Uzaktan Algılama Ünite 8-14 Özet

 1

UZAL FİNAL
8. GÖRÜNTÜ İYİLEŞTİRME VE YORUMLAMA
8.1. Görüntü İyileştirme
Görüntüleri görsel olarak yorumlama ve daha iyi anlama amacıyla
uygulanır. Görüntü iyileştirmeyle, uydu görüntülerinin piksel değerleri değiştirilir,
görüntü üzerindeki özelliklerin ayırt edilmesi sağlanır.
Görüntü iyileştirme teknikleri; tek pikselin parlaklık değerleri üzerinde değişiklik
yapma şeklinde olabildiği gibi, her bir pikselin yakın çevresindeki piksel
değerlerine bağlı olarak değişiklik yapma, şeklinde de olabilir.
Görüntü iyileştirme, görüntülerin tek bantlarına uygulanabildiği gibi, çok bantlı
görüntülere de uygulanabilmektedir.
Görüntü iyileştirme işlemleri bir uydu görüntüsüne uygulandığında, görüntünün
orijinal piksel değerleri değiştirildiği için artık bu görüntü kullanılarak sınıflama
analizi yapılamaz. Sadece görüntünün yorumlanması amacıyla kullanılabilirler.
Görüntü iyileştirme yöntemleri; kontrast arttırma, filtreleme ve bant
oranlamasıdır.
8.1.1. Kontrast Arttırımı
Kontrast artırımı, görüntülerin piksel değerlerinde değişiklik yapılması suretiyle
gerçekleştirilir. Görüntüye ait histogram üzerinde düşük piksel değeri “0” a,
büyük piksel değeri “255” değerine getirilir. Tabi bu işlem 8 bitlik görüntüler
üzerinde bu şekilde gerçekleştirilir. İşlem sonucunda görüntünün sahip olduğu
histogramın ana şekli değişmez sadece piksellerin frekansları ve
değerleri değişikliğe uğrar.
Yukarıda kontrast artırımına ait örnekte, soldaki min ve max k değerleri olan 4 ve
104, lineer kontrast artırımı uygulanarak 0 ve 255 değerlerine getirilmiştir.
Görüldüğü gibi histogram şekli değişmemiş sadece piksellerin sıklık ve
değerlerinde bir değişme olmuştur.
2
Yukarıdaki şekilde, kontrast artırımının uydu görüntüsü üzerindeki görünümü ve
etkisi gösterilmiştir. Şekildeki sol görüntü orijinal görüntü ve histogramı olup
görüntüdeki matlık net bir şekilde gözükmektedir. Sağ görüntüde ise lineer
kontrastın uygulandığı şekli verilmiştir. Burada görüntü daha anlaşılabilir ve
nettir. Görsel yorumlama açısından kontrastın uygulandığı görüntü daha
kullanışlı olur. Ayrıca görüntü altındaki histogram incelendiğinde genel şeklinde
bir bozulma olmadığı görülür.
8.1.2. Fitreleme
Filtreleme lokal işlem olup, piksel çevresindeki komşu piksellerle birlikte
(3-5-7 piksel) değerlendirilerek yeni değerlerin atanması işlemidir.
Filtreleme işlemleri, görüntü üzerindeki pusluğun, görüntü bozukluğunun
giderilmesi veya bazı çizgisel unsurların net bir şekilde gösterilmesi için kullanılır.
Filtrelemeyi tanımlamak için “Kernel” terimi kullanılır. Kernel, görüntüdeki girdi
piksel değerlerinin yakın komşu piksellerle birlikte değerlendirilmesi sonucunda
elde edilen yeni çıktı değerlerini ifade eder. Spesifik bir kernel, “gain” olarak
isimlendirilir ve aşağıdaki formülle hesaplanır:
𝑔𝑎𝑖𝑛 = 1
____
Σ 𝑘𝑖
Değişik kernel türleri bulunmaktadır. Bu farklı kernel özellikleri, uydu
görüntülerinden farklı özelliklerin çıkartımı ve görüntüler üzerinde bazı
düzeltmelerin veya iyileştirilmelerin yapımında kullanılır.

(a)	düzgünleştirme, (b) ağırlıklı düzgünleştirme, (c) kenar iyileştirme filtreleri

Yukarıdaki şekilde, farklı (3x3) kernel türü verilmiştir. Bu üç tür kernel, bir
3
uydu görüntüsüne uygulandığında piksel üçünde de farklı değerlere sahip olur ve
şekilde farklılıklar ortaya çıkar.
Yukarıdaki şekilde, üç farklı kernelin bir uydu görüntüsüne uygulanmasında
kullanılacak gain değerleri (2 numaralı formül dikkate alındığında) (a) için 1/9=
0.11, (b) için 1/16= 0.0625 ve (c) için 1/(16-8)= 1/8= 0.125’tir.
ORİJİNAL DÜZGÜNLEŞTİRME KENAR İYİLEŞTİRME
Yukarıdaki şekilde, düzgünleştirme filtresi ile orijinal görüntü arasındaki fark çok
az iken; kenar iyileştirme filtresi ile orijinal görüntü arasında oldukça fark vardır.
Kenar iyileştirme filtresinde görüntü üzerindeki objelerin kenar özellikleri daha
görünür hale gelmiştir.
8.1.3. Bant Oranlama
Bir banda ait DN (Digital Number) değerlerinin diğer bir bandın DN lerine
bölünmesiyle bant Oranlaması yapılmış olur. Bant oranlaması uygulamasının
ana nedeni,topografyalardaki eğim, bakı, gölge ve güneş ışımasındaki
mevsimsel değişimlerin etkilerini azaltmaktır.
Yukarıdaki şekilde, iki yamaç üzerinde aynı bitki türleri bulunmaktadır. Bunlar
altta yapraklarını döken yayvan yapraklı bitkiler, üstte de yapraklarını dökmeyen
dikenli bitkilerdir. Bu iki yamaçtan güneş ışını gören kısım ile görmeyen karanlık
kısımların güneşten gelen ışınları farklı yansıtma özelliklerinden dolayı uydu
görüntülerinde farklı kaydedilecektir. Dolayısıyla uydu görüntüsü üzerinde
yapılacak analizlerde farklı bitki türü olarak algılanmasına neden olacaktır. Ancak
topografyadan kaynaklanan bu etkiyi bant oranlaması yapmak suretiyle ortadan
kaldırabilmek mümkündür.

ARAZİ ÖRTÜSÜ

BANT A DN

BANT B DN

ORAN A/B

4

Yapraklarını döken bitkiler
Aydınlık	48	50	0.96
Karanlık-Gölge	18	19	0.96
Yapraklarını dökmeyen bitkiler
Aydınlık	31	45	0.69
Karanlık-Gölge	11	16	0.69

Yukarıdaki tablo, buna ait güzel bir örnek vermektedir. Burada iki farklı bant
üzerinde topografyadan kaynaklı olarak yapraklı döken ve dökmeyen bitkilerin
farklı yansıma özellikleri verilmiştir. Bu iki bant birbiriyle oranlandığında iki farklı
türün güneş gören ve görmeyen yüzeylerdeki yansıma değerlerinin eşitlendiği
belirlenmiştir. Böylelikle, topografya etkisi de olsa bant oranlaması ile aynı türler
rahat bir şekilde belirlenebilmektedir.
Literatürde en fazla kullanılan bant oranlaması türlerinden birisi de
Normalleştirilmiş Fark Bitki İndeksi’dir (NDVI). Bu indeks için kullanılan
formül; NDVI= (IR-R)/(IR+R) şeklindedir. Yani infrared (kızıl ötesi) bant ile
red (kırmızı) bandın farklarının toplamlarına oranlanmasıyla elde edilir.
Bu formül sonucunda elde edilen sayısal değerler -1 ile +1 arasında değişiklik
gösterir. Bu değerlerden (-) olanlar su, kar örtüsü ve bulutları gösterirken,
0 değeri ve yakın çevresi kayalık ve çıplak toprak alanlarını ve (+)
değerler ise bitki örtüsünün olduğu alanları gösterir. Böylelikle çalışacak
bölge üzerinde bitki örtüsünün alansal dağılışı net bir şekilde ortaya
konabilmektedir.
8.2. Görsel Yorumlama
Uydu görüntülerinden bilginin elde edilmesi genel olarak iki şekilde
gerçekleştirilir:
1-Verinin görsel olarak analiz edilmesi veya yorumlanmasıyla bilginin
elde edilmesini sağlamaktır. Bu yaklaşımın tipik örnekleri arazi kullanımı ve
toprak haritalaması için görsel yorumlamadır. Ayrıca topografik haritaların
üretilmesi veya güncellenmesi de görsel yorumlamaya bağlı olarak yapılan
işlemler arasındadır.
2-Bilgisayar yardımıyla yarı-otomatik olarak bilginin çıkarımı işlemidir.
Sayısal Arazi Modellerinin otomatik olarak çıkartımı, görüntü sınıflama ve yüzey
parametrelerine ait hesaplamalar buna örnek olarak verilebilir.
Bu yöntemler içerisinde en sezgisel olanı uydu görüntüsünden bilgiyi görsel
yorumlama ile çıkartmak ve elde etmektir. Bu işlem tamamen insanın bir
görüntüdeki renk ve dokuları gerçek dünya ile bağlantı kurması ile ilgilidir.
Burada insanın görüşü, renklerin algılanmasından öteye geçer ve tamamen
insanın görsel gözlemleme ile sonuca ulaşma kabiliyeti ile ilgilidir.
5
Bir fotoğrafın analizinde, insan iki durumdan birisiyle bu işi gerçekleştirir: Direkt
ve anlık tanımlama veya birçok ipucunu birleştirmek suretiyle mantıksal olarak
sonuca ulaşmaktır.
Anlık tanımlamada ,yorumlayıcı görüntüdeki olay veya objeyi ilk bakışta tanır.
Bu özellikle daha çok kişinin geçmiş deneyimleri, tecrübesi, sahayı tanıması gibi
özelliklere bağlı olarak değişiklik gösterir. Örneğin, ikamet ettiğiniz eviniz veya
evinizin çevresindeki bazı arazi kullanım özelliklerini Google Earth üzerinden
görüntüden baktığınızda hemen tanımanız ve bilgiyi çıkartmanız gibi.
Mantıksal çıkarımda, yorumlayıcının mantık uygulayarak görüntüyü anlama ve
yorumlama yapmasıdır. Örneğin, aşağıdaki verilen görüntüde dikdörtgen bir
şeklin yüzme havuzu olduğunun çıkarımı, su yansıma özellikleri, eve ve bahçeye
göre dikdörtgen şeklin konumu gibi özellikler yardımcı olacaktır. Fakat bazen
çıkarım işe yaramaz sahada kontrolü gerekmektedir.
8.2.1. Yorumlama Elemanları
Görüntü üzerindeki karakteristikleri tanımlamak için, yorumlama elemanları
kullanılmaktadır. Bu yorumlama elemanları veya yorumlama anahtarları, bize
görüntü üzerindeki belirli bir objenin nasıl tanınacağı hakkında bilgi verirler. Bu
yorumlama elemanları; ton, şekil, boyut, biçim, doku, konum ve ilişkidir.
Ton: Siyah/beyaz görüntü üzerindeki göreli parlaklık değerleri olarak
tanımlanabilir.
Tonal farklılık, görüntü yorumlamada önemli bir yorumlama elemanıdır. Görüntü
üzerindeki bir objenin tonal ifadesi, yüzeyin enerjiyi yansıtma özelliğiyle ilgilidir.
Dolayısıyla farklı kaya, toprak ve bitki türleri farklı tonlarda görüntüde gösterilir.
Nem içeriğindeki farklılık da tonal farklılıklar ortaya çıkarır.
