İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ ... · sahip bitki örtüsü türleri için spektral kütüphane oluşturulması öngörülmektedir. Spektral ölçümler

İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ

UZAKTAN ALGILAMADA BENZER SPEKTRAL ÖZELLİKLERE

SAHİP DOĞAL NESNELERİN AYIRT EDİLMESİNE YÖNELİK BİR

METODOLOJİ GELİŞTİRME

İsmail ÇÖLKESEN

501102602

Doktora Tez Önerisi

Anabilim Dalı: Geomatik Mühendisliği

Tez Danışmanı :

Prof. Dr. Tahsin YOMRALIOĞLU

Tez İzleme Jürileri:

Prof. Dr. Taşkın KAVZOĞLU

Doç. Dr. Arif Çağdaş AYDINOĞLU

Kasım 2012

2 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU

İÇİNDEKİLER

1 GİRİŞ 1

2 PROBLEM TANIMI 2

3 ÇALIŞMANIN AMACI 4

4 LİTERATÜR TARAMASI 5

5 METEDOLOJİ 6

5.1. Ön hazırlık çalışmaları………………………………………………………………….. 8

5.2. Saha çalışmaları, mevcut veri/bilgi analizi ………………………………….………….. 8

5.3. Uzaktan algılanmış görüntülerin temini…………………………………………………. 9

5.4. Uydu görüntülerinin ön işlemesi………………………………………………………… 10

5.5. Görüntü sınıflandırma yöntemleri……………………………………………………… 10

5.5.1. En çok benzerlik (EÇB) yöntemi………………………………………………... 11

5.5.2. Destek vektör makineleri (DVM) yöntemi……………………………………… 11

5.5.3. Yapay sinir ağları (YSA) yöntemi……………………………………………….. 12

5.5.4. Karar ağaçları (KA) yöntemi…………………………………………………….. 13

5.6. Sınıflandırma Sonuçlarının Analizi……………………………………………………… 14

6 ZAMAN ÇİZELGESİ 18

KAYNAKLAR 19


1 GİRİŞ

Yeryüzü ile ilgili yapılan çalışmaların başarısı kullanılacak bilginin doğruluğu ve güvenirliği ile

yakından ilişkilidir. Bununla birlikte söz konusu bilgilerin hızlı ve ekonomik bir şekilde elde

edilebilmesi önemli bir ihtiyaçtır. Bu noktada uzaktan algılama teknolojileri sahip olduğu önemli

avantajlar ile yeryüzünde meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal

kaynaklara ilişkin envanterlerin oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için

önemli bir veri kaynağı konumundadır. Cisimlerle direkt temas etmeden fiziksel özellikleri hakkında

bilgi elde etme bilimi olarak tanımlanan uzaktan algılama tekniği ile yeryüzünün farklı konumsal,

spektral, radyometrik ve zamansal çözünürlüklerde görüntülenmesi ve izlenmesi mümkün

olabilmektedir. Sahip olduğu bu önemli özellikler, uzaktan algılama teknolojilerini yeryüzünde

meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal kaynaklara ilişkin envanterlerin

oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için önemli bir araç durumuna getirmiştir.

Uzaktan algılama sistemleri kullanıcılara strateji belirleme ve zamanında karar verme olanakları da

sağlamaktadır. Uydu görüntüleri farklı amaçlarla kullanılabilmekte ve aynı bölgede farklı ölçeklerde

çalışmaların aynı zamanda yapılabilmesine mümkün olmaktadır. Yeryüzünün düzenli olarak

izlenmesi, kontrolü ve ulaşımı zor coğrafi bölgelerde çalışabilme imkânı uzaktan algılama

teknolojisinin diğer önemli avantajları olarak sıralanabilir.

Son zamanlarda objelerin ayırt edilebilirliklerini arttırarak daha iyi sonuçlar elde etmek amacıyla

hiperspektral olarak adlandırılan onlarca banta sahip yeni algılayıcı sistemler geliştirilmiştir. Objelerin

spektral karakteristikleri hiperspektral uydu görüntüleri ile daha detaylı şekilde belirlenebilmektedir.

Hiperspektral görüntüler yardımıyla madencilik, jeoloji, ormancılık, ziraat ve çevre yönetimi ile ilgili

birçok uygulamada doğruluğu yüksek sonuçlar elde etmek mümkün olabilmektedir. Toprak ve kayaç

türlerinin tespiti ve ayırt edilmesi, orman türlerinin belirlenmesi, tarım ürünlerinin gelişimlerinin

izlenmesi, maden kaynaklarının belirlenmesi gibi birçok uygulamada hiperspektral görüntüler

başarıyla kullanılmaktadır.

Uzaktan algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi de uydu

görüntüleri yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının

üretilmesidir. Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin

korunması açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi

için en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü

sınıflandırma işleminin esası; görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden

belirlenen arazi örtüsü sınıflarıyla karşılaştırılarak benzer olduğu bir sınıfa atanması olarak ifade

edilebilir. Uzaktan algılamada uydu görüntülerinin sınıflandırılmasında kontrollü ve kontrolsüz

sınıflandırma olarak bilinen iki yaklaşım vardır. Kontrolsüz sınıflandırma genellikle arazi hakkında

herhangi bir ön bilgiye sahip olunmadığında veya arazi hakkında bir ön bilgi elde etmek için


kullanılan bir yaklaşımdır. Bu yöntemde görüntü piksellerinin sahip olduğu spektral özellikler

kullanılarak benzer özelliklere sahip pikselle bir araya toplanarak sınıflar oluşturulur. Kontrollü

sınıflandırmada ise, sınıflandırma öncesinde tüm görüntüyü temsil eden ve sınıfları belli olan

piksellerden sınıflara ait spektral özelliklerin çıkarımı ve bu bilgiler ışığında tüm görüntünün

sınıflandırılması söz konusudur. Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve

yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir.

Bu yöntemlerden başlıcaları en çok benzerlik, paralel kenar, en yakın komşuluk, bulanık mantık

algoritmaları, yapay sinir ağları, destek vektör makineleri, karar ağaçları olarak sıralanabilir.

2 PROBLEM TANIMI

Yeryüzü üzerindeki objelerin uzaktan algılama teknolojileri ile ayırt edilebilmelerinin en önemli

nedeni, söz konusu objelerin farklı spektral özelliklere sahip olmasıdır. Uzaktan algılama sistemleri,

seçilen dalga boyu bantlarında yer yüzeyindeki cisimlerden yansıyan ve yayılan enerji miktarlarını

kayıt etmektedir. Daha sonra elde edilen bu veriler yeryüzü üzerindeki objelerin yorumlanması ve

analizi için kullanılmaktadır. Uzaktan algılanan verilerin bilgisayar ortamında analiz edilebilmesi için

objelerin spektral özelliklerinin bilinmesi gerekmektedir. Bu nedenle çalışma sahasında yer alan bitki

örtülerinin, toprağın, suyun ve ilgilenilen diğer yer yüzeyi objelerinin spektral özelliklerinin tespiti,

uzaktan algılanan verilerin uygun bir şekilde analizi ve yorumlanması açısından son derece önemlidir.

