EGE ÜN VERS TES FEN B TÜSÜ (YÜKSEK L SANS TEZ (8).pdf · saydırılır ve her parsel için çoğunlukta olan hücre bilgisi ilgili parsele etiket bilgisi olarak atanır. Bu özelliğinden

EGE ÜN�VERS�TES� FEN B�L�MLER� ENST�TÜSÜ

(YÜKSEK L�SANS TEZ�)

ÇOK BANDLI UYDU GÖRÜNTÜLER�NDEN PARSEL

BAZINDA CO�RAF� B�LG� S�STEM� ÖZELL�KL�

ÜRÜN DESEN� KATMANI OLU�TURULAB�L�RL��

ÜZER�NE B�R ARA�TIRMA

Senem YILMAZ

Tez Danı�manı : Prof. Dr. Yusuf KURUCU

Çevre Bilimleri Anabilim Dalı

Bilim Dalı Kodu : 615.01.00 Sunu� Tarihi : 14.09.2011

Bornova-�ZM�R 2011

ii

iii

Senem YILMAZ tarafından yüksek lisans tezi olarak sunulan “Çok Bantlı Uydu

Görüntülerinden Parsel Bazında Coğrafi Bilgi Sistemi Özellikli Ürün Deseni

Katmanı Oluşturulabilirliği Üzerine Bir Araştırma” başlıklı bu çalışma E.Ü.

Lisansüstü Eğitim ve Öğretim Yönetmeliği ile E.Ü. Fen Bilimleri Enstitüsü

Eğitim ve Öğretim Yönergesi’nin ilgili hükümleri uyarınca tarafımızdan

değerlendirilerek savunmaya değer bulunmuş ve 14.09.2011 tarihinde yapılan tez

savunma sınavında aday oybirliği ile başarılı bulunmuştur.

Jüri Üyeleri: Đmza

Jüri Başkanı : Prof. Dr. Yusuf KURUCU

Raportör Üye : Prof. Dr. Ümit ERDEM

Üye : Prof. Dr. Bahar TÜRKYILMAZ

iv

v

ÖZET

ÇOK BANTLI UYDU GÖRÜNTÜLERĐNDEN PARSEL BAZINDA

COĞRAFĐ BĐLGĐ SĐSTEMĐ ÖZELLĐKLĐ ÜRÜN DESENĐ KATMANI

OLUŞTURULABĐLĐRLĐĞĐ ÜZERĐNE BĐR ARAŞTIRMA

YILMAZ, Senem

Yüksek Lisans Tezi, Çevre Bilimleri

Tez Danışmanı: Prof. Dr. Yusuf KURUCU

Eylül 2011, 64 sayfa

Bu çalışmada, tarım ürünlerinin Uzaktan Algılama verileri ve Coğrafi

Bilgi Sistemi entegrasyonuyla doğru şekilde sınıflandırılması hedeflenmiştir.

Araştırmada Matlab R2010a yazılımı ile bir arayüz oluşturulmuş ve

Rapideye uydusunun verileri kullanılarak Foça’da yetiştirilen pamuk, ayçiçeği ve

mısır ekili alanların parsel düzeyinde ürün deseni haritalanmasına çalışılmıştır.

Araştırmada ekili alan hesabının yapılabilmesi için vektör formattaki parsel

sınırları, ürün deseni çeşidinin belirlenmesi için ise Rapideye uydu görüntüsü

piksel sayısal değerleri temel alınmıştır.

Geliştirilen bu arayüz ile hem ekili alanların parsel düzeyinde ürün deseni

haritalanmasına çalışılmış hem de ürün ekili alanlar hesaplanmıştır.

Uydu görüntüsü geliştirilen arayüz ile sınıflandırılmış ve parsel bazında

pamuk, mısır ve ayçiçeği bitkileri % 98 doğrulukla ayırt edilebilmiştir.

Anahtar sözcükler: Rapideye, Parsel Bazlı Sınıflandırma, Ürün Deseni,

Uzaktan Algılama, Coğrafi Bilgi Sistemi.

vi

vii

ABSTRACT

RESEARCH ON THE ABILITY TO FORM CROP PATTERN

LAYER QUALIFIED PARCEL BASED GEOGRAPHICAL

INFORMATION SYSTEM FROM SATELLITE IMAGES WITH

MULTI BANDS

YILMAZ, Senem

MSc in Environmental Science

Supervisor: Prof. Dr. Yusuf KURUCU

September 2011, 64 pages

This study introduces a methodology for integrating remote sensing and

geographic information systems to accurately classify agricultural crops.

The aim of the study was to determine spectral characteristics of the

cotton, corn and the sunflower growing plots at Foça using Rapideye Satellite

Imagery for field based agricultural crop mapping with the interfaces

implemented for the image processing using by MATLAB R2010a development

tool. Determining the type of product design is based on the numerical values of

the Rapideye satellite image pixels. Detecting the area of cultivated land, parcel

boundaries in vector format are used.

With this developed interface, field based agricultural crop mapping and

crop planted area is studied.

Satellite image was classified and these plants in the plots basis were

distinguished by 98 percentage accuracy.

Keywords: Rapideye, Parcel Based Classification, Crop Pattern, Remote

Sensing, Geographic Information Systems.

viii

ix

TEŞEKKÜR

Teşekkürlerin en büyüğü bu çalışma süresince sabır ve özveri ile beni

yönlendiren, Uzaktan Algılama ve Coğrafi Bilgi Sistemi EBĐLTEM Uydu

Laboratuarının altyapı olanaklarını kullanmamı sağlayan, sınırsız bilgi

birikimiyle öneriler sunan her zaman örnek aldığım, E.Ü.Z.F. Toprak Bölümü

öğretim üyesi değerli hocam Prof. Dr. Yusuf KURUCU’ya gitmelidir.

Çalışmalarımda bana sonuna kadar güvenen, her zaman saygı duyduğum

E.Ü. Çevre Sorunları Araştırma ve Uygulama Merkezi Müdürü ve E.Ü.Z.F.

Peyzaj Mimarlığı Bölümü sayın hocam Prof. Dr. Ümit ERDEM’e, tüm lisansüstü

öğrencilerin ablası Dr. Nurdan ERDOĞAN’a ve E.Ü. Çevre Sorunları Araştırma

ve Uygulama Merkezine katkılarından dolayı teşekkürlerimi sunarım.

Tez konum ile ilgili yapılan çalışmalar konusunda beni aydınlatarak,

misafirperverliği ile bana büyük yardımda bulunan Hacettepe Üniversitesi

Jeodezi ve Fotogrametri Mühendisliği Bölümü öğretim üyesi sayın hocam

Doç. Dr. Mustafa TÜRKER’e teşekkürü bir borç bilirim.

Yüksek lisans tezimin araştırma ve hazırlama aşamaları süresince

desteklerini esirgemeyen, bilgi ve deneyimlerinden yararlandığım Dr. M. Tolga

ESETLĐLĐ’ye, Dr. Fulsen ÖZEN’e, Dr. Çiğdem COŞKUN HEPCAN’a ve Ziraat

Yük. Müh. Ece EROĞLU’na, teşekkürlerimi sunarım.

Araştırmalarımın her aşamasında maddi ve manevi olarak her zaman

yanımda bulunan en kıymetlim, aileme ve desteğini esirgemeyen müstakbel hayat

arkadaşım Tayfun TANYEL’e sonsuz teşekkürlerimi bir borç bilirim.

Ayrıca bende ve tezimde büyük emeği olan sayın Cihat ELDENĐZ’e

teşekkürlerimi sunarım.

x

xi

ĐÇĐNDEKĐLER

Sayfa

ÖZET ...................................................................................................... … v

ABSTRACT .............................................................................................. .. vii

TEŞEKKÜR ................................................................................................ ix

ŞEKĐLLER DĐZĐNĐ ..................................................................................... xvi

ÇĐZELGELER DĐZĐNĐ .................................................................................. xx

KISALTMALAR DĐZĐNĐ........................................................................... xxii

1.GĐRĐŞ ........................................................................................................ 1

2.ÖNCEKĐ ÇALIŞMALAR........................................................................... 3

3.UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM ALANLARI .. 6

3.1 Uzaktan Algılama Tekniği ....................................................................... 6

3.2 Cisimlerin Spektral Yansıtma Özellikleri ................................................. 7

3.2.1 Bitkilerin spektral yansıtma özellikleri .................................................. 8

3.2.2 Toprağın spektral yansıtma özellikleri................................................... 8

3.2.3 Suyun spektral yansıtma özellikleri ....................................................... 9

3.3 Uydu Görüntüleri.................................................................................... 10

3.4 Uydu Görüntülerinde Çözünürlük ........................................................... 10

3.4.1 Radyometrik çözünürlük ...................................................................... 11

xii

ĐÇĐNDEKĐLER (devam)

Sayfa

3.4.2 Spektral çözünürlük............................................................................. 12

3.4.3 Spatial çözünürlük............................................................................... 13

3.4.4 Temporal çözünürlük........................................................................... 14

3.5 Rapideye Uydusu Görüntüleme Sistemi ................................................. 16

3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma Yöntemleri ...... 19

3.6.1 Kontrolsüz sınıflandırma ..................................................................... 20

3.6.2 Kontrollü sınıflandırma ....................................................................... 21

3.6.3 Sınıflandırma sonuçlarının kontrolü..................................................... 22

4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI .................... 23

4.1 Coğrafi Bilgi Sistemi.............................................................................. 23

4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri ............................... 23

4.2.1 Vektör (Çizgisel) veriler ...................................................................... 24

4.2.2 Raster veriler ....................................................................................... 25

4.2.3 Metin (Text) veriler ............................................................................. 25

5. MATERYAL VE YÖNTEM.................................................................... 26

5.1 Materyal................................................................................................. 26

5.1.1 Araştırma alanı ve coğrafi konum........................................................ 26

xiii


Sayfa

5.1.2 Yazılımlar ve diğer materyaller ........................................................... 27

5.2 Yöntem.................................................................................................. 27

5.2.1 Yardımcı veriler .................................................................................. 29

6. ARAŞTIRMA BULGULARI VE DEĞERLENDĐRME........................... 38

6.1 Araştırma Konusu Kültür Bitkilerinin Rapideye Uydu Görüntüsündeki

Yansıma Değerleri ....................................................................................... 38

6.2 Araştırma Alanında Ekili Alanların Parsel Bazında Sınıflandırılması ..... 44

7. SONUÇ VE ÖNERĐLER ......................................................................... 56

KAYNAKLAR DĐZĐNĐ ............................................................................... 59

ÖZGEÇMĐŞ ................................................................................................ 64

EKLER.................................................................................................................

Ek 1 Araştırma Alanına Ait Adaların Parsel Bilgileri ............................................

Ek 1 (a) 1. Bölgedeki Parsel Bilgileri ....................................................................

Ek 1 (b) 2. Bölgedeki Parsel Bilgileri....................................................................

Ek 1 (c) 3. Bölgedeki Parsel Bilgileri ....................................................................

Ek 1 (d) 4. Bölgedeki Parsel Bilgileri....................................................................

Ek 1 (e) 5. Bölgedeki Parsel Bilgileri ....................................................................

xiv


Sayfa

Ek 1 (f) 6. Bölgedeki Parsel Bilgileri.....................................................................

xv

xvi

ŞEKĐLLER DĐZĐNĐ

Şekil Sayfa

3.1. Uzaktan algılama tekniğinin 4 temel ilkesi........................................ 6

3.2 Elektromanyetik spektrum................................................................ 7

3.3 Bitki örtüsü, toprak ve suyun spektral yansıtım eğrileri..................... 9

3.4a 1 bitlik görüntü............................................................................... 11

3.4b 2 bitlik görüntü............................................................................... 11

3.4c 3 bitlik görüntü............................................................................... 11

3.4d 4 bitlik görüntü............................................................................... 11

3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri.. 12

3.6a 30 m – piksel LANDSAT5 görüntüsü............................................. 13

3.6b 2.5 m – piksel Quickbird görüntüsü ................................................ 13

3.7a Japonya’da 11.03.2011 tarihinde yaşanan Tsunami felaketinden

önce Rapideye uydusundan alınan görüntü ..................................... 14

3.7b Japonya’da 11.03.2011 tarihinde yaşanan Tsunami felaketinden

sonra Rapideye uydusundan alınan görüntü .................................... 14

3.8 Dijital görüntü ................................................................................. 15

3.9 Aynı alana ait yapılan band birleştirmeleri....................................... 16

4.1 Coğrafi veri türleri........................................................................... 24

4.2 Coğrafi Bilgi Sistemlerinde vektör veri modelleri ............................ 24

xvii

ŞEKĐLLER DĐZĐNĐ (devam)

Şekil Sayfa

4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri ............................ 25

5.1 Araştırma alanının yeri .................................................................... 27

5.2 Arayüz oluşturulurken gerek duyulan veriler ................................... 29

5.3 Geomedia 4.0 programında oluşturulan parsellerin ‘.dgn’

formatında kaydedilmesi ................................................................ 30

5.4 ‘.dgn’ uzantılı görüntünün Magic View And Converter 5.2

programında ‘.tif’ formatına çevrilmesi .......................................... 31

5.5 Araştırma alanına ait uydu görüntülerinin kesilmesi........................ 31

5.6 Parsellere ait ürün yansıma değerlerinin oluşturulması ................... 32

5.7 Homojen ürün dağılımı göstermeyen parsel .................................... 33

5.8 Matlab yazılımında programlanan arayüz ekranının görüntüsü ....... 34

5.9 Tasarlanan arayüzde uydu görüntüdü ve parsel haritasının çağırılması 35

5.10 Araştırma alanına ait uydu görüntüsü ile parsel çizgilerinin

hizzalanması........................................................................................ 36

5.11 Araştırma alanına ait parsel bazında yapılan sınıflandırmanın

ekran görüntüsü............................................................................ 36

6.1 Araştırma alanında yer alan bütün ürünlerin bandlara göre

yansıma değerleri ............................................................................ 41

6.2 Araştırma alanında yer alan 1. ürün mısır bitkisinin bandlara göre

yansıma değerleri ............................................................................ 42

xviii


Şekil Sayfa

6.3 Araştırma alanında yer alan 2. ürün mısır bitkisinin bandlara göre

yansıma değerleri............................................................................. 43

