflandırma performanslarını önemli ölçüde etkilediğinden en uygun parametre değerlerinin belirlenmesinin bu yöntemlerinin kullanımında karşılaşılan en önemli problem olduğu söylenebilir. En çok benzerlik sınıflandırıcısı basit bir matematiksel ifadeye sahip olmasına karşın bu çalışmada değerlendirilen sınıflandırıcılarla karşılaştırıldığında sınıflandırma doğruluğu açısından daha düşük sonuçlar üretmektedir. Elde edilen sonuçlar ileri sınıflandırma tekniklerinin uzaktan algılanmış görüntülerin sınıflandırılmasında geleneksel sınıflandırıcılara göre iyi ve etkili bir alternatif olduklarını göstermektedir.

iv SUMMARY TITLE : Comparing and Analyzing of Advanced Classifier Techniques in Remote Sensing NAME : İsmail ÇÖLKESEN Accurate and precise information about the Earth s surface are required for many applications at global and local scales. This information is invaluable sources in various applications, such as environmental quality analysis, urban activities, managing and planning of natural resources. Having a capability of monitoring the Earth s surface at various spatial and temporal scales, the remote sensing technology is the only source providing such information. Within this wide application area determination of land cover and land use information has been is the most concentrated issue in remote sensing field. Classification of remotely sensed images has been the way of obtaining to land cover and land use information. It is possible to acquire such information through the analysis and interpreting of thematic maps produced after the classification process. The use of accurate and up to date thematic maps can increase the success rate of any application. Numerous classification algorithms have been developed and applied in the literature for the classification of remotely sensed image since the first satellite image was acquired in 1972. Among these algorithms the maximum likelihood classifier has been the most widely used one that is based on statistical theory. In order to avoid the assumptions of the parametric approaches, non-parametric methods (i.e. artificial neural networks, support vector machines and decision trees) have been recently introduced for the classification of remote sensing images. In the introduction part of this thesis, general information about the basic principles of remote sensing, digital image analysis, classification techniques and various satellite systems are given. In the second part, literature review about the advanced classification techniques namely support vector machines, decision trees, decision tree enhancement algorithms, artificial neural networks and K-star classifier are discussed. In the application part (Section 4), the classifiers were employed to determine land cover/use types of Gebze district of Kocaeli using Landsat ETM+ (1997) and Terra ASTER (2002) images. The methods and their results were analyzed in detail considering the effective factors (i.e. parameters). Parameters of the classifiers and their effects on the classification accuracy were also examined by

v applying possible combinations of the parameters. At the end, comparisons of the methods were made in terms of their use and performances with the benchmark classifier, the maximum likelihood. Advanced classifier algorithms have been reported to be effective in the classification of remotely sensed images. Especially, support vector machines, neural networks, enhanced decision trees and K-star classifiers with their non-parametric natures are the most important ones. Despite they have significant generalization capability and high classification performances, their mathematical expressions are difficult and complex. In addition, they have parameters that need to be defined by the analyst before the classification process. It can be said that determining the optimum parameters is the main problem encountered in the use of these methods since parameter choices significantly affect the classification performances. The maximum likelihood classifier has a simple mathematical expression, but they produce lower results in terms of classification accuracy compared to the classifier considered in this research. Results show that advanced classifiers are good and effective alternatives to the traditional parametric classifier for the classification of remotely sensed imagery.

vi TEŞEKKÜR Yüksek lisans tez çalışmamda, tez konusunun seçiminden hazırlanmasına kadar tüm aşamalarında değerli görüşlerinden ve bilgisinden istifade ettiğim tez danışmanım değerli hocam Sayın Doç.Dr. Taşkın Kavzoğlu na, Tez araştırması süresince değerli fikirleri yol gösteren Yrd.Doç.Dr Halis Saka ya ve bölümümüzde görev yapmakta olan değerli öğretim elemanlarına, Bana, her konuda ilgisini ve desteğini hiçbir zaman eksik etmeyen sevgili eşim Solmaz Çölkesen e ve değerli aileme; Teşekkürlerimi sunarım.

vii İÇİNDEKİLER DİZİNİ Sayfa ÖZET ii SUMMARY iv TEŞEKKÜR vi İÇİNDEKİLER DİZİNİ vii ŞEKİLLER DİZİNİ xi TABLOLAR DİZİNİ xv 1. GİRİŞ 1 2. UZAKTAN ALGILAMA VE TEMEL ESASLARI 4 2.1. Işık Kaynağı ve Elektromanyetik Enerji 4 2.2. Atmosferik Etkiler 6 2.3. Atmosferik Pencereler ve Nesnelerin İmzası 7 2.4. Uzaktan Algılamada Çözünürlük Kavramı 11 2.4.1. Konumsal Çözünürlük 12 2.4.2. Spektral Çözünürlük 14 2.4.3. Radyometrik Çözünürlük 14 2.4.5. Zamansal Çözünürlük 15 2.5. Uzaktan Algılamada Görüntü Analiz Sistemleri 16 2.5.1. Ön İşlem 16 2.5.2. Görüntü İyileştirme 18 2.5.3. Görüntü Dönüşümleri 19 2.5.4. Görüntü Sınıflandırma ve Analiz 20 2.5.4.1. Kontrolsüz Sınıflandırma 21 2.5.4.2. Kontrollü Sınıflandırma 22 2.5.4.2.1. En Kısa Uzaklık Sınıflandırıcısı 23 2.5.4.2.2. Paralel Kenar Sınıflandırıcısı 24 2.5.4.2.3. Mahalanobis Uzaklığı Sınıflandırıcısı 25 2.5.4.2.4. En Çok Benzerlik Sınıflandırma Algoritması 26 2.6. Uzaktan Algılama Uyduları 27 2.6.1. LANDSAT Uydu Sistemi 27

viii 2.6.2. TERRA Uydu Sistemi 29 2.6.3. SPOT Uydu Sistemi 29 3. UZAKTAN ALGILAMADA İLERİ SINIFLANDIRMA TEKNİKLERİ 31 3.1. Destek Vektör Makineleri 31 3.1.1. Doğrusal Olarak Ayrım Yapılabilen Veriler 33 3.1.2. Doğrusal Olmayan Veriler 37 3.1.3. Doğrusal Olmayan Destek Vektör Makineleri 41 3.1.4. Çok Sınıflı Destek Vektör Makineleri 43 3.1.5. DVM ile Sınıflandırmada Veri Ön İşleme ve Model Seçimi 46 3.2. Karar Ağaçları 48 3.2.1. Karar Ağacı Oluşturulmasında Kullanılan Yöntemler 51 3.2.1.1. Aşağıdan-Yukarıya Yaklaşımı 52 3.2.1.2. Yukarıdan-Aşağıya Yaklaşımı 52 3.2.1.2.1. Karar Ağaçlarında Dallanma Kriterleri ve Öznitelik Seçimi 54 3.2.1.2.2. Bilgi Kazancı ve Bilgi Kazanç Oranı Kriterleri 54 3.2.1.2.3. Gini İndeksi 57 3.2.1.2.4. Towing Kuralı 58 2 3.2.1.2.5. Ki-Kare Olasılık Tablo İstatistiği ( χ ) 58 3.2.1.3. Melez Yaklaşım 59 3.2.1.4. Gelişme-Budama Yöntemi 60 3.2.2. Veri Ayırma Yöntemine Dayalı Karar Ağacı Sınıflandırma Algoritmaları 60 3.2.2.1. Tek değişkenli Karar Ağaçları 61 3.2.2.2. Çok Değişkenli Karar Ağaçları 62 3.2.2.3. Melez Karar Ağacı Sınıflandırıcısı 64 3.2.3. Karar Ağaçlarının Budanması 65 3.2.4. Karar Ağaçlarının İyileştirilmesinde Kullanılan Yöntemler 68 3.2.4.1. Hızlandırma 69 3.2.4.2. Torbalama 71 3.2.4.3. Çoklu Hızlandırma 73 3.2.4.4. Rastgele Orman 73 3.2.4.5. DECORATE Algoritması 75 3.3. Yapay Sinir Ağları 75 3.3.1. Biyolojik ve Yapay Sinir Ağlarının Çalışma Prensibi 76

