tc yıldız teknik üniversitesi fen bilimleri enstitüsü

tc yıldız teknik üniversitesi fen bilimleri enstitüsü

T.C.
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
DÜZLEMSEL HOMOTETİK HAREKETLER ALTINDAT.C.
YILDIZ TEKNİK ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
UYDU VERİLERİNİN OBJE TEMELLİ BULANIK MANTIK YÖNTEMİ İLE
SINIFLANDIRILMASI: ALAÇATI ÖRNEĞİNDE ZAMANSAL DEĞİŞİMİN
BELİRLENMESİ
NİLAY ÖZDEMİR
YÜKSEK LİSANS TEZİ
İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI
KIYI VE LİMAN MÜHENDİSLİĞİ PROGRAMI
YÜKSEK LİSANS TEZİ
ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI
HABERLEŞME PROGRAMI
DANIŞMAN
DOÇ. DR.BÜLENT BAYRAM
İSTANBUL, 2011DANIŞMAN
DOÇ. DR. SALİM YÜCE
İSTANBUL, 2011
ÖNSÖZ
Alaçatı örneğinde obje temelli bulanık mantıkla sınıflandırma yöntemi kıyı çizgisi
değişiminin zamansal olarak incelediğim çalışmamın her aşamasında değerli vaktini
bana ayıran; desteğini, bilgisini, ilgisini ve tecrübelerini benimle paylaşan, benimle
yakından ilgilenen değerli hocam aynı zamanda tez danışmanım Sayın Doç. Dr. Bülent
BAYRAM’a;
Yüksek lisans eğitimim ve çalışmam süresince bilgisini, tecrübelerini ve desteğini
esirgemeyen, her türlü sorunumda bana yardımcı olan sevgili hocam Sayın Prof. Dr.
Yalçın YÜKSEL’e;
Yüksek lisans eğitimim sırasında yardımlarını ve tecrübelerini benden esirgemeyen
Sayın Prof. Dr. Esin ÇEVİK ve tüm Hidrolik Anabilim Dalı öğretim üyelerine;
Manevi desteklerini her zaman hissettiğim ve her zaman yanımda olan sevgili babam
Yılmaz ÖZDEMİR, annem Ayten ÖZDEMİR, kardeşim Can ÖZDEMİR ve çok sevdiğim
eşim Ahmet YÜCE’ye;
Çalışmalarım boyunca desteklerini esirgemeyen sevgili yüksek lisans ve iş arkadaşlarım
başta olmak üzere tüm arkadaşlarıma sonsuz teşekkürlerimi sunarım.
Temmuz, 2011
Nilay ÖZDEMİR
İÇİNDEKİLER
Sayfa
ŞEKİL LİSTESİ ................................................................................................................. vi
ÇİZELGE LİSTESİ .......................................................................................................... viii
ÖZET ............................................................................................................................ ix
ABSTRACT .................................................................................................................... xi
BÖLÜM 1
GİRİŞ .............................................................................................................................1
1.1
1.2
1.3
Literatür Özeti ..........................................................................................1
Tezin Amacı ..............................................................................................1
Hipotez ....................................................................................................1
BÖLÜM 2
GENEL BİLGİ ..................................................................................................................2
2.1 Elektromanyetik Spektrum .....................................................................10
2.2 Ayırma Gücü ..........................................................................................11
2.3 Radyometrik Çözünürlük .......................................................................11
2.3.1 Spektral Çözünürlük ........................................................................12
2.3.2 Mekansal Çözünürlük ......................................................................13
2.3.3 Zamansal Çözünürlük ..................................................................... 13
2. 4 Verinin Elde Edilmesi ..............................................................................14
2. 4.1
Enerji Kaynağı ...............................................................................14
2. 4.2
Işınım ve Atmosfer ........................................................................14
2. 4.3
Hedef ile Etkileşim ........................................................................14
2. 4.4
Enerjinin Algılayıcı Tarafından Kayıt Edilmesi ................................14
2. 4.5
Verinin İletimi, Alınması ve İşlenmesi ............................................14
2. 5 Verinin İşlenmesi ....................................................................................15
2. 5.1
Yorumlama ve Analiz ....................................................................15
2. 5.2
Uygulama .....................................................................................15
2. 6 Uydu görüntüleri ....................................................................................15
2. 6.1
Spot ..............................................................................................17
iv
2.6.2
2.6.3
2.6.4
2.6.5
2.6.6
IRS .............................................................................................18
İkonos ........................................................................................19
Earth Observing–1 .....................................................................21
Quickbird ...................................................................................22
ALOS (Advanced Land Observing Satellite, 2.5-10 m) .................23
BÖLÜM 3
ÇALIŞMADA KULLANILAN VERİLER ...............................................................................24
3.1 Corona uydusu ......................................................................................24
3.2 Landsat uydusu ......................................................................................26
3. 2.1 RBV sistemi .....................................................................................27
3. 2.2 MSS Sistem .....................................................................................27
3. 2.3 TM Sistemi .....................................................................................27
3. 2.4 TM Algılayıcı ....................................................................................27
3.3 Landsat- 1, -2, -3 ....................................................................................27
3.4 Landsat -4-5 ...........................................................................................28
3.5 Landsat -6 ..............................................................................................29
3.6 Landsat-7 ve ETM ...................................................................................30
3.7 Aster uydusu .........................................................................................32
3.8 Ortofoto Harita ......................................................................................35
3.9 Kullanılan yazılımlar................................................................................37
3. 9.1 Ecognition .......................................................................................38
3.10 Kullanılan uydu verileri ...........................................................................45
BÖLÜM 4
ÇALIŞMA ALANI ...........................................................................................................48
BÖLÜM 5
ÇALIŞMA YÖNTEMİ ......................................................................................................53
5.1 Görüntünün Rektifiye Edilmesi ...............................................................53
5.2 Rektifiye Edilmiş Görüntüden Kıyı Çizgisinin Elde Edilmesi ......................58
5.3 Görüntünün Sınıflandırılması ..................................................................67
5.3.1 Obje Temelli Bulanık Mantıkla Sınıflandırma ...................................68
5.3.2 Sınıflandırmanın Doğruluğu .............................................................74
SONUÇ VE ÖNERİLER .................................................................................................789
KAYNAKLAR ................................................................................................................. 82
ÖZGEÇMİŞ ...................................................................................................................87
v
ŞEKİL LİSTESİ
Sayfa
Şekil 2. 1
Şekil 2. 2
Şekil 2. 3
Şekil 2. 4
Şekil 2. 5
Şekil 2. 6
Şekil 3. 1
Şekil 3. 2
Şekil 3. 3
Şekil 3. 4
Şekil 3. 5
Şekil 3. 6
Şekil 3. 7
Şekil 3. 8
Şekil 3. 9
Şekil 3. 10
Şekil 3. 11
Şekil 3. 12
Şekil 3. 13
Şekil 3. 14
Şekil 3. 15
Şekil 4. 1
Şekil 4. 2
Şekil 4. 3
Şekil 4. 4
Şekil 5. 1
Şekil 5. 2
Şekil 5. 3
Şekil 5. 4
Şekil 5. 5
Şekil 5. 6
Şekil 5. 7
Şekil 5. 8
Elektromanyetik Spektrum ........................................................................11
Aynı alana ait farklı spektral çözünürlükte görüntüler ...............................12
Aynı alana ait farklı spektral çözünürlükte görüntüler ...............................13
Uzaktan algılamanın bileşenleri .................................................................14
Uyduların çalışma şeması ..........................................................................16
Yeryüzünden alınan bilgilerin, bilgisayarda sayısal olarak ifade edilmesi ....17
Corona Uydusu..........................................................................................24
TM algılayıcı elemanları .............................................................................29
Landsat Uydusu .........................................................................................32
ASTER-VNIR stereo görüntüleme geometrisi .............................................34
Topoğrafik harita örneği. ...........................................................................35
Ortofoto harita örneği ...............................................................................36
Görüntü segmentasyonu ve anlamlı nesnelerin ortaya çıkması .................39
Piksel ve nesneler arasındaki hiyerarşik yapısı ...........................................39
Görüntü nesnesinin Özellikleri ...................................................................42
Ecognition ile nesneye dayalı sınıflandırma ...............................................44
Obje temelli sınıflandırma yönteminin Çalışma Özeti ................................45
Alaçatı körfezi Landsat 1975 uydu görüntüsü ............................................45
Alaçatı Körfezi Aster 2007 uydu görüntüsü ................................................46
Alaçatı Körfezi Corona 1963 uydu görüntüsü .............................................46
Alaçatı Körfezi 1995 Hava Fotoğrafı ...........................................................47
Alaçatı Uydu Fotoğrafı .............................................................................48
Alaçatı kıyı alanında burun kısmında gözlenen litolojik istif .......................49
Alaçatı .......................................................................................................50
Projenin Genel Akış Diyagramı...................................................................52
Kontrol noktalarının Corona 1963 görüntüsü üzerinde dağılımı .................55
Landsat 1975 görüntüsü üzerindeki kontrol noktalarının dağılımı ..............57
Algoritmanın başlangıcı .............................................................................60
Gri değerlerin karşılaştırılması ...................................................................60
Üç gri değerli görüntü................................................................................61
Dörtlü piksel komşulukları ile analiz...........................................................62
Sonuç segmentasyon.................................................................................63
COAST-FIT yazılımı ile görüntülerin segmentasyon sonuçları .....................64
vi
Şekil 5. 9
Şekil 5. 10
Şekil 5. 11
Şekil 5. 12
Şekil 5. 13
Şekil 5. 14
Şekil 5. 15
Şekil 5. 16
Şekil 5. 17
Şekil 5. 18
Şekil 5. 19
Şekil 5. 20
Şekil 5. 21
Şekil 5. 22
Segmente edilmiş görüntülerden elde edilen farklı yıllara ait kıyı çizgileri..65
1963-1975 yılları arasında liman bölgesi kıyı değişimi ................................65
19763-1975-2007-2009 yılları arasında liman bölgesi kıyı değişimi ............66
Alaçatı Koyunda sediment bölgesindeki ölçüler: 1963,1975,2007 ..............67
2007 Aster ve 1975 Landsat görüntülerinin segmentasyon sonuçları.........68
Landsat 1975 için segmentasyon parametreleri ........................................69
Aster 2007 için segmentasyon parametreleri ...........................................70
Landsat 1975 Sınıflandırma sonuçları ........................................................73
Aster 2007 Sınıflandırma sonuçları ............................................................74
1975 Lansat görüntüsünün sınıflandırma doğruluğu sonucu ......................75
2007 Aster görüntüsünün sınıflandırma doğruluğu....................................75
Landsat 1975 görüntüsü arazi kullanım yüzdeleri ......................................76
Aster 2007 görüntüsü arazi kullanım yüzdeleri ..........................................77
Yıllara göre arazi kullanım alanları (HA) .....................................................77
vii
ÇİZELGE LİSTESİ
Sayfa
Çizelge 2. 1
Çizelge 2. 2
Çizelge 2. 3
Çizelge 2. 4
Çizelge 2. 5
Çizelge 2. 6
Çizelge 3. 1
Çizelge 3. 2
Çizelge 3. 3
Çizelge 3. 4
Çizelge 5. 1
Çizelge 5. 2
Çizelge 5. 3
Çizelge 5. 4
Çizelge 5. 5
Çizelge 5. 6
Satellite Encyclopedia .............................................................................8
SPOT görüntüsünün özellikleri ..............................................................18
IRS 1D uydu özellikleri...........................................................................19
Ikonos yörüngesinin özellikleri ..............................................................20
Ikonos GEO ürün seçenekleri Çizelgesu .................................................21
QuickBird uydusu teknik özellikleri .......................................................22
Corona uydusunun özellikleri ................................................................25
Landsat misyonlarında kullanılan algılayıcılar ........................................26
Landsat-7 ETM+ algılayıcısının TM bantlarının özellikleri .......................31
ASTER uydu görüntüsünün band özellikleri ...........................................33
RMS hataları .........................................................................................54
Corona Görüntüsü-Afin Dönüşüm Kontrol Noktaları .............................55
Landsat 1975 Görüntüsü-Afin Dönüşüm Kontrol Noktaları ...................57
Landsat 1975 görüntüsü için kullanılan üyelik fonksiyonları .................71
ASTER 2007 görüntüsü için kullanılan üyelik fonksiyonları ....................72
Yıllara göre Arazi Kullanım Alanları........................................................76
viii
ÖZET
UYDU VERİLERİNİN OBJE TEMELLİ BULANIK MANTIK YÖNTEMİ İLE
SINIFLANDIRILMASI: ALAÇATI ÖRNEĞİNDE ZAMANSAL DEĞİŞİMİN
BELİRLENMESİ
Nilay ÖZDEMİR
İnşaat Mühendisliği Anabilim Dalı
Yüksek Lisans Tezi
Tez Danışmanı: Doç. Dr. Bülent BAYRAM
Kıyılar tarih boyunca yeryüzünün en önemli parçalarını oluşturmuştur. Bunun en
önemli sebebi ise suyun insanların hayatında ki en vazgeçilmez unsurlardan birisi
olmasıdır. En büyük uygarlıklar kıyı kesimleri boyuca yoğunlaşmıştır. Ülkemiz kıyılar
bakımından oldukça zengin bir yapıya sahiptir.
Uzaktan algılama teknikleri ile kıyı alanındaki değişimler ekonomik ve hızlı bir şekilde
izlenebilmektedir. Kıyı alanının hareketi, kıyı yönetiminin en önemli ilgi alanlarından
biridir. Böylelikle kıyıların sağlıklı bir şekilde yönetilmesine, sürdürülebilir kıyı izleme
modelinin geliştirilmesine temel altlık oluşturacak veriler üretilebilmektedir. Seçilen
uygulama alanında mevcut sorunlar böylesi bir modelin geliştirilmesi için uygun bir
laboratuar olanağı sunmaktadır.
Uzaktan algılama verileri ile hassas ve doğru bir şekilde kıyı alanlarının değişiminin
izlenmesi olanaklıdır *1+. Kıyı alanlarının gözlenmesi geleneksel olarak dalga, akıntı
ölçümü, sediment taşınımı ve morfolojik değişimlerin belirlenmesi olarak özetlenebilir.
Bu teknolojiler yüksek çözünürlükte veri sağlamaktadır. Fakat konuma bağlı lojistik
güçlükler, zaman ve masraflı olmaları dezavantaj oluşturmaktadır. Uydu ve hava
fotoğrafları makul çözünürlükte mekânsal ölçülere olanak sağlamaktadır [2]. Uzaktan
ix
algılama teknikleri çevresel izlemeyi hem lokal hem de global olarak ekonomik ve hızlı
bir şekilde gerçekleştirebilmektedir [3].
Uydulardan elde edilen verilerin değerlendirilmesiyle çıkan sonuçlar, yeryüzünün
araştırılmasına büyük katkı sağlamaktadır. Bu katkının sağlanmasında insan faktörünün
yanında kullanılan yazılımlar da büyük önem taşımaktadır. Yazılımların önemi gerek
verilerin işlenmesine büyük hız kazandırmasına, gerekse çok büyük bir veri hacminin
depolanmasına yardımcı olmasında yatmaktadır [4].
Obje Temelli sınıflandırma, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu
sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki
basamağında ele alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür
segmentasyon ve topoloji oluşumu, çözünürlüğe ve çıkarılması düşünülen nesnelerin
ölçeğine göre ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla
kalmaz, ayrıca bir önceki segmentasyon basamağı sırasında homojen görüntü nesneleri
de ortaya çıkar. Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne
kategorilerinin katmanlarını ayırt etmeye de izin verir [5].
Sunulan çalışmada Türkiye’nin özellikle son zamanlardaki en önemli turizm beldesi olan
Alaçatı kıyı çizgisindeki zamansal değişimi incelenmiştir. Bu inceleme uzaktan algılama
verileri kullanılarak yapılmıştır. Çalışmada öncelikle kıyı tanımlamaları, uzaktan
algılama, uydu, uydu görüntüleri ve sınıflandırma ile ilgili temel tanımlamalara yer
verilmiştir. Çalışmanın ikinci ve üçüncü bölümlerinde ise çalışma bölgesinden
bahsedilerek kullanılan yazılımlar ve bunların nasıl, ne amaçla kullanıldığı anlatılmıştır.
Alaçatı örneğindeki zamansal değişimin incelenebilmesi için ilk olarak 1995 yılına ait
hava fotoğrafı ile Corona 1963 uydu görüntüsü rektifiye edilmiştir. Daha sonra CoastFit yazılımı kullanılarak [1], Corona 1963, Landsat 1975, 1995 yılına ait Hava
Fotoğrafları ve Aster 2007 uydu görüntülerinden yıllara ait kıyı çizgileri elde edilerek;
Landsat 1975 ve Aster 2007 uydu görüntülerinden obje temelli sınıflandırma yöntemi
ile Alaçatı örneğinde arazi kullanım alanları yıllara göre belirlenmiştir.
Son bölümde ise kıyı çizgisi ve arazi kullanımı hakkındaki elde edilen sonuçlar
değerlendirilmiştir.
Anahtar Kelimeler: Kıyı çizgisi, Uzaktan algılama, Zamansal değişim, Coast-Fit yazılımı,
Obje Temelli Sınıflandırma, Aster, Landsat ve Corona uydu görüntüleri
YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
x
ABSTRACT
OBJECT BASED CLASSIFICATION OF SATELLITE DATA WITH FUZZY LOGIC
METHOD: DETERMINATION OF TEMPORAL CHANGES IN THE CASE OF
ALACATI
Nilay ÖZDEMİR
Department of Civil Engineering
MSc. Thesis
Advisor: Assoc. Prof. Dr. Bülent BAYRAM
Costs are the most important pieces that are constituted the face of the earth. Main
reason of this factor is water because it is an indispensable element for human being.
Therefore, majority of civilizations have preferred to live around cost areas during
history of the world. Turkey has also important and reach structure coasts.
Changes in coastal area can be controlled economically and quickly by using remote
sensing techniques. Movement of coastal area is one of the most important interests
of coastal management. Thus, in a healthy way of coastal management, sustainable
development of coastal monitoring model will form the basic data base can be
produced. Selected issues in the field of application for the development of such a
model provide a suitable laboratory.
It is possible to monitor exchange of sensitive and accurate coastal areas by using
remote sensing data [1].Monitoring of coastal areas as the traditional wave can be
summarized with in current measurements, sediment transport and morphological
changes. Also, these technologies provide high-resolution data. However; using the
technologies sometimes create disadvantages; depending on location, logistical
difficulties. Satellite and aerial photographs provide reasonable spatial dimensions [2]
xi
Remote sensing techniques monitor environment both locally and globally. It also
performs quickly and economically [3].