6.4 Araştırma alanında yer alan orta pamuk bitkisinin bandlara göre


6.5 Araştırma alanında yer alan iyi pamuk bitkisinin bandlara göre


6.6 Araştırma alanında yer alan ayçiçeği bitkisinin bandlara göre


6.7 Birinci araştırma alanına ait sınıflandırma sonucu................................ 45

6.8 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller ... 45

6.9 Đkinci araştırma alanına ait sınıflandırma sonucu .................................. 47

6.10 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller .. 47

6.11 Üçüncü araştırma alanına ait sınıflandırma sonucu .......................... … 49

6.12 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller... 49

6.13 Dördüncü araştırma alanına ait sınıflandırma sonucu........................... 50

6.14 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller .. 51

6.15 Beşinci araştırma alanına ait sınıflandırma sonucu............................... 52

6.16 Çalışma alanına ait homojen dağılım göstermeyen parseller ................ 52

xix


Şekil Sayfa

6.17 Altıncı araştırma alanına ait sınıflandırma sonucu ............................ 54

6.18 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller 54

xx

ÇĐZELGELER DĐZĐNĐ

Çizelge Sayfa

3.1 Rapideye Uydusunun Teknik Özellikleri ............................................. 18

5.1 Lejantda yer alan ürünlere ait renk kodları .......................................... 34

6.1 Çalışma alanına ait bitkilerin 5. Banddaki yansıma değerleri ................ 39



6.4 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen

parsel alan bilgileri……………………………………………………… 46

6.5 Birinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı …………………………………………………………………. 46



6.7 Đkinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı …………………………………………………………………. 48



6.9 Üçüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı …………………………………………………………………. 50



xxi

ÇĐZELGELER DĐZĐNĐ (Devam)

Çizelge Sayfa

6.11 Dördüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının

oransal dağılımı……………………………………………………….. 51



6.13 Beşinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının

oransal dağılımı …………………………………………………………. 53



6.15 Altıncı çalışma alanında yer alan ürünlerin saptanabilen alanlarının

oransal dağılımı …………………………………………………………. 55

xxii

xxiii

KISALTMALAR DĐZĐNĐ

Kısaltmalar Açıklama

CBS Coğrafi Bilgi Sistemi

DGN Intergraph Graphics

DWG Autocad Drawing File

ETM+ The Enhanced Thematic Mapper Plus

NIR Near Infra Red

TIF Togged Image File Format

TM Thematic Mapper

TAKBĐS Tapu Kadastro Bilgi Sistemi

UA Uzaktan Algılama

1

1. GĐRĐŞ

Nüfusdaki artış, tarımsal üretime olan ilgiyi ve beraberinde tarım

alanlarındaki ürünlerin en doğru şekilde nasıl haritalanabileceği sorusunu

gündeme getirmiştir. Ürün deseni oluşturulması ekonomiye olan katkının

saptanabilmesi açısından önemlidir. Bu amaç için var olan en etkili yöntem

otomatik görüntü sınıflandırmasıdır. Sınıflandırma yöntemleri ile uydu

görüntüsünü oluşturan verilerin bilgisayar ortamında sınıflandırılarak ekili

tarım alanlarından tematik harita üretilebilmektedir. Ürün deseninin

belirlenmesi için bilinen en temel sınıflandırma yöntemlerinden biri parsel

bazlı sınıflandırma tekniğidir. Parsel bazlı sınıflandırma tekniğinin temeli,

varolan tarım parsellerinin sınır bilgisinden yararlanılarak görüntünün homojen

parsel bölgelerine ayrılmasıdır. Bu yöntemde her parselin içine düşen hücreler

saydırılır ve her parsel için çoğunlukta olan hücre bilgisi ilgili parsele etiket

bilgisi olarak atanır. Bu özelliğinden dolayı, parsel bazlı sınıflandırma yöntemi

ile parsel içindeki çeşitlilik ve parsel sınırlarına düşen karışık hücre etkileri

giderilmiş olur (De Wit and Clevers, 2004).

Teknolojinin ilerlemesiyle güçlenen bilgisayar donanımları ve

yazılımları görüntü ile ilgili yapılan çalışmaları kolaylaştırmış, bu konulara

olan ilgiyi arttırmıştır. Görüntü işleme teknolojisi tıp, güvenlik, üretim, bilim

alanlarında yenilikler ve kolaylıklar sağlamaktadır. Görüntü işleme

uygulamalarını geliştirmek, eğitimini vermek klasik programlama dilleri ve

teknikleri ile kolay olmamaktadır. Bu nedenle görüntü işleme algoritmalarına

yönelik fonksiyon kütüphaneleri bu programlama dillerine eklenmiş, hazır

araçlar geliştirilmiş, hatta bu işlemlere yönelik özel programlama dilleri,

geliştirilmiştir.

Bu araştırma ile uydu görüntüsünü oluşturan piksellerin her bant için

yansıma değerlerinin sorgulandığı ve ürün deseni yansıma aralıklarının

girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları içerisindeki

ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik (attributes)

bilgisi olarak veri tabanına girilmesini sağlayacak bir yöntem geliştirilmiştir.

Bu çalışmada, Matlab R2010a yazılımına bir arayüz eklenerek, çalışma

2

sonucunda görüntülerin çeşitli yöntemler ile sınıflandırılması ve parsel

bilgilerine tekrar aktarılması işlemlerine gerek kalmadan raster özellikli veriler

üzerinden doğrudan parsel düzeyinde ürün deseni haritalanmasına ve alanların

belirlenmesine çalışılmıştır.

3

2. ÖNCEKĐ ÇALIŞMALAR

Başbakanlık Güneydoğu Anadolu Projesi Bölge Kalkınma Đdaresi

Başkanlığı (2003), tarafından Fırat Sulama Birliği sınırları içinde kalan bölgede

yapılan çalışmada Mart 2000 tarihli LANDSAT 7 ETM+ ve 16 Ağustos 2000

tarihli SPOT 4 uydu görüntüleri ile parsel-bazlı sınıflandırma tekniği

kullanılmıştır. Elde edilen ürün deseninin gerçekle ne kadar uyumlu olduğunu

saptamak amacıyla ise doğruluk analizi yapılmış ve sınıflandırılmış görüntünün

ortalama doğruluğu % 95.5 olarak bulunmuştur. Otomatik sınıflandırma

sonucu elde edilen bilgiler ile Fırat Sulama Birliği verilerinin köyler ve ürün

türleri bazında karşılaştırılması neticesinde su parası yüksek olan ürünler için

eksik beyanda bulunulduğu ortaya çıkmıştır. Projede elde edilen sonuçlara

bakıldığında, ürün deseninin çok zamanlı uydu görüntülerinin otomatik

sınıflandırılma ile belirlenebilmesi sonucunda, bölgede sulama birliklerine

verilen beyanlardan kaynaklanan kayıpların önlenebileceği ve sağlıklı ürün

planlaması yapılabileceği görülmüştür.

Sefer (2005), yaptığı bir araştırma ile Landsat 5 TM uydusunun sayısal

verileri kullanılarak Yüreğir ovasında yetiştirilen 2003 yılı pamuk, soya

fasulyesi ve mısır ekili parsellerin belirlenmesini amaçlamıştır. Bu amaçla,

çalışma alanında bulunan pamuk, soya fasulyesi ve mısır bitkilerinin yansıtma

verileri altı ayrımlı bandta saptanmış ve bu veriler ışığında söz konusu

bitkilerin ekili olduğu alanların en iyi Landsat 5 TM uydusu 3., 5., ve 7. band

kombinasyonu ile belirlenebileceği sonucuna varılmıştır. Uydu görüntüsü,

kontrollü yöntem ile sınıflandırılmış ve parsel bazında pamuk, soya fasulyesi

ve mısır bitkileri % 96,3 doğrulukla ayırt edilebilmiştir.

Türker ve Arıkan (2005), Mayıs, Haziran ve Ağustos Landsat 7 ETM+

görüntülerini kullanarak parsel bazında sınıflandırma yapmıştır. Mayıs ve

Haziran aylarında alınan görüntülere Çok Zamanlı Maskeleme Tekniği

uygulamıştır. Sonuçta Çok Zamanlı Maskeleme Tekniği kullanarak

sınıflandırdığı görüntülerde, Ağustos ayında çekilen görüntünün verdiği

doğruluk oranının %10 fazlası olan %81 doğruluk sonucunu elde etmiştir.

Smith ve Fuller (2001), Parsel bazlı sınıflandırma tekniği ile Jersey’de

arazi haritalamasına çalışmışlardır. Parsel sınırları çizilmiş vektör haritaları

4

kullanarak raster görüntünün her bir parselini ayrı ayrı sınıflandırarak diğer

bilinen sınıflandırma yöntemlerine göre daha yüksek oran vererek % 85 ile

%95 arası doğruluk sonucu elde etmiştir.

Aplin ve ark. (1999), yüksek çözünürlüklü uydu görüntülerini

kullanarak parsel bazında ürün deseni oluşturmak için bazı yöntemler

geliştirmişlerdir. Bu tekniklerden en iyi sonuç veren tekniğin ürün bazında

filtreleme tekniği (per-field texture filtered classification) olduğunu

belirtmişlerdir.

Bauer ve Steinnocher (2001), Avusturalya’nın Vienna kentinde

IKONOS uydu görüntülerini kullanarak parsel bazında kentsel arazi kullanım

haritası üretmişlerdir.

De Wit ve Clevers (2004), Parsel bazlı sınıflandırma tekniği ile spektral

değişkenliğin ve parsel sınırları içinde karışık piksellerin yol açtığı saptırmanın

engellendiğini vurgulamışlardır.

Türker ve Özdarıcı (2005) ,farklı mekansal çözünürlükteki görüntüleri

karşılaştırarak parsel bazında sınıflandırma yapmışlardır. Sınıflandırmada

Karacabey bölgesine ait Spot 4, Spot 5, IKONOS ve Quickbird uydu

görüntülerini kullanmışlardır. 4 m çözünürlüğe sahip IKONOS uydu görüntüsü

%88.6 ile en yüksek doğruluk oranını vermiştir.

Özdarıcı (2005), Eşzamanlı çekilen Karacabey yakınlarında yer

alan yaklaşık 95 km 2 lik bir tarım alanının renkli SPOT 4, SPOT 5, IKONOS,

QuickBird uydu görüntüleri ile birleştirilmiş QuickBird görüntüsünün parsel

tabanlı sınıflandırma yöntemi ile sınıflandırarak çözünürlüğün tarımsal ürünler

için parsel tabanlı sınıflandırma yöntemi üzerindeki etkisini değerlendirmiştir.

SPOT4 ve SPOT 5 renkli görüntülerinin poligon sonrası sınıflandırma

sonuçları 76,1% ve 81,4% doğruluk üretirken, IKONOS renkli görüntüsü

88,6% doğruluk payı ile en yüksek sonucu sağladığını belirlemişlerdir. Diğer

taraftan, QuickBird renkli ve birleştirilmiş QuickBird görüntüsü 83,7% and

85,8% doğruluk sağladığı sonucuna varmışlardır. Poligon öncesi sınıflandırma

için SPOT 4 ve SPOT 5 görüntülerinin sonuçları 65,2% ve 69,8% olarak

hesaplanmıştır. Poligon sonrası sınıflandırmada olduğu gibi, SPOT5 görüntüsü

SPOT 4 ten daha iyi sonuçlar sergilerken IKONOS görüntüsü 81,8% ile en

5

yüksek doğruluğu elde etmişlerdir. QuickBird renkli ve QuickBird

birleştirilmiş görüntülerinin doğruluk oranları 78,6% ve 82,1% olarak

bulunmuştur.

Şencan (2004), Karacabey (Bursa) yakınlarındaki tarımsal alanlarda

Ağustos ayına ait tarım ürünlerini sınıflandırmak için karar ağacı sınıflandırma

tekniği ile beraber çok zamanlı uydu görüntülerini kullanmıştır. Analizler için

Mayıs, Temmuz ve Ağustos 2000’de elde edilen Landsat 7 ETM+

görüntülerinden yararlanarak orijinal bantlara ek olarak NDVI, PCA ve

Tasselled Cap Transformation bantları oluşturmuş ve sınıflandırma işlemine

dahil etmiştir. Karar ağacı sınıflandırma yaklaşımı ile beraber çok zamanlı

maskeleme tekniği kullanılarak görüntüler piksel bazlı olarak sınıflandırmıştır.

Mayıs ve Temmuz aylarında karar ağacı yöntemi ile 91.10% ve 66.15%, en

büyük olasılık sınıflandırma yöntemi ile ise 84.38% ve 63.55% doğruluk

değerleri elde etmiştir. Bununla beraber, Ağustos ayında en büyük olasılık

(70.82%) ve karar ağacı sınıflandırma (69.14%) yöntemleri için yaklaşık olarak

aynı toplam doğruluk sonuçları elde etmiştir. Ek olarak kullanılan bantların

karar ağacı sınıflandırma yönteminde şeker pancarı, domates, bezelye, biber ve

pirinç sınıflarının görüntü üzerinden ayrılabilirliğini arttırdığı gözlenmiştir.

Türker (2003), Vektör Parsel Sınırları ile Çakıştırılmış Landsat 7 ETM+

(Ağustos 2002) Uydu Görüntüsü’nün 4,5,3 Band Kombinasyonunu kullanarak

Karacabey’de yaptığı sınıflandırmada %80 doğruluk sonucu elde etmiştir.

Dean ve Smith (2003), Đngiltere, Cambridgeshire’da parsel bazında

sınıflandırma tekniği ile piksel bazında sınıflandırma tekniğini kıyaslamak

amacıyla yaptıkları çalışmada, seçilen araştırma alanı üzerindeki ürün deseni

homojen olmadığı için parsel bazlı sınıflandırmanın piksel bazlı

sınıflandırmaya göre daha doğru sonuçlar verdiğini belirlemişlerdir.

6

3. UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM

ALANLARI

3.1 Uzaktan Algılama Tekniği

Uzaktan algılama yer yüzeyindeki bir cisimle temas etmeksizin o

cismin fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanır

(Örüklü, 1988). Uzaktan algılama teknolojileri, cisimlerin yüzeyinden yansıyan

veya salınan enerjinin atmosferde ya da uzayda konumlandırılmış platformlara

yerleştirilen algılayıcılar ile algılanıp kaydedilerek, elde edilen verilerin

bilgisayar ortamında işlenerek analiz edilmesi temeline dayanır. Uzaktan

algılama tekniğinde öncelikli olarak elektromanyetik enerji yayan doğal

(güneş) ya da yapay (uydu) bir kaynak gerekir. Doğal enerji kaynağı

kullanılarak yapılan algılama pasif uzaktan algılama, yapay enerji kaynağı

kullanılarak yapılan algılama aktif uzaktan algılama tekniği olarak adlandırılır.