Uzaktan algılanmış görüntüler üzerinden yeryüzündeki objelerin ayırt edilmesinde yaşanan en

büyük problem benzer spektral özelliklere sahip objelerin ayırt edilmesinde yaşanmaktadır. Şekil1’de

benzer spektral özelliklere sahip fındık, geniş yapraklı orman, iğne yapraklı orman ve bozkır alanları

için 2005 tarihli Quickbird görüntüsü üzerinden belirlenen test alanlarının spektral özellikleri

görülmektedir. Şekilden de görüleceği üzere özellikle görünür bölgeyi temsil eden 1., 2. ve 3. bantlar

kullanılarak söz konusu bitki türlerinin Quickbird görüntüsü ile ayırt edilmesi güçleşmektedir. Bu

nedenle, özellikle görünür ve kızıl ötesi bölgede benzer spektral özellikler sergileyen bitki türlerinin

ayırt edilmesinde arazide gerçekleştirilecek spektral ölçümler büyük önem arz etmektedir. Farklı obje

türleri için spektral kütüphanelerin oluşturulmasında spektroradyometre cihazları kullanılmaktadır.

Spektroradyometrik yöntemler, herhangi bir objeden yansıyan enerjinin reflektans, radyans ya da

irradyans değerlerinin ölçümüne dayanmaktadır. Burada radyasyon kaynağı olarak güneş ya da yapay

ışık kaynakları kullanılabilmektedir. Spektroradyometrik yöntemlerin esası, objelerin elektromanyetik

bölgelerde kendine özgü yansıma (reflectance/radiance) değerlerinin bulunmasına dayanmaktadır. Bu

yansıma değeri objeye renk, doku ve parlaklık gibi özellikleri veren kimyasal yapısından

kaynaklanmaktadır. Spektral ölçümler sonucunda elde edilen bilgiler bir obje türünün spektrumun

hangi dalga boyu aralığında diğer obje türlerinden farklı davranış gösterdiğinin belirlenmesinde

önemli rol oynamaktadır. Spektral ölçümler sonucu farklı bitki türleri için spektral kütüphaneler

oluşturulmakta ve uydu görüntüleri üzerindeki karışık piksellerin ayırt edilmesi gibi problemlerin


çözümünde başarıyla kullanılmaktadır. Bu bağlamda farklı obje türleri için spektral kütüphanelerin

oluşturulması uydu görüntüsünün sınıflandırılmasında ve doğruluğu yüksek tematik harita üretiminde

önemli bir altlık niteliğindedir.

Şekil 1. Benzer spektral özelliklere sahip bitki türlerinin Quickbird görüntüsündeki yansıma

değerleri.

Bununla birlikte benzer spektral özelliklere sahip objelerin ayırt edilmesinde ve karışık piksel

probleminin çözümünde hiperspektral algılayıcıların kullanılması büyük avantajlar sağlamaktadır.

Hiperspektral algılayıcılar elektromanyetik spektrumun görünür bölgesinden kızılötesi bölgeye kadar

olan kısmında çok küçük dalga boyu aralıklarında yüzlerce spektral bantta veri toplayabilmektedir.

Hiperspektral görüntülerde söz konusu yüksek spektral çözünürlük sayesinde yeryüzü objeleri

arasındaki spektral benzerlikler, değişimler ve farklılıklar standart görüntü algılayıcılarına oranla daha

yüksek bir başarımla tespit edilebilmektedir. Arazide gerçekleştirilen spektral ölçümler ve oluşturulan

spektral kütüphaneler ile ilişkilendirilen hiperspektral görüntülerin sınıflandırılması sonucunda ise

yüksek doğruluğa sahip farklı bitki türlerine ait tematik haritalar üretilebilmektedir.

Hiperspektral görüntüler yüksek sayıda spektral banttan oluşmaktadır. Bu durum neticesinde

fazlalık ya da yüksek kolerasyona sahip bantlar dikkate alınmakta ve sınıflandırma doğruluğu

düşebilmektedir. Bununla birlikte yüksek boyutlu verilerle yapılan sınıflandırma işleminde boyutun

artmasına paralel olarak belirli bir noktadan sonra sınıflandırma doğruluğunun düştüğü bilinmektedir.

Yüksek boyutlu verilerde ortaya çıkan bu durum Hughes fenomeni veya boyutsallık (curse of

dimensionality) problemi ile açıklanmaktadır (Hughes,1968; Mianji and Zhang, 2011). Bu nedenle


hiperspektral verilerin değerlendirilmesi aşamasında hem işlem yükünün azaltılması hem de

boyutsalllık probleminin önüne geçilerek sınıflandırma doğruluğunun arttırılması amacıyla boyut

indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral görüntülerde boyut azaltılması ya da

indirgemesi (feature selection) bant seçimi veya özellik çıkarımı olarak bilinen yaklaşımlarla

gerçekleştirilmektedir (Serpico et al., 2003; Pal and Foody 2010).

Uydu görüntüleri üzerinden yeryüzü ile ilgili yararlı bilgilerin elde edilmesi en yaygın olarak

kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Uydu görüntülerinin sınıflandırılması

sonucunda yeryüzünün çeşitli özelliklerini gösteren tematik haritalar üretilmektedir. Söz konusu

haritaların doğruluğu ve güvenirliği birçok çalışma için kritik bir öneme sahiptir. Sınıflandırma

sonuçlarını ve dolayısıyla üretilen tematik harita doğruluğunu etkileyen faktörlerin başında

sınıflandırmada kullanılacak yöntem ve veri gelmektedir. Günümüze kadar uydu görüntülerinin

sınıflandırılması ve tematik harita üretiminde birçok yöntem kullanılmış ve çeşitli derecelerde

başarılar elde edilmiştir. Söz konusu yöntemlerden istatistiksel tabanlı algoritmalar (en çok benzerlik,

paralel kenar vb.) belirli istatistiksel kabullere dayalı işlem yapmakta dolayısıyla spektral ayrımın zor

olduğu karışık pikselleri içeren görüntülerin sınıflandırılmasında ve sınırlı sayıda eğitim alanının

belirlenemediği problemlerin çözümünde düşük doğrulukta sonuçlar üretmektedir. Bu zayıflıkları

ortadan kaldırmak amacıyla son dönemde daha güçlü sınıflandırma yaklaşımları (yapay sinir ağları,

karar ağaçları, destek vektör makineleri vb.) ile uydu görüntülerinin sınıflandırılması konusunda

yoğun çalışmalar yürütülmektedir.

3 ÇALIŞMANIN AMACI

Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve

görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması

probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Bu amaç

doğrultusunda arazide gerçekleştirilecek spektroradyometre ölçümleri ile benzer spektral özelliklere

sahip bitki örtüsü türleri için spektral kütüphane oluşturulması öngörülmektedir. Spektral ölçümler

sonucu elde edilen spektral kütüphane yardımıyla bitki türlerinin ayırt edilebildiği en uygun spektral

dalga boyu aralıkları tespit edilerek analiz edilecektir. Bu bağlamda, oluşturulan bu spektral kütüphane

multispektral ve hiperspektral uydu görüntüleri ile ilişkilendirilerek farklı bitki türlerinin yüksek

doğrulukta sınıflandırıldığı tematik haritalar üretilecektir. Sınıflandırma ve tematik harita üretimine

esas veri seti olarak multispektral klasik Landsat uydu görüntülerinin yanında 8 spektral banda sahip

yüksek konumsal çözünürlüklü tek uydu olan WorldView-2 uydu görüntüsü kullanılacaktır.

Hiperspektral uydu görüntüsü olarak 220 spektral banda sahip EO-1 Hyperion ve 63 spektral banda

sahip CHRIS Proba görüntüleri kullanılacaktır. Hiperspektral görüntüler için boyut indirgeme işlemini

gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer

ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme


algoritmaları kullanılacaktır. Multispektral ve hiperspektral uydu görüntülerinin sınıflandırılması

amacıyla son yıllarda birçok sınıflandırma probleminin çözümünde başarıyla kullanılan yapay sinir

ağları, destek vektör makineleri ve karar ağaçları yöntemleri kullanılacaktır. Sınıflandırma sonucu elde

edilen haritaların doğruluk analizleri için hata matrislerinden elde edilecek standart doğruluk

ölçütlerinin yanı sıra Z-test ve McNemar’s gibi istatistiksel testler kullanılarak doğruluk

değişimlerindeki anlamlılık düzeyleri analiz edilecektir.