The results for the evaluation of the data obtained from satellites, provides a major
contribution to research on the earth. It is also quite important to use this software in
addition to the human factor. Additionally, using this software assist to processing data
quickly and provide a very large of data storage [4].
Object-Based Classification, structure, textures, and takes into account the spectral
information. This classification phase starts with the neighboring’s classification and
transformation after this process it creates reasonable regions. This type of
segmentation and topology formation, and removal of a resolution should be set
according to the scale of the objects. With this method, the singular pixels are
classificated as well as during the previous segmentation step also occur in a
homogeneous image objects. This segmentation can be done different resolutions; it
also allows distinguishing the layers of categories [5].
This research analyses and examines one of the significant tourism villages, Alacati’s
temporal variation of the coastal line. It will be made by using remote sensing data.
First of all, the research describes basic definition of primarily coastal, remote sensing,
satellite, satellite images and classification. After that, it explains the software and how
they are used late in the research, is used what purpose are explained. Lastly, it
evaluates data which is obtained from the software.
Also, in the case of the first to examine temporal changes in Alacati 1995 analyzed with
aerial photo of the 1963 Corona satellite image. After, using the Coast-Fit software [1]
Corona 1963, Landsat 1975, 1995, 2007 of the air photos and aster satellite images
were obtained for the years of coastal lines and It based on classification of Landsat
satellite images of 1975 and 2007 by using Aster Alacati samples were determined by
years of land use areas. In the last section, using of the shoreline and land results are
created data and the thesis is evaluated this data in greater details.
Key words: Coastal line, remote sensing, temporal change, Landsat, Corona and Aster
satellite images, Coast- Fit software, Object-Based Classification.
YILDIZ TECHNICAL UNIVERSITY
GRADUATE SCHOOL OF NATURAL AND APPLIED SCIENCE
xii
BÖLÜM 1
GİRİŞ
1.1
Literatür Özeti
Sunulan çalışmada Türkiye’nin özellikle son zamanlardaki en önemli turizm beldesi olan
Alaçatı kıyı çizgisindeki zamansal değişimi incelenmiştir. Bu inceleme uzaktan algılama
verileri kullanılarak yapılmıştır. Çalışmada öncelikle kıyı tanımlamaları, uzaktan
algılama, uydu, uydu görüntüleri ve sınıflandırma ile ilgili temel tanımlamalara yer
verilmiştir. Çalışmanın ikinci ve üçüncü bölümlerinde ise çalışma bölgesinden
bahsedilerek kullanılan yazılımlar ve bunların nasıl, ne amaçla kullanıldığı anlatılmıştır.
1.2
Tezin Amacı
Türkiye’nin özellikle son zamanlardaki en önemli turizm beldesi olan Alaçatı kıyı
çizgisindeki zamansal değişimin kullanılan yazılımlar ile incelenip kıyı çizgisi ve arazi
kullanımı hakkında elde edilen sonuçlar değerlendirilmesidir.
1.3
Hipotez
Alaçatı örneğindeki zamansal değişimin incelenebilmesi için ilk olarak 1995 yılına ait
hava fotoğrafı ile Corona 1963 uydu görüntüsü rektifiye edilmiştir. Daha sonra CoastFit yazılımı kullanılarak *1+. Corona 1963, Landsat 1975, 1995 yılına ait Hava
Fotoğrafları ve Aster 2007 uydu görüntülerinden yıllara ait kıyı çizgileri elde edilerek;
Landsat 1975 ve Aster 2007 uydu görüntülerinden obje temelli sınıflandırma yöntemi
ile Alaçatı örneğinde arazi kullanım alanları yıllara göre belirlenmiştir.
1
BÖLÜM 2
GENEL BİLGİ
İçinde yaşadığımız ‘Bilgisayar ve Uzay Çağı’nın en önemli iki yeniliği internet ve
uzaktan algılama olarak kabul edilebilir. Hemen her şey gibi uzaktan algılama
verilerinin de, özellikle raster verilerin, küresel ölçekte yaygın kullanımını sağlaması
nedeniyle internet ayrıca ön plana çıkmaktadır. Bilimsel ve uygulamalı sayısız alanda
kullanılan ve büyük yararlar sağlayan uzaktan algılamanın önemini tam olarak
kavramamız için konunun teknik yönleri hakkında ve tarihsel gelişimi hakkında bilgi
sahibi olmamızı gerektirmektedir [6]. Uzaktan algılama, ilk aşamada askeri amaçlı
olarak geliştirilmiş olsa da bunu izleyen yıllarda araştırmaların merkezini daha çok
çevresel araştırmalar oluşturmuştur. Özellikle bitkisel alanların incelenmesi, su ve hava
kirliliği incelemeleri bunlara örnek olarak verilebilir. Uzaktan algılama verileri hem
uzaysal hem de zamansal amaçlı çalışmalarda kullanılmaktadır. Son yıllarda ise doğal
afetler sonucunda oluşan değişimlerin izlenmesinde uzaktan algılama yöntemleri
kullanılmaya başlanmıştır [1].
Üç tarafı denizlerle çevrili Türkiye, Karadeniz’de 1785 km, Marmara Denizi’nde 1089
km, Ege Denizi’nde 2805 km, Akdeniz’de 1577 km ve Adalar’da 1067 km olan oldukça
uzun kıyılara sahip bir ülkedir. Literatürde kıyı ve kıyı çizgisi ile ilgili birçok tanım ve
tanımlamalar yer almaktadır. Bu tanımlamaların en sağlıklı olanlarından biriside Kıyı
Kanunlarında yapılmıştır.3621/3830 sayılı Kıyı Kanununa göre “kıyı çizgisi” deniz, göl ve
akarsularda, suyun taşkın durumları dışında kara parçasına değdiği noktaların
birleşmesinden oluşan meteorolojik olaylara göre değişen doğal çizgidir [7]. “Kıyı kenar
çizgisi” ise deniz, tabii ve suni göl ve akarsuların, alçak basık kıyı özelliği gösteren
2
kesimlerinde kıyı çizgisinden sonra kara yönünde su hareketlerinin oluşturduğu kumsal
ve kıyı kumullarından oluşan kumluk, çakıllık, kayalık, taslık, sazlık ve benzeri alanların
doğal sınırı, dar-yüksek kıyı özelliği gösteren yerlerde ise sev ya da falezin üst sınırıdır.
“Sahil Şeridi” kıyı kenar çizgisinden itibaren kara yönünde yatay olarak en az 100 metre
genişliğindeki alandır. “Sahil şeridinin birinci bölümü”, kıyı kenar çizgisinden itibaren
kara yönünde 50 metre genişliğindeki alan olup sadece açık alanlar, yeşil alan, gezinti
alanları, çocuk bahçesi ve rekreatif kullanımlar ve yaya yolu olarak kullanılabilecek
alanlardır. “Sahil şeridinin ikinci bölümü” ise sahil şeridinin birinci bölümünden itibaren,
kara yönünde en az 50 metre genişliğindeki alan olup, toplumun yararlanmasına açık,
günübirlik turizm yapı ve tesisleri, taşıt yolları, açık otoparklar ve arıtma tesislerinin
yapılabileceği alanlardır. Kıyı zonu, uluslararası kaynakların değerlendirilmesinde, çevre
ve ekonomik bakımdan önemli alanlardır [8].
Kıyı alanı yönetiminin en önemli ilgi alanlarından biri erozyona bağlı yer değişimine
uğrayan kıyı alanının hareketi olarak tanımlanabilir. Farklı platformlarına ait çok bantlı
görüntüler (IRS, LANDSAT, SPOT) kıyı ve liman alanlarına ilişkin farklı bilgilerin elde
edilmesine olanak sağlamaktadır [9]. Uzaktan algılama verilerinin analiz teknikleri
geleneksel yöntemlere göre daha avantajlıdır. Birçok bölgede kıyı alanları tarım ve
kentleşme dolayısı ile alarm vermeye başlamıştır. Uzaktan algılama böylesi geniş
alanlarda değişimlerin etkin ve ekonomik olarak belirlenmesini sağlar. Kıyı çizgisinde
meydana gelen değişmeleri uzun dönemli değişmeler, kısa dönemli değişmeler ve
epizodik değişmeler olmak üzere üçe ayrılmaktadır. Bu kapsamda uzun dönemli
değişmeler 10 ile 100 yıllık zaman diliminde gerçeklesen değişmelerdir; kısa dönemli
değişmeler sadece 5 ile 10 yıllık dönemlerde gerçeklesen değişmelerdir. Epizodik
değişmeler ise fırtınalar gibi doğal olaylar sonucunda gerçeklesen ani değişmeler olarak
tanımlanmaktadır. Uzun dönemli değişmelerden bütün kıyı aynı düzeyde etkilenirken
kısa dönemli değişmelerde aynı kıyıda birkaç kilometre aralıklarla bir tarafta çekilme
gözlenirken diğer tarafta karanın ilerlemesi ya da durağan olması gözlenebilmektedir.
Bu değişmeler alçak kıyıların doğal karakteristiği gereği; dalgalar, rüzgârlar gibi doğal
şartlarda gerçekleşen değişmelerin bir sonucu olarak çekilmesi ya da ilerlemesi
şeklinde gerçekleşmektedir *10+.
3
Görüntü segmentasyonu görüntü işleme ve computer visionun en önemli
problemlerinden biridir. Segmente edilmiş bir görüntü; pikselleri gruplar halinde tek
tek belirli sınıflara atanmış edilmiş görüntüdür. Bu pattern yakalama ve tanımaya giden
yolda en önemli aşamadır *11+. Geleneksel sınıflandırma yöntemlerine göre obje
tabanlı sınıflandırma yöntemleri ile tekil piksel analizine göre daha uygun sonuçlar elde
edilebilmektedir. Literatürde obje temelli sınıflandırmanın piksel temelli yöntemlere
oranla daha başarılı olduğu belirtilmiştir; [12] obje temelli sınıflandırmanın yüksek
çözünürlüklü görüntüde zamansal değişimin belirlenmesi amaçlı çalışmalarda daha
uygun olduğunu belirtmiştir. Yine [13] obje temelli sınıflandırmada ek bilginin
kullanılmasının sınıflandırmanın doğruluğunu artırdığını belirtmiştir. Nesne-tabanlı
yaklaşım, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu sınıflandırma aşaması,
komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki basamağında ele
alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür segmentasyon ve topoloji
oluşumu,
çözünürlüğe
ve
çıkarılması
düşünülen
nesnelerin
ölçeğine
göre
ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla kalmaz, ayrıca bir
önceki segmentasyon basamağı sırasında homojen görüntü nesneleri de ortaya çıkar.
Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne kategorilerinin
katmanlarını ayırt etmeye de izin verir [5].
Obje temelli görüntü işleme; piksellerin spektral ve mekânsal karakteristiklerini temel
alarak anlamlı, görüntünün farklı boyutlarda, anlamlı multi-piksel gruplarına ayrılmasını
sağlar. Böylelikle segmente edilen görüntüde objeler bulanık mantık ve hiyerarşik karar
ağları ile sınıflandırılmış olur. Obje temelli görüntü sınıflandırma işleminde görüntü
obje gruplarına (piksel grupları) ayrılır [14]. Segment obje temelli görüntü analizinin
temel işlemidir. Nesnelerin nesne şekil, boyut dokularına ve toplojik ilişkilerine vb.
ilişkin tüm bilgiyi içerir. Doku ve renk farklı varyasyon ile bir görüntüyü temsil eder ve
görüntü segmentasyonunun temel özellikleridir. Obje temelli görüntü analizinin temel
karakteristiği; şekil, doku ve içerik gibi görüntü objelerine ait ek bilgilerden
yararlanılarak işlem yapılabilmesidir. Bu bilgilerin kullanımı ile obje temelli görüntü
sınıflandırma sonucunda semantik farklılıklar daha iyi ve daha doğru bir şekilde elde
edilebilmektedir [14], [15]. Bu özellik piksel tabanlı yaklaşımlarda olanaklı değildir [15],
4
[16]. Uzaktan algılama verilerinin obje-temelli yöntemle şekil ve renk özelliklerine ve
bulanık mantık kriterleri ile işlenmesi avantaj sağlamaktadır [17].
Kıyı çizgisinde meydana gelen değişmelerde uzun dönemli verilere ihtiyaç
duyulmaktadır. Bu verilerin değerlendirilmesinde ise CBS ve uzaktan algılama
(UA)yöntemleri tercih edilmektedir [18].
20. yüzyılın sonlarına doğru topografya ve doğal kaynaklar gibi yeryüzünün belirgin
özelliklerine ait veri gerekliliği hızlı bir şekilde artmaya başlamıştır. Hava fotoğrafları ve
uzaktan
algılama
görüntüleri,
büyük
alanların
yüksek
oranda
doğrulukla
haritalanmasını olanaklı kılmıştır. Aynı teknoloji jeologlar, toprak bilimciler, ekologlar
gibi farklı disiplinden birçok bilim adamına ayrıntılı haritalama için büyük bir avantaj
sağlamıştır. Ortaya çıkan tematik haritalar, kaynak planlanması ve yönetimi için
kullanışlı bilgi kaynaklarını oluşturmuşlardır [19]. Konumsal veri ve bunların daha iyi
analiz edilmesine duyulan ihtiyaç, ancak bilgisayarlar kullanılarak karşılanabilir; fakat
hava fotoğrafları ve uydulardan elde edilen görüntüler harita değildir. Bunlar manyetik
bantlar üzerine kayıt edilmiş verilerden oluşmaktadır. Bu dijital veri, bilindiği gibi nokta,
çizgi, poligon gibi yeryüzünü tanımlayan standart formda değildir. Veri piksel olarak
adlandırılan, verilen banttaki yansıyan elektromanyetik radyasyonun şiddetini gösteren
ve tek bir sayısal değer taşıyan hücrelerde kodlanır. Bu sayısal değerleri harita şekline
dönüştürmek ve anlamlı desenleri belirlemek için yeni araçlara gerek duyulmuştur. Bu
gereksinimler uzaktan algılama ve kartografinin birleşmesiyle, konumsal bilginin ele
alınması ve haritalama araçlarını içeren CBS’nin oluşmasıyla sonuçlanmıştır [20].
Coğrafi
Bilgi
Sistemi
(CBS)
donanım,
yazılım,
personel
ve
veri
sistemi
depolama, geri alma, haritalama ve coğrafi verilerin analizi için kullanılır. Dünya
üzerinde referans gösterilen bir noktanın mekânsal özellikleri koordinat sisteminde
saklanmaktadır. Tanımlayıcı şeklinde nitelikleri bu mekânsal özellikleri ile ilişkilidir. Aynı
koordinat sistemindeki bu konumsal veriler ve bunların ilişkileri haritalama ve analiz
için birlikte kullanılabilmektedir. CBS birçok farklı uygulamada kullanılabilmektedir [21].
Dünya yüzeyindeki coğrafi veri:
(a) bilinen bir koordinat sistemine göre konumları,
(b) konumdan bağımsız nitelikleri (pH, renk vs.) ve
5
(c) nasıl bağlantılı olduklarını tanımlayan kendi aralarındaki konumsal ilişkileri şeklinde
tanımlanır. Bu tanımın dışında CBS için aşağıdaki tanımlar da yapılmıştır [22].
Araç olarak CBS tanımları;
- Konumsal olarak dünya ile bağlantılı verinin görüntülenmesi, analizi, düzenlenmesi,
kontrol edilmesi, depolanması ve toplanması için kullanılan sistem [23].
- Konumsal ve konumsal olmayan veriyi depolayan, görüntüleyen ve analiz eden bilgi
teknolojisi [24].
Bir veritabanı olarak CBS tanımları;
- Verinin büyük kısmının konumsal olarak indekslendiği ve veritabanındaki konumsal
elemanlar hakkındaki sorguları cevaplandırmak için kullanılan işlemler topluluğunun
oluşturduğu veritabanı sistemi [25].
- Bir CBS veri tabanında, analiz edeceğimiz ve sorgulayacağımız konu ile ilgili çok farklı
kaynaklardan gelen veriler (işlenmiş veya ham uydu verisi, iklim, toprak, yersel
ölçümler, yükseklik, yağış, sıcaklık, nüfus, yollar vb.) katmanlar olarak bilgisayarda
tutulurlar; belli uzmanlık dalının kriterleri ile sorgulanarak yeni bilgiler üretilir [26].
CBS teknolojisi son 20-30 yılda, bilgisayar yazılım ve donanım sistemlerindeki gelişime
paralel olarak gelişen yeni bir teknoloji olup başlangıçta, eldeki haritaların bilgisayarda
tutulabilmesi için amaçlanmış, daha sonraları ise grafik ve grafik olmayan bilgilerle,
bunlara ait sözel ve sayısal diğer bilgileri bir arada tutma, aynı anda sorgulayıp, analiz
edebilme gücüne ulaşmıştır [27].
Uzaktan algılama teknolojisine ait önemli uygulamalar aşağıdaki gibi sıralanabilir [27].
1. Çevresel değerlendirme ve görüntüleme (yerleşim alanlarının büyümesi, tehlikeli
atıklar)
2. Küresel değişimin belirlenmesi ve görüntülenmesi (atmosferik ozonun azalması,
ormanların azalması, küresel ısınma)
3. Tarım (ürün durumu, ürün tahmini, toprak erozyonu)
4. Yenilenemeyen kaynakların araştırılması (mineraller, petrol, doğalgaz)
5.Yenilenebilen doğal kaynaklar (sulu alanlar, araziler, ormanlar, okyanuslar)
6
6. Meteoroloji (atmosfer dinamikleri, hava durumu tahmini)
7. Haritacılık (topografya, arazi kullanımı, mühendislik)
8. Askeri gözetim ve keşif (stratejik politikalar, taktik değerlendirmesi)
9. Kitle iletişim araçları (örnekler, analizler )
Uzaktan algılamanın tarihsel konumlaması ise şu şekilde gerçekleşmektedir;
4 Ekim 1957 tarihinde Sovyetler Birliği iyonosfer üzerinde bilimsel araştırmalar yapmak
üzere ilk uyduyu fırlatmıştır. Uyduya, “seyahat eden” anlamına gelen “Sputnik” ismini
vermişlerdir.
3 Kasım 1957 tarihinde de Sputnik 2’yi fırlatmışlardır. ABD ise “Vanguard Projesi”
altında bilimsel uydu programı çalışmalarına devam etmekteydi, fakat henüz bir uydu
fırlatamamıştı [29].