6
Yukarıdaki şekilde, yalancı renkli bir görüntü verilmiştir. Bu görüntüde
kırmızı renkler bilindiği üzere bitki örtüsünü göstermektedir. Ancak bitki
örtüsündeki tonal farklılık dikkat çekmektedir. Koyu ve açık kırmızı renklerin
varlığı burada iki farklı bitki türünün olduğunu bize gösterir. Türlerin neler olduğu
ile ilgili olarak arazi kontrolü gerekmektedir veya sahayı bilen analizci tarafından
kolay bir şekilde tanımlanabilir.
Şekil: Yeryüzündeki bütün objelerin kendine has şekilleri vardır. Şekil özelliği
görüntü yorumlamada önemlidir. Objelerin sahip olduğu şekiller, görüntü
yorumlamada (örneğin; yerleşme alanlarının belirlenmesi, yollar, demiryolları,
tarım alanları gibi) yardımcı olurlar. Görüntü üzerinde objelerin şekillerine
bakarak bir takım çıkarımlarda bulunmak önceki tecrübelere ve kişinin objeleri
algılama kabiliyetine göre değişiklik gösterir.
Yukarıdaki şekilde, şehrin içinden akan bir akarsu olduğu çevresinin kanal içine
alınmasından anlaşılmaktadır. Kanal içine alındığı da akarsu yatak kenarında
çizgisel uzanışa sahip bir şeklin olmasındadır. Ayrıca akarsu üzerinde bir yolun
geçtiğini ve bunun da bir köprü ile gerçekleştiğini de şekilsel özelliklerden
anlaşılır.
7
Boyut: Objelerin boyutları kesin veya göreceli olarak kullanılabilir. Yol genişliği,
genel olarak bilinen araçların boyutlarına bakılarak tahmin edilebilir. Bir yol
genişliği çalışmasıyla, birincil yollar, tali yollar görüntü üzerinden belirlenebilir.
Yukarıdaki görüntüde, yapının boyut ve şekil özelliğini de kullanarak bir sanayi
alanı olduğu çıkarımına varabiliriz. Ayrıca kırmızı çerçeve içinde gösterilen yol
üstündeki araçların boyut özelliklerinden birisinin otomobil diğerinin ise otobüs
olduğu çıkarımını yapabiliriz.
Biçim: Objelerin mekânsal düzenini ifade eder ve belirli formların karakteristik
tekrarlarını niteler. Biçim, orta merkezli, ışınsal veya kareli vb. olarak
tanımlanabilir. Bazı arazi kullanım türleri kendisine ait biçimsel özelliğe sahiptir.
Örneğin sulama sistemi olarak algılanan bir obje belki şehirsel doku içinde
yerleşmelere ait bir özellik olabilir.
Yukarıdaki görüntüde ortasındaki kırmızı-beyaz renklerin olduğu alandaki biçimsel
özellik ve görüntünün kenar görünümlerinden farklılığın olması bize burada bir
tarım alanı olduğu bilgisini verir. Aynı zamanda bu alanın sınır özelliklerini uydu
görüntüsü üzerinden rahat bir şekilde çıkartmamız mümkündür. Bu alan deniz
8
kenarında veya göl kenarında olduğu için muhtemelen düzlük-ovalık bir
görünüme sahiptir diye bir bilgi çıkarımında bulunabiliriz.
Doku: Tonal değişimin sıklığını ifade eder. Doku terimi, kaba-iyi, düz-pürüzlü,
benekli, tanecikli, çizgisel vb. terimlerle ifade edilir. Doku bazen arazi engebeliliği
ile bazen de sensörün mekânsal çözünürlüğü ile ilişkilendirilir.
Yukarıdaki şeklin, biçim ve doku özelliklerine bağlı olarak tarım alanına ait bir
görüntü olduğu anlaşılır. Tarım alanı içinde her bir tarlanın farklı doku
özelliklerine sahip olması burada yapılan tarımsal faaliyetin tür farklılığı, işlem
zamanı farklılığı gibi bir takım çıkarımlarda bulunmamızı sağlar.
Konum: Topografik veya coğrafi lokasyonu ifade eder. Tipik bir örneği, art
bataklıklar şehir merkezlerinde değil, taşkın alanlarında görülürler. Demiryolu
üzerindeki binalar hastane değil, tren istasyonudur. Dolayısıyla görüntü
üzerindeki objeleri bulundukları konumlara göre ne olduklarının tahmin edilir.
Örneğin yukarıdaki şekilde, akarsu üzerinde geçişi sağlayan bir köprünün
olmasını düşünmek veya yol altından geçen bir akarsuyun olduğunu tahmin
9
etmek objelerin konumlarına göre çıkarımlarda bulunmaya örnek olarak
verilebilir.
İlişki: Birkaç objenin birlikte değerlendirilmesiyle yeni bir objenin ne olduğu
hakkında fikir üretmektir. Örneğin, yüksek baca, büyük yapılar, soğutma kuleleri,
kömür yığınları ve taşıma kemerleri bize termik santrali ifade eder.
Yukarıdaki şekilde, yol kenarında üçgen şekilli bir tesisin olduğu, bu tesise araç
giriş ve çıkışı için yolun olduğu, araçların yola paralel olarak sıralandığı ve hemen
yanında kapalı bir alanın olduğu ve kapalı alanın kenarında binaların olduğunu
görmekteyiz. Bu bilgiler ilişkilendirildiğinde burasının bir benzin istasyonu olduğu
çıkarımını yapabiliriz.
Görsel yorumlama elemanları tek başlarına görüntü üzerindeki objeleri veya
olayları yorumlamada yeterli olabildikleri gibi bazen birkaç yorumlama elemanını
kullanarak da görüntüyü yorumlama yoluna gidebiliriz. Böylelikle, görüntü
üzerindeki obje veya olay hakkında daha kesin bir yargıya varmamız mümkün
olur. Ancak unutulmamalıdır ki bazen yorumlamalar yanlış çıkarımlara neden
olabilir. Bundan dolayı mutlaka arazi kontrollerinin yapılmasında fayda vardır.
9. GÖRÜNTÜ SINIFLAMA VE DOĞRULUK BELİRLEME
9.1. Görüntü Sınıflama
Görüntü sınıflamada, insanın bilgisayara vermiş olduğu belirli şartlar dâhilinde,
görüntü üzerinde bir yorumlama gerçekleştirilir. Dolayısıyla görüntü sınıflamanın
amacı; kantitatif yöntemler kullanılarak görsel olarak görüntü üzerinde
algılanabilen özelliklerin otomatik olarak çıkartımını yapmaktır. Sınıflama, multi
spektral görüntülerin analizini ve istatistik yöntemler kullanılarak görüntüdeki her
bir pikselin ifade ettiği arazi örtüsünü belirlemeyi kapsamaktadır.
Görüntü sınıflama işlemi temel olarak 5 adımı içermektedir:
Görüntünün seçimi ve hazırlanması, Özellik uzayında kümelerin
tanımlanması, Sınıflama algoritmasının seçimi, Sınıflamanın
gerçekleştirilmesi, Sonuçların test edilmesi
10
1-Görüntünün seçimi ve hazırlanması: Sınıflanacak olan arazi örtüsü tipine
bağlı olarak en uygun sensör, en uygun çekim tarihi ve en uygun dalga boyları
seçilmelidir.
2-Özellik uzayında (Feature space) kümelerin tanımlanması: Burada iki
yaklaşım vardır. Bunlar kontrollü ve kontrolsüzdür. Kontrollü sınıflamada,
uzman kişi kümeleri alıştırma işlemleri sırasında tanımlar. Kontrolsüz
sınıflamada ise kümeleme algoritması otomatik olarak kümeleri bulur ve
tanımlar.
3-Sınıflama algoritmasının seçimi: Spektral sınıfların özellik uzayında
belirlendikten sonra, piksellerin sınıflara nasıl uygulanacağının karar verilmesidir.
Bu da değişik kriterlere göre yapılmaktadır.
4-Sınıflamanın gerçekleştirilmesi: Bu aşamada her bir pikselin daha önce
tanımlanan sınıflamalara ataması yapılır.
5-Sonuçların test edilmesi: Sınıflanan görüntünün, gerçek arazide alınan
referans verileriyle doğruluk testi yapılır.
Görüntünün seçimi ve hazırlanması, uydu görüntülerinin çalışılacak konunun
içeriğine bağlı olarak uygun görüntün seçimi içerir. Burada sensör tipi, spektral
bant aralıkları ve görüntünün elde edilme zamanları tamamen çalışılacak
konunun içeriğine bağlı olarak uygun özelliklere sahip olmalıdır. Örneğin arazi
örtüsü sınıflaması ile ilgili çalışmalarda uydu görüntüsünün çekilme zamanı
önemlidir. Özellikle ürünlerin yetişme dönemlerinde görüntünün çekilmiş olması
tür belirleme açısından önemlidir. Bazen de çok zamanlı uydu görüntüleri ürünler
veya başka çalışmalar için olayın izlenmesi açısından önemli olabilmektedir.
Uyduların zamansal çözünürlükleri veya görüntülerdeki bulutluluk
oranları bu tür çalışmaları sınırlandırıcı özellikte olabilmektedir.
9.1.1. Sınıflama Algoritmaları
Kontrollü ve kontrolsüz sınıflamada piksellere sınıf atamasını gerçekleştirmek için
kullanılır. Birçok sınıflama algoritması mevcuttur. Bunlardan hangisinin seçileceği,
çalışmanın amacına, görüntü ve alıştırma verisinin karakteristiğine bağlı olarak
değişiklik gösterir. Sınıflama algoritmalarından en önemlileri; Paralel kenar
veya kutu sınıflayıcı, Minumum uzaklıktan ortalamaya, Maksimum
Olasılık
1-Paralel Kenar veya Kutu Sınıflayıcı: En basit ve bilinen sınıflama
algoritmasıdır. Her bir sınıf için en büyük ve en küçük piksel değeri sınır
olarak alınır. Kutu sınıflaması olarak da bilinen algoritmada sınıflama sayısına
bağlı olarak kutu sayısı vardır. Piksellere ait numaralar hangi kutu içindeki aralığa
denk geliyorsa o sınıfa atanır. Hiçbir kutu içine dâhil olmayan piksel bilinmeyen
“unknown” piksel olarak tanımlanır. Bu yöntemin dezavantajı, iki sınıfa ait
kutuların üst üste gelmesiyle gerçekleşir. Bu durumda piksel ilk içine
giren kutuya dâhil olur.
2-Minimum Uzaklıktan Ortalamaya: Bu algoritmanın temeli kümelerin
merkezidir. Sınıflama sırasında bilinmeyen (unknown) pikselin sınıfını belirlemek
için bilinmeyen piksel ile belirlenen kümeler arasındaki Öklid uzaklığı
hesaplanır. Çıkan sonuca göre, bilinmeyen piksel hangi kümeye daha yakın ise o
kümeye dâhil olur. Bu sınıflamanın bir eksikliği pikseller kümelerden
oldukça uzakta olmasına rağmen bazen bu kümelere ait olarak
tanımlanabilmektedirler. Bu problem, her bir kümenin arama mesafesine bir
11
eşik değer verilerek çözülebilir. Bu sınıflamanın diğer büyük dezavantajı ise,
sık ve küçük bunun yanında dağınık ve büyük sınıflar gibi sınıf
değişkenliklerine karşı duyarlı olmamasıdır. Bu probleme Olasılık
algoritması duyarlıdır.