4 LİTERATÜR TARAMASI

Uzaktan algılama verileri ile ormancılık, tarım, jeoloji, doğal kaynak, arazi örtüsü tespiti, arazi

yönetim planları için altlık oluşturulmaktadır (Liu et al., 2006; Rokade et al., 2007; Hu et al., 2010;

Kunwar et al., 2010, Royer et al., 2011). Kent gelişimi, kaçak yapı tespiti, orman ve doğal yapıların

uğradığı zararların tespiti, afet bilgi sistemleri, kent bilgi sistemleri vb. birçok uygulama sahalarında

uzaktan algılanmış görüntüler bölgeye ait bir veri tabanı oluşturulmasında kullanılabilmektedir

(Silvestri and Omri, 2008; Tang et al., 2009; Jha et al., 2009; Du et al., 2009; Zhang et al., 2010).

Uzaktan algılama teknolojileri sahip olduğu önemli avantajlarla yeryüzünün görüntülenmesi ve

yeryüzüne ait önemli bilgilerin elde edilmesi noktasında önemli bir kaynak durumundadır. Uzaktan

algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi uydu görüntüleri

yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının üretilmesidir.

Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin korunması

açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi için en

yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma

işleminin esası görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden belirlenen

arazi örtüsü sınıflarından benzer olduğu bir sınıfa atanması olarak ifade edilebilir (Lillesand et al.,

2008). Uzaktan algılanmış görüntülerinin sınıflandırılması ile yeryüzünün çeşitli özelliklerini gösteren

tematik haritalar üretilebilmekte, arazi örtüsü ve kullanım şekilleri detaylı olarak analiz

edilebilmektedir. Sınıflandırılma işlemi genel olarak görüntü üzerinde belirli bir yansıtma ve parlaklık

değerine sahip piksellerin arazi örtüsü sınıflarından birine atanması olarak ifade edilebilir (Campbell,

1996; Lillesand et al., 2008). Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve

yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir

(Lu and Weng, 2007; Tso and Mather, 2009; Du et al., 2012).

Uzaktan algılama teknolojiklerinin etkin olarak kullanıldığı çalışma alanlarından birisi de tarımsal

uygulamalardır. Uzaktan algılanmış görüntüler yardımıyla farklı özellikteki bitki tiplerinin

sınıflandırılması, bitki gelişiminin izlenmesi, ürünlere ait rekolte tahminlerinin yapılması, toprak

türünün ve toprak nemliliğinin belirlenmesi başta olmak üzere bir çok tarımsal çalışma başarıyla

gerçekleştirilmektedir. Bitki izlemenin geleneksel yöntemleri ve rekolte tahmini zemin etütleri ve


budama zamanı nedeniyle pahalı ve zaman alıcıdır. Jafari and Lewis (2012) Güney Avustralya’daki

kurak arazi bileşenlerinin Earth Observing 1 (EO-1) Hyperion hiperspektral görüntüler yardımıyla

ayırt edilmesi üzerine bir çalışma yapmış ve kurak arazi bileşenlerinin spektral özelliklerinin

belirlenerek gruplandırmasında ASD FielSpec spektroradyometre cihazında faydalanmışlardır. Gao et

al. (2012) büyüme evresindeki mera/otlak alanlarının biyokütlesinin tespit edilmesinde ASD FielSpec

spektroradyometre cihazı ve MODIS-NDVI görüntüleri kullanmıştır. Mukherjee et al. (2010)

tarafından Hindistan’da yürütülen bir çalışmada 2006 yılının Şubat ve Mart aylarında alınan IRS

LISS-III ve AWiFS verileri en yakın benzerlik yöntemi kullanılarak sınıflandırılmış ve sonuçlar analiz

edilmiştir. Kavzoglu and Reis (2008) yapay sinir ağları ve en çok benzerlik yöntemlerinin çok zamanlı

Landsat uydu görüntülerine uygulanması ile arazi örtüsü haritası oluşturulmasındaki performans

analizini yapmıştır. Çalışmada özellikle karışık piksel içeren görüntülerde yapay sinir ağları

yönteminin sınıflandırma performansının en çok benzerlik yöntemine göre yüksek olduğu

vurgulanmıştır. Xu et al. (2011) MODIS uydusundan elde edilen NDVI (normalleştirilmiş bitki fark

indeksi) kullanarak Pekin bölgesindeki geniş yapraklı orman alanlarının büyüme mevsiminin yılın

hangi zaman aralıklarında olduğunu incelemişlerdir. Özellikle birbirine benzer spektral özelliklere

sahip bitki türlerinin uzaktan algılanmış görüntüler üzerinden tespiti için arazide yapılan

spektroradyometre ölçümleri büyük önem arz etmektedir. Li et al. (2005) hiperspektral yansıma ile

salatalık bitkisinin gelişim durumunun incelenmesi amacıyla FieldSpec cihazı ile elde edilen

spektroradyometre ölçülerinden faydalanmışlardır. Ren et al. (2008) hyperspektral uydu görüntüsü ve

ASD spektroradyometre kullanarak pirinç ekili alanlarda su stresi değişimini incelemişlerdir. Ding et

al. (2010) sera domateslerindeki klorofil miktarının tespit edilmesinde spektroradyometre cihazı

kullanmış ve domates yaprağının klorofil içeriğinin tahmini için bir model önermişlerdir. Hanna and

Rethwisch (2003), AVIRIS uydusu ile elde edilen verileri, tarım ürünleri için ölçülen

spektroradiometre verileri ile spektral ve radyometrik özelliklerinin karşılaştırması üzerine bir çalışma

yapmışlardır. Lee et al., (2007), orta derecede kurak olan bir bölgedeki orman türlerinin spektral

karakteristiklerinin belirlenmesi amacıyla laboratuvar ortamında yapılan spektral ölçmelerle birlikte

EO-1 Hyperion uydu görüntüleri kullanmışlardır. Çalışma sonucunda orta kızılötesi bölgesinde

ağaçların yapraklarına ait spektral yansımalarıyla yapraklardaki su içeriği arasındaki ilişkiyi ortaya

koymuşlardır.

5 METEDOLOJİ

Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve

görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması

probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Tez çalışması

kapsamında izlenecek temel iş akış şeması Şekil 2’de gösterilmiştir.


Şekil 2. Tez kapsamında takip edilecek iş akış diyagramı.