1 Ocak 1958 tarihinde NASA’nın kurulmasından sonra ABD uzay araştırmaları
çalışmalarına hız vermiştir. O yıllarda Sovyetler Birliği-ABD arasındaki uzay araştırmaları
rekabeti sonucunda, gerek uzay araçlarının geliştirilmesinde gerekse de yeni bilgilerin
insanlığa sunumunda çok kısa sürelerde çok büyük ilerlemeler kaydedilmiştir.
31 Ocak 1958 tarihinde “Army Ballistic Missile Agency-Ordu Balistik Füze Kurumu”
tarafından ismi “Explorer” (Kâşif) olan ve önemli bilimsel görevleri üstlenecek olan ilk
Amerikan uydusunun geliştirilmesine başlanmıştır
7 Ağustos 1959 tarihinde Goddard laboratuarının çalışmaları öncülüğünde fırlatılan
“Explorer-6” isimli uydu, dünyanın uzaydan ilk görüntüsünü çekmiştir
1960 yılında ise “Uzaktan Algılama”, (Remote Sensing) terimi literatüre girmiştir.
İlk uzaktan algılama uydusunun fırlatılışı 1972 yılındadır. Sonraları ismi Landsat-1 olarak
değiştirilen “Earth Resources Technology” (Yeryüzü Kaynakları Teknolojisi) uydusunun
1972 yılında California’daki üssünden fırlatılmasından sonra uzaktan algılama
uydularının kullanılması hız kazanmıştır [30]. Landsat serisi uyduların en sonuncusu
olan Landsat-7 1999 yılında fırlatılmıştır.
1972 yılından bugüne kadar sürekli gelişen uzaktan algılama uydularının teknolojileri
paralelinde, uydulardan elde edilen görüntülerin çözünürlüğü ~ 50 cm. kadar
7
yükselmiştir. Bu kadar yüksek çözünürlüğe sahip uydu görüntüleri birçok doğal/yapay
obje ve canlının görüntülenmesine olanak tanımaktadır. Uydu görüntülerinin sayısal
ortamda kolay işlenebilmesi, hızlı ve ekonomik olması, görüntü çözünürlüklerinin
yüksek olması, Coğrafi Bilgi Sistemlerine veri sağlamada yoğun olarak kullanılması gibi
üstünlüklerini gören diğer ülkeler de ilerleyen yıllarda kendi uydularını fırlatmıştır. Bu
uyduların isimleri ve fırlatılış tarihleri Çizelge 2.1‘de belirtilmiştir [31].
Çizelge 2.1 Satellite Encyclopedia(2006)
Çizelge 2.1 görüldüğü gibi en eski ticari uydu Landsat uydusudur ve aynı zamanda hala
görüntüleri ile bu tür çalışmalara kaynak teşkil etmektedir.
Yeryüzünün uzaydan incelenmeye başlanması, fotoğrafın keşfinden ve havadan
uzaktan algılamadan sonra, doğal olarak insanoğlunun uzaya da adım atması ile
8
olanaklı hale gelmiştir. Uzaya açılmanın ilk adımı Sovyet Rusya’nın 1957’de fırlattığı
Sputnik1 uydusu ile atılmıştır. Bu adımla sahnelenen ve liderliğini A.B.D.’nin yürüttüğü
uzay çalışmaları, yılında Landsat1 uydusu ile özel anlamda Yer gözlem amaçlı uzaydan
uzaktan algılama dönemini başlatmıştır. Bugün ABD ve Rusya’nın dışında, başka birçok
ülkenin Yer gözlem uydusu bulunmaktadır [6].
Uydu görüntülerinin başlıca özelliği, hava fotoğraflarına oranla çok geniş yeryüzü
alanlarını kaplaması ve topografyaya ilişkin büyük çapta konumsal veri içermesidir.
Uydu görüntülerinin Sayısal Coğrafi Veri Tabanları ve CBS içindeki etkinliği ve kullanım
oranı her gün hızla artmaktadır [32].
Uydu sistemlerini şu şekilde sınıflandırabiliriz;
(1) Birinci kuşak uydu görüntüleri (1970-1982),
(2) İkinci kuşak uydu görüntüleri (1982-1997),
(3) Üçüncü kuşak uydu görüntüleri (1997 ve sonrası).
Birinci Kuşak Uydu Görüntüleri (1970-1982) içeriğinde tanımlanan uydular arasında en
önemlileri; LANDSAT-1, 2 ve 3, Uzay Laboratuarı (Skylab) ve Soyuz uyduları sayılabilir.
Gerçekte bu uyduların temel amacı, üzerindeki algılayıcılar aracılığıyla elde edilen
görüntülerle, yeryüzünün küçük ve orta ölçekli haritalarını üretmektir [33].
İkinci Kuşak Uydu Görüntüleri (1982-1997) içeriğinde tanımlanan uydular, LANDSAT-4
ve 5, SPOT-1, 2 ve 3, Uzay Mekiği, Soyuz, Salyut ve vb. uyduları sıralanabilir. Özellikle
1/50.000 ile 1/100.000 ölçekli haritaların üretimini ve güncelleştirilmesini hedefleyen
bu uydulara ait görüntülerde, birinci kuşak uydu görüntülerine oranla büyük gelişmeler
meydana gelmiştir [34].
Üçüncü Kuşak Uydu Görüntüleri (1997 ve sonrası) kapsamında ele alınan uydular;
IKONOS, EarlyBird, QuickBird, LANDSAT-7, SPOT-5, IRS-1C, ASTER uyduları sıralanabilir.
Özellikle 1/10.000 ile 1/25.000 ölçekli haritalar, bu uydu görüntüleri ile
üretilebilmektedirler. Çözünürlüklerin bu kuşak uydularda 1 metreye kadar
9
düşürülmesi en büyük etken olarak görülmektedir. Ayrıca, tarayıcı bant sayılarındaki
büyük artış bu kuşak uyduların gelişmesini sağlamıştır [33].
Landsat1’in fırlatılmasının üzerinden sadece 36 yıl gibi kısa bir süre geçmiş olmasına
karşın, Yer gözlem amaçlı uzaktan algılama alanında baş döndürücü gelişmeler
olmuştur. Örneğin Landsat1’in 80 m ile başlattığı görüntü çözünürlüğü, günümüzde 0,5
m’ye yükseltilmiştir ve bir iki yıl gibi yakın gelecekte de 0,25 m’ye kadar
yükseltilecektir. Uzaydan uzaktan algılamayı bir sistem olarak düşünürsek, bu sistemin
ögeleri algılama platformları, algılayıcı gereçler, algılar (görüntüler), algıların yere
iletilmesini sağlayan alt sistem, alıcı yer istasyonları ve algıları değerlendirme uzmanları
olarak sıralanabilir. [6].
Değişik ortamlarda üretilen bilgilerin, bir veritabanında sayısal olarak saklanması ve
ilgili koordinattaki ait olduğu eleman ile ilişkilendirilmesi, UA ve CBS çalışmasının temel
mantığını oluşturmaktadır. Böylelikle, verilerin birbiri ile olan konumsal ilişkisi
değerlendirilebilmekte, koordinat, alan, uzunluk gibi coğrafi bilgilere ulaşılabilmektedir.
Kullanılan veriler içindeki tüm elemanların öznitelik ve konumsal bilgilerinin tamamının
aynı anda değerlendirilmesi sayesinde, görsel yorum ve analiz yapılabilmektedir.
Gerekli görüldüğünde modelleme çalışmalarına altlık olacak sayısal haritalar
üretilebilmektedir [35].
2.1 Elektromanyetik Spektrum
Günümüzde uzaktan algılama verisi, kameralar ve algılayıcılar ile donatılmış uçaklar,
insansız hava araçları ve uydular tarafından sağlanmaktadır. Kameralar ve algılayıcılar
görüntüyü elektromanyetik spektrumun belirli alanlarında yeryüzünden yansıyan ve
yayılan enerjiyi ölçerek oluştururlar. Elektromanyetik spektrum en yalın şekliyle çeşitli
dalga boylarındaki radyant enerjiyi içeren ve bu radyant enerjinin elektromanyetik
dalgalar halinde serbestçe hareket ettiği bir ortam olarak tanımlanabilir [36].
10
Şekil 2.1 Elektromanyetik Spektrum
Uzaktan algılama yoluyla elde edilmiş görüntüler yeryüzüne ait birçok bilgiyi içinde
barındırır. Bu bilgiler yeryüzünden yansıyan elektromanyetik enerjinin uyduların
alıcıları tarafından algılanarak çeşitli bantlarda kaydedilmesi yoluyla toplanır. Kanal
olarak da nitelendirilebilen bant, yansıyan ışığı veya yayılan ısıyı (mavi, yeşil, kırmızı,
kızıl ötesi, termal v.b. ) gösteren elektromanyetik tayfın özel bir kısmına ilişkin veri
dosyası değerlerinin tamamına verilen isimdir. Piksellerin bir araya gelmesinden
bantlar, bir veya daha fazla bandın bir araya gelmesinden görüntüler oluşmaktadır. Her
bir bantta o bandın spektral alanına ait yansıma değerleri bulunur. Birden fazla bant bir
araya gelerek bir görüntü oluşturabildiği gibi, tek bir banttan oluşan görüntüler de
mevcuttur [37].
2.1.1 Ayırma Gücü (Çözünürlük)
Çözünürlük, bir görüntüleme sisteminde kayıt edilen detayların ayırt edilebilirlik
ölçüsüdür. Uydu görüntüleri için dört farklı çözünürlük tanımlanmaktadır. Bunlar;
radyometrik çözünürlük, spektral çözünürlük, uzaysal çözünürlük ve zamansal
çözünürlüktür.
2.1.2 Radyometrik Çözünürlük
Radyometrik çözünürlük, algılayıcının gri ton değer farklılıklarına olan hassasiyetini
belirtmektedir.
Bir
görüntüleme
sisteminin
radyometrik
çözünürlüğü,
enerji
farklılıklarını ayırt edebilme yeteneğini gösterir. Başka bir deyişle radyometrik
çözünürlük, elektromanyetik enerji miktarı karşısındaki duyarlılık olarak tanımlanabilir.
11
1
2
Şekil 2.2 Aynı bölgeye ait 2 bitlik görüntü (1) ile 8 bitlik görüntü (2)
Aynı bölgeye ait 2 bitlik* görüntü (1) ile 8 bitlik görüntü (2) karşılaştırıldığında,
radyometrik çözünürlükle ilişkili olarak detay ayırt etme düzeyindeki fark göze
çarpmaktadır (Şekil 2.2). Buna göre 8 bitlik görüntüde (2), radyometrik çözümleme
nedeniyle 2 bitlik görüntüye (2) nazaran çok daha fazla detayı ayırt etmek mümkündür.
2.1.3
Spektral Çözünürlük
Spektral çözünürlük algılayıcının duyarlı olduğu dalga boyu aralıkları ile ilgilidir. Spektral
çözünürlüğün iyi olması, bir kanal ya da bandın algıladığı dalga boyu aralığının küçük
olduğunu gösterir. Örneğin; Landsat TM sensorunun birinci bandı (band1) görünen ışık
bölgesinde ve 0.45 μm - 0.52 μm dalga uzunlukları arasındaki enerjiyi kaydetmektedir.
12
Enerjinin kaydolduğu belirli bir bantta, iki dalga uzunluğu arasındaki fark yüksek ise
spektral çözünürlük düşük, az ise spektral çözünürlük yüksektir.
Şekil 2.3 Aynı alana ait farklı spektral çözünürlükte görüntüler
2.2 Mekânsal Çözünürlük
Mekânsal çözünürlük, dijital görüntüler için genellikle görüntü hücresinin zemindeki
boyutları olarak açıklanabilir. Sensorun tasarımına ve yüzeye olan mesafesine ilişkin bir
fonksiyondur. Algılayıcıdaki detektörlerin her biri yeryüzünün belirli bir parçasından
gelen enerjiyi ölçerler. Bu parçalar ne kadar küçük olursa görüntüden elde edilecek
mekânsal bilgi de o kadar ayrıntılı olacaktır.
2.3 Zamansal Çözünürlük
Yeryüzündeki nesnelere ait fiziksel özellikler, bu özelliklerin gözlenebileceği en uygun
zaman aralıkları içerisinde bir takım değişimlere maruz kalacaklardır. Uygun zaman
aralığı, yıl, mevsim, birkaç gün veya hafta olabilmektedir. Hele bazı uygulamalar için
uzaktan algılama sonucu elde edilmiş verilerde zaman aralığı daha da önemli bir unsur
olmaktadır. Örneğin ürün büyüme ve gelişimini izlemede, önceden belirlenmiş kısa
zaman aralıklarında görüntü elde etmek büyük önem taşımaktadır. Ancak bir yerleşim
yerinin gelişiminin araştırılmasına yönelik bir çalışmada ise bu süre, bir yıl veya daha
fazla bir zaman aralığı olabilmektedir. Ürün rekolte tahmini, yerleşim yerlerindeki
gelişim, hidrolojik değişim, deprem, deniz taşımacılığı, ekili alan izlenmesi gibi önemli
13
dinamik olayların algılanmasında, zaman faktörü çoğu kez anahtar rol oynamaktadır
[38]. Kıyı değişiminin incelenmesinde verilerin değerlendirilmesi için kullanılan en
önemli yöntem olan Uzaktan Algılama işlemi iki temel aşamadan oluşur. Bunlar "Veri
Elde Etme" ve "Veri İşleme" dir [39].
Şekil 2.4 Uzaktan algılamanın bileşenleri [40].
2.4 Verinin Elde Edilmesi
2.4.2 Enerji Kaynağı: Hedefe bir kaynak tarafından enerji gönderilmesi gerekmektedir.
Bu kaynak, hedefi aydınlatır veya hedefe elektromanyetik enerji gönderir [39].
2.4.2 Işınım ve Atmosfer: Enerji, kaynağından çıkarak hedefe doğru yol alırken
atmosfer ortamından geçer ve bu yol boyunca bazı etkileşimlere maruz kalır [39].
2.4.3 Hedef ile Etkileşim: Atmosfer ortamından geçen elektromanyetik dalga hedefe
ulaştığında, hem ışınım hem de hedef özelliklerine bağlı olarak farklı etkileşimler oluşur
[39].
2.4.4 Enerjinin Algılayıcı Tarafından Kayıt Edilmesi: Algılayıcı, hedef tarafından yayılan
ve saçılan enerjiyi algılar ve buna ilişkin veri kayıt edilir [39].
14
2.4.5 Verinin İletimi, Alınması ve İşlenmesi: Hedeften toplanan enerji miktarına ait
veri algılayıcı tarafından kayıt edildikten sonra, görüntüye dönüştürülmek ve işlenmek
üzere bir uydu yer istasyonuna gönderilir [39].
2.5 Verinin İşlenmesi
2.5.1 Yorumlama ve Analiz: Görüntü görsel, sayısal ve elektronik işleme teknikleri ile
zenginleştirilir, analiz edilir ve nicel sonuçlar elde edilecek veriye sahip olunur [39].
2.5.2 Uygulama: İşlenmiş veriden bilgi çıkarılır, bazı sonuçlara ulaşılır. Ayrıca elde
edilen sonuçlar, başka veri kaynakları ile birleştirilerek kullanılabilir [39].
Kıyı çizgisi değişimi incelenirken kullanılan en önemli yöntem olan Uzaktan algılama
(UA) yöntemini de açıkladıktan sonra kıyı çizgisinde değişimin nedenlerini araştırılırken
nelere dikkat edilmesi gerektiği ile ilgili öncelikleri de şu şekilde sıralanabilir [41].
- Katı madde taşınımı
- İklim ve su seviye değişimleri
- Jeomorfolojik değişim
- Zirai bulgular
- Tarihi veriler
- Suni yapılar
- Önceki çalışmaların değerlendirilmesi
- Hava fotoğrafları ve uydu görüntüleri
2.6 Uydu görüntüleri
Dünya çevresinde farklı kullanım amaçlarına yönelik; farklı teknik özellik ve çözünürlük
de uydu sistemleri mevcuttur. Günümüzde haritacılık ve uzaktan algılama alanında
yoğun olarak bu uydu sistemleri kullanılmaktadır. Bu uydu sistemlerinin konumsal
çözünürlükleri çoğunlukla 1 km ile 1 metre, radyometrik çözünürlükleri 3 bit ile 12 bit
ve zamansal çözünürlükleri 1 gün ile 40 gün arasında değişmektedir [41].
15
Şekil 2.5 Uyduların çalışma şeması (Google image, 2009)
Uzaktan algılamada uydu, cisimler tarafından yansıtılan veya yayılan elektromanyetik
radyasyonun, uzaya yerleştirilen platformlar (uydu) üzerinde bulunan radyometreler
tarafından ölçülmesine (pasif algılama) ve radar (aktif algılama) sistemlerine dayanır.
Dünya çevresindeki yörüngesinde hareket ederken, algılayıcıları tarafından kaydedilen
verileri belirli aralıklarla yer istasyonlarına gönderir. Uydudan elde edilen görüntü bir
kamera ya da filmden elde edilmiş fotoğraf değildir. Uydular, görüntüleri, algılayıcıları
sayesinde sayısal olarak elde ederler. Çalışma şekli olarak günümüzde kullanılan sayısal
kameralarla aynı prensiplerde çalışmaktadırlar. Uydu, yeryüzünden ve onun üstündeki
cisimlerden gelen elektromanyetik enerjinin miktarını ölçen binlerce küçük alıcılardan
oluşmuştur. Bunlar spektral ölçümler olarak adlandırılır. Her spektral yansıma değeri
sayısal bir değer olarak kaydedilir. Bu sayılar dünyaya geri gönderilerek bilgisayarlar
tarafından sayı dizilerine çevrilir, sıra ve sütunlar bir gri renk değerine denk gelen sayı
ile ifade edilir. Kısaca, sayılar küçük resim elemanlarına çevrilirler ve bir araya
geldiklerinde görüntünün tamamını oluştururlar. Sayısal görüntüyü oluşturan resim
elemanlarına piksel adı verilir. Her piksel, alandan gelen ortalama ışınımı veren bir
sayısal değer olarak gösterilir. Bu sayısal değerler genellikle 0-255 arasındadır [39].