3. Maksimum Olasılık: Bu algoritma, sadece kümelerin merkezini dikkate
almakla kalmaz, kümelerin şekli, büyüklüğü ve yönünü de dikkate alır. Bu
da birtakım istatistiksel analizler sonucunda gerçekleşir. Sonuçta bilinmeyen
piksel, en yüksek olasılıkla hangi kümeye ait ise o sınıfa dâhil olur. Bu
algoritmada, her bir küme için merkez çevresinde eş olasılık çizgileri çizilir.
Merkezdeki en küçük çember, en yüksek olasılıklı üyelerin değerini, en
geniş çember ise en düşük olasılıklı üyelerin değerini ifade eder.
(Paralel Kenar) (Minimum Uzaktan Ortalamaya) (Maksimum Olasılık)
Yukarıdaki şekilde, üç tür algoritmanın bir uydu görüntüsü üzerine uygulanmış
örneği verilmiştir. Bu şekilde referans görüntüye bağlı olarak üç farklı
algoritmaya bağlı olarak üretilen görüntü sınıflamasını karşılaştırıldığımızda en
kötü sınıflamanın paralel kenara ait olduğu görülmektedir. Referans görüntüye en
fazla benzerlik gösteren ise maksimum olasılık algoritmasına ait sonuç
görüntüdür. Minimum uzaklıktan ortalamaya algoritması ise paralel kenara göre
iyi sonuçlar verirken maksimum olasılığa göre daha kötü sonuç vermiştir.
9.1.2. Kontrollü Sınıflama
Görüntü sınıflamanın en önemli aşamalarından birisi özellik uzayındaki
bölümlemedir. Kontrollü sınıflamada, özellik uzayındaki sınıfların ayrımı
işlemi kullanıcı tarafından yapılır.
Kullanıcı alıştırma kısmında spektral özelliklerine bağlı olarak sınıfları tanımlar.
Kontrollü sınıflamada, analizcinin çalıştığı sahayı önceden bildiği kabul edilir.
Dolayısıyla analizci, sınıfların nerelerde yayılış gösterdiğini bilmelidir. Seçilen
kümeler, belirlenen sınıfları iyi tanımlamalıdır. Sınıflar için belirlenen kümeler,
özellik uzayında üst üste çakışmamalıdır veya kısmen çakışmalıdır.
12
Yukarıda kontrollü sınıflama aşamalarına bir örnek verilmiştir. Burada uydu
görüntüsü üzerindeki bitki, su ve yerleşmelere ait sınıfları kontrollü olarak
belirlenmiştir. Bunun için öncelikle her bir sınıfa ait alıştırma verisinde belirleme
işlemi yapılmış daha sonra belirlenen bu sınıfların özellik uzayında farklı
bantlardaki dağılışları incelenmiştir. Sınıflara ait belirlenen alıştırma setlerinin
uygun olduğu özellik uzayındaki kümelerin üst üste çakışmamasından
anlaşılmaktadır. Bu işlemler tamamlandıktan sonra seçilen alıştırma
verilerine benzer olan piksel dağılışları uydu görüntüsü üzerinde gösterilmiştir.
Bitkide, suda ve yerleşmelere ait belirlenen alıştırma verileri yeterli
gelmemiştir. Bunu, bitkide bütün kırmız renklerin yeşile, suda büyün koyu
renklerin maviye ve yerleşmede bütün açık cyan renklerin sarıya dönmemesinden
anlayabiliriz. Bunun anlamı 3 alıştırma verisi yanından boş kalan bu alanlarda da
alıştırma verilerinin belirlenmesi ve işlemlerin tekrar edilmesi gerekmektedir.
Böylelikle belirlenen sınıflar uydu görüntüsünde temsil edilinceye
kadar işlem devam eder.
Kontrollü sınıflamanın avantajları:
• Analizci kontrole sahiptir.
• Sonuç haritadaki kategoriler ile alan bilgisi arasında eşleşmesinde bir
problem yaşanmaz.
• Operatör, hataları yakalayıp ortadan kaldırabilir.
• İşlem bilinen bir özelliğin spesifik alanlarında yürütülür.
Kontrollü sınıflamanın dezavantajları:
• Analizci verinin yapısı üzerinde işlem yapar ki bu bazen gerçekle
uyuşmayabilir.
• Alıştırma sınıfları spektral özellikler üzerinde olmayıp genellikle saha
tanımlamasına dayanır.
• Analizci tarafından seçilen alıştırma verisi, görüntüdeki aynı özellikteki
unsurlar için tanımlayıcı olmayabilir.
13
• Alıştırma verisi zaman alıcı ve pahalıdır.
• Alıştırma verisinde gösterilmeyen özel veya eşsiz olan kategorilerin
tanımlanması ve sunumu imkânsızdır.
9.1.3. Kontrolsüz Sınıflama
Multispektral veri içerisinde doğal grupların veya yapıların belirlenmesi işlemidir.
Kontrolsüz sınıflamada kontrollü sınıflama gibi alıştırma verisi kullanmaz.
Görüntüye ait pikseller belirlenen sınıf sayısına bağlı olarak çok boyutlu uzayda
doğal kümeleme temelinde işleme tabi tutulur. Kontrollü sınıflamada saha
bilgisi gerekliyken, kontrolsüz sınıflamada böyle bir bilgiye gerek yoktur.
Eğer çalışılan saha ile ilgili bilgi yetersiz veya hangi sınıfların istendiği belli değilse
kontrolsüz sınıflama uygulanır. Kontrolsüz sınıflamada esas olan, analizcinin
belirlediği sınıf sayısına göre otomatik olarak spektral benzerliklerine bağlı
kalmak suretiyle gruplamanın yapılmasıdır. Sınıf sayısına bağlı kalınarak,
bilgisayar kümelerin merkez noktasını belirler. Merkez noktaya göre değişik
tekrarlamalar (iteration) sonucunda en uygun küme merkezi bulunur ve sınıf adı
kümeye etiketlenir. Sınıflama sonunda aynı tür sınıflar tekrar kodlanır ve
sınıflama tamamlanır.
Örnek bir veri setinde sonuç kümeleme için yapılan tekrarlamalara
örnek:
Kontrolsüz sınıflamada, analizcinin vereceği sınıf sayısına göre kümele yapıldığı
için görüntü üzerinde kaç sınıf oluşabileceğine dikkat edilmelidir. Buda genelde
çalışmanın amacına göre değişiklik gösterir.
(Orijinal görüntü) (9 sınıf kontrolsüz sınıflama) (22 sınıf kontrolsüz sınıflama)
Yukarıdaki şekilde, bir sahaya ait uydu görüntüsünün iki farklı sınıfta
14
yapılmış kontrolsüz sınıflama örneği verilmiştir. Bunlardan 9 sınıf olan sınıflamada
sahadaki bütün tarım alanları tekbir sınıf altında toplanmıştır. Böyle bir sınıflama
eğer tarım alanlarını tekbir sınıf altında toplamayı amaçlayan bir çalışmada
uygulanırsa yeterli olacaktır. Ancak tarım türlerini de ayrılmasının istendiği bir
çalışmada bu sınıflama yetersiz olacak ve daha fazla sınıfa ihtiyaç duyulacaktır.
Dolayısıyla 22 sınıfla yapılan kontrolsüz sınıflama tarım türlerini de kendi içinde
ayırmaktadır. Bundan sonraki aşamada hangi kümenin hangi arazi
kullanım türüne ait olduğunun etiketlemesinin yapılması ve aynı isimli olan
türlerin birleştirilmesi aşamasıyla kontrolsüz sınıflama tamamlanacaktır.
Kontrolsüz sınıflamanın avantajları:
1-Çalışma bölgesine ait yoğun ve detaylı saha bilgisine ihtiyaç yoktur. Saha
hakkında sahip olunan bilgi kontrollü sınıflama kadar detaylı değildir.
2-İnsandan kaynaklanabilecek hataları minimize eder. Analizci burada daha az
karar verici konumdadır.
3-Benzer sınıfların üretilmesini sağlar.
4-Analizci tarafından pek fark edilemeyen ve veride var olan spektral olarak
birbirinde ayrı olan sınıfların kolay bir şekilde ayırt edilmesini sağlar.
5-Uygulanması kolaydır.
Kontrolsüz sınıflamanın dezavantajları:
1-Sınıflama sonunda ortaya çıkan spektral gruplar, analizcinin ilgilendiği ve
istediği sınıfları vermeyebilir.
2-Oluşan sınıf menüleri üzerinde sınırlı kontrol imkânı vardır.
3-Belirli bir sınıfa ait spektral özellikler zaman içerisinde değişiklik gösterecektir.
Dolayısıyla spektral sınıf ile bilgi sınıfı arasındaki ilişki sabit değildir.
Yarı-otomatik bilgisayar yardımı ile görüntüden bilgi elde edilmesi,
kontrollü ve kontrolsüz sınıflamanın benzer özelliğidir.
9.2. Doğruluk Belirleme
Doğruluk belirleme analizleri; Hata Matriksleri ve Kappa (KHAT)
istatistiğidir. Bu analizlerin kullanılma nedeni; görüntü sınıflandıktan sonra
gerçekle karşılaştırmasını yapmaktır.
Doğruluk belirleme işlemi, sınıflama işlemlerinden sonra, sınıfların doğruluğunun
gerçek arazi verileriyle test edilmesi işlemidir. Bu karşılaştırma işlemi Hata
Matriksleriyle (Error Matrix) gerçekleştirilir.
Gerçek arazi verileri ise, GPS ile toplanmış veriler veya çalışılan sahanın detaylı
hava fotoları olabilmektedir. Hata matriksi için genel olarak her bir arazi kullanım
türü için en az 50 örnek alınmalıdır. Fakat bu, sınıf sayısına ve saha
büyüklüğüne göre değişebilmektedir. Çalışılan saha oldukça büyük ise ve çok
fazla arazi kullanım türü var ise her bir sınıftan alınacak örnek sayısı da arttırılır
(75 – 100).
Görüntü sınıflamasının doğruluğunu gösteren diğer bir yöntem de Kappa
(KHAT) istatistiğidir.
Kappa istatiği formülünde yer alan;
r = hata matriksindeki satır sayısı
15
xii = satır i ve kolon i deki gözlem sayısı
xi+ = satır i deki toplam gözlem
x+i = kolon i deki toplam gözlem
N = matirksdeki toplam gözlem sayısıdır.
İstatistik sonucu 0 ile 1 arasında değişir. Sonuçların 1’e yaklaşması
sınıflamanın doğruluğunu gösterir. Bu doğruluk analizinin uygulanmasının bir
nedeni de farklı kaynaklardan elde edilen görüntülerin ve metotların mekânsal
veri üretmede değerlendirmesini yapabilmektir.
Gerek kontrollü gerekse kontrolsüz sınıflama gibi piksel tabanlı görüntü sınıflama
işlemlerinde temel problemlerden birisi bir pikselin bir sınıfa
etiketlenmesidir. Küçük pikselli görüntülerde bu çok fazla büyük bir problem
olmazken, büyük pikselli görüntülerde (mekânsal çözünürlüğü düşük) büyük bir
problemdir. Bunun nedeni, bir piksel gerçekte büyük bir alanı temsil ettiğinden, o
alanda birçok arazi kullanım türü olmasına rağmen sadece bir tanesine
etiketlemesinin yapılabilmesidir. Standart görüntü sınıflama başlığı altında
açıklanan
sınıflama tekniklerinde bu problemin çözümü maalesef bulunmamaktadır. Çünkü
bu yöntemlerin yapısında bir piksel bir tek sınıfa etiketlenir. Ancak yapılacak
çalışmalara uygun uydu görüntülerinin seçimi bu hatayı minimize edebilir. Fakat
bu problemin çözümü için değişik yaklaşım vardır. Bunlardan birisi, bu şekilde
olan piksele birden fazla sınıfın etiketlenmesi şeklindedir. Bu işlemlerde bulanık
sınıflama veya yapay sinir ağları kullanılabilir.