Uzaktan algılama tekniğinin uygulanması dört temel ilkeye

dayanmaktadır (Şekil 3.1). Bunlar; radyasyon ya da elektromanyetik enerji,

atmosferik geçiş koridoru, hedef - yeryüzü objeleri ve yansıyan ya da yayılan

elektromanyetik enerjinin algılandığı algılama düzenekleri ile onları taşıyan

platformlardır.

Şekil 3.1 Uzaktan algılama tekniğinin 4 temel ilkesi

(Amerikan Ulusal Hava ve Uzay Dairesi, 2010)

Algılama düzenekleri, elektromanyetik tayfın değişik dilimlerinde (0.3 -

15 µm), cisimlerin özelliklerine göre yansıyan enerjiyi ayrımlı dalga boylarında

kayıt ederek çalışırlar. Alıcılar, elektromanyetik spektrumun görünebilir (0.4-

7

0.5 µm mavi, 0.5-0.6 µm yeşil, 0.6-0.7 µm kırmızı) ve kızıl ötesi (0.7-1.35 µm

yakın kızıl ötesi; 1.35-3.00 µm orta kızıl ötesi; 3-15 µm uzak kızıl ötesi veya

termal) bölgelerindeki enerjiyi algılamaktadırlar (Şekil 3.2). Đnsan gözü ancak

0.4–0.7 µm dalga boyundaki elektromanyetik enerjiyi algılayabilmekte, bunun

dışındaki dalga boylarındaki verileri algılayamamaktadır ( Esetlili, 2001).

Şekil 3.2 Elektromanyetik Spektrum (University of Virginia, 2011)

3.2 Cisimlerin Spektral Yansıtma Özellikleri

Bir cisme ulaşan ışınım yansıtılır, yutulur ve geçirilir. Enerjinin

kaybolmayacağı, ancak şekil değiştireceği göz önüne alınarak cisme gelen

toplam enerji, cisim yüzeyi tarafından yansıtılan, cisim tarafından geçirilen ve

yutulan enerjilerin toplamına eşittir (Ekercin, 2007; Paine ve Kiser, 2003).

Cisimlerin spektral özelliklerinin farklı olması, uzaktan algılamada ifade

edilebilmelerinin temel nedeni olarak kendisini göstermiştir. Cisimlerin

yansıtmadaki farklı davranışları spektral yansıtma eğrileri ile gösterilir . Her

spektral bant elektromanyetik spektrumun bir bölümünde duyarlıdır. Spektral

yansıtma özellikleri belirli spektral bölgelerde açık bir şekilde farklılık

gösteren cisimler bu bölgelere duyarlı uzaktan algılama görüntülerinde farklı

gri renk tonu ve renklerde gözükürler. Bu bakımdan cisimlere ait spektral

yansıtma özelliklerinin bilinmesi, spektral bant seçiminde önemli rol oynar.

8

3.2.1 Bitkilerin Spektral Yansıtma Özellikleri

Bitkiler elektromanyetik spektrumun değişik dalga boylarını

kullanmaktadır. Uydu görüntülerinde, görünebilir (visible) bölge dışında kalan

spektral alanda bitkiler, mavi (0.4–0.5 µm) ve kırmızı (0.5–0.6 µm) dalga

boyunda yer alan enerjiyi bünyelerinde fotosentez için absorbe ederken yeşil

(0.6–0.7 µm) ve yakın kızılötesi (0.7–0.9µm) dalga boyunu hemen hemen hiç

kullanmadan yansıtırlar. Đnsan gözü, yansıyan enerjinin sadece yeşil dalga

boyundaki bölümünü algılayabildiğinden bitki örtüsü bize yeşil olarak

görünmektedir (Kurucu, Y. ve ark., 2003).

3.2.2 Toprağın Spektral Yansıtma Özellikleri

Zeminlerin spektral özelliği, yansımanın artan dalga uzunluğu ile

artması şeklinde ortaya çıkmaktadır. Zemine ulaşan bir ışınım ya yutulur ya da

yansıtılır. Ayrıca zeminlerin fiziksel ve kimyasal özelliklerinin farklı

olmasından dolayı, yutma ve yansıtma özellikleri de farklıdır. Zeminlerin

yansıtma özellikleri zeminin su muhtevası, zeminin organik madde muhtevası,

zeminin doku ve yüzey pürüzlülüğü, zemini oluşturan minerallerin miktarı gibi

faktörlere bağlıdır. Bir zemindeki su muhtevası, yansıtma özelliğini olumsuz

olarak etkiler. Elektromanyetik spektrumun görünür, yakın ve orta kızılötesi

(ısıl ve yansıtıcı) bölgelerinde çok nemli toprak, buharlaşmayla

soğuyacağından koyu renk tonunda görünürken, kuru toprak açık tonlu

görünür. Spektrumun görünür bölgesinde koyu, ısıl bölgesinde ise açık tonlu

görünen bir toprak alanı yüksek oranda organik madde içeren çok kuru bir

toprağı belirtir. Toprağın dokusunda, tanecik boyutunun küçük olması

yansıtımı artırır. Ayrıca yüzey pürüzlülüğünün azalması, yansımanın artmasına

etki eden önemli bir etkendir (Ekercin, 2007).

9

3.2.3 Suyun Spektral Yansıtma Özellikleri

Suyun spektral duyarlılığı gelen ışınımın dalga boyuna bağlıdır. Su

ışınımı yansıtır, soğurur, kırarak geçirir veya saçar. Işınım su yüzeyinden, su

içindeki askıdaki maddelerden ve su tabanından yansıyabilir. Işınımın

soğurulması ve geçirilmesi, su içindeki organik ve inorganik maddelere

bağlıdır. Saçılma ise mavi dalga boylarında olduğu için derin ve temiz suların

rengi mavidir. Berrak bir suyun geçirim özellikleri saf suyun geçirim özelliğine

benzemesine rağmen, bulanıklık derecesinin artması suyun geçirgenliğini

azaltır. Bulanık su içerisinde askıda bulunan maddeler suyun spektral özelliğini

etkilemektedir. Bulanık su, berrak sudan daha yüksek bir yansıtma özelliği

gösterir. Bütün su kitleleri çok sığ olsalar da yakın ve orta kızılötesi dalga

boylarında gelen ışınımın hemen hemen tümünü soğurur, çok azını yansıtır. Bu

durum, görüntülerde çevrelerine göre çok koyu renk tonlarında beliren su

alanlarının karalardan kolaylıkla ayırt edilebilmesini mümkün kılar (Ekercin,

2007).

Şekil 3.3 Bitki örtüsü, toprak ve suyun spektral yansıtım eğrileri (Akça ve Doğan, 2002)

Uzaktan algılama tekniği; jeoloji (maden arama), meteoroloji, tarım

(arazi kullanımı-toprak haritalama), hidroloji (sulama-baraj etudleri),

ormancılık (kaynakların haritalanması, yangın hasar tespiti), haritacılık (sayısal

arazi modellerinin hazırlanması), şehircilik (otoyol-demiryolu-boru hattı),

10

çevre (kirlilik haritaları), ve askeri amaçlı çalışmaları süre ve maliyet açısından

en aza indirgemektedir.

3.3 Uydu Görüntüleri

Görüntü bir cismin sayısal gösterimidir. Görüntü verileri sadece

sayılardan oluşup, her sayı bir veri dosya değerini içerir. Veri dosya değerleri

genellikle piksel olarak adlandırılır. Piksel terimi görüntüdeki en küçük

elemana karşılık gelir ve genellikle kare biçimindedir. Piksele atanan veri

değeri belirli konumdaki yeryüzü bölgesinden yansıtılan yada yayılan

elektromanyetik enerjinin kaydıdır. Bir pikselin bir dosyada veya görüntüdeki

konumu bir koordinat sistemi ile gösterilir. Đki boyutlu koordinat sistemlerinde

satır ve sütundan oluşan bir grid sistemi ile ifade edilir. Griddeki her bir konum

iki koordinat değeri vardır (X,Y). X koordinatı gridin sütun sayısını, Y de satır

sayısını gösterir (Örmeci vd., 1992).

Sayısal uydu görüntüleri raster verilerdir ve bunlar sayısız küçük

ünitelerden veya piksellerden oluşurlar. Pankromatik (tek bantlı) raster verileri

tek renkli olduklarından renk parlaklık seviyelerine göre gri renk tonlarını veya

siyah beyaz sınır arası renkleri verirler. Multispektral (çok bantlı) verilerde ise

üç değişik spektral banda karşılık gelen her bir pikselde kırmızı, yeşil ve mavi

renklerin kombinasyonları söz konusudur ve bunlar renkli fotoğraflara benzerler

(Kurucu Y. ve ark., 2003).

3.4 Uydu Görüntülerinde Çözünürlük

Uydu görüntüleri terminolojisinde, spektral çözünürlük, spatial

çözünürlük, radyometrik çözünürlük ve temporal çözünürlük önemli

kavramlardır. Çözünürlük, görüntünün kaç piksele bölündüğünü, yani kaç

pikselle temsil edildiğini gösterir. Çözünürlük ne kadar yüksekse, görüntü o

kadar yüksek frekansta örneklenmiş olur ve görüntüdeki ayrıntılar o kadar

belirginleşir. Geniş bir terim olan çözünürlük, görüntü aracında görüntülenen

piksel sayısı veya görüntü dosyasındaki pikselin temsil ettiği yeryüzü alanı

olarak tanımlanabilir. Ancak bu geniş tanım uzaktan algılanmış veri tasvirinde

11

yetersiz kalmaktadır (ERDAS 1995). Çözünürlük, detayların ayırt edilebilme

gücünü belirtir.

3.4.1 Radyometrik Çözünürlük

Radyometrik çözünürlük, görüntünün içerdiği bilginin ifadesidir ve

değeri bit adı verilen veri birimidir. Radyometrik çözünürlük arttıkça sayısal

değer aralığı dolayısıyla görüntülenen renk sayısı artar. 8 bit veride her pikselin

sayısal değeri 0’dan 255’e kadar uzanırken 7-bit veride her pikselin sayısal

değeri sadece 0’dan 127’ye kadardır. Yani 8-bit veride kaydedilen enerji 256

( 82 ) parlaklık değerine, 7-bit veri’de ise 128 ( 72 ) parlaklık değerine ayrılır.

(a) (b)

(c) (d)

Şekil 3.4 (a) 1 bitlik görüntü; (b) 2 bitlik görüntü; (c) 3 bitlik görüntü; (d) 4 bitlik görüntü

(Amerikan Ulusal Hava ve Uzay Dairesi , 2010)

12

3.4.2 Spektral Çözünürlük

Spektral çözünürlük, bir algılayıcının elektromanyetik spektrumda

kaydedebildiği belirli dalga boyu aralığı sayısıdır. Aralık daraldıkça ve

kaydedilebildikçe spektral çözünürlük artar ve aralık genişledikçe kaba spektral

çözünürlükten bahsedilir. Yeryüzünden yansıyan enerji, algılama

düzeneklerinin yetenekleriyle sınırlı olarak algılanabilirler. Yansıyan enerji,

kamera düzenekleri içindeki filtreler veya merceklerle ayrı ayrı kaydedilir ve

her bir dalga boyu aralığı band olarak isimlendirilir. Bir görüntüde bant sayısı

ne kadar fazlaysa elde edilen bilginin miktarı da o oranda artar. Đnsan gözünün

görebildiği dalga boyu aralığı 0.4-0.7 µm’dir ve bu da 3 bölgeye ayrılır. Mavi,

yeşil ve kırmızı rengi veren dalga boyları ayrı ayrı algılanır ve depolanır. Bu

bölgenin üzerinde “Infrared (IR)” bulunur. Đnsan gözü bunları göremez.

Bitkiler IR’ yi yüksek düzeyde yansıtırlar. Mavi ve sarı rengi veren dalga

boyundaki enerjiyi fotosentezde kullanırlar. Ancak yeşil ışığı yansıttıkları için

insan gözü bitkileri yeşil olarak görür (Kurucu Y. ve ark., 2003).

Şekil 3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri (Pamukkale

Üniversitesi, 2010)

Grafikte 1. bantta toprak bitkiden yüksek spektral yansıma değerine

sahip iken, 4. bantta bitkinin toprağa göre daha fazla yansıması söz konusudur.

13

3.4.3 Spatial Çözünürlük

Spatial çözünürlük, algılayıcı tarafından algılanan bir pikselin

yeryüzünde temsil ettiği alanın, bir başka deyişle ayırt edilebilen en küçük

objenin boyutudur. Uydu görüntülerinde çözünürlük yükseldikçe görüntülenen

bant veya tarama genişliği daralmakta ve daha küçük alan

görüntülenebilmektedir. Görüntünün çözünürlüğü alınan görüntü çerçevesini

küçültür ve buna bağlı olarak alan çalışmaları maliyeti artar. Büyük alan

çalışmalarında ayrıntı gerekmiyorsa yüksek çözünürlüğe gerek duyulmaz. Bir

kamera düzeneğinin yeryüzünde gözetleyebildiği en küçük alan (piksel),

spatial çözünürlüğü belirler ve bu alanı da görüntü sütunu ile görüntü satırı

çevreler. Çözünürlüğün yüksek olması, aynı görüntü çerçevesi içerisinde daha

çok piksel ve daha çok veri anlamına gelir (Kurucu, Y. ve ark., 2003).

(a) (b)

Şekil 3.6 (a) 30m – piksel, LANDSAT 5 uydu görüntüsü, (b) 2,5 m – piksel, Quickbird uydu

görüntüsü (Ören, A., 2009).

14

3.4.4 Temporal Çözünürlük

Temporal çözünürlük, bir uydunun yeryüzündeki aynı noktayı

algılayabilme sıklığıdır. Bir bölgedeki spektral karakteristikler zamanla

değişebilir ve çok-zamanlı görüntü setleri kullanılarak değişim analizi

yapılabilir. Doğa olaylarının ve tarımsal işlevlerin sürekli izlenmesi gerektiği

konumlarda oldukça önemlidir.