16
Şekil 2.6 Yeryüzünden alınan bilgilerin, bilgisayarda sayısal olarak ifadesi
Nicelik ve niteliklerinin belirlenmesinde yaygın olarak kullanılan bazı uydular ile yeni
kuşak yüksek çözünürlüğe sahip en çok kullanılan bazı uydular ve özellikleri şu şekilde
özetlenebilir [39];
2.6.1 Spot
Spot uydusu Fransız Uzay Merkezi (CNES) tarafından planlanarak Fransa, Belçika ve
İsveç tarafından üretildi. İlk kez 22 Şubat 1986’da işlev kazandı. SPOT1 uydusu da
Landsat uyduları gibi kutup doğrultusuna yakın, güneşle eş zamanlı 98,7 derece eğimli,
yer yüzeyinden 832 km yükseklikte bir yörüngeye sahiptir. İki farklı modda çalışan
yüksek çözünürlüklü iki görüntüleme cihazına (HRV) sahiptir. Çok bantlı spektral modu
(MSm) 20*20 m2 geometrik çözünürlüklü tayfın yeşil (.50-.59 μm), kırmızı (.61-.68 μm)
ve yakın kızılötesi (.79-.89 μm) bölümünü kaplayan 3 banttan oluşur. Pankromatik
(siyah-beyaz) modu sadece görünür bölgeyi örten tek bant (.51-.73 μm) ve 10*10 m2
yüksek geometrik çözünürlüğe sahiptir. Her iki algılayıcı seti birlikte aralarında 3 km’lik
örtme bulunan 117 km’lik tarama genişliğini kapsamaktadır [42].
Pankromatik görüntüler düşük spektral çözünürlüğünden dolayı bitki haritalaması için
iyi bir seçim değildir. Bununla birlikte, SPOT pankromatik görüntüleri, yollar, keskin
sınırlar, kaya çıkıntıları, havza alanları ve diğer yüksek kontrastlı özelliklerin
17
haritalanması için çok iyi bir seçimdir. Patika yolları veya daha küçük yüksek kontrastlı
özelliklerin haritalanmasında küçük ölçekli renkli uydu görüntüleri yerine büyük ölçekli
hava fotoğrafları tercih edilmelidir. Çok bantlı görüntünün nem ya da gölge ilişkili
özelliklerin haritalanmasında önemli olabilen orta kızılötesi bantları yoktur. Ayrıca
SPOT verisinde ısı bölgelerinin haritalanması gibi bazı uygulamalarda önemli olan
termal bant bulunmamaktadır. Çizelge 2.2’de SPOT uydu sisteminin özellikleri
gösterilmektedir [43].
Çizelge 2.2 SPOT görüntüsünün özellikleri [43]
2.6.2 IRS
Hindistan uzaktan algılama uyduları sistemi IRS’nin bir parçası olarak IRS- 1C uydusu,
28 Aralık 1995'te bir Rus roketi ile başarılı bir şekilde kutupsal yörüngeye
oturtulmuştur. Ocak 1996'da ilk görüntüler alınmaya başlanmıştır. IRS-1D ise 29 Aralık
1997'de kutupsal yörüngeye başarılı bir şekilde oturtulmuş olup 1997'nin Ekim'inde
çalışmaya başlamıştır. IRS-1C dairesel, güneş uyumlu, kutuplara yakın yörüngede 98,69
derecelik bir eğimle ve 817 km’lik bir yükseklikte yeryüzünü hemen hemen sabit bir ışık
altında görüntüleme yapacak şekilde yörüngeye oturtulmuştur. Günde 14 dönüşüm
yapılmaktadır. Dünya etrafındaki bir dönümü 101.35 dakika sürmektedir. Yeryüzü
18
üzerinde aynı noktadan 24 günde bir geçer, buna “çevrim” denir. IRS-1C ve 1D'nin
birbirinden biraz farklı yörüngeleri vardır [44].
Çizelge 2.3 IRS 1D uydu özellikleri [44].
2.6.3 İkonos
Dünyanın ilk ve yüksek çözünürlüklü ticari uydusu olan Ikonos -1 29 Nisan 1999 yılında
fırlatılmıştır. Fakat roketin istasyondan planlanan süreden 4.5 dakika geç ayrılması
sonucu uydu gerekli hıza ulaşamamış ve yörüngeyi yakalayamamıştır. Ikonos -1 uydusu
Güney Pasifik Okyanusuna düşmüştür. İkinci uydu Ikonos-2 adıyla 24 Eylül 1999'da
fırlatılmıştır. Pankromatik ve çok spektrumlu görüntülerin birleştirilmesi ile "pansharpened" görüntüler elde edilir. Bu durumda pankromatik bandının geometrik
çözünürlüğü ve çok spektrumlu bantlarının spektral çözünürlüğü birleştirilmiş olur [43].
SpaceImaging firması tarafından (orbimage firması ile birleşip şu an Geoeye olarak
devam etmektedir) yörüngeye gönderilmiş olup 1m siyah/beyaz (PAN) 4m renkli 4
farklı dalga boyunda görüntü alabilmektedir. Sağlanan görüntüler 11 bitlik radyometrik
19
çözünürlüğe sahiptir (0-2047 farklı gri parlaklık seviyesi). 1:5.000 hassasiyetinde veri
üretilebilmektedir [45].
Çizelge 2.4 Ikonos yörüngesinin özellikleri [44].
Ikonos GEO ürünüdür ve bantlar 4 Bant 4 Dosya şeklindedir. Yani her bant ayrı GeoTIFF
dosyasıdır. Çizelge 4.5’de gösterilen GEO ürünler daha önceden belirlenmiş bir elipsoid
ve harita projeksiyonuna gore geometrik olarak düzeltilmiş ve rektifiye edilmiştir.
Rektifikasyon işlemi görüntüdeki hataları düzeltir ve belirlenen harita projeksiyonuna
göre yeniden örnekler (resampling). Bu ürün topoğrafyadan kaynaklanan ötelemeler
hariç ± 15 m (RMSE) standart yatay doğruluğa sahiptir [46].
20
Çizelge 2.5 Ikonos GEO ürün seçenekleri Çizelgesi [46].
Ikonos uydu görüntüleri, şehir planlama, arazi kullanımı ve analiz çalışmaları,
haritacılık, tarım, ormancılık, maden aramaları, kamu kurumları (elektrik, telefon 13
şirketleri vb.), çevre çalışmaları, ulusal güvenlik ve telekomünikasyon, nakliye sistemleri
ve acil yanıt sistemleri gibi uygulamalarda kullanılmaktadır [43].
2.6.4 Earth Observing–1
NASA tarafından yeni bin yıl projesi (NMP) kapsamında Lantsat 7 ETM+ uydusunu 1
dakika geriden aynı rota üzerinde takip edecek biçimde tasarlanmıştır. Dünya gözlem
1( Earth Observing–1) adı verilen uydu 21 Kasım 2000 tarihinde yörüngeye
oturtulmuştur. Uydu Landsat 7 ETM+ uydusu ile benzer özelliklere sahip 7 band
spektral çözünürlük, 30m*30m multispektral ve 10m*10m pankromatik yersel
çözünürlüğe sahip ALI ( Advanced Land Imaging; ileri arazi görüntüleme ) algılayıcısı,
0,4 – 2,4 μm dalga boyları arasında 10 nm aralıkla yeryüzeyinden yansımaları 220 band
spektral 30m*30m yersel çözünürlükle kaydeden Hyperion (hyperspektral) algılayıcısı
ile 0,4 – 2,4 μm dalga boyları arasında 2–6 nm aralıkla yeryüzeyinden yansımaları 256
band spektral 250m*250m yersel çözünürlükle AC (Atmospheric Corrector; Atmosferik
düzeltici) algılayıcısı taşımaktadır [26].
21
2.6.5 QuickBird
QuickBird uydusu, Digital Globe firması tarafından 18 Ekim 2001’de Kaliforniya’daki
Vendenberg Hava Kuvvetleri’nde bulunan Boeing Delta II fırlatma aracından
fırlatılmıştır. Uydu bir metrenin altında konumsal çözünürlükte veri elde edebilen ve
mevcut ticari uydular arasında en genis kaplama alanına sahip ilk uydudur. Uydunun
bulunduğu alçak yörünge yüksekliği ve artırılmış hızı, görüntünün doğruluğunu ve
netliğini olumsuz yönde etkilemediği gibi alçak yörünge yüksekliği, yer konum
doğruluğunu (geolocation accuracy) artırmaktadır. Günün herhangi bir saatinde
dünyanın herhangi bir yerine ait görüntülerin alınması mümkündür. Gün boyunca
yaklaşık olarak 900 görüntü alımı gerçekleştirebilmekte ve yaklaşık olarak 137 GByte
veri toplayabilmektedir. 17 km x 17 km’lik görüntüyü yaklaşık 4 saniyede çeken
QuickBird 2 uydusu 2003 yılından itibaren stereo görüntü (in-orbit stereo pairs)
çekimine de imkân vermektedir (URL,1). Çizelge 2.6’de QuickBird uydusu teknik
özellikleri verilmiştir [44].
Çizelge 2.6 QuickBird uydusu teknik özellikleri [44].
22
QuickBird 2 bir görüntüyü (17km. x 17km.) kabaca 4 saniyelik bir sürede çekmektedir.
Ayrıca uydunun bulunduğu alçak yükseklik ve arttırılmış hızı, görüntünün doğruluğu,
berraklığı gibi etkenleri eksi yönde etkilememekle beraber alçak yükseklik, jeolokasyon
doğruluğu (geolocation accuracy) arttırmaktadır. QuickBird 2, 2003 yılından itibaren
stereo görüntü (in-orbit stereo pairs) çekimine de imkân sunmaktadır [44].
2.6.6 ALOS (Advanced Land Observing Satellite, 2.5-10 m)
Japon Uzay ajansı (JAXA) tarafından 26 Ocak 2006 da yörüngeye gönderilmiş olup
üzerinde 3 farklı algılayıcı sistem barındırmaktadır. Bunlar 2.5 metre çözünürlüklü
stereo ve 3 lü çekim yapan PRISM (Panchromatic Remote-sensing Instrument for
Stereo Mapping, 35kmX35lm lik çerçeve genişliği), 4 farklı dalga boyunda 10 metre
çözünürlüklü çekim yapan AVNIR-2 (Advanced Visible and Near Infrared Radiometer
type 2, 70kmX70km lik çerçeve genişliğinde Radar verisi toplayan PALSAR (Phased
Array type L-band Synthetic Aperture Radar) dır. Bu uydu dünyanın her yerini yılda 3
dönem olarak programlayarak çekmektedir Bu durumda günümüze kadar ülkemizin
tamamını yaklaşık 9 dönem görüntülemiştir [45].
2.5 metre çözünürlüğünde stereo veya 3 farklı açıdan 35kmX35 km’lik çerçeveler
halinde veri sağlamaktadır. Bu Stereo veriler ile yatay ve düşeyde 1:10.000 ölçeğinde
arazi topografyası çıkarmak mümkündür. Yine PRISM ve AVNIR-2 verilerinin
pansharpened (karma) yapılması ile 2,5 metre çözünürlüklü renkli verisini elde etmek
mümkündür. Özellikle 1 metre altında yeni çıkan 60 ve 50 uydu verilerinin
ortorektifikasyonunda 1:25.000 ölçekli sayısal yükseklik modelleri yetersiz olmaktadır.
Böylesi hassas verilerin ortorektifikasyonunda sağlıklı sonuçlar alabilmek için gereken
hassas sayısal yükseklik modeli ALOS PRISM 2,5 metre stereo verilerinden elde edilecek
sayısal yükseklik modeli kullanılması yeterli olacaktır [45].
23
BÖLÜM 3
ÇALIŞMADA KULLANILAN VERİLER
3.1 Corona Uydusu
Resmi ve yerel kullanıcılar için yüksek çözünürlükte görüntü elde etme tamamen
geçmiş birkaç yıl içinde mümkün olmuştur. Ancak yüksek çözünürlükte görüntüleme
tekniklerinin kullanılması sadece yakın zamana ait bir durum değildir. Ağustos 1960’ta,
A.B.D. “Corona” adıyla bir uydu programı başlatarak bunu başarmıştır. Bu A.B.D.’nin ilk
keşif uydu sistemidir. Sovyetler Birliği, Çin ve Ortadoğu ile güneydoğu Asya arasındaki
diğer bölgeleri gözlemleyen Corona keşif uydusu 1972’de düşmüş ve görevini
tamamlamıştır [47].
Şekil 3.1 Corona Uydusu
24
Corona’nın keşif kameraları, anahtar deliği anlamındaki “Key Hole” kelimelerinin baş
harfleri olan “KH” ile isimlendirilmiştir. Üretilen ilk iki kamera, KH-1 ve KH-2, 1960 ve
1961 yılları arasında gerçekleştirdikleri beş başarılı görevden sonra düşürülmüştür.
Diğer Corona kameraları olan KH-3 (1961-1962), KH-4 (1962-1963), KH-4A (1963-1969)
ve KH-4B (1967-1972), Itek tarafından tasarlanmış, gözden geçirilmiş ve üretilmiştir.
Corona’nın gerçekleştirdiği 95 başarılı görevin çoğunda tasarımları çok benzer olan KH4, KH-4A ve KH-4B kameraları kullanılmıştır [48].
Çizelge 3.1 Corona uydusunun özellikleri
25
Corona keşif uyduları serisi Sovyetler Birliği, Çin ve Orta doğu ülkelerini kapsamaktadır.
1960’lı yıllarda gerçek zamanlı veri iletimi yeterince gelişmemiştir. Corona uydusunun
yeryüzünü resimlemesinde farklı bir yöntemi vardı.
3.2 Landsat Uydusu
NASA, ERTS (Earth Resources Technology Satellites) proje çalışmasına 1967 yılında
başladı. İlk aşamada, ERTS-1, 23 Temmuz 1972 yılında Thor-Delta roketiyle fırlatıldı ve 6
Ocak 1978 yılına kadar yörüngede kaldı. ERTS-2’nin 22 Ocak 1975 yılında
fırlatılmasından önce NASA, ERTS programını diğer bir planlanmış misyon olan “Seasat”
osinografi uydu programından ayırmak için programın ismini “Landsat” olarak
değiştirdi. Bu nedenle, ERTS-1, Landsat-1 olarak adlandırıldı ve tüm sonraki seri
uydularda Landsat ismini sırasıyla aldı. Landsat uyduları arasında 1-5 ve 7 misyonları
başarılı şekilde yörüngeye yerleştirilirken Landsat-6 görevini başaramadı.
Çizelge 3.2 Landsat misyonlarında kullanılan algılayıcılar [43]
Landsat uydularında üç adet görüntüleme sistemi kullanılmaktadır;
-MSS(Multispectral Scanner, Çok Bantlı Tarayıcı) sistemi
26
-TM(Thematic Mapper, Tematik Harita Yapımı) sistemi
-RBV (Return Beam Vidicon, Dönel Işıklı Kamera ) sistemi
3.2.1 RBV Sistemi: Aynı zamanda yeryüzünün aynı bölgesini 185kmx185km boyutunda
görüntülemeyi amaçlayan üç adet televizyon türü kameradan oluşmaktadır.
Kameraların arazideki ayırma gücü 80m‘dır. Elde edilen bantlar 1,2 ve 3. bantlardır.
Landsat-3 ‘te kamera sayısı ikiye indirilmiş olup, ayırma gücü 40m‘dır [49].
3.2.2 MSS Sistemi: İkisi görünen dalga bandında olmak üzere toplam dört bantta ve
185kmx185km genişliğinde görüntüleme yapan bir radyometredir. Döndürme yerine
salınan ayna sistemi kullanılmıştır. Bu ayna her 33 milisaniyede bir salınmaktadır. MSS,
uydusunun güneye doğru hareketi sırasında her satırı batıdan doğuya doğru artar [49].
3.2.3 TM Sistemi: Landsat 4 uydusu, Thematic Mapper TM ismi verilen yeni geliştirilmiş
çok bantlı bir algılayıcı taşımaktadır. TM, yedi çalışma bandına sahiptir. TM‘nin altıncı
bandı hariç diğerlerinin uzaysal ayırma gücü 30m‘dır. Altıncı bandı ise 120 m ayırma
gücüne sahip termal bir banttır [49].
3.2.4 TM Algılayıcı: Landsat 4 uydusu Thematic Mapper ismi verilen yeni geliştirilmiş
çok bantlı bir algılayıcıyı taşımaktadır. TM yedi çalışma bandına sahiptir. TM’nin altıncı
bandı hariç diğerlerinin uzaysal ayırma gücü 30m ‘dır. Altıncı bandı ise 120 m ayırma
gücüne sahiptir [49].
3.3 Landsat 1, -2, -3
Uydular yaklaşık 815 kg ağırlığında ve yaklaşık 900 km düzeyinde yörüngesel
yüksekliktedir. Yaklaşık 9° açıyla ekvatordan geçmektedir ve birbirini izleyen yörüngeler
ekvator'dan yaklaşık 2760 km uzaklıkta yer almaktadır. Algılayıcılar sadece 185km
genişliğinde uydu görüntüsü kaydettiğinden, aynı günde birbirini izleyen yörüngeler
arasında görüntü örtüsünde büyük boşluklar oluşmaktadır. Yörüngenin aynı noktadan
geçmesi 18 gün almaktadır. Bu nedenle, uydunun dünyayı 18 günde bir veya yılda 20
kez görüntüleme kapasitesi vardır. Landsat-1, -2, -3 içindeki MSS sistemi, 185 km
genişlikli taramada 4 bantı içermektedir: İki görünür bant (0.5-0.6 μm/yeşil ve 0.6-0.7
μm/kırmızı) ve iki yakın kızılötesi bant (0.7-0.8 μm ve 0.8-1.1 μm). MSS tarayıcısının
27
anlık görüş alanı (IFOV) karedir ve hücre boyutu yaklaşık 79m olan GSD üretmektedir.