Pilot bölgelerin belirlenmesi

Uydu görüntülerinin temini

Spektroradyometre ölçümleri

Spektral kütüphanenin oluşturulması

Uydu görüntülerinin ön işlemesi ve kozmetik

operasyonlar

Örnekleme alanlarının tespiti

Mevcut veri/Haritaların temini

Mutispektral ve Hiperspektral veriler için

bant seçimi

Uydu görüntülerinin sınıflandırılması

Sınıflandırma sonuçlarının analizi

Tematik haritaların oluşturulması

Genel Değerlendirme

Destek vektör makineleri Karar ağaçları

Yapay sinir ağları

Spektroradyometre ölçümlerinin yeniden

örneklenmesi

Tematik haritaların doğruluğunun analizi

Genetik algoritma

Ana bileşenler analizi


5.1. Ön hazırlık çalışmaları:

Tez çalışmasının amacına yönelik olarak gerçekleştirilecek saha çalışmaları ve örnekleme

alanlarının tespiti en önemli işlem adımları olarak sayılabilir. Çalışma alanı olarak belirlenen Trabzon

ili sahip olduğu topoğrafik özellikler ve iklim koşulları neticesinde bölgede farklı türlerden oluşan

bitki kuşakları mevcuttur. Kıyıya yakın kesimlerden itibaren geniş yapraklı ormanlar (kızılağaç,

kestane, meşe türleri, ıhlamur vb.) yer almaktadır. Kıyı kesimlerden uzaklaştıkça geniş-iğne yapraklı

karışık ormanlar (avrupa kestanesi, adi kızılağaç, adi gürgen, doğu gürgeni, meşe, akça ağaç, üvez,

çitlenbik, defne, mor çiçekli ormangülü, kayın, ladin ve göknar) ve daha yukarı da ise iğne

yapraklıların hakimiyetindeki orman türleri (sarıçam, ladin vb.) dağılış göstermektedir

(www.trabzonkulturturizm.gov.tr). Çalışma alanında mevcut tarım alanları (fındık, mısır ve çay)

genellikle orman alanları ile çevrili bölgeler içerisinde kalmaktadır. Bu durum özellikle söz konusu

bitki türlerinin uzaktan algılanmış görüntüler üzerinden ayırt edilmesini güçleştirmektedir (Kavzoglu

and Reis, 2008). Öncelikle, çalışma alanına ilişkin pilot bölgelerde örnek alanlar tespit edilip

özelliklerine bağlı olarak bu bölgeler gruplandırılacaktır. Bölge seçiminde, elektromanyetik

spektrumun görünür bölgesinde spektral olarak ayrımı yapılamayan bitki örtüsü türlerinin mevcut

olduğu yerler tercih edilecektir.

5.2. Saha çalışmaları, mevcut veri/bilgi analizi:

Tez çalışmasında temel altlık teşkil edecek ve uydu görüntülerinin geometrik olarak

düzeltilmesinde kullanılmak üzere mevcut standart topoğrafik harita altlıklarının bölgedeki kamu

kurumlarındaki mevcudiyeti araştırılacaktır. Özellikle doğruluk ve güncelik bakımından mevcut

verilerin kaliteleri irdelenerek, yararlılığı onaylanacak konumsal veriler, proje kapsamında

kullanılacaktır. Bu amaçla, il ve ilçe gibi idari sınırlar ile bu bölgelere ait her türlü grafik-olmayan

tanımsal bilgiler de temin edilecektir. Bunun yanında temel veri niteliği taşıyacak olan 1/25.000

ölçekli sayısal eşyükseklik eğrileri ve arazi kullanım kabiliyet sınıfı haritaları da ilgili kurumlardan

temin edilecektir. Bölgeye ait sayısal yükseklik modelinin varlığı araştırılacaktır.

Spektroradimetre Ölçümleri:

Tez çalışması kapsamında, çalışma alanı içerisinde kalan bitki türlerine ait spektral özellikler 350

ile 2500 Nanometre dalga boyu aralığında yansıtım kaydedebilen ASD (Analytical Spectral Devices)

FieldSpec3 spektroradyometre cihazı (Şekil 3) ile tespit edilecektir. Ölçümler sonrasında bitki türleri

için spektral kütüphane oluşturulacaktır. Uydu görüntüsü üzerindeki her bir piksel yeryüzünde

kapsadığı alanı ifade eden bir dijital sayı (digital number) değerine sahiptir. Arazide

spektroradyometre ile yapılan ölçümlerde her bir bitkinin yansıma (reflektans) değerleri

kaydedilmektedir. Arazi ve uydu verisinin ilişkilendirilmesi için, uydu görüntüsündeki dijital

sayılardan, reflektans değerlerine bir dönüşüm yapılacaktır.


Şekil 3. Spektral ölçümlerde kullanılacak ASD Fieldspec3 spektroradyometre cihazı

Sonraki aşamada ise arazi çalışmaları ile oluşturulan spektral kütüphane ile uydu görüntülerinin

ilişkilendirilmesidir. Ayrıca spektrum ölçümleri yapılan noktaların koordinatlarının belirlenmesinde

5m konum doğruluğuna sahip TOPGON FC-236 el-GPS’i (Şekil 4) kullanılacaktır. Bununla birlikte

el-GPS’i üzerinde bulunan 3 megapiksel çözünürlüğe sahip kamera ile spektal ölçüm yapılan

noktaların doğal nesnelerin fotoğrafları çekilecektir.

Şekil 4. Spektral ölçümlerin yapıldığı noktaların koordinatlandırılmasında kullanılacak el-GPS’i.

5.3. Uzaktan algılanmış görüntülerin temini:

Tez çalışmasında çalışma alanı olarak Doğu Karadeniz Bölgesi genelinde Trabzon ili

öngörülmektedir. Çünkü bölge, coğrafi koşullardan ötürü, geniş yapraklı ağaçlarla örtülü bir arazi

yapısına sahip olup, ekonomik değere sahip bitkiler (fındık, mısır ve çay) ile diğer orman türlerinin

benzerlik göstermesinden dolayı bir karmaşaya neden olabilmektedir. Bu ayrımın tespiti için tez

çalışmasında farklı spektral, konumsal ve radyometrik çözünürlüklere sahip 3 farklı uydu

görüntüsünün kullanılması düşünülmektedir. Bunlardan ilki hiperspektral uydu görüntüsü olan 220

spektral banda sahip EO-1 Hyperion görüntüsü ve ikincisi 63 spektral banda sahip CHRIS Proba

görüntüleridir. Tez çalışmasında dikkate alınacak 3. görüntü ise Ekim 2009'da uzaya fırlatılan üstün

özelliklere sahip WorldView-2 uydu görüntüsüdür. 2009 uzay gönderilmiş olan WorldView-2 uydusu


sivil amaçlı olarak en yüksek konumsal çözünürlüğü spektral çözünürlükle diğer bir deyişle bant

sayısıyla sunabilen bir uydudur. Üstün teknolojisi olan bu uydu ile özellikle bitkilerle ilgili önemli

çalışmalar yapılabilecektir. Çünkü iki adet yakın kızıl ötesi bandının yanında bir de Kırmızı kenar (red

edge) olarak adlandırılan özel bir bandı bulunmaktadır. Bu üç bant bitkilerin sağlığı ve verimi

hakkında önemli ipuçları verebilmektedir. Bu özelliğinden dolayı birçok çalışmada tercih edilen

WorldView-2 uydusu bu tez kapsamında da değerlendirmeye alınacaktır. Literatürde bu uydunun

görüntüleriyle yapılmış yayınlar son dönemde yayınlanmaktadır. Gerçekleştirilecek tez çalışmasının

çıktıları bu görüntülerin kullanımı ve etkinliği noktasında önemli kazanımlar ve bilimsel katkı

sağlayacak niteliktedir.

5.4. Uydu görüntülerinin ön işlemesi

Atmosferik, Radyometrik ve Geometrik düzeltme: Uydu görüntülerinin yörünge ve algılayıcı

özellikleri, geçiş zamanındaki atmosferik şartlar ve çalışma bölgesinin coğrafi durumu, bu görüntüleri

olumsuz etkileyebilmektedir. Bu bağlamda, uydu görüntülerinin radyometrik ve geometrik düzeltme

işlemleri yapılacaktır. Geometrik düzeltme işlemi, orijinal uydu görüntüsündeki eğilme-büzülmelerin

(distorsiyonları) giderilerek harita şeklinde kullanımını sağlamaktadır. Dijital ortamdaki uydu

görüntüleri üzerinde, görüntü sistemi, uydu yörüngesi ve dünyanın dönmesinden dolayı bozulmalar

meydana gelir. Bunun içinde manuel olarak görüntü üzerinde ve arazide ortak yer kontrol noktaları

belirlenerek dönüşüm işlemi yapılır. Bu çalışma alanının topografik yapısı eğimli olduğundan, Sayısal

Arazi Modeli kullanılarak uydu görüntüleri ülke sisteminde koordinatlandırılacaktır. Sayısal Arazi

Modelinin üretilmesinde 1/25.000 ölçekli standart topografik haritalardan yararlanılacaktır. Böylece,

tüm konumsal verilerle ortaklaşa kullanılabilecek ve bindirmeli veri katmanları aynı datum ve

projeksiyonda olan uydu görüntüleri elde edilecektir.