ix 3.3.2. Yapay Sinir Ağlarının Sınıflandırılması 79 3.3.2.1. Yapılarına Göre Yapay Sinir Ağları 79 3.3.2.1.1. İleri Beslemeli Yapay Sinir Ağları 79 3.3.2.1.2. Geri Beslemeli Yapay Sinir Ağları 80 3.3.2.2. Öğrenme Algoritmalarına Göre Yapay Sinir Ağları 80 3.3.2.2.1. Kontrollü Öğrenme 80 3.3.2.2.2. Kontrolsüz Öğrenme 81 3.3.2.2.3. Takviyeli Öğrenme 81 3.3.3. Çok Katmanlı Perseptron 81 3.3.3.1. Öğrenme Algoritmaları 82 3.3.4. Yapay Sinir Ağları ile Görüntü Sınıflandırma 85 3.4. Örnek Tabanlı Öğrenme ve K-Star Sınıflandırıcısı 87 4. UYGULAMA 93 4.1. Çalışma Alanı 93 4.2. Uygulama Konusu ve Amacı 94 4.3. Kullanılan Veri ve Yazılımlar 94 4.4. Uygulama Aşamaları 95 4.4.1. Uydu Görüntülerinin Geometrik Düzeltilmesi ve Yeniden Örneklenmesi 95 4.4.2. Arazi Örtüsü Sınıfları ve Eğitim Alanlarının Belirlenmesi 96 4.4.3. Uydu Görüntülerinin Sınıflandırılması 97 4.4.3.1. En Çok Benzerlik Yöntemi ile Sınıflandırma 98 4.4.3.2. Destek Vektör Makineleri ile Sınıflandırma 99 4.4.3.2.1. Polinom Kernel Fonksiyonu ile Sınıflandırma 100 4.4.3.2.2. Radyal Tabanlı Kernel Fonksiyonu ile Sınıflandırma 104 4.4.3.2.3. Pearson VII Fonksiyonu ile Sınıflandırma 108 4.4.3.3. Karar Ağaçları ile Sınıflandırma 111 4.4.3.3.1. C4.5 Karar Ağacı Algoritması ile Sınıflandırma 111 4.4.3.3.2. Karar Ağacı İyileştirme Algoritmaları ile Sınıflandırma 115 4.4.3.3.2.1. Hızlandırma Algoritması İle Sınıflandırma 115 4.4.3.3.2.2. Torbalama Algoritması İle Sınıflandırma 117 4.4.3.3.2.3. Çoklu Hızlandırma Algoritması İle Sınıflandırma 119 4.4.3.3.2.4. Rastgele Orman Algoritması İle Sınıflandırma 122 4.4.3.3.2.5. DECORATE Algoritması İle Sınıflandırma 125

x 4.4.3.4. Yapay Sinir Ağları ile Sınıflandırma 128 4.4.3.5. K-Star Algoritması İle Sınıflandırma 129 5. SONUÇLAR VE ÖNERİLER 132 KAYNAKLAR DİZİNİ 139 ÖZGEÇMİŞ 153

xi ŞEKİLLER DİZİNİ Şekil Sayfa 2.1. Elektromanyetik dalgalar. 5 2.2. Elektromanyetik spektrum ve uzaktan algılamada kullanılan bölgeleri. 6 2.3. Toprak, bitki ve su için genelleştirilmiş spektral yansıtım grafiği. 10 2.4. Uzaktan algılama uyduları için anlık görüş alanının açısal ve uzunluk olarak ifadesi. 2.5. Konumsal çözünürlük kavramı. (a) 1 metre, (b) 10 metre, (c) 30 metre çözünürlüklü görüntüler. 13 13 2.6. En kısa uzaklık (spektral uzaklık) sınıflandırıcısı. 24 2.7. Paralelkenar sınıflandırıcısı. 25 3.1. İki sınıflı bir problemde verileri ayıran hiper düzlemler. 32 3.2. İki sınıflı bir problemde en uygun hiper düzlem, sınır ve destek vektörleri. 3.3. Doğrusal olarak ayrılabilen veri setleri için hiper düzlemin belirlenmesi. 32 35 3.4. Doğrusal olarak ayrılamayan veri seti. 38 3.5. Ayrım yapılamayan veri setleri için hiper düzlemler. 38 3.6. Doğrusal olmayan verin yüksek boyutlu uzaya dönüşümü ve verinin doğrusal olarak ayrılması. 3.7. Beş boyutlu bir özellik uzayı ve üç sınıf için bir sınıflandırma ağacı. Şekilde xi özellik değerlerini, ηi eşik değerlerini ve Y ise sınıf etiketlerini göstermektedir. 41 51 3.8. Tek değişkenli karar ağacının paralel eksenli karar sınırları. 61 3.9. Çok değişkenli karar ağacı sınıflandırıcısı için karar sınırları. 63 3.10. Melez karar ağacı sınıflandırıcısına ait örnek bir yapı. 64 3.11. Karar ağacı sınıflandırıcısının birleşimi olan sınıflandırıcı. 69 3.12. Biyolojik nöronun genel yapısı ve bileşenleri. 77