Toplam görüş açısı yaklaşık 11.56°'dir. Sistemin dönel aynası her 33 milisaniyede bir
salınmaktadır. Bu tür bir düzenleme, her biri 6 detektörlü (her satır için bir adet) 11
dört adet dizini (her bir bant için bir adet) gerektirmektedir. Yer örnekleme aralığı 56 m
düzeyine elde edilebilmektedir. Bu durumda görüntü piksel boyutu, 56x79 m olmakta
ve her bir pikselin parlaklık değeri gerçekte 79x79 m'lik yer çözünürlük hücresinden
üretilmektedir. Sonuçta bir MSS görüntüsü; 2.340 tarama satırı, her satırda 3.240 piksel
ve haliyle bant başına 7.581.600 piksel içermektedir [43]. Landsat-1’in RBV sistemi, 23
Temmuz ve 5 Ağustos 1972 tarihleri arasında 1690 adet görüntü üretmiş ve bu süreçte
kayıt sistemindeki problemlerden dolayı sistem daha sonra kapatılmıştır. Landsat2’deki RBV arada sırada görüntü çekmiştir. Landsat-3’deki RBV sisteminin tasarımında
iki önemli değişiklik yapılmıştır. Sistem, multispektral algılama yerine tekil bantta
algılama yapmaktadır. Sistemin spektral algılama sahası ise 0.505’den 0.750 μm’ye yani
yesilden yakın kızılötesine kadardır. Ayrıca, kameranın uzaysal çözebilirligi, önceki
RBV’lerle karsılaştırıldığında yaklaşık 2.6 kat artırılmıştır. Yer piksel çözünürlüğünün
30m’ye düşürülmesi, kamera mercek sisteminin odak uzaklıgının iki misline çıkarılması,
pozlama sırasında görüntü yürümesini önlemek için poz zamanının azaltılması ve
önceki RBV sistemlerindeki spektral filtrelerin kaldırılmasıyla yeteri pozun korunması
sayesinde başarılmıştır. Odak uzaklığının iki katına çıkarılmasıyla yer örtü alanındaki
azalma sebebiyle iki kameralı yan yana konfigürasyon uygulanmıştır. Böylece,
183x93km’lik yeryüzü alanı görüntülenebilmiştir. Öyle planlanmamasına karsın,
Landsat 1, 2 ve 3’deki RBV sistemleri bu uydularda yer alan MSS sistemleriyle
karsılaştırıldığında ikincil bir veri kaynağı haline gelmişlerdir. Buna iki önemli faktör
katkıda bulunmuştur. İlk olarak, RBV’lerin işletiminde çeşitli teknik sorunlar
oluşmuştur. Daha önemlisi, MSS sistemleri sayısal formda multispektral veri üretebilen
ilk global uzaktan algılama sistemi haline gelmişlerdir. MSS verilerinin bilgisayar ile
islenebilmesi Landsat- 1, -2 ve -3 verilerinin kullanımına ivme vermiştir. Yeryüzünün
büyük bir bölümü bu uydulardaki MSS sistemleri tarafından görüntülenmiştir [50].
28
3.4 Landsat 4 ve 5
Landsat- 4 ve -5 önceki Landsat serisi uydulara benzer şekilde tekrarlı, dairesel, güneş
eş-zamanlı ve yakın-kutupsal yörüngelere yerleştirilmiştir. Ancak, bu yörüngelerin
yüksekliği 900km'lerden 705km'ye düşürülmüştür. Daha alçak yörünge, daha iyi yer
örneklemeli görüntülerin çekimine olanak vermiştir. TM, MSS ile karşılaştırıldığında
hem spektral bant sayısı hem de geometrik ve radyometrik açıdan çok daha üst düzeyli
bir algılayıcıdır. Dört adet bant yerine 7 adet spektral bandı vardır ve bantlar
spektrumun görünür (mavi), orta-kızılötesi ve termal kısımlarını içermektedir.
Geometrik açıdan TM, 30m çözünürlüklü veri (120m'lik termal bant hariç)
toplamaktadır. Böylece, yer piksel boyutu 2,6 kat azalmış, bu da jeodezik konum
doğruluğunu artırmıştır [43].
3.5 Landsat - 6
Landsat-6'nın 5 Ekim 1993 yılındaki fırlatımı başarısızlıkla sonuçlandı. Bu uydu, Landsat
-4 ve -5'in yörünge özelliğini içerirken algılayıcı olarak ETM algılayıcısını kullanmaktaydı.
Landsat- 4 ve -5 ile veri sürekliliği sağlamak için ETM, TM ile benzer 7 spektral bantta ve
eşit mekânsal çözünürlükte algılama yapacaktı. ETM'in TM ile karşılaştırıldığında artışı,
15 m GSD'li 0.50- 0.90μm arasında algılama yapan 8’nci bir bandı "pankromatik bant"
içermesiydi. Bu yüksek mekânsal çözünürlüklü pankromatik bant verisi, 15m
çözünürlükte renkli görüntü üretmek için ETM'in 30 m piksel boyutlu diğer bantlarıyla
pan-sharpening algoritmasıyla birleştirilebilecekti [43].
Şekil 3.2 TM algılayıcı elemanları [50]
29
3.6 Landsat 7 ve ETM+ uydu görüntülerinin özellikleri
Landsat 7 ETM+ uydusu diğer Landsat uydularından farklı olarak iki termal banda ve bir
pankromatik banda sahiptir. Landsat 7 ETM+ uydusunun bantlarının özellikleri ise
şöyledir;
Bant 1 / Blue - Mavi: Mavi renge, su yüzeylerine, nemli alanlara, H2O içeren
minerallere hassastır. Su yüzeylerinin tespiti, toprak ve bitkileri ayırt etmek, orman
tipleri belirlemek, yapay materyalleri tespit etmek gibi kullanım alanları vardır.
Bant 2 / Green - Yeşil: Yeşil renge ve bitkilere hassastır. Bitki örtüsü ve insan yapısı
materyallerin tespitinde kullanılır.
Bant 3 / Red- Kırmızı: Kırmızı renge, demir içeren minerallere hassastır. Bitkiler düşük
yansıma verirler, bundan dolayı çeşitli bitki türlerinin ayrılmasında, yapay materyallerin
tespitinde, jeolojik sınırların belirlenmesinde kullanılır.
Bant 4 / Near Infrared (NIR) – Yakın kızılötesi: Klorofile hassastır. Yoğun bitki
örtüsünün belirlenmesinde tarımsal bitki örtülerinin ayırt edilmesinde, toprak, yüzey
bitkileri ve su yüzeylerinin ayrılmasında kullanılır.
Bant 5 / Mid infrared (MIR) – Orta kızılötesi: Organik topraklardaki hidroksil iyonuna,
karbonatlı minerallere, bitkilerin içerdiği suya duyarlıdır. Jeolojik sınırların tespitinde,
tarımcılıkta kullanılır. Bulut, kar ve buzun görüntüde ayırt edilmesinde kullanılır.
Bant 6 / Thermal infrared (TIR) – Termal kızılötesi: Isıya duyarlıdır. Sıcak su kaynakları,
sudaki kirlenme, volkan araştırmaları, endüstriyel alanlar ve kirlilik tespitinde kullanılır.
Bant 7 / Shortwave infrared (SWIR) – Kısa dalga kızılötesi: Bazı minerallere vekile
duyarlıdır. Jeolojik sınır tespitinde kullanılabilir.
Bant 8 / Pankromatik: Renk hassasiyeti yoktur. Mekânsal çözünürlüğü diğerlerinden
fazladır [51].
30
Çizelge 3.3 Landsat-7 ETM+ algılayıcısının TM bantlarının özellikleri [52].
Landsat-7, 15 Nisan 1999’da yörüngeye yerleştirildi. Bu uzay aracı üzerindeki algılama
sensörü ETM+ dır ve bunun tasarımı Landsat-4 ve -5 ile veri sürekliliği sağlamaktadır.
Benzer yörünge ve 185km genişliğinde görüntüleme alanı algılanmaktadır. Ayrıca,
sistem pankromatik bantta 15m çözünürlük üretecek şekilde dizayn edilmiştir.
Görünür, yakın ve orta kızılötesi bölgedeki bantların resolusyonu 30m dır. Altıncı bant
(termal) ise 60m’dır. Bu değer ETM’nin termal bandında 120m’dir. Landsat-7
uydusundaki ETM+ tarayıcısı 31 Mayıs 2003 tarihinden itibaren oluşan arızadan dolayı
teknik problemler yasamaktadır. Arıza sonucu komsu tarama satırları arasında
bindirme ve boşluklar oluşmaya başlamıştır Bunlar, özellikle ETM+ görüntülerinin
kenarlarına doğru belirginleşirken, merkezi bölümdeki görüntü satırları giderek
kaybolmaktadır.
Eksik
kısımlar
farklı
tamamlanmaktadır [50].
31
tarihlerdeki
Landsat-7
görüntüleriyle
Şekil 3.3 Landsat Uydusu (Google Images 2009)
3.3 Aster Uydusu
ASTER uydusu, Japon Ekonomi-Ticaret ve Endüstri Bakanlığı (MITI) tarafından
Japonya’da gerçekleştirilmiş bir uydu sistemidir. Veri geçerliliği, kalibrasyon ve aygıt
dizaynından, ortak bir Amerikan-Japon Bilim Grubu sorumludur. ASTER, TERRA
platformu üzerine monte edilmiş tek yüksek çözünürlüklü uzaysal (spatial) aygıttır.
ASTER modülü, değişiklik tespiti (change detection), kalibrasyon/geçerlilik ve yeryüzü
çalışmalarında diğer TERRA aygıtları için yakınlaştırıcı mercek (zoom lens) olarak hizmet
etmesi yönünden önemli bir aygıttır. TERRA uydusu, 18 Aralık 1999 tarihinde Van Der
Berg Hava Üssü'nden (Kaliforniya) başarıyla fırlatılmıştır. Uydu üzerinde beş değişik
modül bulunmaktadır. Bunlar; ASTER, MODIS, CERES, MOPITT ve MISR’dir. ASTER, 24
Şubat 2000 tarihinde veri toplamaya başlamış ve 01 Aralık 2000 tarihinden itibaren
veriler kullanıma sunulmuştur [53].
Yeryüzünün kendine özgü kutuplarda basık, ekvator bölgesinde genişleyen yapısı
nedeniyle uydu yüksekliği enleme bağlı bir yapı göstermesine karşın, ortalama
32
yükseklik 705 km civarındadır. ASTER uydusu, tüm yeryüzünü görüntülemesi veya aynı
yerden ikinci kez geçişini 16 günde tamamlamaktadır. Uydu ömrü 6 yıl olarak
planlanmıştır. Uydunun elips yörünge düzlemi ile güneş arasındaki açı sabit olup
o
(98.9 ), ekvator düzlemini alçalma noktasında daima aynı zamanda (10:30 am) geçer.
Birbirine komşu yörünge izleri arasındaki mesafe ekvatorda 172 km’dir [54], [55].
ASTER modülü sayesinde, dünyanın 15 m pikselden 90 m piksele kadar ve 14 banttan
oluşan görüntüler elde edilebilmektedir. ASTER algılayıcısı üç alt sistemden
oluşmaktadır. Bunlar;
- VNIR: Görünür Yakın Kızılötesi,
- SWIR: Kısa Dalga Kızılötesi,
- TIR: Termal Kızılötesi.
Çizelge 3.4 ASTER uydu görüntüsünün band özellikleri
VNIR algılayıcısına görüntüdeki bozulmaları azaltmak için Nadir ve Back (geri) olmak
üzere iki bağımsız teleskop monte edilmiştir. VNIR, toplam 3 band (1-2-3N) ve stereo
görüntüleme özellikli 1 banda (3B) sahip olup, 0.52 μm - 0.86 μm dalga boyunda
33
algılama yapabilmektedir. Stereoskopik görüntü algılayıcısı tek yörüngedeki 3 band
algılayıcısını 27.6 derece geriye doğru (Şekil 3) görüntüleme yeteneğine sahiptir. Stereo
görüntülemede baz yükseklik oranı B/H = 0.6 dır. VNIR nadirden çapraza ± 24
o
görüntüleme kapasitesine sahiptir. Görüntüleme alanı 60 km x 60 km olup, görüntü
çözünürlüğü 30 metredir [54], [55].
Şekil 3.4 ASTER-VNIR stereo görüntüleme geometrisi [55]
SWIR algılayıcısı, 1.60 - 2.43 μm aralığında yeryüzünden yansımaları algılayan kısa dalga
kızıl ötesi optik bir algılayıcıdır. SWIR, toplam 6 banda (4-5-6-7-8-9) sahiptir. Görüntü
çözünürlüğü 30 metredir [55].
TIR algılayıcısı, 8.12 - 11.65 μm aralığında 5 ışınsal banda sahip bir algılayıcıdır. Termal
emisyon özellikleri ölçebilme yeteneği sayesinde; bu algılayıcı ile maden kaynakları,
kara ve deniz yüzeyini tanımlama ile atmosferik gözlemleri yapılabilmektedir. TIR,
34
toplam 5 banda (10-11-12-13-14) sahiptir. Görüntü çözünürlüğü 90 metredir. Gece ve
gündüz olmak üzere tüm gün veri elde etme özelliğine sahiptir [55].
3.4 Ortofoto Harita
Günümüzde, güncel haritalara olan gereksinim her alanda kendisini hissettirmektedir.
Hızla değişen dünyaya ait haritaların üretimi klasik yöntemlerle çok uzun zaman
almaktadır (Şekil 3.5). Bu klasik yöntemlere alternatif olarak, standart bir haritanın
doğruluk ve hassasiyet kriterlerini taşıyan ortofoto haritalar, birçok uygulama alanında
kendisini kabul ettirmektedir. (Şekil 3.5).
Şekil 3.5. Topoğrafik harita örneği
35
Şekil 3.6 Ortofoto harita örneği [56]
Ortofoto yaygın bir biçimde kullanılan fotogrametrik ürünlerdir. Yaygın bir biçimde
kullanılmalarının sebebi;
-üretim maliyetlerinin fotogrametrik harita üretimine göre daha düşük olması,
- görüntü formatında olmaları sebebi ile gösterimlerinin kolaylığı,
-ve son kullanıcılar tarafından sayısal fotogrametrik haritalarda olduğu gibi
sembolojilerin anlamlarının bilinmesi gibi harita kullanım bilgilerine ihtiyaç olmaması
nedeniyle kolay bir biçimde kullanılmalarıdır [56].
Bugün ortogörüntüler CBS’ inde bir katman olarak kullanılan oldukça popüler bir
fotogrametrik üründür. Bunun başlıca sebeplerini aşağıdaki şekilde sıralayabiliriz:
- Arazinin son durumunu gösteren güncel haritalara olan şiddetli gereksinim,
- Stereo değerlendirme yöntemi ile sayısal harita üretiminin yavaş olması ve üretim
sisteminin hızlandırılması gereksinimi,
- Yer bilimciler, tarımcılar, planlamacılar gibi harita kullanıcılarının çizgi haritadan daha
fazla veriye ihtiyaç duymaları. Haritanın geometrik doğruluğu ve bir fotoğrafın sunduğu
zengin bilgi içeriğinin aynı anda elde edilmesi gerekliliği,
- Topoğrafik ve çizgi harita üretiminde maliyet ve ekonomi açısından kartografik
çalışmaların azaltılması düşüncesi,
- Karmaşık arazi yapısı ve bitki örtüsünün haritada gösteriminde yaşanan güçlükler,
36
- Fotogrametrik yöntemle harita üretiminde ayrıntıların gösteriminde fotogrametri
operatörlerinin foto yorumlama yeteneğine dayanan nesnelerin seçimi ve gösterimi
yerine bütün ayrıntıların tümünün daha objektif bir biçimde sunumu [56].
Harita üretiminde, sağladığı hız, ekonomi, fazla bilgi içerme, çalışma kolaylığı gibi
üstünlükleri ile optimal yöntem olarak kabul edilen fotogrametriden yararlanılmalıdır.
Fotogrametrik uygulamalar içinde ise, ortofoto tekniği kent planlama hizmetleri
açısından biçilmiş kaftandır. Kadastral haritaların ortofoto ile bütünlenmesi mükemmel
bir altlık ortaya çıkarır. Günümüzde ve dışarda geniş uygulama bulan ortofoto tekniği
genel olarak: Harita üretimi (imar, kadastro, orman, ziraat, yol ve trafik konularında...),
harita revizyonu ve kent planlama hizmetlerinde kullanılmaktadır. Buna bağlı olarak
harita tanımı «Harita, yeryüzünün ölçekli bir manzarasıdır» şeklînde de yapılmaktadır
[57].
Ortofoto eğiklik dönüklük ve diferansiyel alanlarda yükseklik etkileri giderilmiş,
ölçeklenmiş, bir haritanın geometrik niteliklerine sahip yeniden örneklenmiş bir
fotoğraf, görüntü olarak tanımlanabilir. Bugün ortofoto ve ortogörüntü kavramları
birlikte kullanılmaktadır. Çünkü fotoğraflar CCD kameralar yardımıyla doğrudan sayısal
olarak kaydedilebilmektedir[56]. Ortofotoda arazinin fiziksel görünüşünün tümünün
ölçekli olarak var olması, planlamada büyük doğruluk, kolay, çabuk, seçmeli ve
karşılaştırmalı çalışma olanağı sağlar. Böylece yapı tekniği ve imar koşullarına uygun bir
düzenleme, taşınmaz malın ekonomik ve teknik bakımdan daha yararlı hale getirilmesi,
tahliye ve yıkma zorunluluklarının ve itirazların en aza indirilmesi sağlanır veya
kolaylaşır.
Çizgi
haritalarda
topografik
ve
planimetrik
ayrıntı
yeterince
gösterilememekte ve unutulabilmektedir. Fotoğraf veya foto-harita, haritası yapılacak
araziye ait zengin bilgi kaynağıdırlar [57].
3.5 Kullanılan Yazılımlar
Uydulardan elde edilen verilerin değerlendirilmesiyle çıkan sonuçlar, yeryüzünün
araştırılmasına büyük katkı sağlamaktadır. Bu katkının sağlanmasında insan faktörünün
yanında kullanılan yazılımlar da büyük önem taşımaktadır. Yazılımların önemi gerek
37
verilerin işlenmesine büyük hız kazandırmasına, gerekse çok büyük bir veri hacminin
depolanmasına yardımcı olmasında yatmaktadır [4]. Bu çalışmada, mevcut sayısal
görüntü işleme yazılımlarından biri olan geçici lisanslı ERDAS Imagine 8.6, lisanslı
eCognition 5.0 ve COAST-FIT [1] yazılımı kullanılmıştır.
3.5.1 Obje Temelli Bulanık Mantıkla Görüntü İşleme Yapan Ticari Yazılım
(ECOGNITION)
Ecognition yazılımının görüntü segmentasyonu algoritması, spektral ve mekânsal
ölçütlere göre, birbirine yakın özellikteki pikselleri olabildiğince homojen parçalar
olarak gruplandırmaktadır. Bu işlem sonucunda tek piksellerden oluşan görüntü yerine,
görüntü piksel gruplarından yani daha anlamlı nesnelerden oluşan bir görüntü ortaya
çıkmaktadır [58]. Ecognition yazılımı, görüntü bilgisinin nesne tabanlı işlenmesini
sağlayan segmentasyon ve sınıflandırma olanakları ile nesne tabanlı görüntü
sınıflandırma yaklaşımını gerçekleştirir. Ayrıca veri giriş çıkışı, vektörleştirme, çalışma,
bilgi ara yüzleri, doğruluk analizi ve istatistiği ile yaklaşımının bütünlüğünü sağlar.
Segmentasyon işleminin en önemli adımını başlangıç segmentasyonu oluşturur.