Araziden veri toplama: Araziden veri toplama aşaması haritaların bütünleştirilmesi ve

güncellenmesi bakımından oldukça önem taşımaktadır. Bu çalışma kapsamında uydu görüntü

işlemede kullanılmak üzere araziden iki çeşit veri toplanacaktır. Bunlardan birincisi, geometrik

düzeltme amacıyla araziden doğrudan yer kontrol noktaları ölçülecektir. İkincisi ise, çalışma alanında

farklı bitki örtüsü (geniş yapraklı, iğne yapraklı, fındık, mısır, çay gibi) sınıflarının belirlenmesi için

yine doğrudan arazi üzerinden bu sınıflara ait “örnek (eğitim) veriler” toplanacaktır. Ayrıca,

sınıflandırma doğruluklarının belirlenebilmesi içinde örnek veriler yanında sadece bu amaçla

kullanılacak test alanları da alınacaktır.

Hiperspektral veriler için bant seçimi: Hiperspektral verilerin değerlendirilmesi aşamasında hem

işlem yükünün azaltılması hem de boyutsalllık probleminin önüne geçilerek sınıflandırma

doğruluğunun arttırılması amacıyla boyut indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral

görüntülerde boyut azaltılması ya da indirgemesi, bant seçimi veya özellik çıkarımı olarak bilinen

yaklaşımlarla gerçekleştirilmektedir. Hiperspektral görüntüler için boyut indirgeme işlemini

gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer


ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme

algoritmaları kullanılacaktır.

5.5. Görüntü sınıflandırma yöntemleri:

5.5.1. En çok benzerlik (EÇB) yöntemi

Kontrollü sınıflandırma yöntemlerinden literatürde en yaygın olarak kullanılan ve günümüzde

görüntü analiz programlarının birçoğunda yer alan yöntem en çok benzerlik (EÇB) yöntemidir. EÇB

istatistiksel bir teoriye dayanan parametrik bir sınıflandırma yöntemidir. Sınıfların normal dağılımda

olduğu varsayımı nedeniyle sınırlandırmalar söz konusu olmasına rağmen bu yöntem en yaygın

kullanılan sınıflandırma metotlarından birisidir. EÇB yönteminde, sınıf kontrol verilerini oluşturan

noktalar kümesindeki dağılımın normal (Gauss) dağılımında olduğu kabulü yapılır. Sınıfların ilk

olasılıkları hakkında bilgi mevcut değilse, hepsi eşit olasılıklı olarak kabul edilir. Yöntem, sadece

piksel değerlerine göre değil, her sınıf için oluşturacak varyans-kovaryans matris değerini de dikkate

alarak sınıf tayini yapar. Böylece metot, örnek piksellerin özellik uzayındaki dağılımlarını da dikkate

almış olur (Mather and Koch, 2011). Pikselin p sayıdaki bant değerlerini içeren x vektörünün bir k

sınıfında olma olasılığı aşağıdaki şekilde hesaplanır;

( )[ ]ySy.expS)x(P iı.

ip. 15050 502 −−− −= π (1)

Bu eşitlikte; )x(P olasılık değerini, iS i. sınıf için varyans-kovaryans matrisini, matrisin

determinantını, ( )ixxy −= ve ix ise i. sınıf için ortalama değeri ifade eder.

5.5.2. Destek vektör makineleri (DVM) yöntemi

Uydu görüntüleri üzerinden arazi örtüsü tipinin ve kullanım türünün belirlenmesi için en yaygın

olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma işleminin

esası, görüntü üzerinde farklı spektral özelliklere sahip piksellerin, önceden belirlenen arazi örtüsü

sınıflarından benzer olduğu bir sınıfa atanmasıdır. Son yıllarda uzaktan algılanmış görüntülerin

sınıflandırılmasında kullanılmaya başlanılan DVM, geleneksel istatistiksel sınıflandırıcılarla

karşılaştırıldıklarında, karmaşık yapıya sahip ve gürültü oranı yüksek verilerin tanımlanmasında ve bu

veriler arasındaki doğrusal olmayan ilişkilerin belirlenmesinde etkin bir sınıflandırıcıdır (Pal and

Mather, 2005; Melgani and Bruzzone, 2004; Kavzoglu and Colkesen, 2009; Mountrakis et al., 2011;

Dalponte et al., 2012). DVM sınıflandırıcısı eğitim verileri aracılıyla problemi öğrenme ve daha sonra

yeni bir verinin tanımlanmasını yapabilme özelliğine sahip olduğundan sezgisel algoritma olarak

nitelendirilir. DVM, parametrik olmayan, farklı tür veri tiplerini kullanabilen, genelleştirme kapasitesi

yüksek ve veri içindeki gürültüye toleranslı bir sınıflandırıcıdır. Bu avantajlar arasında belki de en

önemli olanı DVM'lerin parametrik olmayan yani verinin istatistiksel dağılımı ile ilgili herhangi bir ön

bilgiye ihtiyaç duymama özelliğidir.


Destek Vektör Makineleri (DVM) istatistiksel öğrenme teorisine dayalı bir kontrollü sınıflandırma

algoritmasıdır DVM’nin çalışma prensibi genel olarak iki sınıfa ait verileri birbirinden en uygun

şekilde ayıran karar fonksiyonun tahmin edilmesi veya karar sınırlarının (hiper düzlemlerin)

belirlenmesidir (Vapnik, 1995). Doğrusal olarak ayrılabilen iki sınıflı bir verinin sınıflandırılması

DVM için en temel sınıflandırma problemidir. Bu problemin çözümünde DVM iki sınıf arasındaki

ayırımı en iyi yapan ve sınıflar arasındaki sınırın maksimum olduğu optimum bir hiper düzlemi

belirlemeye çalışır (Şekil 5). Optimum hiper düzlem, her bir sınıfa ait piksellerin hiper düzleme olan

uzaklıklarını maksimum hale getirir (Huang et al., 2002). Hiper düzlemlere en yakın pikseller iki sınıf

arasındaki sınırı belirleyen destek vektörlerini oluştururlar.

Şekil 5. Doğrusal olarak ayrılabilen veri setleri için hiper düzlemin belirlenmesi

Destek vektör makineleri ile sınıflandırmada genellikle {-1,+1} şeklinde sınıf etiketleri ile

gösterilen iki sınıfa ait örneklerin, eğitim verisi ile elde edilen bir karar fonksiyonu yardımıyla

birbirinden ayrılması amaçlanır. Söz konusu karar fonksiyonu kullanılarak eğitim verisini en uygun

şekilde ayırabilecek hiper düzlem bulunur. Şekil 1’de görüldüğü üzere iki sınıf arasındaki sınırı

maksimuma çıkararak en uygun ayrımı yapan hiper düzleme optimum hiper düzlem ve sınır

genişliğini sınırlandıran noktalar (pikseller) ise destek vektörleri olarak adlandırılır.