10. UZAKTAN ALGILAMA UYGULAMALARI
Uzaktan algılama uygulama alanları; kara (tarım, orman, hidroloji, jeoloji,
afetler, arazi kullanımı ve haritalama), su ve atmosfer üzerindeki
uygulamalarıdır.
Yeryüzü üzerinde doğal kaynaklar, sonsuz değil sınırlıdır. Artan insan nüfusu ve
bilinçsiz kullanılan teknoloji paralelinde bu sınırlı kaynaklar
tüketilmekte, yeryüzü üzerinde ve biyosferde olumsuz birtakım değişimlere
neden olmaktadır. Dünyamızın enerji dengesi, iklimi, biyolojik çeşitliliği, kimyasal
döngü süreçleri su kaynaklarının korunması ve yönetimi için global bir
perspektife, bilimsel disiplinlerarası yardımlaşmaya ve yeni araştırma
stratejilerine ihtiyaç vardır. Uzaktan algılama bilimi, sağladığı düşük maliyet,
sinoptik görüş ve bilgi çeşitliliği avantajıyla bu amaca yönelik
global bir bakış sağlamakta ve yeni araştırma strateji ve tekniklerinin
geliştirilmesinde anahtar bir rol oynamaktadır.
Uzaktan algılama bilimi, birçok uygulamasında aşağıda sıralanan
özellikleri nedeniyle başarıyla kullanılmaktadır:
1-Daha düşük maliyet
2- Kullanılan algılayıcıların (sensör) insan gözünün duyarlı olduğu alandan çok
daha geniş bölgeleri algılaması
3-Sinoptik görüş imkânı nedeniyle büyük alanların hızlı ve doğru bir şekilde
haritalanması
4- Erişilemeyen alanların izlenme olanağı
5- Periyodik gözleme olanağı ve değişim saptama analizi
16
6-Mevcut haritaların hızlı güncelleştirilebilmesi
7- Uzaktan algılama ile elde edilen dijital verilerin Coğrafi Bilgi Sistemlerinde
(CBS) diğer haritalarla entegrasyon olanağı
Uzaktan algılama teknolojisinin kullanıldığı uygulama alanları: a) kara, b)
deniz ve c) atmosfer ve hava
10.1. Kara Uygulamaları
Günümüzde nüfus artışı, sanayileşme, bilinçsiz kullanılan teknoloji vb. faktörler,
doğal kaynakların hızla tüketilmesine neden olmaktadır. Gelişen uydu teknolojisi
kapsamındaki uzaktan algılama verileri, gelecek kuşaklara verimli doğal
kaynakların aktarılmasında önemli rol oynamaktadır.
Uzaktan algılamaya ait bazı kara uygulamaları:
Tarım ile ilgili uygulamaları
• Bitki örtüsü dağılımı ve sınıflaması,
• Tarımsal amaçlı arazi kullanımı ve toprak haritalarının etüdü,
• Tarımsal ürün tipini ayırma,
• Ürün gelişimi izleme ve rekolte tahmini,
• Ürün ekim koşullarının araştırılması,
• Toprak nemi ve türünü belirleme ve haritalama,
• Tarımsal sigortalama-ürün hasar izleme ve tespiti (hastalık, böceklenme vb.)
•
Ormancılık ile ilgili uygulamaları:
• Orman kaynaklarının ön envanterinin yapımı ve haritalanması,
• Orman tür çeşitliliğinin tespiti ve haritalanması,
• Ağaç hastalık/böceklenme izleme ve önleme çalışmaları,
• Ağaçlandırma araştırma ve izleme çalışmaları,
• Orman yangını izleme ve hasar tespiti,
• Ormansızlaşma ve çölleşme izleme ve araştırılması,
• Kereste üretimi tahmini ve planlaması
Hidroloji ile ilgili uygulamaları:
• Sulak alanların haritalanması,
• Drenaj dağılımı incelemesi,
• Karlı yüzeylerin miktarının ve dağılımının belirlenmesi,
• Kar erime miktarının belirlenmesi,
• Buzul erime hareketlerinin izlenmesi,
• Yağış-akış ilişkilerinin incelenmesi
Jeoloji ile ilgili uygulamaları
• Jeolojik yapı araştırmaları ve haritalanması,
• Fay, çizgisellik ve kırıkların tanımlanması,
• Delta ve yüzey kıyı şekillerinin analizi,
• Jeotermal araştırmalar,
• Maden ve mineral kaynak araştırmaları ve
• Kayaç tiplerinin tespiti
Afet İzleme Çalışmaları ile ilgili uygulamaları:
• Volkan araştırmaları ve izleme,
• Sel-taşkınların izlenmesi ve haritalanması,
17
• Deprem araştırmaları,
• Orman yangınları,
• Erozyon araştırmaları
Arazi Kullanımı ile ilgili uygulamaları:
• Arazi örtüsünün belirlenmesi,
• Arazi kullanımı araştırması ve haritalanması,
• Değişimlerin belirlenmesi,
• Şehir bölge planlaması
Haritalama ile ilgili uygulamaları:
• Planimetre haritaları (uzunluk ve alan)
• Stereo uydu görüntülerinden etüt haritaları ve 3 boyutlu sayısal arazi
modellerinin hazırlanması,
• Topografik harita üretimi ve topografyadaki değişimin analizi,
• Otoyol, demiryolu ve boru hattı koridor seçimleri, sulama, baraj vb. ön etüt
• çalışmaları
10.2. Atmosfer ve Hava Uygulamaları
Dünyanın çevresinde bulunan ve yoğunluğu yerden uzaklaştıkça azalan atmosfer
tabakasının alt katmanı (troposfer); azot, oksijen, karbondioksit ve çok az
miktarda diğer gazlardan oluşmaktadır. Karbondioksit, su buharı, metan gibi bazı
gazların, Güneş’ten gelen ışınımın bir yandan dış uzaya yansımasını önleyerek
diğer yandan da bu ışınımı soğurarak yeryüzünün daha fazla ısınmasına, diğer
bir deyişle “küresel ısınmaya” yol açtığı bilinmektedir.
Diğer yandan atmosferin stratosfer katmanında yer alan ozon gazı tabakası
Güneş’ten gelen zararlı ışınların çoğunu soğurarak yeryüzüne ulaşmasını
engellemektedir. Ancak yeryüzünden atmosfere yayılan pek çok kaynak gaz (flor
ve bromla bir arada bulunan karbon bileşikleri-kloroflorokarbonlar), ozon gazını
yok eden bazı kimyasal maddelerin artmasınaneden olmakta ve bu maddeler de
havanın oksijeni ile reaksiyona girerek ozon tabakasının incelmesine yol
açmaktadır.
Her tabakasında farklı fiziksel ve kimyasal olayların oluştuğu atmosfer
ekosisteminin ve doğal dengenin korunamaması nedeniyle oluşan hava kirliliği
(asit yağmurları) ve çevreye olumsuz etkileri günümüzde etkin bir araç olarak
kullanılan uydu teknolojisi ile izlenebilmektedir.
Uzaktan algılamanın kullanıldığı atmosfer ve hava uygulamaları:
• Atmosferik parçacık türü ve dağılımının izlenimi,
• Atmosferik geçirimlilik,
• Yüzey ve atmosfer sıcaklığı,
• İklim değişimi araştırması,
• Ozon tabakası konsantrasyonu ve dağılımının incelenmesi,
• Bulut ve su buharı içeriğinin incelenmesi,
• Bulutlardaki yağış ve su içeriğinin analizi,
• Meteorolojik araştırma, hava analizi ve tahmini,
• Hava kirliliği araştırması ve tahmini
10.3. Su Uygulamaları
Su, kendini yenileyebilen ancak sınırlı olan doğal kaynaklardandır. Türkiye’nin
akarsular, göller ve yer altı sularından oluşan toplam kullanılabilir su potansiyeli
18
brüt 243 milyar m3’tür. Ancak hızla artan plansız ve yoğun yerleşmeler, su
toplama havzalarındaki kaçak yapılaşmalar, büyük şehirlerdeki hızlı nüfus artışları
vb. beraberinde yetersiz altyapı su temini çalışmaları nedeniyle zaman zaman
temiz su ihtiyacı temininde sıkıntılar yaşanmaktadır. Küresel ısınmanın olumsuz
etkilerinin yanı sıra ülkemizde mevcut akarsu akımlarının düzensizliği nedeniyle
kış ve yaz mevsimleri arasında büyük akım değişikliklerinin oluşması, mevcut
potansiyelin iyi değerlendirilememesine etki eden diğer önemli bir faktördür.
Günümüzde uzaktan algılama teknolojisi, yeraltı ve yerüstü su kaynaklarının
izlenmesi, su kalitesinin incelenmesi, vb. gibi birçok hidroloji ve oşinografi
uygulamalarında etkin bir araç olarak kullanılmaktadır.
Uzaktan algılamanın kullanıldığı su uygulamaları:
• Su kaynakları yönetimi,
• Su kalitesi (deniz, göl ve gölet) kirliliği izleme ve analizleri,
• Plankton ve gelgit araştırmaları,
• Yağ tabakası kirliliği araştırmaları,
• Deniz yüzeyi, rüzgâr ve dalga araştırmaları,
• Deniz yüzeyi sıcaklık dağılımı belirleme,
• Deniz yüzey suyu akıntısı izleme,
• Okyanus ve kıyı bilimleri araştırmaları
11. KLİMATOLOJİ UYGULAMALARI
UZAL dünya üzerindeki değişik iklim elemanlarının ölçülmesi ve tahmininde
kullanılabildiği gibi iklimi etkileyen veya iklimden etkilenen unsurları da içine
kapsayan bir alanda uygulama imkânı vardır. İklimlerde meydana gelen
değişimler kolay bir şekilde birçok uzaktan algılama ürünleriyle elde
edilebilmektedir.
Uzaktan Algılama verileri sahip oldukları spektral, radyometrik, mekânsal ve
zamansal çözünürlüklerine bağlı olarak klimatoloji ve meteoroloji
çalışmalarında çok geniş kullanım alanına sahiptir.
Uzaktan Agılamanın iklim ve meteoroloji çalışmalarındaki kullanım
alanları:
- Kara ve deniz yüzeyi sıcaklıklarının belirlenmesi
- İklim değişimleri
- Küresel ısınma
- Atmosferik içerik gözlemi
- Bulutlar ve subuharı içeriği gözlemleri
- Hava tahmini
- Fırtına ve kasırga tahmini ve gözlemi
- Genel atmosfer döngüsü ile ilgili çalışmalar
Hava durumu ve tahminleri, uzaktan algılamanın askeri olmayan ilk
uygulamasıdır. İlk meteoroloji uydusu olan Vanguard 2, 17 Şubat 1959'da
fırlatılmıştır. Uydunun amacı; bulutların yoğunluğunu ve rezistansını
ölçmektir ancak çok sınırlı bilgi edinilmiştir. İlk başarılı uydu 1 Nisan 1960'da
NASA tarafından fırlatılan TIROS-1 olarak kabul edilir. Meteorolojik bilgilerin
19
önemini benimseyen ülkeler, uzaya bu amaca yönelik birçok uydu
göndermişlerdir. Daha sonra ABD; 1975-1994 yılları arasında GOES-1, GOES-7,
GOES-8 ve NOAA AVHRR uydularını uzaya göndermiştir.
11.1. Kara Yüzeyi Sıcaklıklarının Belirlenmesi
Kara yüzeyleri üzerindeki sıcaklıklarının belirlenmesinde UZAL verileri, yoğun bir
şekilde kullanılmaktadır. Özellikle kara yüzeyleri üzerinde kentsel bölgelerde
oluşan ısı adacıkları uzaktan algılama verilerinin en fazla kullanım potansiyeline
sahip alanlarını oluşturur. Çünkü bu alanlar çevredeki kırsal alanlara göre
sıcaklıklık değişiminin çok net gözlemlenebildiği alanlar olarak karşımıza çıkarlar.