İstenilen herhangi bir çözünürlükteki segmentasyon ve ileriki sınıflandırma işlemi için
uygun görüntü nesne segmentleri oluşturulur. eCognition, nitelik bakımından iyi
segmentlerin oluşturulabilmesi için görüntü nesne primitifleri gibi yaklaşımları tam
olarak destekler. Bu sebeple eCognition, Definiens Imaging tarafından geliştirilen çoklu
segmentasyon adı verilen bir segmentasyon yöntemini kullanır [59]. Segmentasyon
işlemi bir amaç degil ileriki sınıflandırma işlemleri için bir araçtır. Obje tabanlı görüntü
analizinin temel işlemi niteliğinde olan segmentasyon işlemi, görüntü nesnelerinin
heterojenliğine bağlı olarak çoğu zaman ilgilenilen alanları veya nesneleri direkt olarak
çıkaramayabilir. İleriki sınıflandırma ve diğer segmentsayon işlemleri için bilgi taşıyıcılar
ve alt yapı taşları gibi davranan görüntü nesneleri, eCognition altında nesne tabanlı
görüntü analizinde görüntü nense primitiflerinden daha iyi yapıdadır. Bu sebeple, en iyi
segmentasyon sonucu, ileri segmentasyon ve sınıflandırma işlemleri için optimum bilgi
sağlayandır [44].
38
Şekil 3.7 Görüntü segmentasyonu ve anlamlı nesnelerin ortaya çıkması [58]
Segmentasyon aşamasında görüntü üzerinde bulunan her bir piksel görüntü üzerinde
bir nesneye hiyerarşik olarak bağlıdır. Bu hiyerarşi segmentasyon için hazırlanmış olan
algoritmada, değişkenlere bağlı olarak kurulur. Burada önemli olan uygun homojenliği
sağlayarak pikselden nesneye doğru, uygun yapıyı kurmaktır. Segmentasyon
aşamasında bunun için kullanılan değişkenler; ölçek, renk, biçim, yumuşaklık ve
bütünlük değişkenleridir. Bu değişkenlerin dahil olduğu bir fonksiyon yardımıyla
pikselden segmente ve buradan da daha büyük segmentlere doğru bir zincir yapı
kurulur. Şekil 3.8 ’de piksel ve nesneler arasındaki hiyerarşik yapı gösterilmektedir [58].
Şekil 3.8 Piksel ve nesneler arasındaki hiyerarşik yapısı [60]
39
eCognition ile gerçekleştirilen obje tabanlı görüntü analizi için çoklu segmentasyonda
optimum ham materyale ulaşabilmek adına aşağıda belirtilen özellikler dikkate alınır.
Bu özellikler çoklu segmentasyonun eCognition için geliştirilmesi aşamasında
tanımlanmıştır:
a. Bir segmentasyon aşaması, görüntü alanlarının optimum ayrımı ve sunumu için
homojenliği yüksek görüntü segmentleri üretmelidir.
b. Her görüntü analizi işlemi, özel bir veriye bağlı belirli bir uzaysal ölçekteki verilerle
uğraşırken, görüntü nesnelerinin ortalama boyutları ilgilenilen ölçeğe uygun olmalıdır.
c. Görüntü nesnelerinin özellikleri (gri değeri, doku, semantik yapı ve komşuluk
ilişkileri) az çok ölçek bağımlı olduğundan sadece benzer ölçekteki yapılar
karsılaştırılabilir kalitededir ve karsılaştırılabilir özellikler içerirler. Bunun için oluşan
sonuç görüntü nesneleri aşağı yukarı aynı değerde olmalıdırlar.
d. Segmentasyon aşaması evrensel olmalı ve çok sayıda farklı görüntü ve probleme
uygulanabilmelidir.
e. Oluşan segmentasyon sonuçları çoğaltılabilir nitelikte olmalıdır.
f. Yer gözlemleri, sık aralıklarla veri ürettiği için yapılan segtmentasyon işlemi
maksimum hızda olmalıdır.
Yapılan bir segmentasyon işleminin optimum düzeyde olduğunu değerlendiren en iyi
ve tecrübeli kaynak şüphesiz insan gözüdür. Bu sebeple segmentasyon sonucu (nicel
olarak çok iyi hesaplanmış olsa bile) insan gözünü yeterince memnun etmediği sürece
tam olarak anlamlı sayılmaz. Burada oluşan görüntü segmentlerinin görüntü nesneleri
ile benzer şekilde ve boyutta olması önemlidir. Ancak burada en az sınır yumuşatması
ile görüntü nesnelerinin üretilmesi için karışık ve dokulaşmış verideki spektral
homojenliğin ortaya çıkarılması oldukça zordur. Segmentasyonun uygulanmasında,
aşağıdaki parametreler olabildiğince gerçeğe yakın seçilmelidir [61].
Segmentasyon aşamasında kullanılan parametreler şu şekilde açıklanabilir;
• Ölçek parametresi (Scale Parameter): Ortalama nesne boyutunu dolaylı yoldan
etkileyen bu parametre, nesnelerin heterojenliğine izin veren maksimum değeri
belirler. Ölçek parametresi ne kadar büyürse nesneler de o kadar büyür [44].
40
• Renk / Biçim (Color / Shape):Bu parametrelerle renk ve biçim çatışmasının
homojenliğinin nesne üretimi etkisi düzeltilebilir. Biçim kriteri ne kadar yüksek olursa,
spektral homojenliğinin nesne üretimine etkisi daha az olacaktır [44].
• Yumuşaklık / Bütünlük (Smoothness / Compactness): Biçim kriteri 0’dan büyük
olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması
gerektiğine karar verebilir. eCognition yazılımında uygun nesneler belirlendikten sonra
sınıfların oluşturulması aşamasına geçilir. Gerçekte bir binayı temsil eden segment veya
segmentlerin, ilgili sınıfa dahil edilmesi için uygun fonksiyonlar belirlenir. Burada en
yakın komşuluk ilişkileri veya bulanık üyelik fonksiyonları devreye girer. Bu aşamada
dikkat edilmesi gereken husus, segmentlerin belirlenmesi aşamasında parametrelerin
uygunsuz seçilerek heterojenliğin artması ve segmentlerin birleşerek yanlış sınıflara
dâhil olmasıdır. Böyle problemlerle karşılaşmamak için olabildiğince gerçekteki yapıları
en az segmentle ifade edebilecek yapıyı oluşturmak bunun yanında heterojenliği de
dengede tutmak gerekmektedir [58]. Segmentasyon aşaması, tezde kullanılan
yazılımdaki en önemli işlemlerden biridir. Türetilmiş renk ve doku özellikleriyle
birleştirilmiş bu şekil, oluşturulan görüntü nesnelerini sınıflandırarak öncelikle
görüntünün sınıflandırılması için kullanılabilir. Bu yüzden sınıflar, bir sınıf hiyerarşisi
içinde düzenlenir. Her sınıf, bir alt sınıf ve üst (süper) sınıfa sahip olabilir ve böylece her
sınıf, bir veya daha fazla üst (süper) sınıfların özellikleri de alt sınıflarında
görülmektedir. Ortaya çıkarılacak nesnelerin çok ölçekli sonuçları göz önüne
alındığında küçük nesneler, anlamsal bir hiyerarşi oluşturan daha büyük nesneleri
yapılandırmak için birleştirilebilir [5].
Nesne analizinin iki ana yaklaşımına yönelen küçük nesnelere bölünebilir. Kullanılan
yazılım her iki yöntemde şu şekilde uygulanabilmektedir;
- Çoklu-çözünürlüklü segmantasyon işlemi kullanarak görüntü nesnelerinin hiyerarşik
yapısını oluşturulurken üst katmadaki görüntü segmentleri küçük nesneleri gösterirken
alt katta bulunanlar büyük nesneleri gösterilmesi,
- Nesnelerin fiziksel özelliklerine göre sınıflandırılması,
- Komşuluk ilişkilerine göre sınıflandırılması,
- Sınıflandırılmış nesnelerin anlamsal guruplar olarak birleştirilmesi.
41
Görüntü
sınıflandırılırken
belirli
özellikleri
göz
önünde
bulundurularak
sınıflandırılmalıdır. Bu özelliklerden en önemlisi objenin yapısal özellikleridir. Bir diğer
önemli özelliği ise sınıf ilişkileri özelliğidir. Bu özellikler Şekil 2.10‘de gösterilmektedir
[5].
Şekil 3.9 Görüntü nesnesinin Özellikleri [16]
Sınıf hiyerarşisi ölçeğe bağlı olarak nesnenin özelliğini yansıttığından, katman sınıflarını
yaratmak yararlıdır. Bu sınıflar, görüntü segmentasyonundan çıkartılmış katmanları
ifade ederler ve belirli bir katmana ait olduklarını belirterek tanımlanırlar. Sadece bu
katmanlarda beliren sınıflar, bu özelliği katman sınıflarından alırlar. Bu teknik
genellikle, sınıf hiyerarşisini yapılandırmaya yardım eder.
Kullanılan sınıf hiyerarşisinin bazı avantajları mevcuttur. Bu avantajları şöyle
özetleyebiliriz;
- Görüntü nesnelerine ait bilgi temeli mevcuttur.
- Hiyearaşik bir sınıf ağı bulunmaktadır.
- Sınıf tanımlamalarında kalıtımsal özellikler dikkate alınır.
- Sınıflar guruplandırılır.
- Karmaşık sınıflandırmanın formülasyonu bulunmaktadır.
- İlişkiler kolay tanımlanır.
- Diğer nesnelere çabuk ulaşılır [16].
42
Sınıf hiyerarşisi, sınıfların semantik gruplamasını destekler. Bu farklı özelliklerdeki
sınıfların, semantik anlamca üst bir genel sınıfa atanmasında kullanılabilir. Bu
bağlamda, üst sınıf, kendi açık sınıf tanımlamalarına ihtiyaç duymaz. Kentsel yeşil alan
ve kentsel geçirimsiz, örneğin kentsel sınıfı altında gruplandırılabilir. Bu durumun
kendine özgü bir avantajı, üst sınıfla olan kontekst ilişkileri tarif etmektedir: kentsel
sınıfı içinde olmak hem kentsel geçirimsizi hem de kentsel yeşili gösterir. Bunlara ek
olarak, sınıf hiyerarşisi, kalıtsal olarak sınıf tanımlamalarının, alt sınıflara geçmesini
sağlar. Örneğin yeşil alan gibi bir sınıf, sınıf tanımlamalarını, kentsel yeşil veya kırsal
yeşil gibi alt sınıflara kalıtsal olarak geçirerek değiştirilebilir. Bu bilgi tabanının şeklini
oluşturur yani, bir sınıfın tanımlamasının detay seviyesi arttıkça, hiyerarşi kolları
derinleşir. Bu imkânlarla, sınıf hiyerarşisi şaşırtıcı semantik zenginlikte, iyi kurulmuş bir
bilgi tabanının, etkin bir şekilde oluşturulmasını sağlar. Bulanık mantıkla birlikte bu
nesne tabanlı görüntü analizi yaklaşımına çok fazla güç katar. Burada dikkat edilmesi
gereken en önemli husus; sınıf hiyerarşisinin farklı bir şey olduğu ve görüntü nesnesi
hiyerarşisinden bağımsızlığıdır. Sonunda, nesnelerin şekilleri, sınıflandırmayla ve bilgi
tabanlı segmentasyonla geliştirilebilir. Genellikle bu yeni özellikli ve semantik ilişkili,
sırasıyla, yeni üretilen özelliklerine göre sınıflandırılan yeni nesnelere yol açar [60].
Obje temelli yöntem ile yapılan sınıflandırmanın en önemli özelliklerinden biri de
görüntüden nesne yakalanabilmesidir. Bunun için öncelikle görüntü analizi yapılmalıdır.
Görüntü analizi yapılırken kullanılan bilgiler kendi arasında pikseller ve nesneler olmak
üzere ikiye ayrılır. Piksellerde sadece renk ögesi kullanılırken nesnelerde; renk
istatisliği, şekil, boyut, doku ve içerik kullanılmaktadır. Bu sebeple obje temelli yöntem
nesneye dayalı sınıflandırmadır ve piksellere dayalı yönteme oranla çok daha sağlıklı
sonuçlar vermektedir. Şekil 3.10 ‘da bu çok daha ayrıntılı olarak görünmektedir;
43
Şekil 3.10 Ecognition ile nesneye dayalı sınıflandırma [16]
Sonuç olarak:
Şekil 3.11 Obje temelli sınıflandırma yönteminin Çalışma Özeti [16]
44
3.6 Kullanılan Uydu Verileri
Sunulan Alaçatı örneğinde kullanılan uydu verileri, Corona 1963, 1995 yılına ait 1:35
000 ölçekli hava fotoğrafı, Landsat 1997 ve Aster 2007’dir.Pankromatik Corona
görüntüsü 2.8 m, Landsat 1975 görüntüsünün 80 m , Aster 2007 görüntüsünün yersel
çözünürlüğü 15 m’dir.
Şekil 3.12 Alaçatı Körfezi Corona 1963 Uydu Görüntüsü
45
Şekil 3.13 Alaçatı Körfezi Landsat 1975 Uydu Görüntüsü
Şekil 3.14 Alaçatı Körfezi 1995 Hava Fotoğrafı
46
Şekil 3.15 Alaçatı Körfezi Aster 2007 Uydu Görüntüsü
47
BÖLÜM 4
ÇALIŞMA ALANI
İzmir ilinin, Çeşme ilçesine bağlı Alaçatı beldesi, Çeşme yarımadasının rüzgârın
kuzeyden güneye, güneyden kuzeye estiği koridorun merkezinde yer alır. Yazın hâkim
rüzgâr olan poyraz Alaçatı'ya “nefes aldırır”, kışın ise daha çok esen lodos beldede ılık
bir iklim oluşturur. Alaçatı'da rüzgârlı gün sayısı (yılda 330 gün ile) Türkiye
ortalamasının çok üzerindedir, bu da beldeyi dünyanın en önemli rüzgâr surf'ü
merkezlerinden biri yapmıştır. Denizden 3 km. içeride yer alan Alaçatı'nın denizden
yüksekliği ise 16 metre. İzmir'den 70 km. uzaklıkta bulunmaktadır.
Şekil 4.1 Alaçatı Uydu Fotoğrafı (Google image, 2010)
48
Kıyı alanı boyunca volkanik kayaçlardan lüfil ve aglomeralar gözlenir. Muhtemelen
yörede Ege Bölgesi'nde yaygın olan volkanik çıkış stilinin aksine, önce andezilik lav çıkışı
olmuş, ardından çıkan tüfler, karasal ortamda yayılarak masif tüfit kütlelerinimeydana
getirmiştir. Temeldeki mesozoyikyaşlı (jura) kireçtaşlarım ve daha önce çıkan
andezillerikesen lüfler, eksplosif (patlamalı) çıkış sırasında bünyelerine köşeli andezit,
kireçtaşı çakıl ve bloklarını alarak çevrede çökelmişlerdir [62].
Dalga aşındırmasıyla, burun kesimlerinde açığa çıkan lilolojik islif incelenmiştir. Buna
göre altta deniz seviyesinden itibaren 3-4 m izlenen beyaz renkli tüfitler, yer yer
andezit, jura yaşlı çakıl ve bloklar içerir. Tüfillerin üzerine kalınlığı 2 m'ye varan
aglomeralar gelmektedir. Sellenmeyle yakın çevreden taşınıp çökelen aglomeranın
unsurları, andezitlerle beraber yine Mesozoyik yaşlı kireçtaşlarından oluşur. Aglomera
unsurları tüf ' m a t r i k s i (hamuru) ile birbirine bağlanmıştır. Unsurlar az yuvarlanmış
ya da köşelidir. Aglomeralar, varlığını kısa bir süre devam ettirebildiği anlaşılan sığ bir
göl ya da balaklık içinde çökelmiş ince tabakalı ve sarımsı renkli, az miktarda çakıl
içeren killi-kumlu çökeller ile süslenir [62] (Şekil 4.2).
Şekil 4.2 Alaçatı kıyı alanında burun kısmında gözlenen litolojik istif [63]
49
Alaçatı kıyı alanında koylardaki beyaz kumlu yüksek kaliteli plaj şerlileri tamamen
litolojinin ürünüdürler. Kıyı alanında yaygın lüfiller oldukça saf ve yoğun silis (kuvars)
taneciklerinden oluşmuştur. Plaj gerisinde pekişmesi zayıf lüfil kayaçlan, mekanik ve
kimyasal aşınım süreçleri ile kolayca çözülmekle ayrıca burun kesimlerinde dalga
aşındırması ile (dalgaların çarpma sonucu hidrolik ve mekanik etkilerle bünyeden
parçalar koparması) koparılan ve ufalanan parçacıklar dalgalarla koylara taşınıp
biriktirilerek beyaz kumlu ve kaliteli plaj malzemelerinin oluşmasını sağlamaktadırlar
[62].
Alaçatı-Ovacık kıyı alanının rekreasyonal tasarım ve planlanmasında yeryüzü şekilleri,
diğer faktörlerle beraber ortamın önemli bir bileşeni olarak değerlendirilmiştir. Temel
durumundaki topoğrafik yüzey üzerinde vejetasyon ve litoloji gibi diğer bileşenler
üçboyutlu tasarımlar için tamamlayıcı durumundadırlar. Yeryüzü şekilleri için özetle,
deniz
seviyesinden
itibaren
yükselti
katmanlarına
kompozisyonunun oluşturduğu görünüm denebilir.
Şekil 4.3 Alaçatı [63]
50
göre
değişen
eğimler
Buna göre alan çeşitli eğimlerde yüzey, diklik ve düzlükler gibi rölyef özellikleri gösterir.