xii 3.13. Yapay nöronun genel yapısı ve bileşenleri. 78 3.14. Dört tabakalı ileri beslemeli basit bir çok katmanlı perseptron ağı. 82 4.1. Çalışma alanı haritası. 93 4.2. En çok benzerlik yöntemiyle elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.3. Landsat ETM+ uydu görüntüsü için düzenleme parametresi C deki değişimlerin sınıflandırma doğruluğuna etkisi. 4.4. Terra ASTER uydu görüntüsü için düzenleme parametresindeki (C) değişimlerin sınıflandırma doğruluğuna etkisi. 4.5. Landsat ETM+ uydu görüntüsü için polinom derecesindeki (d) değişimlerin sınıflandırma doğruluğuna etkisi. 4.6. Terra ASTER uydu görüntüsü için polinom derecesindeki (d) değişimlerin sınıflandırma doğruluğuna etkisi. 4.7. Polinom kernel fonksiyonu kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.8. Landsat ETM+ uydu görüntüsü için düzenleme parametresi C deki değişimlerin sınıflandırma doğruluğuna etkisi. 4.9. Terra ASTER uydu görüntüsü için düzenleme parametresi C deki değişimlerin sınıflandırma doğruluğuna etkisi. 4.10. Landsat ETM+ uydu görüntüsü için Gama parametresindeki (γ ) değişimlerin sınıflandırma doğruluğuna etkisi. 4.11. Terra ASTER uydu görüntüsü için Gama parametresindeki (γ ) değişimlerin sınıflandırma doğruluğuna etkisi. 4.12. Radyal Tabanlı kernel fonksiyonu kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.13. Landsat ETM+ uydu görüntüsü için düzenleme parametresindeki (C) değişimlerin sınıflandırma doğruluğuna etkisi. 4.14. Terra ASTER uydu görüntüsü için düzenleme parametresindeki (C) değişimlerin sınıflandırma doğruluğuna etkisi. 4.15. PUK fonksiyonu kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.16. Landsat ETM+ görüntüsünün sınıflandırılması için (a) budama öncesi, (b) budama sonrası oluşturulan modeller. 99 101 101 102 102 103 104 105 106 106 107 109 109 110 114

xiii 4.17. C4.5 algoritması ve ön budama yöntemiyle oluşturulan tematik haritalar. (a) Landsat ETM+ görüntüsü (b) Terra ASTER görüntüsü. 4.18. Landsat ETM+ için oluşturulacak modelde seçilecek iterasyon sayısı ve elde edilen sınıflandırma doğrulukları. 4.19. Terra ASTER için oluşturulacak modelde seçilecek iterasyon sayısı ve elde edilen sınıflandırma doğrulukları. 4.20. Hızlandırma algoritması ile elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.21. Landsat ETM+ için oluşturulacak modelde seçilecek iterasyon sayısı ve elde edilen sınıflandırma doğrulukları. 4.22. Terra ASTER için oluşturulacak modelde seçilecek iterasyon sayısı ve elde edilen sınıflandırma doğrulukları. 4.23. Torbalama yöntemiyle elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.24. Landsat ETM+ için alt komitelerin sayısı ve sınıflandırma doğrulukları. 114 115 116 116 117 118 118 119 4.25. Landsat ETM+ için iterasyon sayısı ve sınıflandırma doğrulukları. 120 4.26. Terra ASTER için oluşturulacak modelde seçilecek alt komitelerin sayısı ve elde edilen sınıflandırma doğrulukları. 4.27. Terra ASTER için oluşturulacak modelde seçilecek iterasyon sayısı ve elde edilen sınıflandırma doğrulukları. 4.28. Çoklu hızlandırma algoritması ile elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.29. Landsat ETM+ görüntüsü için çeşitli sayıdaki özellikler ile genel sınıflandırma doğruluğundaki değişimler. 4.30. Landsat ETM+ görüntüsü için üç özellik kullanılarak oluşturulacak ağaç sayıları ile genel sınıflandırma doğruluğundaki değişimler. 4.31. Terra ASTER görüntüsü için çeşitli sayıdaki özellikler ile genel sınıflandırma doğruluğundaki değişimler. 4.32. Terra ASTER görüntüsü için her bir düğümde iki özellik ile oluşturulacak ağaç sayıları ve genel sınıflandırma doğruluğundaki değişimler. 4.33. Rastgele orman algoritması ile elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 120 121 122 123 123 124 124 125

xiv 4.34. DECORATE algoritması kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.35. Yapay sinir ağları kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü. 4.36. Landsat ETM+ görüntüsü için harmanlama parametresi ve genel sınıflandırma doğruluğundaki değişimler. 4.37. Terra ASTER görüntüsü için harmanlama parametresi ve genel sınıflandırma doğruluğundaki değişimler. 4.38. K-star algoritması kullanılarak elde edilen tematik haritalar. (a) Landsat ETM+ görüntüsü, (b) Terra ASTER görüntüsü 5.1. Landsat ETM+ ve Terra ASTER görüntüsünün sınıflandırılmasında kullanılan yöntemler ve elde edilen genel sınıflandırma doğrulukları. 127 129 130 130 131 132

xv TABLOLAR DİZİNİ Tablo Sayfa 2.1. Landsat uydularının teknik özellikleri 28 2.2. Terra ASTER uydusunun teknik özellikleri 29 2.3. SPOT uydularının teknik özellikleri 30 3.1. Kernel fonksiyonları ve kullanımları 43 3.2. Adaboost yönteminde kullanılan eğitim verilerinin oluşturulması 71 3.3. Torbalama yönteminde kullanılan eğitim verilerinin oluşturulması 72 4.1. En Çok Benzerlik (EÇB) yöntemi ile elde edilen sınıflandırma doğrulukları 4.2. Polinom kernel fonksiyonu için belirlenen en uygun parametre değerleri ve elde edilen genel sınıflandırma doğrulukları 4.3. Radyal Tabanlı Fonksiyon Kerneli için belirlenen en uygun parametre değerleri ve elde edilen genel sınıflandırma doğrulukları 4.4. Pearson VII fonksiyonu için belirlenen en uygun parametre değerleri ve elde edilen genel sınıflandırma doğrulukları 4.5. Landsat ETM+ ve Terra ASTER görüntülerin budama yapılmaksızın oluşturulan karar ağaçları ile sınıflandırılması ile elde edilen sonuçlar 4.6. Landsat ETM+ ve Terra ASTER görüntülerin ön budama yöntemiyle oluşturulan karar ağaçları ile sınıflandırılması ile elde edilen sonuçlar 4.7. DECORATE algoritması için belirlenen en uygun parametre değerleri ve elde edilen genel sınıflandırma doğrulukları 5.1. 1997 ve 2002 yıllarında arazi kullanımında meydana gelen değişimlerin analizi 98 103 107 110 112 113 127 137

1 1. GİRİŞ 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. Uzaktan algılama teknolojilerinin sahip olduğu en önemli avantajlar farklı konumsal, spektral, radyometrik ve zamansal çözünürlüklere sahip görüntüleri kullanma imkanı vermesidir. Zamansal çözünürlük özellikle arazi örtüsü/kullanımında meydana gelen değişimlerin tespit edilmesi ve sürdürülebilir çevre açısından önem kazanmaktadır. Uydu görüntüleri üzerinden arazi örtüsü/kullanımının 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. 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 kullanılan bir yaklaşımdır. Bu yöntemde görüntü piksellerinin sahip olduğu spektral özellikler kullanılarak benzer özelliklere sahip piksellerin spektral sınıflar oluşturması ile işlem gerçekleştirilir. Kontrollü sınıflandırma olarak bilinen yaklaşımda sınıflandırma öncesinde tüm görüntüyü temsil eden ve sınıfları belli olan sınırlı sayıdaki piksellerin kullanımı söz konusudur. 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 [Wang, 1990; Hansen et al., 1996]. Son yıllarda