Uzaktan algılama çalışmalarındaki en önemli bileşen sensörler ve platformlar
tarafından kaydedilen elektromanyetik (EM) spektrumlardır. EM spektrumları
arasında kara yüzeyi sıcakları için kullanılan spektrum, thermal kızılötesi bantı
olup 8-15 μm arasında yer alır. Mikrodalgalar da kara yüzeyi sıcaklıkları
için kullanılsa da bunların çözünürlükleri çok düşük olup ancak daha küresel
ölçekteki çalışmalar için kullanışlıdırlar. Termal kızılötesi bandını içeren birçok
uzaktan algılama platformu ve sensörü vardır. Ayrıca bu platformların görüntü
elde etmeye başladığı tarihten bu yana da arşiv görüntüleri mevcuttur.
Termal kızılötesi bandı bakımından en fazla NOAA’nın AVHRR sensörü ve
Landsat 5’in TM sensörü en fazla veri arşivine sahip uydulardır.
Günümüze doğru özellikle 2000 li yılların sonrasında ise görüntü elde etmeye
başlayan uyduların zamansal çözünürlüklerinin çok fazla olmasıyla farklı bir
kullanım imkanını bize sunarlar. Örneğin Meteosat-8’e ait SEVIRI sensörü 15
dk bir görüntü alma imkanına sahiptir.
Yukarıdaki şekilde, Landsat 7 ETM+ algılayıcısından elde edilmiş veriden termal
bant kullanılarak oluşturulmuş olan sıcaklık dağılışı verilmektedir. Sıcaktan
soğuğa doğru renkler sırasıyla: kırmızı, turuncu, sarı, yeşil, mavi, camgöbeği
şeklindedir. Yerleşim alanları ve açık alanlar en yüksek sıcaklık değerlerine
(kırmızı), tarım alanları ve seyrek bitkili alanlar yüksek sıcaklık değerlerine (sarı),
ormanlar daha serin (yeşil ve mavi) ve su ile kaplı alanlar ise en düşük (mavi ve
camgöbeği) yüzey sıcaklıklarına sahiptir. Kuzey kısımda yer alan ormanlar,
20
toprağı derin ve nemli yetişme ortamlarında yetişen boylu veya gölge ağaçlardan
oluştuğu için diğer orman alanlarına göre daha soğuk çıkmıştır.
Termal kızılötesi bantlar kullanılarak üretilen kara yüzeyi sıcaklıkları gerçek
ölçülmüş sıcaklık verileriyle karşılaştırıldığında elde edilecek maksimum tutarlılık
çalışmanın doğruluğunu bize gösterir.
11.2. İklim Değişikliği Çalışmalarında Kullanımı
Uzaktan algılama sistemlerinin iklim sistemleri ve bunun değişimleri üzerinde bize
atmosfer, kara ve okyanuslar açısından değişik mekânsal ve zamansal
çözünürlükte veri sunması bakımından önemi büyüktür. Yeryüzü üzerinde
gözlemlenen veriler ve simülasyon modelleri iklim sistemlerini anlamak için
kullanılan temel bileşenlerdir. Uyduların kullanımı atmosfer, kara ve okyanuslar
üzerindeki oluşum ve gelişimleri gözlemleme imkanı sunar. Bu bakımdan Küresel
İklim Gözlemleme Sistemi 50 klimatik değişkenden 26’sının uzaktan algılama ile
belirlenebileceğini belirtmiştir. İklim değişikliği çalışmaları kalibrasyonu
/doğrulaması yapılmış, tutarlı ve uzun dönem yeterli düzeydeki zamansal ve
mekânsal gözlemleri bünyesinde barındırır.
Geleneksel yer-temelli gözlemler, tipik olarak belirli bir zaman aralığında ve
mekânda verileri toplarken, uzaktan algılama ise küresel ölçeğe kadar sürekli
bir gözlem imkanı sunar. Bu da bizim iklim sistemleri ve bunun değişkenliği
konusundaki bilgilerimizin gelişmesini sağlamıştır.
İklim değişimlerinin anlaşılmasında önemli yeri olan küresel ısınma, kar ve
buzullar, deniz seviyesi değişimleri, güneş radyasyonu, bulutlar, su
buharı ve yağışlar gibi birçok özellik üzerinde durulur.
Küresel Isınma: Küresel iklim üzerinde özellikle antropojenik etkilerin önemi
19. Yy sonundan günümüze giderek artmaktadır. Bu ısınma trendi ilk olarak
yüzeye yakın hava sıcaklıklarını ölçen istasyonlara ait verilerdeki anomaliler
kullanılarak yapılmıştır. Fakat günümüzde uzaktan algılama ürünlerinin
kullanılması ile bu işlem daha kolay hale gelmiş küresel sıcaklık eğilimlerinin ve
özellikle de okyanus yüzeyi ve atmosferdeki trendlerin belirlenmesi
kolaylaşmıştır.
Atmosfer ve okyanuslar arasındaki ısı transferiyle ilişkisi olan deniz yüzeyi
sıcaklıkları (DYS), iklim sisteminin belirlenmesinde önemli bir belirleyicidir.
NOAA’ya ait AVHRR sensörü küresel olarak DYS belirlemede kullanılan önemli
bir uydudur. Bu uydu verileri kullanılarak bütün dünya okyansularında 1970’li
yıllardan günümüze DYS’nda bir artış olduğu tespit edilmiştir. Ayrıca yapılan
çalışmalar sonucunda okyanuslardaki ısınma trendi iki yarım kürenin de orta
enlemlerinde en yüksek düzeydedir. Bundan daha şiddetlisi doğu-batı zonunda
pasifik ekvatoral okyanusta belirlenmiştir.
Yüzey ve troposferdeki ısınma, sera gazlarının artış göstermesiyle iklim
sisteminde meydana gelecek temel tepkileri gösterir. Yapılan uydu görüntüsü
zaman serileri analizlerinebağlı olarak Antartik bölge hariç troposferde ısınma
trendi elde edilmiştir. Bu ısınma alt troposferde üst troposfere göre daha fazla
olarak gözükmektedir.
Deniz Seviyesi Değişimleri: Deniz seviyesi, iklim değişimi ve kararsızlıklarında
21
değişim gösteren önemli göstergelerden birisidir. Deniz seviyesi yükselimleri
1961 yılından günümüze iyi kaliteli gelgit ölçen istasyon verilerine bağlı olarak
küresel deniz seviyesi yükselimi yılda 1.9 ±0.4 mm olarak tahmin edilmiştir.
NASA ve CNES tarafından fırlatılan TOPEX/Poseidon uydusu 1992 den
2006’ya kadar aralıkta okyanus yüzeyi topografyasını haritalamıştır. Gerek bu
uydu gerekse diğer uyduların verileri birlikte değerlendirilerek 1992-2010 yılları
arasında ortalama deniz seviyesi yükselimi yılda 3.2 ±0.8 mm olarak elde
edilmiştir.
İklim değişimleri ile ilgili uzaktan algılamanın sınırlamaları:
• Uydu veri setleri arasındaki kısa zaman aralığı,
• Uydudaki sensörlere ait bazı belirsizlikler,
• Uydu sensörünün kaydettiği elektromanyetik sinyalleri klimatik değişkenlere
dönüştüren algoritmalardaki belirsizlikler
11.3. Meteorolojik Çalışmalardaki Kullanımı
Meteorolojik çalışmalarda uzaktan algılama görüntüleme sistemlerinden
Radarlar önemli bir yere sahiptir. Radarlar meteoroloji alanında ilk kez 1950
yılında kullanılmaya başlanmıştır. 1970’li yıllardan itibaren Doppler radar
teknolojisine geçilerek radarlardan dijital formda bilgiler alınmaya başlanmıştır.
Meteorolojik radarlar, kısa vadeli hava tahmini ve erken uyarı amaçlı olmak üzere
iki farklı şekilde kullanılır. Kısa vadeli hava tahmini 0-4 saatlik zaman dilimini
kapsayan tahminlerdir. Erken uyarı ise doğal afetlere sebep olabilecek hava
olaylarının yerinin ve şiddetinin belirlenmesi, izlenmesi ve yetkililerin uyarılması
şeklinde olur.
Radar ile tespiti mümkün olan meteorolojik hadiseler:
• Kuvvetli orajlar
• Dolu
• Soğuk cephe fırtına hatları
• Mikropatlama ve makropatlama
• Rüzgâr burulması
• Kuvvetli yer rüzgârları
• Türbülans
• Fırtınalar, hortum ve tornadolar
• Sel ve taşkınlar
Hortum, mikropatlama ve makropatlamalar gibi yere yakın bölgelerde
gerçekleşen hadiselerin tespit edilmesinde radarın bulunduğu konum çok
önemlidir. Topoğrafik yapı nedeniyle oluşabilecek yer ekolarından kaçınma ve
kapsama alanının geniş tutulabilmesi amacıyla radar yüksek bölgelerde
konuşlandırılmış ise bu hadiselerin tespiti oldukça zor olabilir.
Aktif bir uzaktan algılama sistemi olan meteorolojik radarlar ile meteorolojik
hedefin konumu, hızı, hareket yönü belirlenerek, meteorolojik hadisenin
tipi, şiddeti ve miktarı hakkında bilgi sahibi olunabilir. Radardan gönderilen
elektromanyetik sinyal yağmur zerrecikleri, kar taneleri, dolu gibi
hidrometeorlarla temas ettiğinde elektromanyetik saçılmaya
maruz kalır. Saçılan bu elektromanyetik dalgalar, radarların hassas alıcıları
tarafından algılanıp işlenerek, yazılımlar vasıtasıyla kullanıcıya görsel bir ürün
olarak sunulurlar.
22
Meteoroloji Genel Müdürlüğü (MGM), nowcasting (kısa vadeli hava tahmini)
uygulamaları ve erken uyarı amacıyla ilk meteoroloji radarını 2000 yılında
Ankara-Elmadağ’da hizmete almıştır. Meteorolojik radarlara verilen önemin
devamı olarak, 1999 yılında Dünya Bankasından sağlanan krediyle başlatılan
TEFER projesi (Türkiye Acil Sel ve Deprem İyileştirme Projesi) kapsamında
2003’de İstanbul, Zonguldak ve Balıkesir radarlarının da hizmete girmesiyle
Türkiye Radar Şebekesi kurulmuştur. Radar şebekesinin kapsama alanını
daha da genişletebilmek amacıyla 2007 yılında fizibilite faaliyetleri başlatılan yeni
proje ile, Ege, Akdeniz, Doğu Karadeniz Bölgelerinde İzmir, Muğla, Antalya,
Adana, Samsun ve Trabzon’da 6 adet C-band meteoroloji radarı daha
kurulmuştur. Atatürk Havalimanı’na 2014 yılında kurulan X-band dual-pol radar
ile MGM mevcut operasyonel meteoroloji radarı sayısı 11 olmuştur. Yine 2013 yılı
itibariyle yapılan 7 adet C-band radar ihalesi ile Bursa, Karaman, Afyon,
Erzurum, Sivas, Gaziantep ve Diyarbakır bölgelerine meteoroloji radarı
kurma çalışmaları başlatılmış, 2015 yılında Bursa, Karaman ve Afyon radarları,
2016 yılında Gaziantep ve Sivas radarları, 2017 yılında da Erzurum ve
Diyarbakır radarlarının işletmeye alınması ile 2017 yılı itibariyle MGM operasyonel
meteoroloji radarı sayısı 18 olacaktır.