(a) (b)

Şekil 3.7 Japonya’ da 11.03.2011 tarihinde yaşanan Tsunami felaketinden önce (a) ve sonra

(b) Rapideye uydusundan alınan görüntüler (http://www.rapideye.de/home/news/news-extra-

page.html )

Görüntüler, uydu sinyaller ile yer istasyonlarına iletilir. Uzaktan

Algılama görüntüleri dijital formlarda kayıt edilir ve bilgisayarlar tarafından

görüntüye dönüştürülmek üzere işlenir. Bir uzaktan algılama sisteminde

algılayıcı enerjiyi (ışığı) algılar, ölçer ve miktarını bilgisayarın okuyabileceği

bir sayıya çevirir. Yörüngedeki uzay aracı bu kodları sinyaller ile yeryüzündeki

uydu yer istasyonuna gönderir. Bu sinyaller alınarak sayı dizilerine çevrilir,

sıra ve sütunlar bir gri değerine denk gelen sayı ile ifade edilir ve bir sayısal

görüntü oluştururlar.

15

Şekil 3.8 Dijital Görüntü (Đstanbul Teknik Üniversitesi Uydu Haberleşmesi ve Uzaktan

Algılama Merkezi, 2010)

Görüntüler uydu sinyalleri ile yer istasyonlarına ve oralarda da

radyometrik ve geometrik düzeltmeleri yapılarak manyetik bandlara kayıt

edilir. Uzaktan algılama tekniğiyle elde edilen görüntüler veri dönüşümünü

sağlayan donanım ve yazılımlar kullanılarak yeryüzü ögeleri veri bankalarında

depolanırlar ve kullanım ve planlama amacıyla insanoğlunun yararına

sunulurken, çevresel ögeler de birbirleriyle birleştirilir, grafike edilir ve

zamansal değişimleri somut olarak ortaya konulur.

Sayısal uydu verileri, yeryüzü kaynaklarının araştırılmasında bir araç

olarak kullanılmakta ve geniş alanların sınıflandırılması ve haritalanmasında

yoğun olarak kullanıldığı gibi, yeraltı doğal kaynaklarında nitel ve nicel olarak

ortaya çıkarılmasında da işlevini göstermektedir.

Kameralar tarafından algılanan filtreler aracılığı ile dalga boylarına bağlı

olarak ayrı bantlar şeklinde kaydedilirler. Ham görüntü şeklinde kaydedilen

görüntüler kullanıcıya bağlı formatlarda pazarlanmaktadır. Bir bant tek başına

siyah beyazdır. Ancak diğer bantlar ile birleştirilirse renkli şekil alır. Bant

birleştirmeleri (composite) çalışma konusuna bağlı olarak belirli bir sıra

izleyerek yapılır. Şekil 3.9’da Menemen’e ait uydu görüntüsünde yapılan band

birleştirmesi gösterilmiştir.

16

1. Şekil 3.9 Aynı alana ait yapılan band birleştirmeleri, Đzmir – Çiğli (Orijinal, 2011)

3.5 Rapideye Uydusu Görüntüleme Sistemi

Bu araştırmada Rapideye uydu görüntüsü kullanılmıştır. Rapideye

uydusu ve görüntü özellikleri ile ilgili bilgiler aşağıda verilmektedir.

Rapideye, MacDonald Dewittwiller & Associates (MDA) tarafından

Alman firması Rapideye AG. için tasarlanan ticari amaçlı bir uydudur

(MacDonald Dettwiler). Rapideye uydusunun dünya yörüngesinde beş gözlem

uydusu bulunmaktadır. Bu uydular takım halinde çalışmaktadırlar. Bu takım

sistemi, günde 4 Milyon 2km gibi olağanüstü bir miktarda görüntü tarayarak

toplamakta ve aynı noktayı günaşırı yeniden görüntüleyebilmektedir. Uydu

üzerinde bulunan Red-Edge Bandı, ticari olarak ilk kez bir uydu üzerinde

bulunan bir bant aralığıdır. Bu bant aralığı, klorofil içeriği içindeki değişimlere

karşı hassastır. Yapılan çalışmalar bu bandın vejetasyon sağlığının izlenmesi,

biokütle içindeki protein ve nitrojen içeriğinin ölçülmesi ve ürün ayırımının

daha rahat yapılabilmesine olanak sağlamaktadır.

Rapideye uydusu Basic ürün, Geometrik düzeltmeli ürün ve Ortorektifiye

edilmiş ürün olmak üzere 3 seviyede ürün vermektedir. Bu ürünlerin teknik

özellikleri aşağıda verilmektedir.

17

Level 1B - Rapid Eye Basic Ürün

Radyometrik ve sensör düzeltmeleri veriye uygulanmıştır. Geometrik

düzeltme uygulanmamıştır. Veri, NITF 2.0 formatında ve meta dosyaları ile

birlikte verilmektedir. Verilerin yersel örnekleme mesafesi ise (GSD) 6.5

metredir.

Level 2A - Rapid Eye Geometrik düzeltmeli Ürün

Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır.

Fakat pozisyonal doğruluk için yer kontrol noktası kullanılmamıştır.

Görüntüler kuzeye dönüşümlü (North-oriented) olarak gelmektedir. Veri,

Geotif formatında, meta dosyaları ile birlikte ve piksel boyutu 5m. olarak

gelmektedir. Radyometrik çözünürlük ise 16 bit olarak gelmektedir. Verinin

geometrik düzeltmesi sırasında hassas olmayan (coarse) bir sayısal yükseklik

modeli (1km. aralıklı) ile uydu pozisyon bilgileri kullanılarak yapılmıştır.

Level 3A - Rapid Eye Ortorektifiye Edilmiş Ürün

Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır.

Veriler yer kontrol noktaları ve DTED Level 1 SRTM veya daha iyi bir sayısal

yükseklik modeli ile ortorektifiye edilmiştir. Verilerin 12.7m. CE90'da

doğruluk özelliği vardır. Bu veriler için elde edilen iyi doğruluk 1:25000

NMAS standartlarını karşılamaktadır. Veri, Geotif formatında, meta dosyaları

ile birlikte ve piksel boyutu 5m. olarak gelmektedir. Radyometrik çözünürlüğü

16bit olarak gelmektedir (http://nik.com.tr).

Rapideye uydusunun teknik özelliklerine ilişkin bilgiler Çizelge 3.1’de

gösterilmektedir.

18

Çizelge 3.1 Rapideye Uydusunun Teknik Özellikleri

(http://www.mdacorporation.com/corporate/news/pr/backgrounder/RapidEye.pdf)

Fırlatma Tarihi 2007

Uydu Ömrü 7 yıl

Uydu Sayısı 5

Yörünge Yüksekliği 620 km

Yörünge Eğimi Yaklaşık 97.8 derece, güneş eş

zamanlı

Ekvator Geçiş Zamanı 11:00 am

Yersel Çözünürlüğü 6.5 m

Piksel Boyutu 5 m

Radyometrik Çözünürlük 8 Bit

Şerit Çekim Genişliği 78 km.

Uydu üzerindeki veri saklama

kapasitesi

Her yörünge geçişi için 1500km'lik

veri toplama kapasitesi

Yeniden geçiş zamanı 1 gün

Spektral band sayısı 5 (440 – 850 nm)

Spektral Bandlar Blue 440 – 510

Green 520 – 590

Red 630 – 685

Red – Edge 690 – 730

NIR 760 - 850

19

Görüntü Çekme Kapasitesi 4 Milyon 2km

Veri Depolama Kapasitesi

· On – line archive

· Near - line archive

· Off - line vault

150 Tbytes

150 Tbytes

Dinamik Aralığı 12 Bit

Ağırlık Her biri 150 kg

Boyutları 875 nm x 780 nm x 1080 nm

Rapideye uydusunun kullanım alanları,

- Tarım

- Ormancılık

- Enerji ve Altyapı

- Mekansal Çözümler

- Çevre

- Güvenlik ve Acil Hizmetler

- Danışmanlık ve Uyarlanmış Çözümler olarak sıralanabilir.

3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma

Yöntemleri

Görüntülerden objelerin tanımlanması ve haritalanması için kullanılan

diğer yöntem ise sınıflandırma işlemidir. Sınıflandırma işlemi obje tabanlı ve

piksel tabanlı olmak üzere temelde iki farklı yöntem kullanılarak

yapılmaktadır.

Obje tabanlı sınıflandırmada, çalışmanın ölçeğine bağlı olarak

büyüklükleri ve geometrik şekilleri seçilen objelere benzer piksel kümelerinin

geometrik yapıları ve piksel sayısal verileri dikkate alınarak yazılım tarafından

20

sınıflandırılması ve poligonlar içerisine alması (segmentasyon) işlemine

dayanır. Daha sonra segmentler kullanıcı tarafından yeniden sınıflandırılırlar.

Piksel bazlı sınıflandırma ise, piksellerin yansıma değerleri dikkate

alınarak gruplandırılmaları işlemidir. Sınıflandırma işleminde sınıf adetlerini

kullanıcı belirler, ancak sınıfların içerdikleri piksellerin yansıma aralıklarını

bilgisayar veya kullanıcı belirleyebilmektedir. Bu işleve bağlı olarak

sınıflandırma, kontrollü (supervised) ya da kontrolsüz (unsupervised) olmak

üzere iki şekilde uygulanmaktadır (Kurucu, Y., 2010).

Sınıflandırma işleminde, edilmek istenen bilgiye göre yapılmış spektral

sınıflar, bir görüntüdeki tanımlanmış özelliklerle ilişkilendirilebilir (kontrollü

sınıflandırma) ya da statiksel olarak belirlenebilir (kontrolsüz sınıflandırma)

(Lillesand ve diğ., 2004). Sınıflandırma işleminin gerçekleştirilmesi

aşamasında, kullanılacak dalga boyunun, yeterli doğruluk ve sayıda kontrol

alanlarının, sınıflandırma algoritmasının belirlenmesi ve doğruluk analizlerinin

yapılması, yapılacak çalışmanın doğruluğu açısından son derece önemlidir.

Uzaktan algılama çalışmalarında, En Çok Benzerlik, Euklid Uzaklığı ve

Mahalanobis Uzaklığı gibi sınıflandırma algoritmalarının yanında Yapay Sinir

Ağları, Bulanık Mantık, Fuzzy C-Means, Neuro-Fuzzy gibi farklı sınıflandırma

teknikleri de kullanılmaktadır (Ekercin, S., 2007; Laba et all., 2002;

Metternicht, 1999; Okeke ve Karnieli, 2006; Zhang ve Kirby, 1997; Zhang ve

Foody, 2001). Aşağıda, bu çalışmada kullanılan kontrollü ve kontrolsüz

sınıflandırma teknikleri açıklanmaktadır.

3.6.1. Kontrolsüz Sınıflandırma

Kontrolsüz sınıflandırmada, kullanıcının veya araştırmacının sınırlı

olarak yönlendirmesi ve belirli benzerlik uzaklıkları dikkate alınarak sadece

bilgisayar tarafından spektral gruplar oluşturulur. Bu tip sınıflandırma, ilgili

alan veya çalışma alanı hakkında daha önceden bilinen herhangi bir bilgi yoksa

kullanılır. Kullanıcının bilgisi sadece bilgisayar tarafından oluşturulan

grupların isimlendirilmesinde kullanılır (Esetlili, 2001). Görüntü dijital

değerlerinde var olan doğal gruplaşmalara veya kümelere dayalı olarak bu

elemanları sınıflandıran algoritmalar kullanılır. Doğal gruplaşmaların

21

sınıflandırılması söz konusu oluğu için kontrolsüz sınıflandırma sonucu oluşan

sınıflar, işlemden önce tanımlanmamış spektral sınıflardır. Oluşturulan sınıflar

sınıflandırma işleminden sonra, hava fotoğrafları, yüksek çözünürlüklü uydu

görüntüleri, topoğrafik ve jeolojik haritalar gibi ek bilgilerle tanımlanır.

Kontrolsüz sınıflandırmada küme merkezleri geçici olarak hesaplanarak,

piksellerin dâhil olacağı sınıflar belirlenir ve bu işlem, küme merkezlerinin

konumlarında değişim olmayana kadar devam eder. Sınıflandırma işleminde

spektral uzunluğun belirlenmesinde, Euklid ve Mahalanobis gibi uzaklıklar

kullanılır (Erdas Field Guide,1991). Sıralı kümeleme (Sequential Clustering),

statiksel kümeleme (Statistical Clustering), tekrarlı ardışık kümeleme

(ISODATA Clustering- Iterative Self Organising Data Analysis Techniques) ve

RGB kümeleme (RGB Clustering) gibi farklı kontrolsüz sınıflandırma türleri

vardır. Bunlardan ISODATA algoritması uygulamada, iyi sonuç vermesi

nedeniyle yaygın olarak kullanılmaktadır (Ekercin, S., 2007; Armenakis et all.,

2003; Musaoğlu ve diğ., 2005; O’Hara et all., 2003; Xiao et all., 2002).

3.6.2. Kontrollü Sınıflandırma

Kontrollü sınıflandırmada, sınıflandırmayı yapan kişinin çalışma alanı

hakkında daha önceden bilgi sahibi olması gereklidir. Kontrollü sınıflandırma

iki asamaya ayrılır: Bunlar, çalışma aşaması ve karar verme aşamasıdır.

Çalışma aşamasında, sınıflandırmayı yapan kişi bilgisayara piksellerin

sınırlarını, hangi sınıfta kabul edileceği ve piksellerin alt ve üst sayısal

aralıklarını tanıtır. Daha sonra yazılımda işlem başlatılarak, görüntüyü

oluşturan piksellerin hangi sınıf içerisine yerleştirileceği uygulanan

sınıflandırma yöntemine göre “karar” verilerek gruplandırılır. Karar verme

aşamasında bilgisayar hangi eğitim sınıfındaki piksellerin benzer olduklarını

her bir pikseli inceleyerek saptar. Bundan sonra görüntüdeki bütün pikselleri

sınıflara atama işlemini gerçekleştirir. Bütün veriler sınıflandırıldıktan sonra

sonuçlar çıktı aşamasında farklı sunulur. Çıktı ürünleri genellikle tematik

haritalar, çeşitli arazi örtü sınıfları için tüm görüntüye veya belirlenmiş alt

görüntüye ait olan istatiksel tablolar veya coğrafi bilgi sistemlerine dâhil

edilecek nitelikteki veri dosyaları olarak oluşturulabilir (Kaya, 1999). Uzaktan

algılama ile ilgili yazılımlarda yaygın olarak kullanılan kontrollü sınıflandırma

22

yöntemlerinden kimileri “Parallelepiped veya Box” sınıflandırma, “Minumum

Distance” sınıflandırma, “Maximum Likelihood” sınıflandırma ve

“Mahalanobis Distance” dırlar (Esetlili, 2001; Shrestha, 1998).