5.5.3. Yapay sinir ağları (YSA) yöntemi

Yapay sinir ağları insan beynindeki nöronların temel çalışma prensibini esas alan sınıflandırma

yöntemleridir. Eğitim örneklerini kullanarak problemi öğrenmekte ve test verileri ile yöntemin

geçerliliği test edilmektedir. YSA algoritmalarının istatistiksel kabul gerektirmemeleri, farklı

kaynaklardan gelen farklı karakterdeki bilgileri aynı anda kolaylıkla kullanabilmeleri, gürültüyü tolere

edebilmeleri ve öğrenebilme kabiliyetlerinden dolayı bu konuda birçok araştırma yapılmasına neden

olmuştur. Günümüzde birçok yapay sinir ağı modeli geliştirilmiştir (Mas and Flores, 2008). Bunlar

arasında çok katmanlı perseptron (ÇKP) uzaktan algılanan görüntülerin sınıflandırılmasında en yaygın

Optimum Hiper Düzlem

Destek Vektörleri

Destek Vektörleri

-1

1

1

1

1 1

1

1

1

1 1

1 1

1 1

1

Hiper Düzlemler

-1 -1

-1

-1 -1

-1

-1

-1 -1

-1

-1

-1 1+=+⋅ bxw

1−=+⋅ bxw


olarak kullanılan (Paola and Schowengerdt, 1995; Atkinson and Tatnall, 1997, Kavzoglu and Mather,

2003; Zhang et al., 2012) yöntem olmuştur.

YSA’nda temel eleman insan beynindeki nöronlar gibi çalışan işlem düğümüdür. Her bir işlem

düğümü girdi değerlerini toplar ve bu değerleri düğümlerin çıkış değerlerini oluşturan bir aktivasyon

fonksiyonundan geçirir. Birçok katmanlı perceptronun yapısı Şekil 6’da gösterildiği gibi bir girdi

katmanı, bir veya birden fazla saklı katman ve bir çıktı katmanından oluşur. Girdi verilerini temsil

eden girdi tabakası her bir sınıfa ait değerlerin ağdaki dağılımını tanımlar. Saklı katmanlar

hesaplamalar için kullanılırlar ve her bir düğüme ilişkin değerler girdi düğümü ile bu düğüme gelen

bağlantılara ait ağırlıklarının çarpımının toplamından elde edilir. Çıktı katmanı tanımlanacak sınıfları

göstermek için bir grup koda sahip son işlem katmanıdır. Tüm ara düğüm bağlantıları ağırlıklarla

birleştirilir. Bir değer ara bağlantılarından geçerken ara düğüm bağlantılarıyla birleştirilen ağırlıklarla

çarpılır (Kavzoglu and Reis, 2008).

Şekil 6. Dört tabakalı ileri beslemeli basit bir yapay sinir ağı yapısı

5.5.4. Karar ağaçları (KA) Yöntemi

Karar ağaçları (KA) uydu görüntülerinin sınıflandırılması gibi karmaşık yapıdaki bir sınıflandırma

problemini çok aşamalı bir hale getirerek bir karar verme işlemi gerçekleştirir (Safavian and

Landgrebe, 1991). Yöntemin yaygın olarak kullanımının en önemli nedeni ağaç yapılarının

oluşturulmasında kullanılan kuralların anlaşılabilir ve sade olmasıdır. KA arazi örtüsünün

sınıflandırılmasında veya sınıf etiketlerinin belirlenmesinde çok aşamalı veya ardışık bir yaklaşım

kullanmaktadır. Her bir aşamada kullanılan değişkenlerin sayısına bağlı olarak tek değişkenli veya

çok değişkenli karar ağaçları vardır (Friedl and Brodley, 1997). Tek değişkenli karar ağaçları

genellikle küresel ölçekte arazi örtüsü sınıflandırmaları için kullanılmaktadır (DeFries et al., 1998;

Hansen et al., 2000). Çok değişkenli karar ağaçları tek değişkenli karar ağaçlarına göre daha hassas

olmalarına rağmen, daha karmaşık algoritmalar içermektedirler. Karar ağaçlarının oluşturulmasındaki en önemli adım ağaçtaki dallanmanın hangi kritere veya

kıstasa göre yapılacağı ya da hangi öznitelik değerlerine göre ağaç yapısının oluşturulacağıdır.

Literatürde bu problemin çözümü için geliştirilmiş çeşitli yaklaşımlar vardır. Bunlardan en önemlileri

Saklı Katmanlar

Girdi Katmanı Çıktı Katmanı

Arazi Ö

rtüsü Sınıfları


bilgi kazancı ve bilgi kazanç oranı (Quinlan, 1993), Gini indeksi (Breiman et al., 1984), Towing

kuralı (Breiman et al., 1984) ve Ki –Kare olasılık tablo istatistiği (Mingers, 1989) yaklaşımlarıdır.

Bilgi kazancı ve bilgi kazanç oranının kullanımı Quinlan (1993) tarafından ortaya atılmıştır. Bu

yönteme göre karar ağacında hangi özelliğe göre dallanmanın yapılacağını belirlemek üzere entropi

kurallarını içeren bilgi teorisi kullanılmıştır. Entropi bir sistemdeki düzensizliğin ya da belirsizliğin

ölçüsüdür. Tek değişkenli karar ağaçlarında ID3 algoritması bilgi kazancı yaklaşımını kullanmaktadır.

Bu algoritmanın geliştirilmiş hali olan C4.5 algoritması Quinlan (1993) tarafından ortaya konulan

bölünme bilgisi kavramı ile bilgi kazancından yararlanarak hesaplanan kazanç oranı yaklaşımını

kullanmaktadır. Bir veri setinin nC,...,C,C 21 şeklinde birkaç sınıftan oluştuğu ve T’nin sınıf

değerlerini gösterdiği düşünülsün. Bir sınıfa ait olasılık TCP i

i = olduğu düşünülürse sınıflara ait

entropi

( )∑=

−=n

iii plogp)T(Entropi

12 (2)

şeklinde hesaplanır. Veri setindeki B özniteliğine göre T sınıf değerleri nT,...,T,T 21 şeklinde alt kümelere ayrıldığı göz önüne alınsın. B öznitelik değerleri kullanılarak T sınıf değerlerinin bölünmesi sonucunda elde edilecek kazanç,

( )∑=

−=n

ii

i TEntropiTT

)T(Entropi)T,B(Kazanç1

(3)

eşitliği ile hesaplanacaktır. Quinlan (1993), T kümesi için B niteliğinin değerini belirlemek için gereken bilginin bölünme bilgisi olduğunu ifade etmiştir. Bölünme ilgisi,

⎟⎟⎠

⎞⎜⎜⎝

⎛−= ∑= T

Tlog

TT ik

i

i2

1 (4)

şeklindedir. Bu durumda hesaplanan kazanç ve bölünme bilgisi ile kazanç oranı,

)T,B(KazançıKazançOran = (5)

şeklinde hesaplanır. Bu eşitlik, sınıflandırmada işleminde kullanılacak ayırma ile elde edilen bilgi

oranını vermektedir. Bu kriter kullanılarak, ağacın her bir düğümünde kazanç oranı maksimum olacak

şekilde T eğitim kümesi tekrarlı bir şekilde ayrılır. Bu işlem her bir yaprak düğümü sadece bir sınıfa

ait gözlem değerleri içerene kadar devam eder.

5.6. Sınıflandırma Sonuçlarının Analizi:

Sınıflandırma sonucu elde edilen haritaların doğruluk analizleri için hata matrislerinden elde

edilecek kullanıcı ve üretici doğrulukları, Kappa değerleri, genel doğruluk gibi standart doğruluk

BölünmeBilgisi (B ,bilgi)

BölünmeBilgisi (B ,bilgi)


ölçütlerinin yanı sıra Z-test ve McNemar’s gibi istatistiksel testler kullanılarak doğruluk

değişimlerindeki anlamlılık analiz edilecektir.