Her bir radarın kapsama alanı, tarama modunda 370 km, Doppler modunda 120
km yarıçapa kadar çıkabilmektedir. Bu meteoroloji radarlarının, bir tam tarayış
periyodu 8 dakikadır ve 125 metre mekânsal çözünürlüğe sahiptirler.
L Bandı: 15-30 cm dalga boylu mikrodalga yayar. Askeri ve sivil amaçlı olarak
uçakların algılanmasında kullanılır.
S Band: Dalga boyları 8-15 cm. arasındadır. Meteorolojik amaçlı olarak
kullanılan S Band radarlar genelde 10 cm dalga boyunda olup, daha büyük
çaplıanten gerektirdiklerinden oldukça pahalıdırlar. Uzun menzildeki hava
olaylarını ve büyük okyanus kıyılarındaki hava olaylarını gözlemlemek için
kullanılırlar.
C Band: Dalga boyları 4-8 cm arasındadır. Meteorolojik radarlar genelde 5 cm
dalga boyunu kullanır. Bu radarlarla hem rüzgâr bilgileri hem de yağış bilgilerini
elde etmek mümkündür.
X Band: Dalga boyları 4-2,5 cm dir.
K Band: Dalga boyları 1,7-1,2 cm dir.
12. HİDROLOJİ UYGULAMALARI
Suyun dünya içindeki döngüsünün her aşamasında, uzaktan algılama
çalışmalarıyla birtakım araştırmalar yapmak mümkündür. Bu nedenle uygulama
alanı oldukça geniştir.
Uzaktan Algılaman’nın hidrolojik çalışmalardaki kullanımı yeryüzünden suyun
evapo/traspirasyonla buharlaşması ve yoğunlaşmasından başlayarak yağmur
bulutlarının takibi, bu bulutların bünyesindeki su miktarları, olası yağış
miktarları, yüzey üzerinde karların belirlenmesi, yağışın arazi kullanım
özelliklerine bağlı olarak nekadarının akış olarak yüzeysel sulara
katılabileceği, topraklardaki nemlilik, arazi kullanımı özellikleri, yeraltı
suyu özellikleri gibi birçok hidrolojik alanda UZAL uygulamalarını görmek
mümkündür.
12.1. Toprak Nemliliği ve Yüzeysel Sular
23
Toprak içerisindeki nemlilik buharlaşma ve yağış oranlarına bağlı olarak
değişkenlik göstermektedir. Toprak yüzeyindeki nemliliğin belirlenmesi kısa ve
orta vadedeki meteorolojik modellemelerin geliştirilmesinde, hidrolojik
modellemelerde, bitkileri büyümesinin gözlenmesinde ve ayrıca
taşkınların tahmininde büyük önemi vardır.
Topraktaki nemlilik her nekadar birincil düzeydeki üretimler için önem arz etsede,
bunun yanında hava ve iklim olayları içide önem arzeder. Bundan dolayı toprak
nemliliği, kara ve atmosfer arasındaki su ve ısı enerjisinin değişiminin
kontrolünde ana parametre olarak karşımıza çıkmaktadır.
Toprak nemliliklerini aktif ve pasif mikrodalgalara ait verilerden elde etme, son
zamanlarda yoğun olarak çalışılan konulardan birisidir. Bu çalışmalar
özellikle yakın geçmişte planlanan iki uydunun SMOS ve SMAP varlığıyla ilgilidir.
Bu uydulardan SMOS programına bağlı olarak ilk görüntüler alınmaya
başlanmıştır. SMOS uydusunun toprak içerisinde %4’lük nemliliğe kadar tespit
etme kapasitesi vardır. Mekansal çözünürlüğü 35-50 km arasında değişmekle
birlikte görüntü tekrarlama aralığı 1-3 gün arasındadır. SMAP, 2014 yılı
içerisinde fırlatılacak olup henüz görüntü elde etmeye başlamamıştır. Bu uydunun
özellikleri SMOS’a göre biraz daha geliştirilmiştir. L Bant Radiometre’de mekânsal
çözünürlük toprak nemliliği için 40 km, L Band Radar da ise 10 km’ye kadar
düşmektedir.
Bu uydu görüntülerinde elde edilen toprak nemliliği verilerinin, her uzaktan
algılama çalışmasında yapıldığı gibi yersel doğrulamasının gerçekleştirilmesi
zorunluluğu bulunmaktadır. Buda uydu görüntüleriyle çalışılmış olan bölgedeki
yerinde yapılmış ölçümler ve simülasyonlarla mümkündür. Bu tür çalışmalar
literatürde çoğunluktadır.
Paris Anguela ve arkadaşları Paris’in 35 km doğusunda Grand Morin havzasında
ERS görüntülerine dayalı olarak elde ettikleri toprak nemliliği verilerini
doğrulamasını yapmışlardır. 1997-2000 yılları arası için elde edilen hata miktarı
yüzeydeki toprak için 0.08 m3/m3 olurken, 1.5 m derinlikte toprak için
ise 0.02-0.06 m3/m3 arasında değişiklik göstermiştir.
Yüzeysel suların belirlenmesi çalışmaları, belkide uzaktan algılamanın en iyi
bilinen ve uygulanan alanlarından birtanesidir. Yüzeysel su kütlelerinin özellikle
akarsu, göl ve bataklıkların belirleme çalışmaları önemli kullanım alanlarıdır.
Suyun ve su kütlelerinin belirlenmesi işlemi, suyun EM spektrumlar etkileşimiyle
kolay belirlenmesi sayesinde birçok uzaktan algılama ürünüyle mümkün
olabilmektedir. Özellikle ormanlık ve ağaç örtüsü olmayan
alanlarda bu belirleme işlemi daha kolay yapılırken, ormanlık ve bitki örtüsünün
yoğun olduğu alanlarda oldukça zordur. Burada aynı zamanda taşkınlarla ortaya
çıkan su kütlelerinin de belirlenmesi de gerçekleştirilmektedir.
Yüzeysel sulara ait uzaktan algılama 3 tür elektromanyetik enerji kaynağı ile
gerçekleştirilebilir. Bunlar aktif mikrodalga, görünür ve kızılötesi dalgalar,
termal infrared ve pasif mikrodalgalardır.
Sular genellikle yakın kızılötesi (0.7-1.3 μm) ve orta kızılötesi ( 1.3-3.0
μm) arasındaki dalga boylarını absorbe ederler. Sular, görünür dalga boylarından
da çok az bir kısmını absorbe eder ve yansıtırlar. Bu nedenle yüzeysel suları
24
belirleme çalışmaları özellikle kara ve su ayrımlarında kızılötesi spektrumdan
özellikle yakın kızılötesi ile gerçekleştirilebilmektedir. Bu dalga boylarını
vejetasyon ve toprak genellikle daha fazla yansıtırlar. Su kütleleri daha koyu ve
siyah olarak yansıma verirler. Böylelikle su kütlelerinin belirlenmesi daha kolay
hale gelmektedir.
Kuzey Tanzanya’daki Manyara Gölü’nün, 2000 yılında 520 km2 den 2011 yılında
30.5 km2 ye düştüğü tespit edimiştir. Bu bilgi, yüzeysel sulara ait çalışmaya aittir.
Amerikadaki Missisipi nehrinin kollarından birisi olan Montezuma kolundaki
2008’de meydana gelmiş taşkının Ladsat görüntüsü üzerinde 7,4,1 band
kombinasyonu ile taşkın alanının sınırları belirlenmiştir.
Mikrodalgalara ait görüntüler de yüzeysel sulara ait çalışmaların yapıldığı diğer
uzaktan algılama ürünleridir. Aktif radar algılayıcılar olan ERS 1-2, JERS 1-2 ve
Radarsat-1-2 uyduları radar dalgalarının su kütleleri tarafından absorbe
edilmesinden dolayı kolay bir şekilde belirlenebilmektedir.
12.2. Kar ve Buzul Çalışmaları
Günümüzde kar ve kar örtüsü uzaktan algılamadaki görünür bantlar ile kolay
bir şekilde tanımlanabilmekte ve haritalanabilmektedir. Özellikle Landsat TM
ve Spot-HRV, kar ve buzulların haritalanmasında kullanılmaktadır. Ancak bu
uyduların tekrarlama aralıklarının uzun olması birtakım problemleri
beraberinde getirmektedir. NOAA-AVHRR ve MODIS uyduları gün içinde birkaç
kez görüntü almalarından dolayı yoğun olarak kullanılırlar. Elektromanyetik
enerjinin mikrodalga boyları özellikle kar ve buzul örtüsünün yayılış, derinlik,
içerisindeki potansiyel su içeriği gibi özellikleri belirleme çalışmalarından büyük
kolaylıklar sunar.
NOAA özellikle haftalık olarak, kuzey yarımküredeki kar örtüsünü 1966’dan bu
yana değişik sensörleri kullanarak ölçümünü yapmaktadır. 2000’li yıllardan
günümüzde bu veriler günlük olarak ölçülmektedir.
Bu uyduların haricindeki diğer optik uydularda kar ve buzulların haritalama
çalışmalarında kullanılabilmektedir. Ancak optik uydularda, bulutluluk oranları
fazla olduğunda kar ve buzul çalışmaları mümkün olmamaktadır.
Optik uydulardaki kar ve buzul çalışmalarında kullanılan spektral
aralıklar:
a) Gama ışınları: Bazı kar örtülerinin su içerikleri, alçaktan uçan uçaklardaki
gama ışını spektrometresiyle belirlenebilmektedir. Uçakların karların biriktiği
alanlarda özellikle kar öncesi ve sırasında uçuş yapmalarıyla da biriken kar
kalınlıklarını belirlenebilir.
b) Görünür dalga boyları: Kar örtüsü uyduların görünür dalga boylarına ait
yansıma özelliklerine bağlı olarak diğer yüzeylere göre daha rahat bir şekilde
belirlenebilmektedir. Bu görünür dalga boylarında özellikle kızılötesi bölgeye
yakın olanların tercih edilmesi daha kolay haritalama işlemlerinin
gerçekleşmesine neden olur. Mavi dalga boyuna yakın spektrumlar, kar
örtüsü olan ve olmayan alanlara ait bilgilerin kaybolmasına neden olabilir.
c) Mikrodalga boyları: Elektromanyetik enerjinin bu dalga boyları özellikle kar
ve buzul örtüsünün yayılış, derinlik, içerisindeki potansiyel su içeriği gibi
özellikleri belirleme çalışmalarından büyük kolaylıklar sunar.
25
Uzaktan algılama çalışmalarından kar ve buzulların haritalamasında karşılaşılan
birtakım güçlükler bulunmaktadır. Bunlar; görüntülerdeki bulutluluk, orman
örtüsü, topografyalara ait gölge etkisi ve çıplak kayalıklardır.
Bulutluluk, gerek kar ve buzulları örtmesi nedeniyle gerekse kar ve buzullarla
aynı yansıma değerleri vermesinden dolayı karşılaşılan en büyük problemlerden
birisidir.
Orman örtüsü, kar örtüsünün belirlenmesinde önemli engellerden birisidir.
Özellike kar örtüsünün sık ormanlık alanların içlerine kadar girdiği alanlarda
belirleme işlemi oldukça zordur.
Gölge faktörü, kar örtüsünün haritalanmasında karşılaşılan güçlüklerden bir
tanesidir. Özellikle kış mevsiminde kuzey yarımkürede güneş ışınlarının geliş
açısının düşmesi neticesinde topografyalara ait gölgeler uydu görüntülerinde
belirgin hale gelir ve bu yerler siyah olarakkaydedilir. Ancak aynı zamanda bu
alanların karla kaplı olduğunu düşünürsek birtakım yanlış haritalamalar
gerçekleşir. Böyle yerler için topografya haritaları, aynı bölgenin yaz uydu
görüntüleri kullanılabilir.