3.6.3 Sınıflandırma Sonuçlarının Kontrolü

Sınıflandırılmış uydu görüntülerinin doğruluklarının belirlenmesi

amacıyla iki farklı yöntem yaygın olarak kullanılmaktadır:

Chi-Kare (X²) testi ile hatalı sınıflandırılan piksellerin belirlenmesi

Hata matrisi ve Kappa katsayısı ile doğruluk analizi . (Đstatiksel analiz

amacıyla kullanılan Kappa katsayısı, hata matrisinin satır-sütun toplamları ve

köşegeni üzerindeki elemanlar kullanılarak elde edilir, 0 ile 1 arasındadır

(Ekercin, S., 2007).

23

4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI

4.1 Coğrafi Bilgi Sistemi

CBS alanında ilk adımlar, 1963 yılında Kanada’da ülke arazilerinin

büyüklüklerini ve kullanım türlerini tespit amaçlı yapılan envanter

çalışmalarından oluşan coğrafi bilgi sistemleri projesi ile atılmıştır.

Günümüzde ise 40 yıllık bir bilgi birikimi ve uydu teknolojilerinin desteği ile

coğrafi bilgi sistemleri artık gündelik hayata bile girmiş durumdadır (Greene,

2001).

Bir çok kaynakta coğrafi bilgi sistemi, ‘grafiksel bilgilerin saklandığı

bir veri tabanı’ şeklinde tanımlanır. Ancak bu tanım Coğrafi bilgi sistemini tam

anlamıyla ifade etmez. Daha geniş kapsamda, Coğrafi bilgi sistemi (CBS),

konuma dayalı gözlemlerle elde edilen grafik ve grafik olmayan büyük hacimli

coğrafi bilgilerin toplanması, saklanması, işlenmesi ve kullanıcıya sunulması

işlevlerini bir bütünlük içerisinde gerçekleştiren donanım, yazılım ve

yöntemler sistemidir. Coğrafi bilgi sistemi kavramlarının temellerini oluşturan

bilgi, bilişim kurallardan yararlanarak kişinin veriye yönelttiği anlam olarak

tanımlanır. Bilgiler çeşitlerine göre değerlendirilirler. Bir gözlem veya işlem

sonucunda ortaya çıkan verilerin, birbirleriyle ilişkilendirilmesi ile elde edilen

sonuçlara bilgi adı verilir. Veri, bilgiyi oluşturan temel öğedir. Sistem; ortak

bir amaç için etkileşimli faaliyetlerin ve varlıkların oluşturduğu bir gruptur.

Bilgiye sahip olmak kadar, bilginin aktif kullanılması ve güncel

tutulması da önemlidir. Bu amaçla tüm bilgilerin bir sistem kapsamında

toplanması ve işlenmesi gerekir. Mevcut bilgilerin veri tabanı ortamlarında bir

araya getirilip saklanması, analiz edilmesi ve kullanıcı ihtiyacına göre

sunulması bilgi sistemi olarak adlandırılır (Yomralıoğlu ve ark., 2002).

4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri

Coğrafik veriler yapılarına, içerdikleri verinin çeşidine bağlı olarak

grafik ya da grafik olmayan veriler olmak üzere iki grupta incelenirler. Grafik

bilgiler; verinin yeri, şekli ve sınırları gibi verileri içermektedir. Bulundukları

24

yerlerin koordinat bilgileri, çizgi ya da poligonu oluşturan noktalar ile belirtilir.

Böylece ölçek ve alan bilgilerinin de sunulması olanağı vardır. Örneğin

kadastral bilgilerde parsel sınırları, yol ya da varsa su yolları birer grafik

veridir.

Şekil 4.1 Coğrafi veri türleri ( Maden Tetkik ve Arama Genel Müdürlüğü,

http://www.mta.gov.tr/v2.0/birimler/RSC_WEB/index.php?id=ua )

Coğrafi bilgi sisteminde veriler vektör, raster ve text veri olmak üzere

üç temel şekilde analiz edilir.

4.2.1. Vektör (çizgisel) veriler

Coğrafi bilgi sistemi içerisinde en çok kullanılan veridir.Alana ait,

nokta (kuyu,elektrik direği,vb.) , çizgi özellikli veriler (yol,ırmak,vb.) ile

poligon özellikli (parsel,göl,vb.) tüm bilgiler çizgisel veri sınıfında yer alırlar.

Şekil 4.2. Coğrafi Bilgi Sistemlerinde vektör veri modelleri (Orijinal, 2011)

Nokta

.Çizgi Poligon

25

4.2.2. Raster veriler

Raster görüntü, birbirine komşu grid yapıdaki aynı boyutlu hücrelerin bir

araya gelmesiyle oluşur. Hücrelerin her birine piksel adı verilir. Taranmış

haritalar, hava fotoğrafları ve uydu görüntüleri raster veriye birer örnektir.

Şekil 4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri (Orijinal, 2011)

4.2.3. Metin (Text) veriler

Özellikle çizgisel verilerin öz nitelik bilgilerini, karakter yada nümerik

olarak tanımlamalarını içerir. Grafik olmayan bilgiler; grafik bilgilere

ilişkilendirilmesi gereken metin özellikli öznitelik tanımlamaları grafik

olmayan bilgileri oluşturur. Genelde grafik bilgileri tamamlar ve veri analiz ve

sorgulamaları çalışmalarında kullanılırlar ve coğrafik veri ile

ilişkilendirilmelerine bağlı olarak sorgulama, ya da veri analizi sonucunda

grafik veriye ulaşılmasını sağlar. Örneğin kadastral bilgilerde parselasyon

haritasının içerisindeki parsel numaraları, mülkiyet bilgileri ya da alan bilgileri

grafik olmayan verileri oluşturur (Kurucu Y. ve ark., 2003).

26

5. MATERYAL VE YÖNTEM

5.1 Materyal

Çalışma Đzmir ili Foça ilçesinde pamuk, mısır ve ayçiçeği ekim

alanlarının yoğun olarak bulunduğu Gerenköy ve Bağarası köylerine ait

arazilerin yer aldığı 1347450 m 2 ’ lik alanda yürütülmüştür.

Çalışmanın başlıca araştırma materyali Foça bölgesine ait Rapideye

uydu görüntüsüdür. Foça’nın araştırma alanı olarak seçilmesinde alandaki ürün

çeşitliliği, daha önce alan ile ilgili yapılmış çalışmalara erişim kolaylığı etkili

olmuştur.

Araştırma bilgisayar ortamında sayısal veriler değerlendirilerek

yürütülmüştür. CBS (Coğrafi Bilgi Sistemi) ve Uzaktan Algılama yazılımları,

uydu görüntüleri, alana ve yönteme ilişkin bilimsel araştırmalar ve Matlab

R2010a yazılımı araştırmanın yardımcı materyalleri olarak kullanılmıştır.

5.1.1 Araştırma alanı ve coğrafi konum

Foça, Ege Bölgesinde, 54260¢doğu boylamları ile 04380

¢ kuzey

enlemleri arasında yer alan Đzmir iline bağlı bir ilçedir. Đzmir Körfezinin doğu

ve kuzey kanadını teşkil eden Foça, körfezin batı kanadında yer alan

Karaburun ile karşı karşıyadır. Güney, batı, kuzey tarafları Ege denizi ile

çevrili bir yarımada üzerinde olan Foça’nın güneydoğusunda Menemen, kuzey

doğusunda Aliağa ilçeleri vardır. Yüzölçümü 228 kilometrekare olan ilçe

yazları sıcak ve kurak, kışları ise ılık ve yağışlı olan Akdeniz iklim tipine

sahiptir (http://www.foca.bel.tr).

27

Şekil 5.1 Araştırma alanının yeri (http://www.uyduharita.org/content/ege-haritasi-158/)

5.1.2 Yazılımlar ve diğer materyaller

Araştırmada Eylül 2010 tarihli Rapideye uydusu tarafından kaydedilen uydu

görüntüleri kullanıldı. Elde edilen verilerin bilgisayar ortamına aktarılması için

Geomedia Professional 4.0 ve Geomatica V9.1.8 yazılımları; uydu

görüntülerinin kesilmesi için Image Analyst kullanıldı. ‘dgn’ uzantılı

dosyaların ‘tiff’ formatına çevrilmesi için Magic Viewer and Converter 5.2

programından yararlanılmıştır.

Araştırma kapsamında kontrol sistemlerinden haberleşmeye,

istatistikten finansal analizlere kadar bir çok uygulama alanına yönelik hazır

algoritma ve fonksiyona sahip olan MATLAB R2010a yazılımının görüntü

işlemeye yönelik fonksiyonları ve gereçleri kullanılmıştır.

5.2 Yöntem

Bu araştırmanın ilk aşamasında uydu görüntüsünü oluşturan piksellerin

her bant için piksel sayısal değerlerinin sorgulandığı ve ürün deseni yansıma

aralıklarının girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları

içerisindeki ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik

(attributes) bilgisi olarak veri tabanına girilmesini sağlayacak bir arayüz

geliştirilmiştir. Bu ara yüz MATLAB ortamının grafiksel ara yüz geliştirme

aracı GUIDE (Graphical User Interface Design) kullanılarak tasarlanmıştır.

28

Tasarımı oluşturan elemanların arka planında çalışacak ‘.m’ dosyası denilen

kod dosyaları yazılmıştır. Bu kodlar MATLAB standart fonksiyonlarıyla

birlikte görüntü işleme fonksiyonları içermektedir.

MATLAB®, temel olarak nümerik hesaplama, grafiksel veri gösterimi

ve programlamayı içeren teknik ve bilimsel hesaplamalar için yazılmış yüksek

performansa sahip bir yazılımdır. Matlab programının tipik kullanım alanları:

matematik ve hesaplama işlemleri, algoritma geliştirme, modelleme,

simülasyon (benzetim) ve ön tipleme, veri analizi ve görsel efektlerle destekli

gösterim, bilimsel ve mühendislik grafikleri, uygulama ve geliştirme şeklinde

özetlenebilir.

MATLAB adı, MATrix LABoratory (Matrix Laboratuarı)

kelimelerinden gelir. MATLAB, ilk olarak Fortran Linpack ve Eispack

projeleriyle geliştirilen ve bu programlara daha etkin ve kolay erişim sağlamak

amacıyla 1970’lerin sonlarında yazılmıştır. Đlk başlarda bilim adamlarına

problemlerin çözümüne matris temelli teknikleri kullanarak yardımcı

olmaktaydı. Bugün ise geliştirilen yerleşik kütüphanesi ve uygulama ve

programlama özellikleri ile gerek üniversite ortamlarında (başta matematik ve

mühendislik olmak üzere tüm bilim dallarında) gerekse sanayi çevresinde

yüksek verimli araştırma, geliştirme ve analiz aracı olarak yaygın bir kullanım

alanı bulmuştur. Ayrıca işaret işleme, kontrol, fuzzy, sinir ağları, wavelet

analiz gibi bir çok alanda ortaya koyduğu Toolbox adı verilen yardımcı alt

programlarla da özelleştirilmiş ve kolaylaştırılmış imkanlar sağlamış ve

sağlamaya da devam etmektedir (http://www.mathworks.com).

Parsel bazlı sınıflandırma için tasarlanan ara yüz iki bölümden

oluşmaktadır. Bu bölümlerden birincisinde uydu görüntüsünün alan sınırıyla

çakıştırılması sağlanmaktadır. Arayüze, çakıştırılmış bu görüntüyü oluşturan

piksellerin her band için ortalama piksel sayı değerleri hesaplatılarak bu piksel

sayı değer aralıklarının yer aldığı katalogdan sorgulatılması ve görüntüyü

oluşturan alanının lejant için seçilmiş olan renklerle haritalanması

sağlatılmaktadır. Bu bölümlerden ikincisinde, görüntüyü oluşturan parsellere

ait özelliklerin girişinin yapılacağı veri giriş paneli tasarlanmıştır.

29

5.2.1 Yardımcı veriler

Arayüz oluşturulurken kullanılan yardımcı veriler şunlardır;

· Uydu görüntüsü üzerinde parsellerin çizilmiş olduğu alan görüntüsü

· Ürün deseni oluşturulacak alanın kesilmiş uydu görüntüsü

· Alana ait ürün yansıma değerlerinin yer aldığı ‘.xls’ uzantılı tablo

· Lejant için ürün desenine ait renklerin belirlendiği excel formatında

tablo

Şekil 5.2 Arayüz oluşturulurken gerek duyulan veriler

Arayüzün tasarlanması aşamasında ilk yardımcı veri olarak kullanılan

olan parsel sınırları, Geomedia 4.0 programında araştırma alanına ait Rapideye

ARAYÜZ

Uydu görüntüsü üzerinde çizilen parsel alanları

Alana ait uydu görüntüsü

Ürün yansıma değerlerinin oluşturulması

Lejant için renk kodlarının seçilmesi

Parsellere ait öznitelik bilgilerinin girileceği veri giriş paneli oluşturulması

30

uydu görüntüsü çağırılarak çizilmiştir. Oluşturulan bu veri matematiksel

ifadelerden oluşan vektör grafik formatı ‘.dgn’ formunda kaydedilmiştir.

Şekil 5.3 Geomedia 4.0 programında oluşturulan parsellerin ‘.dgn’ formatında

kaydedilmesi (Orijinal, 2011)

Geomedia 4.0 programında ‘.dgn’ formatında kaydedilen

görüntü Magic Viewer and Converter 5.2 programı yardımıyla

piksellerden oluşan bitmap grafik formatı olan ‘.tiff’ formuna

çevrilmiştir.

31

Şekil 5.4 ‘.dgn’ uzantılı görüntünün Magic Viewer and Converter 5.2 programında

‘.tif’ formatına çevrilmesi (Orijinal, 2011)

Araştırmada ikinci yardımcı veri olan alana ait uydu görüntüsü, bir

önceki aşamada bahsedilen parsel sınırlarına uygun olarak Image Analyst

programında kesilip Raster model olarak 8 bitlik ‘.tif’ formatında

kaydedilmiştir.

Şekil 5.5 Araştırma alanına ait uydu görüntülerinin kesilmesi (Orijinal, 2011)

32

Geomatica V9.1.8 yazılımı kullanılarak pamuk, mısır ve ayçiçeği ekili

parseller için ayrı ayrı bütün bandlarda maksimum ve minimum yansıma

değerleri belirlenerek Microsoft Excel 2007 programı yardımıyla çizelge haline

getirilmiştir.