Z testi, sınıflandırma sonucu elde edilen Kappa değerlerinin karşılaştırılması amacıyla kullanılan

istatistiksel bir testtir. İki farklı sınıflandırma yöntemi veya iki farklı eğitim seti için elde edilen genel

sınıflandırma doğruluğu arasındaki farkın istatistiksel olarak anlamlı olup olmadığının tespitinde

hesaplanan Kappa değerlerinin karşılaştırılması esasına dayanmaktadır (Foody, 2004;2009). Z

istatistik değeri aşağıdaki şekilde hesaplanarak Kappa değerleri arasındaki farkın anlamlılığı test edilir.

𝑍 = !!!!!! !! !! !!

(6)

Bu eşitlikte 𝐾! ve 𝐾! karşılaştırılan iki Kappa değerini, 𝜎 𝐾! ve 𝜎 𝐾! ise Kappa değerleri için

hesaplanan varyans değerlerini ifade etmektedir. Hesaplanan Z değeri önceden belirlenen güven

aralığındaki 𝑍! ! kritik değer ile karşılaştırılır. Hesaplanan Z değeri %95 güven aralığındaki 𝑍 = 1.96

kritik değerinden büyük olduğunda iki sınıflandırma sonucu arasındaki farkın istatistiksel olarak

anlamlı olduğu söylenebilir. Bu durum iki bağımsız Kappa değerinin istatistiksel olarak farklı

olduğunu, dolayısıyla iki sınıflandırıcıya ait performansların birbirinden farklı olduğunu

göstermektedir.

McNemar’s testi parametrik olmayan bir istatistiksel test olmakla birlikte temel çalışma prensibi

2x2’lik bir hata matrisini esas almaktadır (Foody, 2004; De Leeuw et al. 2006). McNemar’s testi

Eşitlik 7’de gösterilen Ki-Kare test istatistiğini dikkate almaktadır.

( )

jiij

jiijnnnn+

−=

22χ (7)

Bu eşitlikte 𝑛!", i. sınıflandırıcı tarafından hatalı sınıflandırılan fakat j. sınıflandırıcı tarafından

doğru sınıflandırılan piksel sayısını gösterirken; 𝑛!", i. sınıflandırıcı tarafından doğru fakat j.

sınıflandırıcı tarafından hatalı sınıflandırılan piksel sayısını göstermektedir. Bu eşitlikten elde edilen

test sonucu %95 güven aralığındaki 84132 .=χ kritik tablo değerinden büyük olduğunda bu iki

sınıflandırıcının performanslarının farklı olduğu söylenebilir (Pal, 2008). Diğer bir ifadeyle, i ve j

sınıflandırıcıları ile elde edilen doğruluklar arasındaki fark istatistiksel olarak anlamlıdır.


6 ZAMAN ÇİZELGESİ

İşlem Adımı/Tanım AYLAR

1 2 3 4 5 6 7 8 9 10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

1- Tez ön hazırlık çalışmaları, literatür taraması

2- Saha Çalışmaları, pilot bölgelerin tespiti, benzer özelliklere sahip nesnelerin gruplandırılması

3- Saha Çalışmaları, belirlenen nesne türleri için spektral ölçümlerin yapılması

4- Spektral ölçülerin analizi ve spektral kütüphanenin oluşturulması

5- Uydu görüntülerinin temini

6- Uydu görüntülerinin ön işlemesi

7- Uydu görüntüleri ile spektral ölçülerin ilişkilendirilmesi

8- Uydu görüntüleri görüntüler için en uygun bant seçimi

8- Görüntü Sınıflandırma: DVM, YSA ve KA Yöntemleri

9- Sınıflandırma Sonuçlarının Analizi

10- Tez Yazımı ve Sonuçlara ilişkin makale hazırlanması


KAYNAKLAR

Atkinson, P. M. & Tatnall, A.R.L., 1997. Neural networks in remote sensing. International Journal

of Remote Sensing, 18, 699–709.

Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J., 1984. Classification and regression trees,

Monterey, CA: Wadsworth.

Campbell, J.B., 1996. Introduction to Remote Sensing, Second Edition, The Guilford Press, New

York, USA.

Dalponte, M., Bruzzone, L. & Gianelle, D., 2012. Tree species classification in the Southern Alps

based on the fusion of very high geometrical resolution multispectral/hyperspectral images and

LiDAR data. Remote Sensing of Environment, 123, 258-270.

De Leeuw, J., Jia, H., Yang, L., Liu, X., Schmidt, K., & Skidmore, A.K.,2006. Comparing

accuracy assessments to infer superiority of image classification methods. International Journal of

Remote Sensing, 27, 223-232.

DeFries, R.S., Hansen, M., Townshend, J.R.G. & Sohlberg, R., 1998. Global land cover

classifications at 8km spatial resolution: the use of training data derived from Landsat imagery in

decision tree classifiers. International Journal of Remote Sensing, 19, 3141–3168.

Ding, Y.J., Li, M.Z., Li, S. Q. & An, D.K., 2010. Predicting chlorophyll content of Greenhouse

Tomato with ground-based remote sensing. Multispectral, Hyperspectral, and Ultraspectral Remote

Sensing Technology, Techniques, and Applications Iii, 7857.

Du, P.J., P. Liu & Y. Luo, 2009. Urban Thermal Environment Simulation and Prediction Based on

Remote Sensing and Gis. 2009 IEEE International Geoscience and Remote Sensing Symposium, Vols

1-5, 2357-2360.

Du, P.J., Xia, J.S., Zhang, W., Tan, K., Liu, Y., & Liu, S.C., 2012. Multiple Classifier System for

Remote Sensing Image Classification: A Review. Sensors, 12, 4764-4792.

Foody, G.M., 2004. Thematic map comparison: Evaluating the statistical significance of

differences in classification accuracy. Photogrammetric Engineering and Remote Sensing, 70, 627-

633.

Foody, G.M., 2009. Classification accuracy comparison: Hypothesis tests and the use of confidence

intervals in evaluations of difference, equivalence and non-inferiority. Remote Sensing of

Environment, 113, 1658-1663.

Friedl, M.A. & Brodley, C.E., 1997. Decision tree classification of land cover from remotely

sensed data. Remote Sensing of Environment, 61, 399–409.

Gao, J.X., Chen, Y.M., Lu, S.H., Feng, C.Y., Chang, X.L., Ye, S.X., & Liu, J.D., 2012. A ground

spectral model for estimating biomass at the peak of the growing season in Hulunbeier grassland,

Inner Mongolia, China. International Journal of Remote Sensing, 33, 4029-4043.


Hanna, S. H. S. & Rethwisch, M.D., 2003. Characteristics of AVIRIS bands measurements in

agricultural crops at Blythe Area, California: III - Studies on teff grass. Remote Sensing for

Agriculture, Ecosystems, and Hydrology Iv, 4879, 25-41.

Hansen, M., DeFries, R.S., Townshend, J.R.G. & Sohlberg, R., 2000. Global land cover

classification at 1km spatial resolution using a classification tree approach. International Journal of

Remote Sensing, 21, 1331–1364.

Hu, G.Y., Z.B. Dong, Z.H. Wei & J.F. Lu, 2010. Land use and land cover change monitoring in the

Zoige Wetland by remote sensing. Sixth International Symposium on Digital Earth: Data Processing

and Applications, 7841, -710.