Çıplak kayalık alanlar, özellikle karların erime dönemlerinde
verdikleri yansıma değerleriyle eski karların yansıma değerlerinin benzerlik
göstermesi kar ve kaya ayrımını güçleştirir. Topogafya haritası, yaz uydu
görüntüleri ve bitki örtüsü yayılış haritaları bu problemin azaltılmasında yardımcı
olabilir.
12.3. Taşkınların Haritalanması
Taşkınların haritalanması, sel ve taşkın afetleri karşısında afet yönetiminin
yapılandırılması hem de taşkınların meydana geldiği alanlarda yapılacak taşkın
modelleme çalışmaları için doğrulamanın yapılmasına katkı sağlaması bakımından
önemlidir. Uzaktan algılamanın taşkın haritalamalarındaki kullanımı hem pasif
hem de aktif algılayıcı ürünleri ile mümkün olmaktadır. Ancak pasif uydular
özellikle taşkınların meydana geldiği zamanda hava şartlarının uygun
olmaması ve bulutluluğun çok fazla olmasından dolayı bazen taşkınların
görüntülenebilmesine imkan vermemektedir. Bu durumlarda aktif uydular daha
kullanışlı hale gelmektedir. Eğer taşkın anı veya hemen sonrasında o bölge
üzerinde uydu çekim yapmıyorsa her iki uydunun da kullanılamadığı durum da
ortaya çıkabilmektedir. Her iki uydunun kullanıldığı ve taşkınların haritalandığı
birçok çalışma mevcuttur.
Optik uydular hava koşullarının temiz olduğu yerlerde taşkın alanlarının
belirlenmesi için kullanılabilirler. Radar veriler, her türlü hava koşulunda
görüntü elde edebilirler.
Taşkın haritalamasında kullanılan radar uyduları ve özellikleri:
26
Taşkın sırasında ve sonrasındaki Radarsat görüntüleri iki farklı yöntem olan
otomatik sınıflama ve histogram değerlerine bağlı sınıflama kullanılarak
taşkınların yayılış alanları belirlenir.
13. UZAL UYGULAMA I
Uydu görüntülerinin ücretsiz olarak temini web sayfaları:
1- http://glcf.umd.edu/data
2- http://earthexplorer.usgs.gov (Üyelik istemektedir!!)
13.1. Layer Stack Özelliği
İnternet üzerinden indirilen uydu görüntülerine ait bantların birleştirme
işleminin yapılması bu özellikle ile gerçekleştirilmektedir.
“UZAL_Uygulama”/“Landsat ETM_2000” klasörü içindeki ayrı ayrı .tif verisi
olarak verilen bantların birleştirilmesi yapılacaktır.
1. Menü bar içerisindeki “Raster” altındaki “Spectral” ikonuna tıklayınız.
Spectral ikonu altındaki altında “Layer Stack” butonunu çalıştırınız.
2. Ekrana gelen “Layer Selection and Stacking” penceresinde “Input File”
kısmında ilgili klasör tanımlanır. Açılan “Input File” pencersinden “Files of
Type” kısmına TIFF veri tipi seçilir. Çalışılan klasör içerisindeki .tif uzantılı veriler
görüntülenir. Her bir görüntü birinci banttan başlayarak sırasıyla çağrılır ve
“Add” butonuna tıklanarak bütün bantlar layer olarak eklenir.
3. “Layer Selection and Stacking” penceresinde “Output File” kısmına
bantların birleştirilmiş görüntüsünün adı verilir. Burada
“landsatetm_2000.img” olarak verilmiştir.
Aynı pencere atında “Ignore Zero in Stats.” kutucuğu işaretlenir. Burada
birleştirilmiş uydu görüntüsünde band kenarındaki 0 değerlerini istatistiğe dâhil
etmemiş olur. Son olarak “Ok” butonuna tıklanır.
4. Ekrana açılan “Process List” penceresinde işlem %100 tamamlandıktan
sonra “Close” butonuna tıklanır ve Layer Stack işlemi tamamlanmış olur.
5. Layer Stack yapılmış görüntünün yazılım içerisinde görüntülenebilmesi için
“File” menübarı altında “Recent” butonunda birleştirilmiş görüntü olan
“landsatetm_2000.img” seçilir ve ekrana açılır.
13.2. Görüntüyü Import Etmek/Viewer da Görüntüyü Açmak
Değişik formattaki görüntüleri gerek klasör içerisinden gerekse CD üzerinden
okuyarak .img formatına dönüştürme işlemidir. Aynı zamanda .img uzantılı
dosyaları başka uzantılı dosyalara export işleminin yapılmasını sağlar. Bu
27
uygulama ayrıca dönüşen bu .img dosyasını Viewer da açmak ve görüntünün
özelliklerini anlamayı içerir.
1. “Manage Data” menü barı altında “Import Data” butonuna tıklayınız. Açılan
“Import” penceresinde “Format” kısmına .tif verisi import edileceği için “TIFF”
seçiniz, “Input File” kısmına browse butonuna tılayınız. Çalışılan
UZAL_Uygulama\ ETM_2000 klasörü altındaki “ETM_2000.tif” verisini seçiniz ve
“Ok” butonuna tıklayınız. “Output File” kısmına tekrar browse ederek aynı
çalışma klasörü içine “ETM_2000.img” olarak kaydediniz.
“Ok” butonuna tıklayınız.
2. Ekrana açılan “Import TIFF” penceresinde görüntüye ait satır ve sütün
verileri ve band özellikleri gösterilmektedir. Bu pencerede “Preview” yapılabilir
veya veriden emin iseniz “Ok” butonuna tıklayarak import işlemini tamamlayınız.
3. .img olarak import edilen görüntülenebilmesi için “File” menübarı altında
“Recent” butonunda görüntüyü seçip ekranda açılır.
4. View ekranında açılan herhangi bir uydu görüntüsünün özelliklerini görmek için
“Home” menü barı altında “Metadata” butonuna tıklanır. Açılan “Image
Metadata” penceresinde “General”, “Projection”, “Histogram” ve “Pixel
Data” tablarında görüntü ile ilgili bir takım bilgilere ulaşılır. Bunlardan “General”
altında uydu görüntüsü dosyasına aitbirtakım bilgiler gösterilir. Bunlardan “File
info” altında dosyanın tutulduğu uzantı, kaç bant olduğu, dosyanın boyutu gibi
bilgilere ulaşılır. “Layer Info” altında radyometrik çözünürlük, veri sıralanışı,
satır ve sütün olarak kaç pikselden oluştuğu gibi bilgilere ulaşılır. “Statistics
Info” altında piksellerin aldığı değerlerle ilgili olarak bazı istatistiksel bilgiler yer
alır. “Map Info” altında ise görüntünün köşe koordinatları, birim ve piksel
büyüklüğüne ait bilgiler bulunur. Son olarak da “Projection Info” altında
projeksiyon, speheroid ve datum bilgisi bulunur. Projeksiyon ile ilgili daha detaylı
bilgi “Projection” tabı altında yer alır.
5. “Metadata” altındaki “Histogram” tabı altında her bir bant içerisindeki
piksellerin frekanslarını gösterir. Her bir bant seçildiğinde o banda ait histogram
ekranda görülür. “Pixel Data” tabı altında ise görüntünün arka planındaki
piksellerin sahip olduğu değerleri göstermektedir.
6. Görüntü üzerinde her bir pikselin farklı spektral aralıklardaki değer aralıklarını
görmek için “Home” menü barı altında “Inquire” butonu tıklanır. View ekranında
+ işaretinin olduğu pikselin görüntü içerisindeki bütün bantlardaki değerleri
görüntülenir. Ekranda hangi bant kombinasyonu var ise o bantların renkleri
kırmızı, yeşil ve mavi renklerde görülür.
7. Uydu görüntüsündeki bant kombinasyonları da uydu görüntüleri üzerindeki
bazı özelliklerin çıkarımı yapılabilir. Bantların sahip oldukları spektral aralıklara
bağlı olarak RGB kombinasyonları doğru ve yalancı renklerin oluşması için Raster
altındaki “Multispectral” menü barı altındaki bant kısmında yer alan bantlar
değişiklik yapılarak ekrandaki görüntüye değişik bant kombinasyonları yapılabilir.
Ekranda kırmızıda bant 4, yeşilde bant 3 ve mavi de bant 2 yer almaktadır. Bu
yakın kızıl ötesi, kırmızı ve yeşil bantlara ait bant kombinasyonu yalancı
renkler elde edilmiştir. Görüldüğü üzere bitkiler yakın kızılötesini daha fazla
yansıttıkları için ve bu bant kırmızı kombinasyona seçildiği için bitkiler kırmızı
renkte görülmektedir. Farklı kombinasyonları deneyerek farklı özelliklerin
çıkarımını yapabilirsiniz.
13.3. Görüntüyü Subset Etmek (İlgili Alanı Kesme)
28
Uydu görüntüleri üzerinde istenen bir alanın kesilmesi, küçültülmesi için
uygulanan işlem “Subset” işlemidir. Bu işlemle büyük çevreye sahip uydu
görüntüsü daha küçük çalışma alanlarına bölünebilir.
1. Raster altında “Drawing” menü barı altında “Insert Geometry” kısmında
kesilecek alanın (Area Of Interest-AOI) oluşturabilmesi için değişik geometrik
şekiller seçilerek ekranda ilgili alan belirlenir.
2. View ekranında AOI çizildikten sonra Contents kısmında AOI katmanı oluşur.
Bu katman sağ maus tıklanarak kaydedilebilir ve daha sonra farklı uydu
görüntülerinden aynı alanı kesmede kullanılabilir.
3. AOI çiziminden sonra seçili haldeyken “Raster” menü barı altında “Subset”
butonu ve onun altında “Create Subset Image” tıklanır.
4. Ekrana açılan “Subset” penceresinde “Input File” kısmı mevcut kesilecek
görüntü tanımlanır. “Output File” kısmına subset yapıldıktan sonra nereye ve ne
isimle kaydedileceği girilir. Burada “calisma_alani_etm2000.img” olarak
girilmiştir. Daha önce belirlenen AOI yi tanımlamak için AOI butonuna tıklanır.
Açılan “Choose AOI” penceresinde ekrandaki seçili AOI için “Viewer” seçilir.
Eğer AOI kaydedilmişse “AOI File” seçilir ve ilgiliAOI tanımlanır. Burada Viewer
seçeneği kullanılmıştır.
5. İşlem tamamlandıktan sonra “landsatetm_2000.img” görüntüsü kapatılıp,
“File” menü barı altından “Recent” butonu tıklanarak en son oluşturulan
“calisma_alani_etm2000.img” görüntüsü açılır. Ekranda AOI olarak seçilen
alanın içerisinde görüntülerin kesildiği görülür. Bu görüntü diğer büyük
görüntünün bütün özelliklerine sahip olup sadece alansal bir küçülmeye tabi
tutulmuştur.
Not: Büyük uydu görüntülerinden kesilmek istenen alan üçgen, kare veya
dikdörtgen şeklinde değil de bir havza veya il-ilçe sınırı olarak .shp (shapefile)
verisi olursa aşağıdaki işlemler. .shp verisi vektör veri olarak uydu görüntüsünün
üzerine açılır. Seçili konumdayken “Drawing” menü barı altında “Insert” ikonu
altındaki “Copy” ve “Paste” butonlarına tıklanarak vektör sınır verisinin AOI
olarak kaydedilmesi sağlanır. AOI kaydedildikten sonra normal subset işlemi
gerçekleştirilir, sınır özelliklerine bağlı uydu görüntüsü kesilmiş olur.