Şekil 5.6 Parsellere ait ürün yansıma değerlerinin oluşturulması (Orijinal, 2011)

Sınıflandırma sonuçları, arazi örtüsü çeşitlerinin spektral yansıma

değerlerindeki benzerliklerden etkilenir. Uydu görüntüsündeki piksel sayısal

değerleri ise, çoğunlukla çevre piksellerin yansıma değerlerinden, toprak ve

hastalık gibi etkenlerden doğan hücre değerlerinin çeşitliliği ve sınır

birleşmeleri sonucu ortaya çıkan karışıklıklardan etkilenmektedir. Parsel

içerisinde homojen dağılım sergilemeyen bu ürünlerden örnek alan toplarken

yansımanın hem çok düşük hem de çok yüksek olduğu piksellerden seçim

yapılmasına dikkat edilmiştir. Böylelikle kaydedilen piksel sayısal değerlerinin

ortalaması alındığında homojen dağılım sergilemeyen parsel içerisindeki ürün

iyi sınıfından çıkarak gerçeğe en yakın sonuca ulaşmış olacaktır.

Arayüz ile parselin içerisinde kalan piksellerin homojen dağılım

gösterip göstermediğine bakmaksızın sınıflandırma işlemini

gerçekleştirilmektedir. Arayüze bunun gibi durumlarda kullanıcıyı en yakın

sonuca ulaştırabilecek bir kod eklenmiştir. Bu kod ile arayüz, yansıma değeri

33

ne olursa olsun bir yandan parsel poligonu içerisinde kalan tüm pikselleri

sayarak alan hesabı yaparken diğer bir yandan da kataloğa giderek bu parsel

sınırları içerisindeki piksellerden sadece katalogdaki ürüne ait maksimum,

minimum yansıma değerleri aralığında olanları sayarak ürün ekili alan hesabını

gerçeğe en yakın şekilde hesaplamaktadır. Parsel sınırları içerisindeki alanın

tümünde bitki düşük çimlenme ve bunun gibi nedenlerle çıkmayabilmektedir.

Bu nedenle parsel yüzölçümü ile, piksel sayısal değerlerine göre sınıflandırılan

alan arasında farklılıklar ortaya çıkmaktadır (Şekil 5.7).

Uzaktan algılama tekniği ile belirlenen ekili alan miktarı ile beyan

edilen alanların tutmaması temel olarak bu durumdan kaynaklanmaktadır.

Ancak ürün rekoltesi belirlenmesi için parsel yüzölçümü değil, çimlenen ve

üretime katılan bitki örtüsü önemlidir. Bu durum UA tekniği ile belirlenen ekili

alanın rekoltede dikkate alınması gerekliliğini göstermektedir.

Şekil 5.7 Homojen ürün dağılımı göstermeyen parsel (Orijinal, 2011)

Arayüzün dördüncü yardımcı verisi olan ve lejantda yer alan ürünlerin

hangi renkte gösterileceğine karar verirken siyah, beyaz ve parselin çizildiği

pembe renklerinin dışında renk aralıkları seçilmiştir.

Parsel Alanı :186365 m 2 Ekili Alan :142383 m 2

34

Çizelge 5.1 Lejantda yer alan ürünlere ait renk kodları

ç2ç.,%2 2%.+ 2%.+ +/$5 *2+'+".

/0 ²≤²Æ ≠Â≥Â≤ "Ø≤§Ø %&' (& %)

70 ²≤²Æ ≠Â≥Â≤ +°®∂•≤•Æß© %23 42 %3

dπ© ∞°≠µ´ 3°≤Â %)& %73 ''

/≤¥° ∞°≠µ´ -Ø≤ %9( (2 (%&

!πÀ©À•ÿ© 9•ž©¨ %7& (&3 9

+µ≤µ ¥Ø∞≤°´ 4µ≤µÆ£µ (() %32 &(

.•≠¨© ¥Ø∞≤°´ -°∂© )) %9 (&9

Tasarlanan arayüzde uydu görüntüsünün, parsel sınırlarının,

sınıflandırılmış görüntünün ve lejandın yer aldığı 4 pencere bulunmaktadır

(Şekil 5.8).

Şekil 5.8 Matlab yazılımında programlanan arayüz ekranının görüntüsü (Orijinal,

2011)

35

Ekili alan ve ürün çeşitlerinin belirlenmesi parsel bazında

hedeflenmiştir. Bu nedenle raster formatta parsel çizgilerine gerek

duyulmaktadır.

Programın uydu komutu kullanılarak ekranın sol tarafındaki çerçeveye

uydu görüntüsünü, parsel komutu ile ekranın sağ tarafındaki çerçeveye parsel

çizgileri çağırılır ve bu iki görüntüyü üst üste yerleştirerek iki görüntünün

farkından parselleri ayıran çizgilerin belirlenmesi sağlanmaktadır.

Koordinatsız uydu görüntüsü ve parsel sınır çizgilerinin üst üste

çakıştırılabilmesi için kullanıcı müdahalesiyle çalıştırılan ve yeni sayılabilecek

bir yöntemden yararlanıldı. Bu yöntem, uydu görüntüsü ile parsel sınırlarının

yer aldığı siyah beyaz resmi eşleştiriyor ve uydu görüntüsünde gösterilen alana

ait olan bölgeyi harita üzerinde, hatalar karesinin ortalama değeri (MSE) gibi

benzerlik kriterlerini kullanmadan kullanıcıya seçtiriyor (Şekil 5.9).

Şekil 5.9 Tasarlanan arayüzde uydu görüntüsü ve parsel haritasının çağırılması (Orijinal, 2011)

Programın uygulama aşamasında kullanıcıdan parsel sınırlarının

bulunduğu görüntüde soldaki uydu görüntüsüne denk gelen alanın üzerine

tıklaması isteniyor. Mouse ile bir kez tıklandıktan sonra program işaretlenen

alanı seçerek büyük haritadan kesip uydu görüntüsüyle üst üste getiriyor.

Gerek duyulduğunda uydu görüntüsü ve parsel çizgilerinin görüntünün dört

36

yanındaki kaydıraçlar ile kırpılarak da hizzalanabilme olanağı sunulmaktadır

(Şekil 5.10, 5.11).

Şekil 5.10 Araştırma alanına ait uydu görüntüsü ile parsel çizgilerinin hizalanması

(Orijinal, 2011)

Bir sonraki aşamada, ürün yansıma değerleri ve lejand için oluşturulan

ürün renk kodları da çağırılarak etiketleme olayına başlanmaktadır.

Şekil 5.11 Araştırma alanına ait parsel bazında yapılan sınıflandırmanın ekran

görüntüsü (Orijinal, 2011)

37

Etiketleme işlemi bittiğinde veri giriş panelinin olduğu bir

pencere açılarak parsellere ait ürün deseni ve alanı otomatik olarak

oluşturulmaktadır. Parsellere ait numara, ada no, köy adı gibi diğer

bilgiler kullanıcı tarafından girilerek kaydedilebilmektedir.

Parsel alan bilgisi görüntü alınan uyduya göre değişmektedir.

Bir kamera düzeneğiyle yeryüzünde gözlenebilen en küçük alan (piksel)

her uyduda farklı değere sahiptir. Araştırmada kullanılan Rapideye

uydu görüntüsünde bir piksel 5x5 m 2 ’lik alanı temsil ederken; Landsat

uydusundan alınan görüntüde bir piksel 30x30 m 2 ’lik alanı ifade

etmektedir. Bu yüzden kullanıcıdan uydu görüntüsündeki bir pikselin

kenarını ya da alanını manuel olarak girmesi istenmektedir.

38

6. ARAŞTIRMA BULGULARI VE DEĞERLENDĐRME

6.1 Araştırma Konusu Kültür Bitkilerinin Rapideye Uydu

Görüntüsündeki Yansıma Değerleri

Önceden yapılmış olan arazi çalışması sonucu elde edilen verilerden

faydalanarak parsel bazında pamuk, mısır, ayçiçeği ürünleri için ayrı ayrı 5., 4.

ve 3. bandlarda maksimum ve minimum yansıma değerleri belirlenmiş ve

çizelge haline getirilmiştir (Çizelge 6.1, 6.2, 6.3).

Araştırmada kullanılan çalışma alanı, doğruluk oranının yüksek olması

açısından 6 adet adaya bölünmüştür. Kullanılan alanlar, ürün çeşitliliğinin

zengin olduğu yerlerden seçilmiştir. Yüzüç adet parselin bulunduğu 6 adada

materyal olarak seçilerek parsel sınırları çizilmiştir.

Adalar için belirlenen yerlerin uydu görüntüleri kesilerek

sayısallaştırılmış parsel haritaları ile tasarlanan arayüzde çakıştırılmıştır.

Program ile parsel sınırlarının altında kalan piksellerin ortalamalarını alarak

her bir alan için ayrı ayrı hesaplanan yansıma değerlerinin bulunduğu referans

katalogdan sorgulayarak sınıflandırma işlemi yaptırılmıştır.

Çizelge 6.1’de yer alan çalışma alanına ait bitkilerin 5. bandaki yansıma

değerleri, piksel sayı değerlerinin ortalamadan oldukça fazla miktarda

saptıklarını ve buna bağlı olarak standart sapmaların yüksek olduğunu

göstermektedir. Bu durum homojen ürün dağılımı göstermeyen parsellerin

standart sapmayı yükseltmesi ile açıklanabilmektedir.

39

Çizelge 6.1 Çalışma alanına ait bitkilerin 5. Banddaki yansıma değerleri

5. Band (NIR) Minimum Maksimum Ortalama Standart Sapma

1.Ürün mısır 82.2 184.8 154.9 18.6

2.Ürün mısır 147 255 174.7 20.2

Orta pamuk 139.7 255 229.2 37.7

Đyi pamuk 176.5 255 243.2 30

Ayçiçeği 149 193.6 170 12.9

Kuru toprak 130 161.5 146.1 9.5

Nemli toprak 82.2 109.2 95.7 10.2

Çalışma alanına ait bitkilerin 4. bandaki yansıma değerlerini Çizelge

6.2’de incelediğimizde ayçiçeği ve kuru toprağın aynı ortalama yansıma

değerine sahip olduğu gözlenmektedir. Bu durum, hasat zamanı gelmiş

ayçiçeği bitkisindeki azalan klorofilin yansıma değerini düşürmüş olması ile

açıklanabilmektedir. Aynı şekilde 1. ürün mısır bitkisi de hasat öncesi kuruyan

dokusu ile düşük NIR yansıma vermektedir.

Tüm objeler incelendiğinde ise en düşük NIR yansımayı yüksek

soğurma özelliğine bağlı olarak nemli toprağın verdiği görülmüştür.

40


4. Band (Red-Edge) Minimum Maksimum Ortalama Standart Sapma

1.Ürün mısır 89.5 181.9 120.5 21.8

2.Ürün mısır 48.3 164.8 115 17.4

Orta pamuk 91.1 178.1 158 17.4

Đyi pamuk 110.3 185.9 173 24

Ayçiçeği 153.5 217.3 184 13.7

Kuru toprak 131.5 236.8 184 33.2

Nemli toprak 117 175 142.8 17.2

Çizelge 6.3’de verilen çalışma alanına ait bitkilerin 3. bandaki yansıma

değerlerinde 2. ürün mısır ve orta pamuğun çok yakın ortalama yansıma

değerlerine sahip oldukları görülmektedir. Đkinci ürün mısır ve orta pamuğun

klorofil içeriklerindeki benzerlikler yansıma değerlerinin çok yakın olmasına

sebep olmaktadır. Bu durum her ürün için uygun görüntü alma zamanı

olduğunu göstermektedir.


3. Band (Red) Minimum Maksimum Ortalama Standart Sapma

1.Ürün mısır 42.1 136.2 68.1 25.4

2.Ürün mısır 35.5 120 58 14

Orta pamuk 41.7 113.7 58.9 19.4

Đyi pamuk 45.6 67.1 55 8.3

Ayçiçeği 85.1 187.1 126 25.9

Kuru toprak 77.1 236.8 152.2 49.7

Nemli toprak 56.9 139.1 100.2 26.9

41

Rapideye uydu verilerinden yararlanarak çalışma alanında yer alan

ürünlerin bandlara göre göstermiş oldukları yansıma değerlerinin grafiği Şekil

6.1’de yer almaktadır.

!

"!

#!!

#"!

$!!

$"!

%!!

ò!b{La

!

#&ãwãb

aL{Lw

-./# #$!/" #"0/1

$&ãwãb

aL{Lw

". ##" #20/2

hwÇ! t!aÜY "./1 #". $$1/$

TòT t!aÜY "" #2% $0%/$

!ò4T49FT #$- #.0 #2!

YÜwÜ

Çhtw!Y

#"$ #.0 #0-

b9a[T

Çhtw!Y

#!! #0$/. 1"/2

%&.!b5 0&.!b5 "&.!b5

Şekil 6.1 Araştırma alanında yer alan bütün ürünlerin bandlara göre yansıma değerleri

Söz konusu bitkilerin yansıma değerlerinden elde edilen grafik

incelendiği zaman 3. ve 4. bandda mısır ve ayçiçeği bitkileri rahatlıkla ayırt

42

edilebilmektedir. 5. Band mısır ve ayçiçeği bitkilerinin yansıma değerlerinin

birbirine yakınlığından dolayı sınıflandırma için tercih edilmemelidir. Pamuk

ve ayçiçeği bitkilerinin ayırt edilebilmesi 3. ve 5. Band ile mümkündür. Mısır

ve pamuk bitkilerinin 4. Bantın yanı sıra özellikle 5. Bantta kolayca ayırt

edilebileceği yansıma değerlerine sahiptir. Mısır ve pamuk ekili alanların

incelenmesinde 3. band tercih edilmemelidir. Toprak ile yapılacak olan

çalışmalarda 4. banddan ve özellikle 3. Banddan yararlanılmalıdır. Mısır ve

pamuk bitkilerinin sınıflandırılması için 5. Band, ayçiçeği bitkisinin

sınıflandırılması için 3. Band daha doğru sonuçlar vereceğinden tercih

edilmelidir.

Araştırma alanındaki ürünlerin bandlara göre yansıtım grafikleri

aşağıda verilmiştir (Şekil 6.2, 6.3, 6.4, 6.5, 6.6).