Arazinin yapısını oluşturan kaya birimleri; akarsular, sellenme, dalgalar, rüzgar vb
aşındırıcı ve biriktirici dış etken ve süreçlerle biçimlendirilirler. Alaçatı-Ovacık kıyı
alanının morfolojisine gelince; burun kesimlerinde kıyıdan başlanacak olursa, IV. zaman
başlananda akarsu aşındırmasıyla oluşan ve kara yönünde genişliği yer yer 300 metreyi
bulan 10-15 metre yüksekliğinde bir platform, düz bir yüzey halinde devam eden
platformun kara yönünde bitiminden itibaren eğimin aniden artmasıyla başlayan bir
yamaç alanı ve en geride 150-200 metrelerde uzanan tepelik alanlar şeklinde bir profil
karşımıza çıkar. 150-200 metrelerde uzanan söz konusu tepelik alanlar, Pliyosen
döneminde oluşmuş aşınım yüzeylerine tekabül ederler. Kıyı gerisindeki düz alanları
oluşturan platform, burunlarla ayrılan ve genişliği 150 metreyi geçmeyen bir dizi koyla
biçimlendirilmiş durumdadır. Burun kesimlerinde dalga aşındırması sonucu dirençsiz
tüfitler dik yamaçlarla gerileyerek falezler meydana gelmiş, buradan taşınan malzeme
plaj şeritlerinde biriktirilmiştir. Plajların hemen gerisinde bir süre devam eden alüvyal
birikim alanından sonra hafif bir eğimle platform seviyesine geçilmektedir. Koy
tabanları 7-10 bin yıl kadar önce deniz seviyesinin yükselmesi ile bir süre sularla işgal
edilmiş, deniz günümüz seviyesine (O m) çekildikten sonra zeminde kalan denizel
alüvyonun üzerinde daha sonra üst yamaçlardan sellenmeyle taşınan ince malzemeler
de birikerek günümüzdeki durum ortaya çıkmıştır [63].
51
Çalışmanın genel akış diyagramı aşağıda verilmiştir:
Şekil 4.4 Projenin Genel Akış Diyagramı
52
BÖLÜM 5
ÇALIŞMA YÖNTEMİ
5.1 Görüntünün Rektifiye Edilmesi
Sensor dizileriyle elde edilen dijital görüntüler, sensorların kapasitesi, atmosferik
şartlar ve izdüşüm geometrisinden kaynaklanan hatalarla yüklüdürler. Bu hatalar,
sensorların ölçtüğü elektromanyetik dalgaların enerjilerinin değerlerini ve ayrıca
sensorların karşılık geldiği nesne detaylarının uzaydaki geometrik dizilişini etkilerler.
Buna göre, iki ana grup altında ele alınabilecek bu etkiler sırasıyla; radyometrik ve
geometrik hatalar olarak adlandırılır. Dijital görüntülerden geometrik ve semantik
bilgilerin çıkarılmasından önce, uygulamalardan beklenen sonuç ürünler ve sonuç
duyarlıklara göre görüntülerin bu hatalardan arındırılması gerekir. Geometrik hataların
giderilmesi için yapılan bu işlemlere genel olarak görüntü rektifikasyonu adı verilir [64].
Dijital bir görüntü, temel olarak radyometrik özelliklerin ve konumsal bilgilerin her
ikisine birden sahip olan, iki boyutlu piksel dizilerinden oluşur [65]. Rektifikasyon,
görüntülerin doğal olarak sahip oldukları distorsiyonlarının giderilmesiyle, hatasız (en
az hatalı) hallerinin elde edilmesi işlemidir. Dijital görüntülerin rektifikasyonu için
algılayıcı türüne bağlı olarak farklı matematik modeller kullanılır. Optik mekanik ve satır
tarayıcılar için polinomal model (afin ve daha yüksek dereceli polinomlar), çerçeve
algılayıcılar içinse projektif dönüşüm (düz alanlar için) ya da sayısal yükseklik modelinin
dâhil edilmesi ile merkezi izdüşüm geometrisi yani eş doğrusallık koşulu (kolinearite
53
eşitlikleri) kullanılarak eğiklik ve yükseklik farklarından kaynaklanan ötelemeler (relief
displacement) düzeltilir [66].
İçerdikleri geometrik bozuklukların giderilmesi, tüm görüntülerin aynı yerel koordinat
sistemine sahip olmaları ve nihayetinde elde edilen kıyı çizgisindeki zamansal değişimin
belirlenmesi amacıyla uydu verileri rektifikasyon işlemine tabi tutulmuştur. Landsat
1975 ve Aster 2007 ve görüntülerinin geometrik dönüşümlerinde afin dönüşüm,
yeniden örneklemelerinde kübik katlama yöntemleri kullanılmıştır. Corona 1963
görüntüsünde ise yeniden örnekleme işlemi için kübik katlama yöntemi, geometrik
dönüşüm işlemi için sonlu elemanlar yani rubber sheeting metodu ardından afin
dönüşüm uygulanmıştır. 1995 yılına ait hava fotoğrafı ise stereo çifti kullanılarak
değerlendirilmiş ve ortofoto üretilmiştir.
Geometrik dönüşüme ilişkin RMS hataları ise Çizelge 5.1’de gösterilmiştir;
Çizelge 5.1 RMS hataları
X (m)
Y (m)
XY (m)
Corona63
5.98
7.10
11.04
Landsat 1975
32.32
25.5
41.17
Aster 2007
11.57
10.28
15.46
54
Şekil 5.1 Kontrol noktalarının Corona 1963 görüntüsü üzerinde dağılımı
Çizelge 5.2 Corona Görüntüsü-Afin Dönüşüm Kontrol Noktaları
Point ID
Res
Res X
Res Y
Ground Y
Ground Y
Comp X
Comp Y
G0016
14.779
14.091
-4.457
443527.729
4231604.913
443541.82
4231600.46
G0031
14.681
-9.696
-11.024
447694
4232597
447684.3
4232585.98
G0007
13.552
-4.786
-12.679
447622
4232438.5
447617.21
4232425.82
G0025
13.112
3.636
12.598
443519.5
4231238
443523.14
4231250.6
G0027
12.665
7.865
-9.926
447611.75
4234012
447619.62
4234002.07
G0023
12.658
0.547
-12.647
444039.202
4234852.599
444039.75
4234839.95
G0019
12.276
0.319
12.272
445595.35
4236997.108
445595.67
4237009.38
G0015
11.85
4.391
-11.007
444283.238
4232932.069
444287.63
4232921.06
G0010
11.779
11.26
-3.459
444790.5
4234927.5
444801.76
4234924.04
55
G0029
10.907
-10.851
-1.099
443531
4236692
443520.15
4236690.9
G0035
10.808
4.63
9.766
447637
4230079
447641.63
4230088.77
G0037
10.048
4.488
8.99
445937
4236261
445941.49
4236269.99
G0032
9.68
-4.681
8.474
446859
4230663
446854.32
4230671.47
G0003
9.069
2.977
-8.566
445319
4235343
445321.98
4235334.43
G0006
8.847
-8.687
1.677
443724
4236476
443715.31
4236477.68
G0013
8.701
5.621
6.642
445410
4236338.5
445415.62
4236345.14
G0020
8.253
-4.265
7.066
443668.134
4236920.22
443663.87
4236927.29
G0008
8.084
-7.99
1.231
446542.75
4230792
446534.76
4230793.23
G0022
7.351
-3.934
-6.21
443846.982
4235220.325
443843.05
4235214.12
G0036
7.265
-6.257
3.692
446755
4231228
446748.74
4231231.69
G0040
7.188
0.862
7.137
447558.5
4233767.5
447559.36
4233774.64
G0021
6.97
-6.96
0.373
443307
4236550
443300.04
4236550.37
G0002
6.221
6.189
0.638
446393
4236183
446399.19
4236183.64
G0033
5.95
2.432
-5.43
446554
4230987
446556.43
4230981.57
G0039
5.341
-5.003
1.872
446727
4231645
446722
4231646.87
G0011
4.575
-2.922
3.52
444364
4235148.5
444361.08
4235152.02
G0030
4.455
4.06
-1.834
445445
4235563
445449.06
4235561.17
G0012
4.233
0.191
-4.229
444396.899
4236395.375
444397.09
4236391.15
G0038
4.093
4.007
-0.831
446835
4234856
446839.01
4234855.17
G0001
3.078
-1.524
2.674
445485
4235304
445483.48
4235306.67
G0034
3.012
-1.937
2.307
446987
4230560
446985.06
4230562.31
G0005
2.577
2.577
0.011
445022
4235250
445024.58
4235250.01
G0009
2.544
-0.653
2.459
445103
4232547
445102.35
4232549.46
56
Şekil 5.2 Landsat 1975 görüntüsü üzerindeki kontrol noktalarının dağılımı
Çizelge 5.3 Landsat 1975 Görüntüsü-Afin Dönüşüm Kontrol Noktaları
Point
ID
Res
Res X
Res Y
Ground Y
G0027
72.748
-72.746
-0.396
447501.4
4236456.2
447428.65
4236455.8
G0002
64.288
64.246
2.316
447134.6
4232771.4
447198.85
4232773.72
G0011
59.525
-43.06
-41.099
445524.6
4233507.8
445481.54
4233466.7
G0026
54.221
-6.434
53.838
446238.6
4235991.4
446232.17
4236045.24
G0015
50.316
35.263
-35.891
447409
4234123.8
447444.26
4234087.91
G0001
46.321
9.892
45.253
446275
4233283.8
446284.89
4233329.05
G0021
40.4
28.548
-28.586
445575
4236515
445603.55
4236486.41
57
Ground Y
Comp X
Comp Y
G0010
40.386
-27.278
29.782
446765
4234938.6
446737.72
4234968.38
G0004
40.267
38.564
-11.587
445670.2
4235383.8
445708.76
4235372.21
G0016
37.714
-26.489
-26.846
447467.8
4232751.8
447441.31
4232724.95
G0028
36.334
-30.113
20.331
444553
4231262.2
444522.89
4231282.53
G0009
28.4
26.574
10.017
446535.4
4230797.4
446561.97
4230807.42
G0013
25.066
-0.677
-25.057
445631
4233104.6
445630.32
4233079.54
G0020
21.141
19.138
-8.982
446107
4236361
446126.14
4236352.02
G0022
21.122
19.141
-8.931
444359.8
4235151.4
444378.94
4235142.47
G0024
20.448
-19.919
4.62
445471.4
4232701.4
445451.48
4232706.02
G0014
20.256
-4.265
19.802
446081.8
4233972.6
446077.53
4233992.4
G0018
19.688
17.154
9.662
447319.4
4235851.4
447336.55
4235861.06
G0017
17.244
-15.355
-7.847
446580.2
4232247.8
446564.84
4232239.95
G0019
12.191
-12.185
-0.4
447876.6
4236408.6
447864.42
4236408.2
5.2 Rektifiye Edilmiş Görüntülerden Kıyı Çizgisinin Elde Edilmesi
Kıyı yönetiminde, kıyı alanlarında meydana gelen değişimin hızlı elde edilmiş, güncel ve
doğru bilgi yardımıyla belirlenmesi öncelikli öneme sahiptir. Kıyı çizgisindeki herhangi
bir değişimin belirlenmesinde kullanılabilen uzaktan algılama verileri en önemli bilgi
kaynaklarından biridir. Kıyı bölgelerinde meydana gelen değişimlerin bir kısmının uydu
görüntülerinden çıkarılan kıyı çizgisi yoluyla görüntülenmesi mümkündür. Görüntü
işleme algoritmaları, ilgili görüntülerden gerekli bilginin hızlı ve doğru bir şekilde elde
edilmesini mümkün kılar. Bu özellikle, doğal afetler gibi acil durumlarda doğru veri
ihtiyacının hızla karşılanması açısından önemlidir.
Düz bir çizgiye sahip kıyı bölgelerinde kıyı çizgisinin ayırt edilmesi kolaydır. Ancak kıyı
alanları genellikle çok karışık şekillenmiş bir yapıya sahiptir. Bu karışık yapının
58
görüntülenmesinde kullanılan “segmentasyon”, görüntü işleme disiplinleri içerisinde
önemli bir araştırma konusudur.
Uygulamada kıyı çizgisi çıkarımının insan gözü ve klasik metotlarla yorumlanarak
yapılması, kıyı boyunca uzanan koylar ve ormanlık bölgelerin etkisi, düşük çözünürlük
vb. nedenlerden dolayı çok zordur. Su ve kara arasındaki bozuk kontrast ve benzerlik,
kıyı çizgisinin mevcut diğer bileşenler arasından ayırt edilmesine engel olur. Landsat 7
ve Landsat 5 uydu görüntülerindeki yakın kızıl ötesi band, su sınırlarının, belirlenen gri
değerden daha açık olan piksellerin beyaz, daha koyu olanların siyah olması şeklinde
ikili veri setine dönüştürülmesi mantığına dayanan eşikleme tekniği ile ortaya
çıkarılmasını mümkün kılar. Ancak özellikle pankromatik uydu görüntülerinde eşikleme
tekniği tek başına yeterli değildir.
Bu çalışmada proje ekibi tarafından geliştirilen COAST-FIT algoritması [1] kullanılarak
kıyı alanları segmente edilerek ardından kıyı çizgileri elde edilmiştir. Geliştirilen
algoritma hibrid tekniğe dayanır. Algoritmanın benzer algoritmalara karşı üstünlüğünü
ortaya koyan ve en göze çarpan özelliği deniz ile kara arasında farkı daha kolay ayırt
edebilme özelliğidir [1].
Algoritma çalışma yöntemi;
Algoritma çalışmaya başlamak için kullanıcıdan bir piksel gri değeri alır. (Şekil 5.3) Bu
gri değer ayırma işleminin yapacağı bölgenin seçilmesini sağlar. Eğer denizden bir
piksel gösterilmiş ise deniz kıyıdan, kıyıdan bir piksel gösterilmiş ise kıyı denizden
ayrılır.
59
Şekil 5.3 Algoritmanın başlangıcı
Algoritma bu piksel seçilme işleminden sonra varsayılan olarak algoritmaya önceden
tanımlanmış tamamı 150 gri değerine sahip ve çalışılacak görüntü ile tamamen aynı
boyutlarda bir görüntü oluşturur. Burada 150 değeri bir anlam ifade etmemektedir.
Sadece rastgele seçilmiş ortalama bir değerdir. 150 gri değeri işlem yapılmamış piksel
anlamına gelmektedir. Bu görüntünün oluşturulmasındaki amaç yeni piksellerin bu
dosya üzerine yazılmasıdır.
Bu aşamadan sonra, seçilen kıyı pikselinin gri değeri orijinal görüntü ile karşılaştırılır.
Seçilen pikselin gri değeri komşu sekiz piksel ile aynı gri değere sahipse, yeni dosyada
aynı gri değer, değil ise mevcut değer kaydedilir. Seçilen pikselin gri değeri bu işlemden
sonra varsayılan olarak belirlenen 150 gri değeri olarak değiştirilir, bu da bu gri değer
için işlemin bittiği anlamına gelmektedir. (Şekil 5.4)
Şekil 5.4 Gri değerlerin karşılaştırılması
60
Sonraki aşamada algoritma değişik bir yol izlemeye başlar. Bundan sonraki aşamada
algoritma 0,0 görüntü koordinatından başlayarak çalışır ve deniz olarak tanımlanan gri
düzeyini arar. Bulduğu ilk gri değeri işlem yapılacak gri değer olarak belirler. Bu pikselin
de sekiz komşu pikseli daha önceki mantık ile kontrol edilir ve işleme soktuğu ilk
bulunan deniz gri değerine sahip pikseli de işlenmiş gri değer olan 100’e (rastgele
seçilen bir değer) atar. Böylece bütün pikseller işlem bitinceye kadar işlenmiş piksel gri
değerini alır.
Bu işlem bitinceye kadar algoritmanın yeni görüntüye pikselleri aynı gri düzeyde
geçirmesi, okuyucuyu görüntüde bir değişiklik olmadığı kanısına vardırabilir. Ancak
algoritma yukarıda da belirtildiği gibi sadece deniz olarak tanımlanmış gri düzeye sahip
piksellerde işlem yapmaktadır. Bu pikseller bittiği zaman daha işlenmemiş olarak
tanımlanmış gri düzeyli pikseller olmasına rağmen deniz olarak tanımlanmış pikseller
bittiği için algoritma durur. Sonuçta üç gri değere sahip bir görüntü meydana gelmiş
olur(Şekil 5.5) Buradan sonra algoritma bu üç farklı gri düzeyi işlenmiş gri düzey ve
diğerleri olarak iki düzeyli bir hale çevirebilir.
Şekil 5.5 üç gri değerli görüntü
Algoritma, bu özelliklerle sadece kıyı çizgileri düzenli ve girinti ve çıkıntının çok az
olduğu görüntülerde istenilen sonuçları doğurabilmektedir. Algoritmanın asıl fark
yaratan bölümü bundan sonra başlamaktadır. Gerçekte birçok kıyı heterojen özelliğe
sahip olup koylar ve kara kısmındaki ormanlar özellikle tek bantlı görüntülerde
yorumlamayı güçleştirmektedir. Öyle ki kimi durumlarda çıplak gözle uydu
görüntüsüne bakıldığında ormanlar bile koy gibi algılanabilmektedir. Dolayısı ile kıyı
çizgisinde olmaması gereken bir kesiklilik oluşmaktadır. Bundan dolayı algoritmanın
61
verimli çalışabilmesi için görüntünün bir başka deyişle kıyı çizgisinin durumuna göre
algoritma yönlendirilmelidir.
Bu aşamadan sonra 2x2, 3x3 ve 4x4 lük piksel grupları ile çalışılarak kıyı sınırları
segmente edilir.
2x2, 3x3 ve 4x4 lük piksellerin seçilme sebebi bu şekilde gruplanmış piksellerin kare
şeklini alması yani bir piksel gibi düşünülebilmesidir. Bu işleme başlamadan da tespit
edilebilir. İşlem yapıldıktan sonra da. Örneğin ancak 3x3 piksellik bir gurubun
kapatacağı yer yani 3x3 piksellik bir açıklık baştan tahmin edilerek 3x3 veya 4x4
piksellik grup seçilebilir, ya da 2x2 piksellik grup seçilerek yapıldıktan sonra kapanması
gereken yerin kapanmadığı gözlenerek 3x3 piksellik grup denenebilir.
Seçilmiş olan piksel gruplarının hepsinin çalışma şekilleri birbiri ile aynıdır.
Örnek olarak 2x2 piksellik grup için çalışma ilkesi şöyledir:
Öncekinden farklı olarak bu sefer seçilen pikselin yanındaki üç piksel de piksel
gurubuna dâhil olarak dört piksellik bir çalışma başlangıcı hazırlar. Bu yine daha önce
belirtildiği gibi başlangıç piksel grubu olur. Bundan sonra öncekinden farklı olarak 8
komşu piksel yerine bu dörtlü piksel grubunun yine dörtlü piksel komşulukları ile analiz
yapılır. Şekil 5.6 Burada nasıl bir koşul olacağı tamamen kullanıcının isteğine ve
görüntüye bağlıdır. Yani yukarıda da belirtildiği gibi buradaki durum kesin çizgilerle
belirtilmemiştir. Görüntünün yapısına ve kullanıcının yapacağı kar zarar hesabına (
kaybolan piksel ve kıyı olmayan fakat kıyı olması istenilen bölge ) göre yapılır.