Huang, C., Davis, L.S., & Townshend, J.R.G., 2002. An assessment of support vector machines for

land cover classification. International Journal of Remote Sensing, 23, 725-749.

Hughes, G., 1968. On the mean accuracy of statistical pattern recognizers, IEEE Transactions on In

Information Theory, 14, 55-63.

Jafari, R. & Lewis, M.M., 2012. Arid land characterisation with EO-1 Hyperion hyperspectral data.

International Journal of Applied Earth Observation and Geoinformation, 19, 298-307.

Jha, R. K., Karnataka, H.C. & Pant, D.N., 2009. Forest landuse planning for Thano range,

Dehradun forest division, Uttaranchal. Range Management and Agroforestry, 30, 72-77.

Kavzoglu, T. & Reis, S. 2008. Performance Analysis of Maximum Likelihood and Artificial

Neural Network Classifiers for Training Sets with Mixed Pixels, GIScience & Remote Sensing, 45,

330-342.

Kavzoglu, T., & Colkesen, I., 2009. A kernel functions analysis for support vector machines for

land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11,

352-359.

Kavzoglu, T., & Mather, P.M., 2003. The use of backpropagating artificial neural networks in land

cover classification. International Journal of Remote Sensing, 24, 4907-4938.

Kunwar, P., Kachhwaha, T.S., Kumar A., Agrawal, A.K., Singh, A.N. & Mendiratta, N., 2010. Use

of high-resolution IKONOS data and GIS technique for transformation of landuse/landcover for

sustainable development. Current Science, 98, 204-212.

Lee, K.S., Kook, M.J., Shin, J.I., Kim, S.H., & Kim, T.G., 2007. Spectral characteristics of forest

vegetation in moderate drought condition observed by laboratory measurements and spaceborne

hyperspectral data. Photogrammetric Engineering and Remote Sensing, 73, 1121-1127.

Li, M.Z., Zhang, X. J., Zhang, Y., Zhao, P. & Zhang, J.P., 2005. Investigation of crop growth

condition with hyperspectral reflectance based on ground-based remote sensing. Multispectral and

Hyperspectral Remote Sensing Instruments and Applications Ii, 5655, 301-308.

Lillesand, T.M., Kiefer, R.W. & Chipman, J.W., 2008. Remote Sensing and Image Interpretation,

Sixth Edition, John Wiley & Sons, New York.


Liu, X., Zhu, W.Q., Yang, X.Q. & Pan, Y.Z., 2006. Modeling of Population Density Based on GIS

and RS. 2006 IEEE International Geoscience and Remote Sensing Symposium, 1-8, 1431-1434.

Lu, D. & Weng, Q., 2007. A survey of image classification methods and techniques for improving

classification performance, International Journal of Remote Sensing, 28, 823-870.

Mas, J.F. & Flores, J.J., 2008. The application of artificial neural networks to the analysis of

remotely sensed data. International Journal of Remote Sensing, 29, 617-663.

Mather, P.M. & Koch, M., 2011. Computer Processing of Remotely-Sensed Images: An

Introduction, Fourth Edition. Chichester, UK: Wiley-Blackwell, 504 pp.

Melgani, F. & Bruzzone, L., 2004. Classification of hyperspectral remote sensing images with

support vector machines. IEEE Transactıons on Geoscience and Remote Sensing, 42, 1778–1790.

Mianji, F.A. & Zhang, Y., 2011. Robust Hyperspectral Classification Using Relevance Vector

Machine. IEEE Transactions on Geoscience and Remote Sensing, 49, 2100-2112.

Mingers, J., 1989. An empirical comparison of pruning methods for decision tree induction.

Machine Learning, 4, 227–243.

Mountrakis, G., Im, J. & Ogole, C., 2011. Support vector machines in remote sensing: A review.

ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247-259.

Mukherjee, J., Gebru, G., Sood, A., Mahey, R.K., Bal, S.K., Singh, H. & Sidhu, P.K., 2010. Wheat

yield and acreage prediction using LISS-III and AWiFS sensors data of indian remote sensing satellite

of Rupnager district of Punjab, India. Rivista Italiana Di Telerilevamento, 42, 115-127

Pal, M., 2008. Ensemble of support vector machines for land cover classification. International

Journal of Remote Sensing, 29, 3043-3049.

Pal, M. & Foody, G.M., 2010. Feature Selection for Classification of Hyperspectral Data by SVM.

IEEE Transactions on Geoscience and Remote Sensing, 48, 2297-2307.

Pal, M. & Mather, P.M., 2005. Support vector machines for classification in remote sensing.

International Journal of Remote Sensing, 26, 1007-1011

Paola, J.D., & Schowengerdt, R.A., 1995. A review and analysis of backpropagation neural

networks for classification of remotely sensed multi-spectral imagery. International Journal of Remote

Sensing, 16, 3033–3058.

Quinlan, J.R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San

Mateo, CA.

Ren, H.Y., Zhuang, D.F., Pan, J. J., Shi, X.Z. & Wang, H.J., 2008. Hyper-spectral remote sensing

to monitor vegetation stress. Journal of Soils and Sediments, 8, 323-326.

Rokade, V.M., Kundal, P., & Joshi, A.K., 2007. Groundwater potential modelling through remote

sensing and GIS: A case study from Rajura taluka, Chandrapur district, Maharashtra. Journal of the

Geological Society of India, 69, 943-948


Royer, P.D., Cobb, N.S., Clifford, M.J., Huang, C.Y., Breshears, D.D., Adams, H.D. & Villegas,

J.C. , 2011. Extreme climatic event-triggered overstorey vegetation loss increases understorey solar

input regionally: primary and secondary ecological implications. Journal of Ecology, 99, 714-723

Safavian, S.R. & Landgrebe, D., 1991. A survey of decision tree classifier methodology. IEEE

Transactions on Systems, Man, and Cybernetics, 21, 660–674.

Serpico, S.B., D'Inca, M., Melgani, F. & Moser, G., 2003. A comparison of feature reduction

techniques for classification of hyperspectral remote-sensing data. Image and Signal Processing for

Remote Sensing Viii, 4885, 347-358.

Silvestri, S. & Omri, M., 2008. A method for the remote sensing identification of uncontrolled

landfills: formulation and validation. International Journal of Remote Sensing, 29, 975-989.

Tang, A.P., Ran, C., Wang, L.F., Gai, L.H. & Dai, M., 2009. Intelligent Digital System in Urban

Natural Hazard Mitigation. 2009 WRI World Congress on Software Engineering, 2, Proceedings, 355-

359.

Tso, B. & Mather, P.M., 2009. Classification Methods for Remotely Sensed Data (Taylor&Francis:

London) 2nd Edition.

Vapnik, V.N., 1995. The nature of statistical learning theory. Springer-Verlag, New York.

Xu, K., Zhang, X.X., Chen, B., Hua, K., Zheng, K.D. & Wu, T., 2011. Based on MODIS NDVI

data to monitor the growing season of the deciduous forest in Beijing, China. Earth Resources and

Environmental Remote Sensing/GIS Applications II, 8181.

Zhang, X.C., Kang, T.J., Wang, H.Y. & Sun, Y., 2010. Analysis on spatial structure of landuse

change based on remote sensing and geographical information system. International Journal of

Applied Earth Observation and Geoinformation, 12, 145-150.

Zhang, H.S., Zhang, Y.Z. & Lin, H. (2012). A comparison study of impervious surfaces estimation

using optical and SAR remote sensing images. International Journal of Applied Earth Observation and

Geoinformation, 18, 148-156.

Documents

İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ ... · sahip bitki örtüsü türleri için spektral kütüphane oluşturulması öngörülmektedir. Spektral ölçümler