Şekil 6.2 Araştırma alanında yer alan 1. ürün mısır bitkisinin bandlara göre yansıma değerleri

43

Şekil 6.3 Araştırma alanında yer alan 2. ürün mısır bitkisinin bandlara göre yansıma değerleri

Şekil 6.4 Araştırma alanında yer alan orta pamuk bitkisinin bandlara göre yansıma değerleri

Şekil 6.5 Araştırma alanında yer alan iyi pamuk bitkisinin bandlara göre yansıma değerleri

44

Şekil 6.6 Araştırma alanında yer alan ayçiçeği bitkisinin bandlara göre yansıma değerleri

6.2 Araştırma Alanında Ekili Alanların Parsel Bazında

Sınıflandırılması

Bu araştırma toplamda 103 parselin bulunduğu 1347450 m 2 alanda

yürütülmüştür. Ağırlıklı olarak 2. ürün mısır ve 1. ürün mısır ekili parsellerin

çoğunlukta olduğu bu çalışma alanı 6 ayrı bölgeye ayrılarak analiz edilmiştir.

Birinci çalışma alanında 25 adet parsel bulunmaktadır. 1. ürün mısır

bitkisi üretimi yapılmakta olan 4 adet, 2. ürün mısır bitkisi üretimi yapılan 8

adet parsel bulunmaktadır. Yeşil dokunun gelişmişlik durumuna göre pamuk

bitkisi iyi ve orta olmak üzere 2 sınıfta incelenmiştir. Altı adet pamuk ekili

parselin 4 adedi orta pamuk, 2 adedi de iyi pamuk sınıfında değerlendirmeye

alınmıştır. Ayrıca çalışma alanında 4 tane ayçiçeği ekili parsel ile 3 adet ürün

ekilmemiş parsel mevcuttur. Parsellere ait yansıma değerlerinde homojenlik

göz ardı edilerek tüm parsellerden yansıma değeri belirlenmesi için örnek

toplanmıştır. Bu değerlerden yola çıkarak hazırlanan yansıma değerlerine göre

sınıflandırma sonucu aşağıda verilmiştir (Şekil 6.7).

45

Şekil 6.7 Birinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)

447675 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün

yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır,

ayçiçeği, orta pamuk, iyi pamuk ekili parseller ve ürün ekimi yapılmamış

toprağın birbirinden kolaylıkla ayırt edilebildiği görülmüştür.

Şekil 6.8 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parseller

(Orijinal, 2011)

Sınıflandırma sonucunda 9560 m 2 lik toplam alana sahip olan 1

numaralı parselin 7650 m 2 ’sinin 2. ürün mısır; 40600 m 2 lik alana sahip olan 9

46

numaralı parselin 26500 m 2 ’sinin 1. ürün mısır; 23475 m 2 lik alana sahip olan

16 numaralı parselin 23325 m 2 ’sinin ayçiçeği ve 13375 m 2 lik alana sahip

olan 22 numaralı parselin 9525 m 2 ’sinin 1. ürün mısır ekili olduğu

görülmektedir (Çizelge 6.4)

Çizelge 6.4 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan

bilgileri

PARSEL NO PARSEL ALANI

(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

1 9560 7650 2.Ürün mısır

9 40600 26500 1.Ürün mısır

16 23475 23325 Ayçiçeği

22 13375 9525 1.Ürün mısır

Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı

Çizelge 6.5’de verilmiştir.

Çizelge 6.5 Birinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı

ÜRÜNLER EKĐLĐ ALAN ORANI (%)

1. ürün mısır 68.8


Ayçiçeği 83.1

Đyi pamuk 92.5

Orta pamuk 70.2

Đkinci çalışma alanında; 23 adet parsel bulunmaktadır. 3 adet orta

sınıfında pamuk ve 3 adet ayçiçeği bitkisi ekili parseller bulunmaktadır. Mısır

ekimi yapılmış parsellerin 7 tanesinde 1.ürün mısır ve 6 tanesinde 2. ürün mısır

üretimi yapılmaktadır. Parsellere ait yansıma değerlerinde homojenlik göz ardı

edilerek tüm parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır.

Bu değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma

sonucu aşağıda verilmiştir (Şekil 6.9).

47

Şekil 6.9 Đkinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)



ayçiçeği, orta pamuk ekili parseller ve ürün ekimi yapılmamış toprağın

birbirinden ayırt edilebildiği görülmüştür.

Şekil 6.10 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen

parseller (Orijinal, 2011)

Sınıflandırma sonucunda 9025 m 2 lik alana sahip olan 4 numaralı

parselin 5025 m 2 ’sinin ayçiçeği ; 110275 m 2 lik alana sahip olan 8 numaralı

parselin 84250 m 2 ’sinin orta pamuk ekili olduğu görülmektedir (Çizelge 6.6).

48


bilgileri


(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

4 9025 5025 Ayçiçeği

8 110275 84250 Orta pamuk



Çizelge 6.7 Đkinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı



2. ürün mısır 77

Ayçiçeği 71.7

Orta pamuk 64.4

Üçüncü çalışma alanında ; 19 adet parsel bulunmaktadır. 2 adet

Birinci ürün mısır, 6 adet ikinci ürün mısır üretimi yapılan parseller

bulunmaktadır. Bu alanda 3 tane ayçiçeği ekili parsel ile 5 adedi orta sınıfında

ve 1 adedi iyi sınıfında olan 6 adet pamuk ekili parsel incelenmiştir. Parsellere

ait yansıma değerlerinde homojenlik göz ardı edilerek tüm parsellerden

yansıma değeri belirlenmesi için örnek toplanmıştır. Bu değerlerden yola

çıkarak hazırlanan yansıma değerlerine ait sınıflandırma sonucu aşağıda

verilmiştir (Şekil 6.11).

49

Şekil 6.11 Üçüncü araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)



ayçiçeği, orta pamuk, iyi pamuk ekili parseller ve ürün ekimi yapılmamış

toprağın birbirinden ayırt edilebildiği görülmüştür.




parselin 9075 m 2 ’sinin orta pamuk ; 19150 m 2 lik alana sahip olan 13

numaralı parselin 11675 m 2 ’sinin ayçiçeği ekili olduğu görülmektedir

(Çizelge 6.8).

50


bilgileri


(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

3 21025 9075 Orta pamuk

13 19150 11675 Ayçiçeği


Çizelge 6.9’da verilmiştir.

Çizelge 6.9 Üçüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı




Ayçiçeği 67.2

Đyi pamuk 32.3

Orta pamuk 62.5

Dördüncü çalışma alanında ; 5 adet parsel bulunmaktadır. 1 adet 2.

ürün mısır, 2 adet ayçiçeği bitkisi ekili parseller bulunmaktadır. Ayrıca 2 adet

ürün ekilmemiş parsel de değerlendirmeye alınmıştır. Parsellere ait yansıma

değerlerinde homojenlik göz ardı edilerek tüm parsellerden yansıma değeri

belirlenmesi için örnek toplanmıştır. Bu değerlerden yola çıkarak hazırlanan

yansıma değerlerine ait sınıflandırma sonucu aşağıda verilmiştir (Şekil 6.13).

Şekil 6.13 Dördüncü araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)

51


yer gerçeği ile karşılaştırılması sonucunda; 2. ürün mısır ve ayçiçeği ekili

parseller ve ürün ekimi yapılmamış toprağın birbirinden kolaylıkla ayırt

edilebildiği görülmüştür.




parselin 57075 m 2 ’sinin ayçiçeği ekili olduğu görülmektedir (Çizelge 6.10).


bilgileri


(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

1 62375 57075 Ayçiçeği



Çizelge 6.11 Dördüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı



Ayçiçeği 88.3

52

Beşinci çalışma alanında ; 4 adet parsel bulunmaktadır. 3 adet ikinci

ürün mısır ve 1 adet orta pamuk bitkisi üretimi yapılan parsellerden

oluşmaktadır. Parsellere ait yansıma değerlerinde homojenlik göz ardı edilerek

tüm parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır. Bu

değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma


Şekil 6.15 Beşinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)


yer gerçeği ile karşılaştırılması sonucunda; 2. ürün mısır ve orta pamuk ekili

parseller ve ürün ekimi yapılmamış toprağın birbirinden kolaylıkla ayırt




53


parselin 10325 m 2 ’sinin 2. ürün mısır ekili olduğu görülmektedir (Çizelge

6.12).


bilgileri


(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

3 14775 10325 2. ürün mısır



Çizelge 6.13 Beşinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal

dağılımı



Orta pamuk 69.8

Altıncı çalışma alanında ; 27 adet parsel bulunmaktadır. Birinci ürün

mısır bitkisi üretimi yapılmakta olan 6 adet, 2. ürün mısır bitkisi üretimi

yapılan 4 adet parsel bulunmaktadır. 4 adet orta pamuk bitkisi ekili parsel, 6

tane ayçiçeği ekili parsel ile ürün ekimi yapılmamış 7 adet parsel mevcuttur.

Parsellere ait yansıma değerlerinde homojenlik göz ardı edilerek tüm

parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır. Bu

değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma


54

Şekil 6.17 Altıncı araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)

221100 m 2 lik alanda sınıflandırma sonucunda elde edilen görüntünün

yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır, orta

pamuk ekili parseller ile ürün ekimi yapılmamış toprağın birbirinden ayırt


Bu alanda 12 ve 15 numaralı parsellerde ayçiçeği ürünü ekilmiş

olmasına rağmen arayüz alanı sınıflandırırken bu parselleri kuru toprak sınıfına

atayarak 103 parselin 2’sinde sınıf karışıklığına sebep olmuştur.

Şekil 6.18 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parseller

(Orijinal, 2011)


parselin 1700 m 2 ’sinin ayçiçeği; 5950 m 2 lik alana sahip olan 17 numaralı

parselin 3100 m 2 ’sinin ayçiçeği; 11525 m 2 lik alana sahip olan 13 numaralı

55

parselin 7525 m 2 ’sinin 1. ürün mısır ekili olduğu görülmektedir (Çizelge

6.14).


bilgileri


(m2)

ÜRÜN EKĐLĐ ALAN

(m2)

ÜRÜN

4 2750 1700 Ayçiçeği

13 5950 3100 Ayçiçeği

17 11525 7525 1. ürün mısır



Çizelge 6.15 Altıncı çalışma alanında yer alan ürünlerin saptanabilen alanlarının

oransal dağılımı




Ayçiçeği 84.8

Orta pamuk 93.4

Ayçiçeği bitkisi ekili 2 parselin kuru toprak sınıfına girmesi ile oluşan

ekili alan yüzdeleri yukarıda Çizelge 6.15 ile verilmiştir. Arayüzün yapmış

olduğu bu hatayı düzelterek yüzde hesabı yaptığımızda 47925 m 2 lik alana

sahip iki parselin 38775 m 2 ’sinde ayçiçeği ürününün yetişmekte olduğunu ve

böylelikle ürün ekili alan yüzdesinin % 84.8 ‘den % 80.9 düştüğünü görürüz.

56

7. SONUÇ VE ÖNERĐLER

Tarım sektörü, ülkemizin ekonomik ve sosyal gelişmesinde önemli

görevler üstlenmiş, sağlıklı çevrenin oluşması ve korunması, ekolojik dengenin

kurulması ve sürdürülebilirliği açısından ekonomik ve sosyal bir sektördür.

Tarımda arazilerin ekonomik, ekolojik ve toplumsal açıdan etkin planlanması

için izlenmesi ve kayıt altına alınmasının önemli yeri vardır. Sadece mülkiyet

bilgilerinin değil kullanım şeklinin de bilinmesi, yapılacak planlamaların

sağlıklı yürütülmesi açısından önemlidir. Bu anlamda ülkemizde işlenen tarım

arazileri, çayırlar ve meraların kadastral kayıtları yapılmaktadır. Bu kayıtlar

mülkiyetin belirlenmesi açısından belki günün ihtiyaçlarına cevap vermektedir.

Ancak kullanım şekli ve nitelikleri ile ilgili bilgilere ihtiyaç olduğu ortadadır.

Bu araştırma, Uzaktan Algılama tekniğinin Coğrafi Bilgi Sistemine

entegre edilmesi ile çiftçilerin tapu bilgilerine göre her yıl beyan ettikleri ve bu

beyan edilen parseller üzerindeki tarımsal aktivitelerin kontrol edilmesini

hedefleyen ve rekolte çalışmalarında kullanılmasıyla doğruluğu arttırmaya

yönelik yeni bir yöntem geliştirme çalışması olmuştur.

Araştırma alanında sınıflandırma ile elde edilen görüntülerin yer

gerçekleri ile karşılaştırılması sonucunda; mısır, ayçiçeği ve pamuk ekili

parseller ile ürün ekimi yapılmamış parsellerin birbirinden ayırt edilebildiği

görülmüştür.

Bu ön çalışma büyük alanlarda hata oranının yüksek olması nedeni ile

küçük alanlarda denenerek arazi örtüsünü oluşturan bitkilerin

sınıflandırılmasının mümkün olduğunu göstermektedir. Ayrıca tasarlanan

arayüzün, kullanıcı odaklı çalıştığından, parsel alan çizimlerinde kullanıcının

gerekli hassasiyeti göstermemesi durumunda hatalı sonuçlara neden olacağı

belirlenmiştir.

6 ayrı alanda yapılan sınıflandırma sonucunda; 1. ürün mısırın ekildiği

toplam alanın % 79.7’sini, 2. ürün mısırın %89.1’ini, ayçiçeğinin %82’sini, iyi

pamuğun %71.5’ini ve orta pamuğun % 68.7’sini kapladığı görülmüştür.

Ayçiçeği iken kuru toprak sınıfına atanarak hatalı sınıflandırılan 2 parseli de

hesapladığımızda ayçiçeği bitkisinin ekildiği toplam alanın % 81.3’ünü

kapladığı görülmektedir.

57

Bitki örtüsünün toprağı örtme oranları, bunların genel özellikleri

yanında bitkinin vejetatif gelişme takvimi de dikkate alınarak

değerlendirilmelisinin daha akılcı ve bu bağlamda da gerekli olduğu arazi

etüdleri ve laboratuar çalışmalarında belirlenmiştir. Özellikle kültür

bitkilerinde, hızla gelişen bitki örtüsünün toprağı örtme oranları da hızlı bir

değişim verirler ve her bir bitki örtüsünün uydu görüntülerinde görünebilirlik

zamanları da doğal olarak ayrımlılık gösterirler.