2 uzaktan algılanmış görüntülerin sınıflandırılmasında kullanılmaya başlanılan yapay sinir ağları, destek vektör makineleri, karar ağaçları ve örnek tabanlı sınıflandırıcılar gibi güçlü ve yüksek genelleştirme kabiliyetine sahip kontrollü sınıflandırma yöntemleri uygulamalarda yer almaktadır. Başlangıçta iki sınıflı verilerin sınıflandırılmasında kullanılan destek vektör makineleri (DVM) sınıflar arasındaki en uygun ayrımı yapan bir hiper düzlemin belirlenmesi esasına dayanmaktadır. DVM uzaktan algılanmış görüntülerde olduğu gibi çok sınıflı ve doğrusal olmayan verilerin sınıflandırılmasında kernel fonksiyonlarını kullanarak veriyi daha yüksek boyutlu bir uzayda görüntülemekte ve doğrusal olarak ayrımını gerçekleştirmektedir [Huang et al., 2002]. Karar ağaçları (KA) uydu görüntülerinin sınıflandırılması gibi karmaşık yapıdaki bir sınıflandırma problemini çok aşamalı bir hale getirerek bir karar verme işlemi gerçekleştirir [Safavaian and Landgrebe, 1991]. Her bir aşamada kullanılan değişkenlerin sayısına bağlı olarak tek değişkenli veya çok değişkenli karar ağaçları vardır [Friedl and Brodley, 1997]. Tek değişkenli karar ağaçları genellikle küresel ölçekte arazi örtüsü sınıflandırmaları için kullanılmaktadır [DeFries et al., 1998; Hansen et al., 2000]. Çok değişkenli karar ağaçları tek değişkenli karar ağaçlarına göre daha hassas olmalarına rağmen, daha karmaşık algoritmalar içermektedirler. Literartürde karar ağaçlarının sınıflandırma performansını arttırmaya yönelik çeşitli yaklaşımlar geliştirilmiştir. Bunlar arasında en çok kullanılan yaklaşım birden çok sınıflandırıcının birleştirilerek tek bir sınıflandırıcının elde edilmesi ve sonuç sınıflandırıcının kullanılması olarak ifade edilen yaklaşımdır [Opitz and Maclin, 1999; Pal and Mather, 2003]. Hızlandırma, torbalama, çoklu hızlandırma, rastgele orman ve DECORATE algoritmaları birleştirme işleminde kullanılana algoritmalardan en önemlileridir. Bu algoritmalar temel olarak yeniden örneklenen eğitim setleri ile sınıflandırıcıların ayrı ayrı eğitilmesi ve sonuçta ortaya çıkan tahminler ile sınıflandırma işleminin gerçekleştirilmesi işlemlerini içermektedirler. 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

3 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 [Lippman, 1987]. Bunlar arasında çok katmanlı perseptron (ÇKP) uzaktan algılanan görüntülerin sınıflandırılmasında en yaygın olarak kullanılan [Paola and Schowengerdt, 1995; Atkinson and Tatnall, 1997] yöntem olmuştur. Örnek tabanlı sınıflandırıcılar, pikseller arasındaki spektral uzaklıkların yada benzerliklerin belirlenmesi ile sınıflandırma işlemini gerçekleştiren yöntemlerdir. Söz konusu uzaklıkların belirlenmesinde çeşitli uzaklık (benzerlik) fonksiyonlarından yararlanmaktadırlar. Cleary and Trig (1997) tarafından önerilmiş K-star sınıflandırıcısı pikseller arasındaki uzaklığın belirlenmesinde bilgi teorisine dayanan entropik uzaklık ölçüsünü kullanmaktadır. Bu tez çalışmasında Kocaeli ili, Gebze ilçesini kapsayan 1997 ve 2002 tarihli Landsat ETM+ ve Terra ASTER uydu görüntüleri üzerinden arazi örtüsü/kullanımının belirlenerek, tematik haritaların elde edilmesi amaçlanmıştır. Sınıflandırma işleminde en çok benzerlik sınıflandırıcısının yanında tez kapsamında detaylı olarak incelenen ileri sınıflandırma tekniklerinden yapay sinir ağları, destek vektör makineleri, karar ağaçları ve K-star sınıflandırıcıları kullanılmıştır. Bu tekniklerin yanında hızlandırma, torbalama, çoklu hızlandırma, rastgele orman ve DECORATE algoritmaları kullanılarak karar ağacı performansında meydana gelen değişimler analiz edilmiştir. Söz konusu ileri sınıflandırma tekniklerinin kullanımında kullanıcı tarafından belirlenmesi esas olan parametreler ve bu parametrelerin sınıflandırma sonucuna etkileri araştırılmış ve elde edilen sonuçlar analiz edilmiştir. Yöntemler için belirlenen en uygun parametre değerleri kullanılarak oluşturulan modeller ile Landsat ETM+ ve Terra ASTER görüntüleri sınıflandırılmış ve çalışma alanına ait arazi örtüsü/kullanımını gösteren tematik haritalar oluşturulmuştur. Çalışmada kullanılan tüm sınıflandırma yöntemleri karşılaştırılarak uzaktan algılanmış görüntülerin sınıflandırılmasında kullanımları, olumlu ve olumsuz yönleri değerlendirilerek irdelenmiştir.

4 2. UZAKTAN ALGILAMA VE TEMEL ESASLARI Uzaktan algılama bir cisimle direkt temas etmeksizin onun fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanmaktadır [Lillesand and Kiefer, 1994]. Yeryüzünden belirli uzaklıkta, atmosferde veya uzayda hareket eden platformlara yerleştirilmiş ölçüm aletleriyle objelerle fiziksel temasa geçilmeksizin, yeryüzünün doğal ve yapay objeleri hakkında bilgi alma ve bunları değerlendirme tekniğidir [Sesören, 1999]. Jeoloji, ormancılık, hidroloji, tarım, şehircilik gibi bilim dalları uzaktan algılamanın uygulamalarının bulunduğu, bütünleştiği bilim dalıdır. Uzaktan algılamada uydular üzerinde taşınan algılayıcılar ile yapılan gözlem ve ölçümler dikkate alınmaktadır. Uzaktan algılama sistemlerinde ölçülen nicelik, ilgilenilen cisimden yayılan elektromanyetik enerjidir. Uydular veya hava araçları üzerinde taşınan aletlerle yapılan gözlem ve ölçümlerde elektromanyetik enerjiden yararlanılır [Kavzoğlu, 2008]. 2.1. Işık Kaynağı ve Elektromanyetik Enerji Uzaktan algılama teknolojileri ile yeryüzündeki objelerin algılanabilmesinde ilk gereksinim algılanmış enerji hedeften yayılmadıkça hedefi aydınlatmak için bir enerji kaynağına sahip olunmasıdır. Uzaktan algılamada kullanılan en önemli enerji kaynağı güneştir. Elektromanyetik enerji elektromanyetik dalgalar olarak yeryüzüne ulaşır. Işık bir enerjidir ve güneşten gelen elektromanyetik dalgalar halinde yeryüzüne ulaşır. Bu enerji elektromanyetik radyasyon şeklindedir. Uzaktan algılamada, enerjinin ışıma yolu ile taşınması elektromanyetik radyasyon olarak ifade edilir. Şekil 2.1 de genel yapısı gösterilen elektromanyetik radyasyon (EMR) bir elektriksel alan (E) ve elektriksel alana dik yönde bir manyetik alandan (M) oluşur. Bu alanlarda ışık hızında hareket eden sinüzoidal yapıdaki dalgaların her ikisi de yayılma yönüne dik açı yapmaktadırlar.