14. UZAL UYGULAMA II
14.1. Band Oranlaması
Band oranlaması uydu görüntülerinden değişik özelliklerin çıkartımı için kullanılan
önemli görüntü iyileştirme işlemlerinden birisidir. Bu analiz altında özellikle bitki
indeksleri (NDVI)ile bitkilerin yayılış alanları belirlenebilmektedir.
1. Uydu görüntüsü ekrana çağırıldıktan sonra, “Raster” altında “Multispectral”
altında, “Unsupervised” ikonu altındaki “NDVI” ı tıklayınız.
2. Ekrana açılan “Indices” penceresinde “Input File” kısmında ekranda açılı
olan ve NDVI analizi yapılacak olan uydu görüntüsü bulunur. Bu uygulamada
“landsatetm_2000.img” görüntüsüdür. “Output File” kısmına ise
“ndvi_2000.img” olarak ilgili klasöre tanımlayınız. “Index” kısmında “NDVI”
seçili olmalıdır. Burada eğer farklı indeksler kullanılarak farklı özellikler
çıkartılmak isteniyorsa mevcut indeks kütüphanesinden buradan seçilebilir.
“Band Selection” kısmında NDVI analizi için gerekli olan Near Infrared
(NIR) – Yakın Kızılötesi ve Red (RED) – kırmızı bandın seçilmesi ve
tanımlanması gerekmektedir. Bu örnekte çalışılan uydu ETM olduğu için 4. Band
NIR, 3 bandın RED olduğu bilindiği için tanımlamarı Band Selection kısmında
29
yapılır. Eğer NDVI çıkartılacak olan uydu başka bir uydu görüntüsü ise NIR ve
RED bandlarının hangisi olduğu bilinmelidir. Ayrıca bu bandlar aynı kısım altındaki
“Wavelength” kısmında dalga boylarına bakılarak da bulunabilir.
Dalga boyları nanometre olarak verilmiş olup mikro metreye çevirmek için üç sıfır
silinir. Daha sonra “Ok” butonuna tıklanır.
3. İşlem tamamlandıktan NDVI görüntüsünün açılabilmesi için “File” menü barı
altında “Open” altında “Raster Layer” kısmından veya “View” ekranında sağ
maus tıklanarak “Open Raster Layer” tıklanır.
4. Ekrana açılan “Select Layer To Add” penceresinde “ndvi_2000.img”
verisinin kaydedildiği klasör açılır ve seçilir. Daha sonra “Raster Options” tabına
tıklanır. “Display as:” kısmına “Pseudo Color” seçilir ve “Ok” butonuna tıklanır.
5. “View” ekranında “ndvi_2000.img” verisi açılır. Bu veri üzerinde sağ maus ile
“Display Attribute Table” a tıklanır. Ekrana “ndvi_2000.img” penceresinde
öznitelik tablosu açılır. Bu tabloda NDVI değerleri -1 ile +1 arasında değişen
“Value” sütunu ve bunlara ait “Color” sütünü bulunur.
6. NDVI değerleri görüntü iyileştirme konusunda da verildiği gibi – değerler
bitkiden tamamen yoksun alanları (su ortamları gibi) gösterir. 0 civarındaki
değerler toprak yüzeyleri gösterir. + değerler ise bitki örtüsüyle kaplı alanları
göstermektedir. Genel olarak ormanlık alanlar 0.2 değeri ve üstündeki alanları
gösterir. Ancak daha net bir tespit için sahadaki orman örtüsü olan alanlar
üzerinde “Inquire” kursoru ile değer okuması yapılıp belirlenebilir. Bu
uygulamada 0.2 değeri ve üstü orman örtüsü olarak belirlenmiştir. Dolayısıyla
bu değerin üstündeki bütün satırlar “Attribute Table” dan seçilerek sağ maus ile
Yeşil –Green renkle renklendirilmiştir. Böylelikle bitki - ormanlık alanın sınırları
belirlenmiştir.
14.2. Kontrolsüz (Unsupervised) Sınıflama
1. “View” ekranına çağırılan “landsatetm_2000.img” görüntüsünün kontrolsüz
sınıflamasının yapılabilmesi için “Raster” / “Multispectral” altında
“Unsupervised” altındaki “Unsupervised Classification” tıklanır.
2. Ekrana açılan “Unsupervised Classification” penceresinde “Input Raster
File” kısmında “View” ekranındaki “landsatetm_2000.img” verisi otomatik
olarak gelir. Bu görüntü kontrolsüz sınıflamanın uygulanacağı görüntüdür.
“Output Cluster Layer” kısmına ise sınıflanan görüntünün kaydedileceği klasör
tanımlanıp ismi verilir. Bu uygulamada “unsup_2000.img” yazılmıştır. Daha
sonra K means sınıflamasında “# of Classes” kısmına sınıflama sayısı girilir.
Burada 10 sınıf uygulanacağı için 10 girilmiştir. Ancak bu sınıf daha
detaylı sınıflamalar için 50-100 sınıfa kadar çıkartılabilir. Bu tamamen yapılacak
sınıflamanın içeriğine bağlı olarak değişiklik gösterir. Daha sonra “Ok” butonuna
tıklanır.
3. Sınıflanan görüntü “File” menü barı altında “Recent” butonuna tıklanarak en
son kaydedilen “unsup_2000.img” verisi “View” ekranında açılır. Burada
sınıflanan 10 sınıf ekran görüntüsündeki band kombinasyonu renginde ekranda
açılır. “unsup_2000.img”verisinde sağ maus ile “Display Attribute Table”
açılır.
4. Ekranda açılan öznitelik tablosunda herbir sınıfın otomatik olarak Class 1’den
Class 10’a kadar isimler atanır. Bu sınıflama sayısı ile değişkenlik gösterebilir. Bu
aşamadan sonra renk özelliklerine bağlı olarak her bir sınıfın belirleme işlemi
yapılır. Ayırca renkler deüzerinde sağ maus ile değişikliğe gidilebilir. Bu
uygulamada “Class 1”: Deniz – rengi mavi, “Class 2, 3, 5 ve 6”: Bitki – rengi
30
yeşil, “Class4”: Açık Alan – rengi sarı, “Class 7, 8, 9 ve 10”: Yerleşme, yollar ve
yapılar – rengi kahverengi olarak belirlenmiştir. Aynı sınıf farklı sınıflarda
isimlendirilirken 1,2,3,4 kodlarıyla farklı isimler verilmiştir. İsimlendirme işlemi
tamamlandıktan sonra “File” altında “Save” tıklanarak kaydedilir.
5. Kontrolsüz sınıflama yapıldıktan sonra aynı isimden birkaç tane sınıfı tek bir
sınıf altında toplamak için sınıflandırılmış veri Recode (Yeniden kodlama) işlemine
tabi tutulur. Bunun için “Raster” menüsü altıdaki “Thematic” altında “Recode”
butonuna tıklanır.
6. Ekrana gelen “Recode” penceresinde aynı sınıfa ait satırlara aynı sınıf
numarası verilir. Örneğin “Deniz” sınıfından 1 tane olduğu için bunun kodu aynen
kalmıştır. “Bitki” sınıfından 4 tane mevcuttur. Bu 4 “Bitki” sınıfı seçilir, alttaki
“New Value” kısmına “2” yazılır ve “Change selected rows” butonuna
tıklanarak seçili olan 4 “Bitki” yeni kod olarak “2” kodunu almış olur. Diğer
sınıflarda aynı şekilde yapılır. “Yerleşme” ye 3 kodu, “Açık Alan” yine bir tane
olduğu için 4 kodunda değişiklik yapılmaz ve “Apply” butonuna tıklanır.
7. Recode verisini kaydetmek için “unsup_2000.img” üzerinde sağ maus ile
“Save Layer As” e tıklanır. Veri Recode verisi olarak
“recode_unsup_2000.img” olarak kaydedilir.
8. Kaydedilen “recode_unsup_2000.img” verisi “View” ekranında açılır. Veri
üzerinde sağ maus “Display Attribute Table” tıklanarak öznitelik tablosuna
ulaşılır. Burada bazı sınıfların silindiği ve her bir sınıfa verinin olmadığı görülebilir.
Bu durumda sınıflar ve rekleri tekrardan ayarlanır. Sonuçta 10 sınıflık kontrolsüz
sınıflama verisi 4 sınıfta gösterilmiş olur.
14.3. Doğruluk Belirleme
Doğruluk belirleme işlemi, uydu görüntülerinin herhangi bir sınıflama işleminde
sonra ortaya çıkan sınıflanmış görüntünün gerçekteki olan şekliyle ne derece
örtüştüğünün belirlenmesidir. Bu yapılan sınıflamanın ne kadar doğru olduğunu
bize gösterir. Her görüntü analizinden sonra mutlaka yapılması gereken bir
işlemdir. Doğruluk belirleme işleminde kullanılan analizler hata matriksi ve
kappa istatiğidir. Gerçek karşılaştırma verileri, araziden toplanan GPS verileri
olabilir, yüksek çözünürlüklü uydu görüntüsü veya hava fotoları olabilir. Bu işlem
için yapılan adımlar şu şekildedir;
1. “View” ekranına “recode_unsup_2000.img” verisi çağrılır. “Raster” menü
barı altında “Supervised” altında “Accuracy Assessment” tıklanır.
2. Ekrana açılan “Accuracy Assessment” penceresinde “Open a classified
image” butonuna tıklanır ve recode yapılmış “recode_unsup_2000.img” verisi
tanımlanır. “Edit” menü barı altındaki “Create/Add Random Points” tıklanır.
Ekrana açılan “Add Random Points” penceresinde “Number of Points”
kısmına 20 girilir (Burada uygualam
amaçlı bu değer girilmiştir. Normalde herbir sınıf için 50-100 arasında değer
girilmelidir). “Distribution Parameters” olarak “Equalized Random” seçilir.
Aynı pencere altında “Select Classes” butonuna tıklanır, ekrana açılan “Raster
Attribute Editor” penceresinde “Unclassified” sınıflanmamış satır harici diğer
bütün sınıflara ait satırlar mausla seçilir. Buişlemden sonra “Add Random
Points” penceresindeki “Ok” butonuna tıklanır.
3. “Accuracy Assessment” penceresine rakam olarak girilen 20 noktanın
atandığı görülür. “Edit” menü barı altında “Show Class Value” tıklanır. Herbir
noktanın hangi sınıfaait olduğu “Class” sütununa kod olarak aktarılır.
4. “View” menü barı altında “Select Viewer” tıklanır. Ekranda açık olan View
31
ekranı üzerine maus ile gelinir ve bu View ekranı seçilir. Böylelikle random olarak
belirlen noktaların yerlerinin görülmesi ve kontrolü gerçekleştirilir.
5. Daha sonra her bir nokta satırı seçilerek “View” menü barı altında “Show
Current Selection” tıklanarak o noktanaın “View” ekranındaki uydu görüntüsü
üzerinde konumunun gösterilmesi sağlanır. Bu işlem bütün noktalar için uygulanır
ve referans verisi olarak gerçekte o sınıf olup olmadığına göre kodlamaları
“Referans” sütununa yapılır.
6. Son olarak “Accuracy Assessment” penceresi altında “Report” altında
“Accuracy Report” tıklanır. Ekrana herbir sınıfın hata oranları, toplamdaki hata
oranı ve Kappa istatistik değerlerini gösteren text dosayı oluşur. Bizim
uygulamada girilen değerlerebağlı olarak “Overall Classification Accuracy”
%75 olarak bulunmuştur. Kappa değeri ise 0.66 elde edilmiştir. Burada çıkacak
doğuluk değerlerine bağlı olarak sınıflama tekrarlanabilir ve gözden geçirebilir.
Genel olarak % 70 ve üzeri değerler çalışmanın amaç ve içeriğine bağlı olarak
kabul edilebilir düzeydedir.