Sınıflandırma işlemi sonrasında çalışma alanı için mısır bitkisinin ekili

alan dağılımının 653375 m 2 olduğu ve çalışma alanlarının % 48.4’ünü; pamuk

bitkisinin ekili alan dağılımının 461750 m 2 olduğu ve çalışma alanının %

34.2’sini; ayçiçeği bitkisinin ekili alan dağılımının 232325 m 2 olduğu ve

çalışma alanının % 17.2’sini oluşturduğu belirlenmiştir. Arayüzün kuru toprak

sınıfına atadığı ayçiçeği ekili iki parseli düşünerek hesapladığımızda ayçiçeği

bitkisinin ekili alan dağılımının 238875 m 2 olduğu ve çalışma alanının

%17.7’sini oluşturduğu görülmüştür.

Hasat zamanı gelmiş ayçiçeği bitkisindeki azalan klorofilin yansıma

değerinin, ürün ekimi yapılmamış toprağın vermiş olduğu yansıma değerine

yakın olması sebebi ile arayüz araştırması yapılan 103 parselden 2’sinde

ayçiçeği bitkisi ile kuru toprağı karıştırmıştır. Basit orantı yöntemi ile arayüz

çalışma alanını %98 doğruluk oranını ile sınıflandırmıştır.

Arazi kullanımlarına ait yansıma değerlerine bakıldığı zaman özellikle

Red Edge bandda bitkilerin birbirinden farklı yansıma değerlerine sahip olduğu

görülmektedir. Diğer bandlarda bitkiler birbirine yakın yansıma gösterirken 4.

bandda belirgin şekilde ayrıldıkları görülmüştür. Arazi kullanımlarının

belirlenmesine yönelik yapılacak olan görüntü sınıflama çalışmalarında 4. band

mutlak suretle kullanılmalıdır.

Matlab yazılımının ‘dgn’ ve ‘dwg’ gibi grafik veri formatlarını

desteklememesi, koordinat bilgileri gerektiren tarımsal alanlarda görüntü

işleme tekniğinin Matlab ile kısıtlı olarak yapılabileceğini göstermektedir.

Araştırmada kullanılan arayüze yeni kodlar eklenmesi durumunda yöntemin

gelişmesi sağlanabilir. Bu sayede TAKBĐS veritabanında yer alan bilgiler ile

entegre edilip ürün ekili parsellere ait parsel numarası ve çiftçi kimlik

bilgilerinin otomatik olarak gösterilmesi sağlanarak TAKBĐS verilerinin tarım

58

politikalarına yönelik projelerde kullanılabilirliğinin değerlendirilmesi

mümkün olarak diğer coğrafi bilgi sistemlerine tapu ve kadastro verileri dijital

olarak veri tabanında sunulabilir.

Arazi kullanımlarının belirlenmesi çalışmalarında, Rapideye gibi yersel

ayrım gücü orta derecede olan uyduların kullanımı ile arazi kullanımlarının

rahat bir şekilde belirlenebildiği ve arazi hakkında bilgi ve veri

üretilebilineceği belirlenmiştir. Çözünürlüğü daha yüksek olan uydular ile

çalışırken görüntü büyütmeye bağlı olarak meydana gelen pikseller

görülmemektedir. Ancak düşük çözünürlüğe sahip uydular ile yapılan

çalışmalarda detaya inmek mümkün olmadığı gibi büyütülen görüntüde

pikseller görülmekte ve görüntü kalitesi düşmektedir. Sınırlı bütçe ile yapılacak

çalışmalarda Rapideye gibi yersel ayrım gücü orta seviyede olan uyduların

kullanılması uygun olacaktır. Ancak maliyet problemi sorun olmayacak

çalışmalarda daha yüksek çözünürlüğe sahip olan uyduların kullanılması

önerilmektedir.

59

KAYNAKLAR DĐZĐNĐ

Amerikan Ulusal Hava ve Uzay Dairesi, 2010

http://www.nasa.gov/audience/forstudents/k4/dictionary/Remote_Sensing.html

(Erişim tarihi: 19.06.2010)

Amerikan Ulusal Hava ve Uzay Dairesi, 2010

http://rst.gsfc.nasa.gov/Intro/Part2_5a.html (Erişim tarihi: 19.02.2011)

Akça, D. ve Doğan, S., 2002, Sayısal Görüntülerde Ana Bileşenler Dönüşümü,

Harita Dergisi, 129, 1-15.

Armenakis, C., Leduc, F., Cyr, I., Savopol, F. and Cavayas, F., 2003, A

comparative analysis of scanned maps and imagery for mapping applications,

International Journal of Photogrammetry and Remote Sensing, 57, 304-314 pp.

Aplin, P., Atkinson, P. M., and Curran, P.J., 1999, Fine spatial resolution

simulated satellite sensor imagery for land cover mapping in the United

Kingdom, Remote Sensing of Environment, (68), 206-216 pp.

Başbakanlık Güneydoğu Anadolu Projesi Bölge Kalkınma Đdaresi

Başkanlığı , 2003, Harran Ovası Fırat Sulama Birliği'nde Ürün Deseninin

Uydu Görüntülerinden Parsel Bazlı Sınıflandırma Teknikleri ile Belirlenmesi

Pilot Projesi

Bauer, T. And Steinnocher, K., 2001, Per-parcel classification in urban

areas applying a rulebased technique, Geo-Informations-Systeme, 14 (6): 24-27

pp.

Dean, A.M., and Smith, G.M., 2003, An evaluation of per-parcel land cover

mapping using maximum likelihood class probabilities, International Journal of

Remote Sensing, (24)-14, 2905-2920 pp.

De Wit, A.J.W., Clevers, J., 2004, Efficiency and accuracy of per-field

classification for operational crop mapping. Int. J. Remote Sens., 25, 4091-

4112 pp.

Ekercin, S., 2007, Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Entegrasyonu

ile Tuz Gölü ve Yakın Çevresinin zamana Bağlı Değişim Analizi, Doktora

Tezi, ĐTÜ Jeodezi ve Fotogrametri Mühendisliği, 182s.

60

KAYNAKLAR DĐZĐNĐ (devam)

ERDAS, 1995, Erdas Imagine Field Guide 3rd Edition. ERDAS INc., Atlanta,

Georgia, USA., 332p.

ERDAS, 1991, Erdas Imagine Field Guide 5th Edition. ERDAS INc., Atlanta,

Georgia, USA., 653p.

Esetlili, T., 2001, Uzaktan Algılama Tekniği Đle Pamuk Ekili Alanların

Belirlenmesinde Kontrollü (Supervised) Sınıflandırma Yöntemlerinin

Đrdelenmesi Üzerine Bir Araştırma, E.Ü. Fen Bilimleri Enstitüsü Toprak ABD,

ĐZMĐR

Greene, D.R (ed) 2001, GIS: A Sourcebook for schools. London Taylor &

Francis

Đstanbul Teknik Üniversitesi Uydu Haberleşmesi ve Uzaktan Algılama

Merkezi, 2010, http://www.cscrs.itu.edu.tr/content/uzaktanalgilama.php


Kurucu, Y. ve Ark., 2003, Uzaktan Algılama ve Coğrafi Bilgi Sistemi

Uygulamalı Temel Kursu Ders Notları, Ege Üniversitesi Ziraat Fakültesi

Toprak Bölümü, Đzmir.

Kaya, Ş., 1999, Uydu Görüntüleri ve Sayısal Arazi Modeli Kullanılarak Kuzey

Anadolu Fayı Gelibolu-Işıklar Dağı Kesiminin Jeomorfolojik-Jeolojik

Kesiminin Đncelenmesi, Doktora Tezi, Đ.T.Ü. Fen Bilimleri Enstitüsü, Đstanbul.

Kurucu, Y., 2010, E.Ü. Zıraat Fakültesi Toprak Bilimi ve Bitki Besleme

Bölümü Lisans Ders Notları, 103-104 s.

Lillesand, T.M., Kiefer, R.W. and Chipman, J.W., 2004, Remote Sensing

and Image Interpretation, John Wiley & Sons Pres. New York

Laba, M., Gregory, S.K., Braden, J., Ogurcak, D., Hill, E., Fegraus, E.,

Fiore, J. and DeGloria, S.D., 2002, Conventional and fuzzy accuracy

assessment of the New York Gap Analysis Project land cover map, Remote

Sensing of Environment, 81, 443-455 pp.

61


Maden Tetkik ve Arama Genel Müdürlüğü,

(http://www.mta.gov.tr/v2.0/birimler/RSC_WEB/index.php?id=ua ) (Erişim

Tarihi : 12.08.2011)

Metternicht, G., 1999, Change detection assessment using fuzzy sets and

remotely sensed data: an application of topographic map revision, International

Journal of Photogrammetry and Remote Sensing, 54, 221-233 pp.

Musaoğlu, N., Tanık, A. ve Kocabaş, V., 2005, Identification of Land-Cover

Changes through Image Processing and Associated Impacts on Water

Reservoir Conditions, Environmental Management, 35, 220-230 pp.

Okeke, F. and Karnieli, A., 2006, Methods for fuzzy classification and

accuracy assessment of historical aerial photographs for vegetation change

analyses. Part I: Algorithm development, International Journal of Remote

Sensing, 27, 153-176 pp.

O’Hara, C.G., King, J.S., Cartwright, J.H. and King, R.L., 2003,

Multitemporal Land Use and Land Cover Classification of Urbanized Areas

Within Sensitive Coastal Environments, IEEE Transactions on Geoscience and

Remote Sensing, 41, 2005-2014 pp.

Örmeci, C., Müftüoğlu, O. Ve Sunar, F., 1992, Landsat Thematic Mapper

Verileri Kullanarak Hububat Ekim Alanlarının Sınıflandırılması. ĐTÜ, Đstanbul.

Ören, A., 2009, Doğal ve Yapay Nesne Tanımlamalarında Farklı Uydu

Görüntülerinin Kullanılabilirliği Üzerine Bir Araştırma, E.Ü. Fen Bilimleri

Enstitüsü Toprak ABD Yüksek Lisans Tezi, Đzmir

Örüklü, E., 1988, Uzaktan Algılama, Yıldız Üniversitesi Yayınları,198,

Đstanbul,1 p.

Özdarıcı, A., 2005, Comparison Of Different Spatial Resolution Images For

Polygon-Based Crop Mapping, ODTÜ Fen Bilimleri Enstitüsü Yüksek Lisans

Tezi

62


Pamukkale Üniversitesi, 2010

http://hkargi.pamukkale.edu.tr/B%C3%B6l%C3%BCm%201.pdf (Erişim

tarihi: 12.10.2010)

Sefer, S., 2005, Yüreğir Ovasında Seçilen Bir Alanda Pamuk, Soya Fasülyesi

Ve Mısır Ekim Alanlarının Landsat 5 TM Sayısal Uydu Verileriyle

Belirlenmesi Üzerine Bir Araştırma

Smith.G.M. and Fuller R. M., 2001, An integrated approach to land cover

classification: an example in the Island of Jersey, International Journal of

Remote Sensing, (22), 3123-3142 pp.

Streshta, A. K., 1998, Improvement of Image Classification Using Ancillary

Data, Master of Science Thesis. ITC, Enschede, The Netherlands, 66p.

Şencan, S., 2004, Decision Tree Classification of Multi-Temporal Images For

Field-Based Crop Mapping, ODTÜ Fen Bilimleri Enstitüsü Yüksek Lisans

Tezi

Türker, M., 2003, Çok Zamanlı Landsat 7 ETM+ Uydu Görüntülerinin Parsel-

Bazlı Sınıflandırması

Turker, M. and Arikan M., 2005, Sequential masking classification of

multi-temporal Landsat7 ETM+ images for field-based crop mapping in

Karacabey, Turkey, International Journal of Remote Sensing.

Türker, M. And Özdarıcı, A., 2005, Comparison Of Different Spatial

Resolution Images For Parcel-Based Crop Mapping

University of Virginia, 2011

http://www.astro.virginia.edu/class/oconnell/astr130/130s01/lec2-s01.html


Yomralıoğlu, T. Ve Çete, M., 2002, “Kent Bilgi Sistemleri: Çağdaş Bilgi

Sistemleri: Çağdaş Yerel Yönetim Aracı”, Arkitekt Dergisi, Sayı: 02, Yıl 69,

34-39s.

Zhang, J. and Foody, G.M., 2001, Fully-fuzzy supervised classification of

sub-urban land cover from remotely sensed imagery: statistical and artificial

63


neural network approaches, International Journal of Remote Sensing, 22, 615-

628 pp.

Zhang, J. and Kirby, R.P., 1997, An evaluation of fuzzy approaches to

mapping land cover from aerial, International Journal of Photogrammetry and

Remote Sensing, 52, 193-201 pp.

Xiao, X., Boles, S., Liu, J., Zhuang, D. and Liu, M., 2002, Characterization

of forest types in Northeastern China, using multi-temporal SPOT-4

VEGETATION sensor data, Remote Sensing of Environment, 82, 335-348 pp.

http://www.mdacorporation.com/corporate/news/pr/backgrounder/RapidEye.

pdf. (Erişim tarihi: 14.02.2011)

http://www.mathworks.com (Erişim tarihi: 01.06.2010)

http://www.erdas.com/search.aspx?IndexCatalogue=Entire+Site&SearchQuery

=resolution (Erişim Tarihi : 12.08.2011)

http://www.rapideye.de/home/news/news-extra-page.html (Erişim Tarihi :

02.11.2010)

http://nik.com.tr (Erişim Tarihi : 02.11.2010)

http://www.foca.bel.tr/ (Erişim Tarihi : 23.06.2011)

http://www.ltrs.uri.edu/teaching/FieldGuide.pdf (Erişim Tarihi : 10.03.2010)

http://www.uyduharita.org/content/ege-haritasi-158/ (Erişim Tarihi :

01.06.2011)

64

ÖZGEÇMĐŞ

20.11.1979 yılında Bornova’da doğdu. Ortaokulu Đzmir Özel Türk

Kolejinde, liseyi Bornova Mustafa Kemal Lisesinde tamamladı. 2004 yılında

Celal Bayar Üniversitesi Matematik Bölümünden mezun olarak 2007 yılında

Ege Üniversitesi Fen ve Matematik Alanlar Eğitiminde tezsiz yüksek lisans

öğrenimini bitirdi. 2008 yılında Ege Üniversitesi Çevre Bilimleri Anabilim

Dalı’nda tezli yüksek lisans öğrenimine başladı. 2010 yılının Eylül ayında Fen

Bilimleri Enstitüsü Araştırma Görevlisi kadrosuna atandı.

Documents

EGE ÜN VERS TES FEN B TÜSÜ (YÜKSEK L SANS TEZ (8).pdf · saydırılır ve her parsel için çoğunlukta olan hücre bilgisi ilgili parsele etiket bilgisi olarak atanır. Bu özelliğinden