5 Şekil 2.1. Elektromanyetik dalgalar. Bir elektromanyetik dalga tepesinden diğerine olan uzaklığa dalga boyu denir. Birim zamanda sabit bir noktadan geçen dalga sayısı veya saniyedeki titreşim sayısı frekans olarak adlandırılır. Elektromanyetik enerjinin yayılma hızı aynı ortam içerisinde her yerde sabit olup 3x10 8 m/sn dir. Elektromanyetik spektrum (EMS), 3x10 8 m/sn hızla hareket eden, dalga uzunluğu nanometreden kilometreye kadar uzanan sürekli enerji ortamıdır. Bütün cisimler az veya çok elektromanyetik enerji yayarlar. Elektromanyetik spektrum yapılan çalışmalarda kolaylık sağlanması açısından belirli bölgelere ayrılmıştır. Ancak bu bölgeler arasında kesin bir sınır yoktur ve bazı kısımları çakışabilmektedir [Sesören, 1999]. Şekil 2.2 de elektromanyetik manyetik spektrum ve belirlenen bölgeleri gösterilmektedir. Bu bölgelerden yaklaşık olarak 0.4 µm ile 0.7 µm arası görünür bölge olarak adlandırılmakta ve insan gözünün görebildiği dalga boyu aralığını ifade etmektedir. Görünür bölge dalga boyu aralığı içerisinde 0.4 µm ile 0.5 µm mavi, 0.5 µm ile 0.6 µm yeşil ve 0.6 µm ile 0.7 µm kırmızı renge karşılık gelen dalga boylarıdır. Kızıl ötesi ışınlar özellikle de yakın kızıl ötesi; bitkilerde var olan klorofile duyarlıdır. Mikro dalga ışınlar ise yükseklik ve neme ilişkin çalışmalarda daha çok kullanılır. 0.4 µm 1.5 µm arası bitki, toprak ve kimyasal araştırmalar için kullanılmaktadır. Termal bantlar yeryüzü ısısını gösterirler. Bu bantlar özellikle jeolojik çalışmalar için önemlidir. Mineral, petrol ve kimya türü belirlenmesini bu bantlar yardımıyla yapabilmektedir. Özellikle gece ve gündüz algılanmış görüntüler bu araştırmalara yardımcı olur. Uzaktan algılanmış görüntülerin bilgisayarda görüntülenmesinde sadece üç ana renge atama yapabileceğimizden seçeceğimiz üç bantla False-Color görüntüleme yapılabilir [Kavzoğlu, 2008].

6 Dalga Boyu (metre) Radyo Mikrodalga Kızılötesi Görünür Mor Ötesi X - ışını Gama - ışını Frekans (Hz) Şekil 2.2. Elektromanyetik spektrum ve uzaktan algılamada kullanılan bölgeleri. 2.2. Atmosferik Etkiler Güneşten yayılan elektromanyetik enerji yeryüzüne ulaşmadan önce yoğun bir atmosfer tabakasından geçişi ve atmosferi oluşturan bileşenler ile etkileşimi söz konusudur. Bu enerjinin atmosferi oluşturan bileşenlerle etkileşimi sonucunda enerji bir takım değişikliklere uğrar. Başka bir ifadeyle verilerin uçak veya uydu alıcıları tarafından algılanmalarında, algılayıcı ile hedef arasındaki atmosfer ve ışınım kaynağı ile hedef arasındaki atmosfer verileri etkiler. Atmosfer uzaktan algılama verilerini saçılma ve soğurulma olmak üzere iki şekilde etkileyebilir. Saçılım, ışınımın atmosferdeki taneciklerinden yansıması veya kırılması ile oluşur. Bu tanecikler atmosferi oluşturan gaz molekülleri, toz tanecikleri ve su damlacıklarıdır. Genel varsayım, ister güneşten gelsin ister yeryüzünden yansısın saçılan ışınımın zayıflamayıp sadece yeniden yönlendiğidir. Bu yeniden yönlenme genel olarak dalga boyuna bağlıdır. Saçılmayan ışınım ise, dalga boyuna bağlı olarak atmosfer tarafından soğurulur ve sonuçta atmosfer, soğurulan bu ışınım tarafından ısınır. Hiç soğurulma olmaması halinde saf saçılma olur. Bu durumda sadece enerji yeniden yönlenmiş olur. Uzaktan algılamada saçılımın etkisi, algılayıcının enerjinin bir bölümünü kaydedememesidir.

7 Saçılım, teorik olarak saçılan ışınımın dalga boyu ile saçılıma neden olan taneciklerin büyüklüğü arasındaki bağıntıya bağlı olarak üç farklı kategoriye ayrılabilir. Bunlar Rayleigh, Mie ve Seçici olmayan saçılımlardır. Rayleigh Saçılımı, ışının dalga boyunun, saçan taneciklerden çok daha büyük olması halinde oluşur. Bu saçılım sayesinde, gökyüzü mavi görünür. Güneşin batışındaki kızıllığın nedeni de bu saçılımdır. Güneş ufka yaklaştığında ışınlar atmosferde daha uzun bir yol kat ettiğinden daha kısa dalga boylu olan ışınımlar saçılır ve sadece kırmızı ve turuncu gibi daha uzun dalga boylu ışınım gözümüze gelir. Bu saçılımın etkisini gidermek için hava fotoğrafı çekimi sırasında özel filtreler konmaktadır. Mie saçılımı, ışığın dalga boyunun atmosferdeki taneciklerle yaklaşık eşit büyüklüklerde olmasından kaynaklanır. Bu saçılım genellikle puslu atmosferik koşullardaki spektrum boyunca oluşur ve görüntülerde genel bir kalite düşüklüğü şeklinde kendini gösterir. Seçici olmayan saçılım ise, taneciklerin ışının dalga boyundan çok daha geniş olması halinde oluşur. Bu saçılım genellikle atmosferin çok toz yüklü olması durumunda ortaya çıkar ve elde edilen verilerin önemli ölçüde zayıflamasına yol açar [Örmeci, 1987]. 2.3. Atmosferik Pencereler ve Nesnelerin İmzası Atmosfer, güneşten yeryüzüne gelen elektromanyetik enerjinin bazı bölümlerini büyük oranda soğururken, bazı bölümlerinin geçişine izin vermektedir. Elektromanyetik spektrumun fazla soğrulmadan atmosferden geçen bölümleri atmosferik pencereler olarak adlandırılmaktadır [Tatar ve Tatar, 2006]. Diğer bir ifadeyle atmosferik pencereler, elektromanyetik spektrumun radyasyonun geçmesine izin verdiği kısımlardır [Sesören, 1999]. Elektromanyetik spektrumda atmosferik pencerelerin bulunduğu dalga boyu bölgelerinde atmosferin içerisinde bulunan bileşikler güneşten gelen elektromanyetik enerjiyi; soğurma, yansıtma ve saçılma nedeniyle fazlaca etkilemezler. Bu nedenle, atmosfere gelen enerji pencerelerin bulunduğu yerlerden geçerek yeryüzüne ulaşabilirken, pencerelerin bulunmadığı dalga boyu aralıklarında atmosferden hemen hemen hiç geçememekte, dolayısıyla yer yüzeyine ulaşamamaktadır. Başlıca atmosferik pencereler, mor ötesi, görünür bölge, termal bölge, mikrodalgalar ve radar bölgelerinde bulunmaktadır. Uzaktan

8 algılama çalışmalarında uygulama konusuna göre bant seçiminde söz konusu atmosferik pencereler son derece önemlidir. Elektromanyetik enerjinin 400 µm den küçük ve 1 µm nin üzerindeki dalga boyları atmosferin bileşenleri tarafından soğurulur. Görünür bölge dalga boyu aralığının tamamı bir atmosferik pencereye oluştururken, kızılötesi dalga boyu aralığının yalnızca bazı bölgelerinde atmosferik pencereler mevcuttur. Bu nedenle uzaktan algılama uygulamalarında görünür, kızılötesi ve termal dalga boyları kullanılmaktadır [Sesören, 1999]. Uzaktan algılama dalga uzunluğu ve cismin ısısına bağlı olarak ışıyan enerji miktarı önemlidir. Elektromanyetik enerji katı, sıvı veya gaz halindeki cisimlerle temasta şiddet, doğrultu, dalga uzunluğu, polarizasyon ve faz farkı gibi bakımlardan birçok değişikliğe uğramaktadır. Uzaktan algılamada bu değişiklikler belirlenip, kayıt edilir. Bu işlem sonucu ortaya çıkan görüntü ve veriler kayıt edilen elektromanyetik ışınımda değişikliğe neden olan cismin özelliklerinin belirlenmesi için yorumlanmaktadır [Örmeci, 1987]. Bir cisme veya yüzeye kaynaktan (güneş) gelen enerji geçirilir, yutulur, saçılır ve/veya yansıtılır. Cisim ve enerji arasındaki bu ilişki uzaktan algılamanın temelini oluşturmaktadır. Uzaktan algılanmış görüntülerde her element veya objenin yapısına göre bu objeler farklı şekilde algılanır. Diğer bir ifadeyle, yeryüzü üzerindeki her bir objenin elektromanyetik enerji ile ilişkisi farklıdır. Uzaktan algılamada buna nesnelerin imzası veya özel davranışı denir. Yeryüzü üzerindeki objelerin uzaktan algılama yöntemiyle ayırt edilebilmelerinin en önemli nedeni; yeryüzü üzerinde bulunan objelerin farklı spektral özelliklere sahip olmasıdır. Uzaktan algılama sistemleri, seçilen dalga boyu bantlarında yer yüzeyindeki cisimlerden yansıyan ve yayılan enerji miktarlarındaki değişimleri kayıt etmektedir. Veriler, fotoğrafik algılayıcılarla doğrudan doğruya fotoğrafik film olarak kaydedilebileceği gibi; tarayıcı sistemlerle yansıyan veya yayılan enerji manyetik bir banda sayısal olarak kaydedilebilir. Daha sonra elde edilen bu veriler yeryüzü üzerindeki objelerin yorumlanması ve analizi için kullanılmaktadır. Elektromanyetik enerjinin herhangi bir cisimle etkileşimi dalga boyuyla ilişkilidir. Bir başka deyişle, farklı etkileşimler enerjinin farklı dalga boylarında olur. Enerji etkileşiminin dalga boyuna bağımlı olması nedeniyle, uzaktan algılayıcılar

9 farklı cisimlerdeki bu değişikliği çeşitli dalga boyları için ayırt edilebilecek şekilde tasarlanmıştır. Yansıyan, soğurulan ve geçirilen enerji miktarı; yeryüzüne ait nesnenin türü ve durumuna bağlı olarak değişmektedir. Bu değişiklikler, bir görüntü üzerindeki farklı nesneleri sınıflandırma olanağı verir. Söz konusu nesne için yansıyan, soğrulan ve geçirilen enerji her bağımsız dalga boyunda farklılık gösterir. Bu nedenle herhangi iki nesne bir spektral alanda sınıflandırılamazken, bir başka dalga boyu bandında çok büyük farklılıklar gösterebilir. Uzaktan algılanan verilerinin bilgisayar ortamında analiz edilebilmesi için objelerin spektral özelliklerinin bilinmesi gerekmektedir. Bu nedenle çeşitli bitki örtülerinin, toprağın, suyun ve ilgilenilen diğer yer yüzeyi özelliklerinin spektral özelliklerinin bilinmesi, uzaktan algılanan verilerin uygun bir şekilde analizi ve yorumlanması açısından son derece önemlidir [Maktav ve Sunar, 1991]. Şekil 2.3 te bitki örtüsü, toprak ve suya ait spektral yansıma eğrileri gösterilmiştir. Şekilde görüleceği üzere yeşil bitki örtüsünün spektral yansıtımı diğerlerinden farklı olup dalga boyuna göre değişmektedir. Görünür dalga boylarında (0.4 0.7 µm) özellikle yeşil bitkilerin yapısında yoğun bir şekilde bulunan klorofil maddesi önemlidir. Yakın kızılötesi bölgesinde yansıtım önemli derecede artar, çünkü bu bölgede yeşil yaprak çok az enerji soğurmaktadır. Orta kızıl ötesi bölgede ise su belirli dalga boylarındaki enerjiyi çok fazla soğurur ve yeşil yapraklar çok fazla nem içerdiğinden bu su-soğurma bantları bu bölgede baskındır. Bitkilerdeki klorofilin soğurması mavi ve kırmızı bantlarda gerçekleşir. 0.5 0.6 µm arası klorofil yansıtması mavi ve kırmızıya göre daha yüksektir. Ancak en yüksek yansıma değeri yakın kızılötesi bölgesinde oluşur. Görünür dalga boylarında, yeşil bir yaprağa gelen enerjinin büyük bir kısmı soğurulur ve çok azı yapraktan geçer. Yeşil dalga boylarındaki bu düşük soğurma sağlıklı yaprakları yeşil olarak görmemize neden olmaktadır. Bitkilerin yapısında karoten, ksantofil ve antosyanin pigmentleri bulunmaktadır. Yeşil bir bitki yaşlandıkça yapısındaki klorofil miktarı azalır ve bitki yapısındaki karoten ve ksantofil pigmentleri baskın hale gelir. Bu durum ağaç yapraklarının son baharda sarı renk almasının temel nedenidir. Bazı ağaç türlerinin sonbaharda açık kırmızı görünmesinin nedeni ise aynı şekilde klorofil miktarının azalması ile birlikte ağaç yapısındaki antosyanin pigmentlerinin baskın hale gelmesidir.[maktav ve Sunar, 1991].

10 60 Toprak 50 Yansıtma Oranı (%) 40 30 20 Su Yakın Kızılötesi Bitki 10 0.3 0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3 Dalga Boyları (µm) Şekil 2.3. Toprak, bitki ve su için genelleştirilmiş spektral yansıtım grafiği. Toprak maddelerinin çoğunun spektral özellikleri genellikle bitki örtülerinde olduğu kadar karmaşık değildir. Toprağın spektral yansıması temel olarak kimyasal yapısına (mineral ve organik maddeler), optik geometrik saçılmaya (parçacık büyüklüğü ve pürüzlülük) ve yüzeyin nemlilik durumuna bağlıdır. Büyük tanecikler arasındaki boşluklarda hava ve su birikir bu da yansıma değerini düşürür. Küçük tanecikliler daha çok yansıma verir. Nemli olunca daha az yansıma verir. Organik madde içeriği arttıkça yansıma değeri düşer ve toprak daha koyu gözükür. Demir oksit miktarı da yansımayı düşürür. Topraktaki nemin belirlenmesinde termal bant çok önemlidir. Çünkü nemli olan yerde buharlaşma olur ve çevreye göre daha soğuktur. Yansıtıcı bölgede çok koyu termal bölgede çok açık olan bir toprak organik içerik açısından zayıftır [Maktav ve Sunar, 1991]. Suyun spektral duyarlılığı dalga boyuna göre değişmektedir. Su ile enerji arasındaki etkileşimler, suyun mevcut yapısının bir sonucudur ve suyun çeşitli durumlarından etkilenir. Suyun diğer örtü tiplerinden ayrımı en iyi şekilde yansıtıcı kızılötesi dalga boyları (yakın kızılötesi ve orta kızılötesi) kullanılarak yapılır. Su kitlelerinin uzaktan algılama ile konumlandırılması ve sınıflandırılması, en kolay, yakın kızılötesi dalga boylarında yapılabilir. Diğer taraftan suyun durumunun bazı yönleri ise, görünür dalga boylarında elde edilen verilerin kullanılması ile en iyi saptanabilir. Doğal bir ortamda, su çok sığ bile olsa, su kitleleri, yakın kızılötesi ve

11 orta kızıl ötesi dalga boylarının her ikisinde de, gelen enerjinin hemen hemen tümünü soğurur. Suyun, enerjiyi, yakın ve kızıl ötesi dalga boylarında bu kadar etkin bir biçimde soğurması nedeniyle, bu dalga boylarında yansıtılacak çok az enerji vardır. Bu durum, su özelliklerinin, spektrumun yansıtıcı kızılötesi bölgesi boyunca, hem bitki örtüsünden, hem topraktan daha önemli ve daha farklı bir düşük yansıtıma sahip olmasına neden olduğundan, uzaktan algılama amaçları açısından oldukça avantajlıdır. Kızılötesi yansıtımdaki bu tür belirgin farklar, su kitlelerinin kolaylıkla tanımlanmasını ve haritalanmasını sağlamaktadır [Maktav ve Sunar, 1991]. Yeryüzü üzerindeki çeşitlilik düşünüldüğünde, yer yüzeyi üzerindeki objelerin spektral özelliklerinin her yerde aynı olmadığı görülmektedir. Hatta herhangi bir objeye ait spektral özelliklerin dahi coğrafi konuma ve zamana göre değişkenlik gösterdiği söylenebilir. Örneğin buğday, güneyde olgunlaşmış ve biçilmekte iken, aynı tarihte kuzeyde halen yeşildir ve bu nedenle buğday tamamen farklı bir spektral özelliğe sahiptir. Zamana bağlı değişim göz önüne alındığında; örneğin Temmuz ayında yeşil olan bir orman örtüsü, Eylül sonlarında cinsine bağlı olarak kırmızı, sarı veya kahverengi olabilir. Çok sayıda yaprak döken ağaçlar ve geniş yeşil alanlara sahip bölgeler; sonbaharda yapraklar ağaçlardan döküldükten ve çimenler sarardıktan sonra, birkaç ay öncesine nazaran çok farklı spektral özelliğe sahip olacaklardır. Bu nedenle, uzaktan algılama verileri için en uygun zamanın belirlenmesinde; yeryüzü üzerindeki biyolojik çeşitliliğe ait mevsimsel değişimlerin veya zamana göre değişebilirliğin dikkate alınması gerekir [Kavzoğlu, 2008]. 2.4. Uzaktan Algılamada Çözünürlük Kavramı Çözünürlük genel anlamda ekranda veya monitörde görünen piksel sayısını ifade ederken uzaktan algılamada görüntüdeki bir pikselin yeryüzündeki karşılığını ifade etmektedir. Bir resim, görüntü matrisini oluşturmak üzere ızgara biçiminde küçük alanlara bölündüğü zaman oluşan her elemana resim elemanı ya da piksel adı verilir. Geometrik ayrım, diğer bir ifadeyle çözünürlük kavramı ile yakından ilişkili olan piksel sayısı görüntünün en küçük parçasıdır. Her bir piksel Ps x, Ps y boyutunda bir resim elemanına karşılık gelir. Piksellerin bu Ps x, Ps y boyutuna geometrik çözünürlük denir [Ayhan, 2003]. Pikseller genellikle kare biçimindedirler.

12 Yeryüzünde bir piksele karşılık gelen alan ne kadar değişik görünüm ve değere sahip olursa olsun, pikselin bir spektral banttaki değeri tek bir sayı ile ifade edilir. Sayısal bir görüntü, bir resmin sürekli bir biçimde sayısallaştırılması ile elde edilebileceği gibi, modern çok bantlı tarayıcılar ve bazı elektronik kameralar ile direkt olarak elde edilebilirler. Sayısal görüntü elde edebilen bir tarayıcı yapısı itibariyle belirli bir anda yeryüzünde ancak belirli bir alana ait spektral değeri kaydeder. Algılayıcının belirli bir anda yeryüzünde görüntüleyebildiği alana anlık görüş alanı adı verilir. Uzaktan algılamada konumsal, spektral, radyometrik ve zamansal çözünürlük olmak üzere dört farklı çözünürlük söz konusudur. 2.4.1. Konumsal Çözünürlük Konumsal çözünürlük veya konumsal ayırma gücü görüntü üzerindeki objelerin ayırt edilebilirliği ile ilgilidir ve belirlenebilen özelliğin olası en küçük boyutunu ifade eder. Başka bir ifadeyle; bir görüntüleme sistemi tarafından kayıt edilebilen iki nesne arasındaki en küçük uzaklık olarak tanımlanan konumsal çözünürlük amaca bağlı olarak değişik ölçütlerle belirlenebilir [Ayhan, 2003]. Bu ölçütlerden birisi algılayıcının anlık görüş alanıdır (AGA). Konumsal çözünürlüğün en genel şekilde tanımı görüntüyü kaydeden sistemin alıcısının anlık görüş alanının yeryüzünde karşılığı olarak ifade edilebilir. Anlık görüş alanı, uzaktan algılama uyduları üzerinde bulunan tarayıcı optiğin gücünü ifade eder ve herhangi bir anda belirli bir yükseklikten algılayıcı sensör ile gözlenen veya kayıt edilen yeryüzüne karşılık gelen alan olarak tanımlanabilir. Uzaktan algılamada bir sensörün veya alıcının anlık görüş alanı açısaldır; yeryüzündeki karşılığı da uydu yüksekliğine göre değişebilmektedir (Şekil 2.4). Bu büyüklük aynı zamanda pikselin boyutuna eşittir. Anlık görüş alanı açısal ve uzunluk olarak iki şekilde ifade edilebilir.

13 Şekil 2.4. Uzaktan algılama uyduları için anlık görüş alanının açısal ve uzunluk olarak ifadesi. Şekilde X-Y noktaları arasındaki mesafe anlık görüş alanıdır ve bu uzaklık uydu görüntüsünde yaklaşık olarak bir piksele karşılık gelmektedir. Bu uzunluk algılayıcı tarafından yeryüzünde ayırt edilmesi mümkün olan en küçük uzunluktur. Şekil 2.5 de aynı bölgeye ait farklı konumsal çözünürlüğe sahip uydu görüntülerine ait örnekler verilmiştir. Şekilde konumsal çözünürlüğün artmasıyla görüntüdeki objelerin birbirinden ayırt edilebilirliğinin arttığı ve yorumlanma açısından daha kolay bir hale geldiği açıkça görülmektedir. Aynı şekilde çözünürlük azaldıkça objelerin ayırt edilebilmesi ve görüntünün analizi zorlaşmaktadır. (a) (b) (c) Şekil 2.5. Konumsal çözünürlük kavramı. (a) 1 metre, (b) 10 metre, (c) 30 metre çözünürlüklü görüntüler.

14 2.4.2. Spektral Çözünürlük Spektral çözünürlük, algılayıcının kaydedebileceği elektromanyetik spektrumun dalga aralıklarını ve sayısını ifade etmektedir. Bu çözünürlük genel tanımıyla kullanılan bantların sayısını ve genişliğini ifade eder. Spektral çözünürlük yeryüzündeki cisimlerin ve arazi türlerinin uzaktan algılama yolu ile tanımlanabilmeleri için gerekli olan en önemli özelliktir. Spektral özellik, her cismin yansıma, yayılma, geçirgenlik ve soğurma özelliği olarak ifade edilebilir. Algılayıcıların tasarımı da bu spektral özelliklerdeki değişiklikleri fark edecek ve istenen ayrımları yapabilecek şekilde yapılmıştır. Yeryüzündeki cisimlerin spektral özellikleri ile kendilerine has özellikleri arasında kuvvetli bir ilişki vardır. Her spektral bant elektromanyetik spektrumun belirli bir bölümüne duyarlıdır. Bu bölümlerde başlangıç ve bitiş dalga boyları ya da merkez frekansı ve bant genişliği biçiminde verilir. Uzaktan algılama aletlerinin spektral ayırma gücü kullanılan bant genişliği ile belirlenir. Daha iyi spektral çözünürlük özel bir kanal ya da bant için daha dar dalga boyu aralığı anlamındadır. Teorik olarak spektrum ne kadar çok ve küçük parçaya ayrılırsa, spektral ayırma gücü de o kadar artar. Bu nedenle en iyi çözüm en az bant kullanılarak istenilen ayrımı yapabilmektir. Spektrumun pozisyonu, genişliği ve sayısı hedefe göre düzenlenir. Spektrumun değişik bölgelerini kullanan çok bantlı görüntülere Multi-Spektral Görüntüler adı verilir. Çok bantlı veri setleri, her bir tabaka için dijital değerler ile her bir pikselin birleştirildiği değişken sayıdaki tabakaları içermektedir. Veri içinde her bir tabaka bir bandı kapsamaktadır. Uzaktan algılama uydularına ait spektral çözünürlük uydunun kaç bantta görüntü verdiği ve kullanılan her bir bandın genişliğine özelliklerine göre tanımlanır. Örneğin, Landsat MSS dört bant içinde verileri edinirken, Landsat TM yedi bantlı bir sistem içinde aynı işlemi gerçekleştirir [Gibson, 2000]. 2.4.3. Radyometrik Çözünürlük Piksellerin yapısı, bir görüntünün uzaysal yapısını tanımlarken, radyometrik özellikler bir görüntüdeki gerçek bilgiyi ifade etmektedir. Bir filmden ya da bir algılayıcı tarafından elde edilen görüntünün elektromanyetik enerji miktarına duyarlılığı, radyometrik çözünürlüğü ifade etmektedir. Yeryüzündeki her bir piksele karşılık gelen alanlardan yansıyan ışığın şiddetine göre her obje, algılayıcılar

15 tarafından değişik derecelerde kaydedilir. Buna o alıcının radyometrik çözünürlüğü adı verilir. Kısaca radyometrik çözünürlük, objeleri tanımlamada ve ayırt etmede kullanılan toplam renk tonu sayısıdır. Derecelendirme veya tonlandırma ne kadar yüksek olursa, ayırt etme gücü de o kadar yüksek olur. Bir uzaktan algılama sisteminde radyometrik çözünürlük, siyah ve beyaz renkleri arasında ölçülen gri derecelerinin sayısını ölçmektedir. Radyometrik çözünürlükte ölçme değeri bit olarak adlandırılır. Bir bitlik sistem sadece iki gri düzeyini ölçebilmektedir (2 1 =2). 8-bitlik bir sistemde 256 gri derecesi kaydedilmektedir. Böyle bir sistemde siyah renk dijital değer olarak sıfıra, beyaz renk ise 255 değerine atanmaktadır. Çoğu uzaktan algılama sisteminde radyometrik çözünürlük 6-bit ya da daha fazladır [Gibson, 2000]. Birbirlerinden farklı amaçlara hizmet eden uydular farklı radyometrik çözünürlüklere sahiplerdir. Örneğin, Landsat 1 ve Landsat 3 uyduları 6 bitlik çözünürlüğe sahipken, Hyperion uydusu 12 bitlik çözünürlüktedir. 2.4.4. Zamansal Çözünürlük Zaman içindeki değişimleri göstermeleri birçok cisim için ayrımı kolaylaştırıcı etken olmaktadır. Görüntülerin farklı zamanlarda, değişik zaman aralıklarıyla alınması çok zamanlı uydu görüntülerin elde edilmesini sağlar. Burada hem iki görüntü arasındaki zaman farkı hem de alım zamanı önemlidir. Uygun zaman aralığı amaca bağlı olarak yıl, mevsim, birkaç gün veya hafta olabilir. Uzaktan algılamanın önemli işlevlerinden biri de zaman içerisindeki değişimleri izlemektir. Bu nedenle algılayıcı sistemin ayırma gücü özelliklerin belirlenmesinde zamansal ayırma gücü sistem için tanıtıcı bir özellik olmaktadır [Ayhan, 2003]. Uzaktan algılama sistemleri için zamansal çözünürlük, aynı alan için hangi sıklıkta verilerin edinildiğini ifade etmektedir [Gibson, 2000]. Bir alıcının belirli bir noktayı ardışık olarak algılayabileceği zaman dilimidir. Örneğin, Spot uydusu 26 günde bir aynı noktadan geçerken Landsat uydularından 1. 2. ve 3. uydular 18 günde bir; 4. 5. ve 6. uydular ise 16 günde bir aynı noktadan geçerler. Atmosferik etkiler nedeniyle her uydu geçişi sırasında yapılan kayıt kullanılamamaktadır.