Şekil 5.6 Dörtlü piksel komşulukları ile analiz
62
Temel olarak işlemler aynı şekilde devam eder. Tek fark piksellerin birer birer değil de
başta seçilen piksel grubu büyüklüğüne göre dörder dörder, dokuzar dokuzar veya
onaltışar onaltışar tarama yapmasıdır. Böylece algoritma bu piksel gruplarından daha
küçük koylara girememiş olur ve bunları da düz bir kıyı olarak işaretlemiş olur. Yalnız bu
işlemden sonra piksel büyüklüğüne göre kıyıda çözünürlük azalması olur. Algoritma
çözünürlükteki azalmayı olması gereken hale getirmek için bir önceki piksel grubu
seviyesi ile karşılaştırma yapar ve önceki piksel seviyesini temel alır. Böylece
çözünürlük tekrar yükselmiş olur (Şekil 5.7).
Şekil 5.7 Sonuç segmentasyon
Sonuçlar: Şekil 5.7’ de kullanılan algoritma ile orijinal görüntülerin segmentasyonu
sonucu elde edilen görüntüler, Şekil 5.8’ de ise bu görüntülerden vektörizasyon yoluyla
elde edilmiş kıyı çizgileri gösterilmiştir.
63
Corona 1963 segmentasyon
Landsat75 segmentasyon
1995 Hava Fotoğrafı segmentasyon
Aster 2007 segmentasyon
Şekil 5.8 COAST-FIT yazılımı ile görüntülerin segmentasyon sonuçları
64
Şekil 5.9 Segmente edilmiş görüntülerden elde edilen farklı yıllara ait kıyı çizgileri
Şekil 5.10 1963-1975 yılları arasında liman bölgesi kıyı değişimi
65
Alaçatı kıyı bölgesinde 1963-2007 yılları arasında kıyı çizgisinde önemli bir doğal
değişime rastlanmamıştır. Fakat yukarıdaki şekilde işaretlenen bölgede insan eliyle
yapılan önemli değişiklikler sonucu kıyı çizgisi değişmiştir.
Yazılımda elle yapılan ölçümlere göre; 1963-75 yılları arasında mendireklerin yapılmaya
başlandığı ve 1995 yılında bu mendireklerin tamamlandığı görülmektedir.1963-1975
yılları arasında 4,5 hektar, 1963-1995 yılları arasında 7,7 hektar, 1963-2007 yılları
arasında yapılan ölçümlere göre kıyı ortalama 8 hektar doldurulmuştur.
1963-1987
1963-1995
1963-2007
1963, 1975, 1995, 2007
Şekil 5.11 1973-1975-2007-2009 yılları arasında liman bölgesi kıyı değişimi
66
Sediment bölgesinde 1963 Corona (rektifikasyon sonuçlarına göre ölçü doğruluğu +/11.04m.) Aster 2007 (rektifikasyon sonuçlarına göre ölçü doğruluğu +/- 15,46m.) ve
Landsat 1975 uydu görüntüsünden (rektifikasyon sonuçlarına göre ölçü doğruluğu +/41,17 m.) yapılan ölçüler 334, 333, 338 m. ölçülmüştür. Bu da söz konusu sediment
alanında herhangi bir değişiklik olmadığını göstermektedir. Bu durum da [62] ’in tezini
doğrulamaktadır. Bir başka deyişle buradaki sedimentasyonun masif tüfit kitlesinden
oluştuğu görülmektedir.
Şekil 5.12 Alaçatı Koyunda sediment bölgesindeki ölçüler: 1963, 1975, 2007
5.3 Görüntünün Sınıflandırılması
Sınıflandırmanın yapılmasında ki temel amaç; yerleşim ve yeşil alan değişimini
gözleyerek kıyıdaki değişimler ile arazi örtüsündeki değişimlerden faydalanarak
meydana gelen farklılıkların belirlenmesidir.
Uydu görüntülerinin içerdiği ham haldeki ve karmaşık verileri bilgiye dönüştürmek,
arazi hakkında bilgi elde edebilmek ve tematik harita oluşturabilmek için kullanılan
çeşitli analiz ve yorumlama yöntemlerinin en yaygını olan sınıflandırma, bir veri grubu
içinde belirli bir sınıf oluşturan objelerin benzerliğinden yola çıkarak ve özelliklerine
göre seçilerek gruplandırılması olarak tanımlanabilir. Başka bir deyişle, görüntü
sınıflandırma, bir görüntü veri setinden anlamlı sayısal konu haritaları, tematik
67
haritaları üretme işlemidir. Çok bantlı görüntülerde piksellerin spektral değerleri temel
alınarak sınıflandırma işlemi gerçekleştirilir [1].
Sunulan çalışmada obje temelli bulanık mantıkla sınıflandırma yöntemi uygulanmıştır.
5.3.1 Obje Temelli Bulanık Mantıkla Sınıflandırma
Nesne-tabanlı yaklaşım, yapıyı, dokuları ve spektral bilgileri dikkate alır. Bu
sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın sonraki
basamağında ele alınabilir anlamlı bölgelere dönüştürmesi ile başlar. Bu tür
segmentasyon ve topoloji oluşumu, çözünürlüğe ve çıkarılması düşünülen nesnelerin
ölçeğine göre ayarlanmalıdır. Bu yöntemle, sadece tekil pikseller sınıflandırılmakla
kalmaz, ayrıca bir önceki segmentasyon basamağı sırasında homojen görüntü nesneleri
de ortaya çıkar. Bu segmentasyon değişik çözünürlüklerde yapılabilirken, nesne
kategorilerinin katmanlarını ayırt etmeye de izin verir [5].
Bulanık sınıflandırma, karışık piksel problemini bulanık set fikrini çalıştırarak çözmeye
çalışır. Burada verilen varlık (piksel ya da görüntü nesnesi) birden fazla kategoride kısmi
üyeliğe sahip olabilir [28].
Yukarıda da belirtildiği gibi Landsat 75 ve Aster 2007 uydu görüntüleri obje temelli
bulanık mantık yöntemi ile sınıflandırılmıştır. Öncelikle görüntüler segmente edilerek
homojen segmenteler oluşturulmuştur.
Landsat 1975 segmentasyon sonuçları
Aster 2007 segmentasyon sonuçları
Şekil 5.13 2007 Aster ve 1975 Landsat görüntülerinin segmentasyon sonuçları
68
Obje tabanlı sınıflandırmanın klasik sınıflandırma yöntemlerine göre en büyük avantajı
oluşturulan segmentlerin objelere ilişkin morfolojiyi ortaya çıkartabiliyor olmasıdır. Bir
başka deyişle ölçek faktörü ve diğer segmentasyon kriterleri etkileşimli olarak
hedeflenen her bir sınıfa ait homojen piksel gruplarının obje morfolojisini doğru ortaya
koyacak şekilde seçilmesi gerekir.
Şekil 5.14 Landsat 1975 için segmentasyon parametreleri
69
Şekil 5.15 Aster 2007 için segmentasyon parametreleri
Scale faktörünün Landsat 75 için 2, Aster 2007 için 6 seçilmesinin nedeni görüntünün
semantik yapısına bağlıdır. Bir başka deyişle oluşacak segmentlerin sınıf geçişlerini ideal
olarak tanımlayabilmesi için bu değer kullanılmıştır. Böylelikle görüntü alt piksellere
bölünerek sınıflandırmanın başarısının artırılması hedeflenmiştir. Yine Color faktörünü
ve Compatness faktörü için seçilen değerlerin gerekçesi aynıdır. Segmentasyon işlemi
tamamlandıktan sonra referans görüntüye bakılarak benzer alanlar üzerindeki piksel
değerlerinin hangi aralıkta değiştiği belirlenir. eCognition yazılımında özellikler
bölümünde bulunun farklı fonksiyonlardan biri seçildikten sonra nesne özeliklerinden
de birisi seçilerek, tespit edilen eşik değerleri girilir ve uygun olabilecek farklı fuzzy
fonksiyonları denenir. Referans görüntüde bulunan aynı özellikteki sınıflar en doğru
şekilde meydana çıkana kadar bu yöntem farklı eşik değerleri, farklı fonksiyonlar ve
fuzzy değerleri ile kombine edilerek en doğru sınıflandırılma yakalanmaya çalışılır. Bu
süreç oldukça uzun ve dikkat isteyen bir süreçtir. Çünkü bazı sınıfların eşik değerler
70
aralıkları birbirleriyle benzerlik gösterebilmektedir. Bu nedenle üyelik fonksiyonun
doğru seçilmesi sınıflandırma açısından oldukça önemlidir.
Obje temelli bulanık mantıkla sınıflandırmanın klasik sınıflandırmaya göre en belirgin
avantajının bir sınıfa ait pikselin-ki obje temelli sınıflandırmada segmentin-birden farklı
sınıflara farklı üyelik derecesi ile ait olabilmesidir. Bu durum klasik sınıflandırıcılardaki
radikal (0 ya da 1) kararı yerine daha esnek sonuçların üretilmesine olanak
sağlamaktadır.
Ancak burada bulanık mantıkta kullanılacak üyelik fonksiyonun doğru seçilmesi
sınıflandırmanın temelini oluşturmaktadır. Çizelge 5.4 ve 5.5’ da sunulan çalışmada
kullanılan üyelik fonksiyonları ve bu fonksiyonlar için öngörülen tanımlamalar
verilmiştir.
Çizelge 5.4 Landsat 1975 görüntüsü için kullanılan üyelik fonksiyonları
Sınıf Adı
Kullanılan Fonsiyon
Eşik Değeri
Kara
Mean Layer 2
25-55
Tarla
Mean Layer 2
50-85
Yeşil alan
Mean Layer 1
28-32
Su
Ratio Layer 1
0.23-0.4
Sediment(Su1)
Mean Layer 2
15-25
71
Fuzzy Üyelik
Fonksiyonu
Çizelge 5.5 ASTER 2007 görüntüsü için kullanılan üyelik fonksiyonları
Sınıf Adı
Kullanılan Fonsiyon
Eşik Değeri
Su
Ratio Layer 3
0.14-0.18
Su1
Ratio Layer 3
0.18-0.21
Su2
Ratio Layer 3
0.1-0.14
Yerleşim
merkezi
Mean layer 1
198-255
Yol1
Compactness
4.5-7
Yol2
Density
0.6-0.82
Yol3
([Mean Layer 2]+[Mean Layer
1])/[Density]
230-280
Yol4
Density
0.54-1
Tarla
Mean layer 3
100-120
Yeşil Alan
([Mean Layer 1]-[Mean Layer 2])/([Mean
Layer 1]+[Mean Layer 2])
0.18-0.3
Fuzzy Üyelik
Fonksiyonu
Kullanılan yazılımın daha doğrusu yazılımın öngördüğü temel felsefenin en önemli
özelliği sınıflandırma sürecinde obje morfolojisinin belirlenmesine yönelik ek araçların
kullanımına olanak sağlamasıdır. Örneğin Aster görüntüsünde yeşil alan için ([Mean
Layer 1]-*Mean Layer 2+)/(*Mean Layer 1++*Mean Layer 2+) formülü geliştirilerek
kullanılmıştır. Ya da benzer şekilde yol sınıfı için (*Mean Layer 2++*Mean Layer
72
1+)/*Density+ formülü geliştirilmiştir. Ancak sadece sunulan çalışma göz önünde
bulundurulduğunda deneysel olarak üretilen matematiksel fonksiyonlar farklı
zamanlara, farklı algılayıcılara ait görüntülerde denenmediği için elde edilen sonuçlar
sunulan çalışmada kullanılan görüntüler için geçerlidir.
Şekil 5.16 Landsat 1975 Sınıflandırma sonuçları
Landsat 1975 uydu görüntüsün için belirlenen sınıflar görüntünün çözünürlüğünün
çözünürlük düşük olması ve bu dönemde bölgenin doğal yapısını koruyor olmasından
dolayı Aster 2007 uydu görüntüsü için belirlenen sınıflardan farklı seçilmiştir.
Sınıflandırma sonuçlardan da anlaşıldığı üzere 1975 yılı ile 2007 yılı arasında bölgede
insan kaynaklı birçok değişimin gerçekleştiği görülmektedir.
73
Şekil 5.17 Aster 2007 Sınıflandırma sonuçları
Aster 2007 uydu görüntüsünün sınıflandırma sonuçları incelendiğinde çözünürlüğün
yüksek olması sebebiyle daha fazla ayrıntı dolayısı ile de daha fazla sınıfa ulaşıldığı
gözlemlenmektedir.
5.3.2 Sınıflandırmanın Doğruluğu
Doğruluk analizi, referans pikseller aracılığıyla doğruluğu kesin veri üzerindeki
sınıflandırma alanlarının sonuç görüntüdeki karşılıklarına göre hata matrisleri
oluşturularak yapılmıştır. Bu matrisler olasılık tablosu olarak tanımlanır.
74
Şekil 5.18 1975 Lansat görüntüsünün sınıflandırma doğruluğu sonucu
Landsat görüntüsünün sınıflandırma doğruluğu sonucu Şekil 5.19’dan da görüleceği
üzere %89 olarak gerçekleşmiştir.
Şekil 5.19 2007 Aster görüntüsünün sınıflandırma doğruluğu
75
2007 Aster görüntüsünün sınıflandırma doğruluğu ise %93 olarak gerçekleşmiştir,
Sınıflandırma sonuçları dikkate alınarak yıllara göre arazi kullanım yüzdeleri ve değişimi
Çizelge 5.6’de verilmiştir.
Çizelge 5.6 Yıllara göre Arazi Kullanım Alanları (HA)
landsat75
aster2007
0
215
boş alan
1614
1297
yeşil alan
127
52
Su
735
681
yerleşim alanı
Toplam Alan
2476
2245
0; 0%
735; 30%
yerleşim alanı
1614; 65%
boş alan
yeşil alan
Su
127; 5%
Şekil 5.20 Landsat 1975 görüntüsü arazi kullanım yüzdeleri
76
681; 30%
215;
10%
yerleşim alanı
boş alan
1297; 58%
yeşil alan
su
52; 2%
Şekil 5.21 Aster 2007 görüntüsü arazi kullanım yüzdeleri
Elde edilen grafiklerden de görüldüğü gibi en büyük değişimler yerleşim alanında ve
boş alanda meydana gelmiştir. Bunun en büyük sebebi ise geçen zaman zarfında bu
bölgenin insanlar tarafından keşfedilip hızlı bir şekilde turizme açılmasıdır. Diğer bir
farklılık ise yeşil alandadır. 1975 yılına ait uydu görüntüsünde bölge daha bozkırlık
olarak görülmesine karşılık 2007 yılına ait görüntüde yeşil alan çok daha fazla göze
çarpmaktadır.
2245; 48%
2476; 52%
landsat75
aster2007
Şekil 5.22 Yıllara göre Arazi Kullanım Alanları (HA)
Son grafik sonucuna göre ise arazi kullanımının zaman içerisinde arttığı tespit
edilmiştir.
77
BÖLÜM 6
SONUÇ VE ÖNERİLER
Uzaktan algılama teknolojileri sayesinde kıyı alanlarında meydana gelen değişim
izlenebilmektedir. Kıyıda meydana gelen değişimin gözlenmesi sonucunda kıyı
alanlarının denetimi ve korunması kolaylıkla sağlanabilmektedir. Kıyı alanlarında
meydana gelen jeolojik ve çevresel değişimler sayesinde gelecekle ilgili planlar
yapılabilmekte aynı zamanda olası problemler içinde tedbirler alınabilmektedir.
Kıyı mühendislerinin sıkça karşılaştığı en büyük problemlerden biri olan kıyı çizgisi
değişimi ve katı madde taşınımına bağlı yığılma veya insan faktörünün etken olduğu
yapay dolgu bu bölgede de karşımıza çıkmaktadır. Katı madde birikimi liman
fonksiyonlarını olumsuz etkilediği gibi kıyı çizgisinin değişimine de sebep olmaktadır. Bu
nedenle biriken madde miktarının ve bu problemin nedenlerinin araştırılması için uzun
dönem kıyı çizgisi değişimi incelenmiştir. Öncelikle 1:35 000 ölçekli, 1995 yılına ait
stereo hava fotoğraflarından Alaçatı Koyu’na ait sayısal arazi modeli oluşturulmuş,
stereo çiftlerden biri ortofoto haritaya dönüştürülen1995 yılına ait ortofoto harita tüm
uydu görüntülerinin geometrik düzeltmesinde referans olarak kullanılmıştır.
Tez çalışmasında 1963 yılına ait Corona, 1975 yılına ait Landsat ve 2007 yılına ait Aster
görüntüsü kullanılmıştır. Uydu görüntülerinin geometrik düzeltme işleminin ardından
COAST-FIT yazılımı [1].ile uygu görüntüleri segmente edilerek kıyı çizgileri elde
edilmiştir.
78
Çalışmada orta ve yüksek çözünürlüklü uydu verilerinin kullanılmasındaki amaç
değişimlerin genel ve detaylı sonuçları hakkında bilgi sahibi olabilmekti. Çözünürlülük
yüksek ise detaylı sonuçların elde edilmesinin kaçınılmaz olduğu düşünülebilir. Fakat
buradaki avantaj obje tabanlı bulanık mantıkla sınıflandırma yönteminin kullanılmış
olmasıdır. Çünkü çözünürlük arttıkça yüksek çözünürlüklü uydu verilerinde piksel
tabanlı sınıflandırıcılar oldukça kaba hatalara, karışık piksel hatalarına neden
olmaktadır.
Koydaki gelişmelerin sağlıklı izlenebilmesi için koya ait kıyı çizgisi ve arazi kullanımı
değişiminin yıllık periyotlarda yüksek çözünürlüklü uydu görüntüleri kullanılarak
belirlenmesi gerekmektedir. Sunulan çalışma sonucunda obje tabanlı bulanık mantıkla
sınıflandırma yöntemiyle özellikle yüksek çözünürlüklü uydu görüntülerinden
yararlanılması önerilmektedir.
Kıyı çizgilerinin elde edilmesinin ardından uydu verileri piksel tabanlı (1975, Landsat) ve
obje tabanlı (2007, Aster ) sınıflandırma yöntemiyle sınıflandırılarak; boş alan, yerleşim
alanı, yeşil alan ve su olmak üzere dört sınıf elde edilmiştir. Bunun nedeni yerleşim ve
yeşil alan değişimini gözleyerek kıyıdaki değişimler ile arazi örtüsündeki değişimler
arasındaki ilintinin ortaya çıkarılmasıdır.
Yapılan çalışmada 1975 – 2007 yılları arasındaki farklılıklar tespit edilmiştir. Bu
farklılıklar arasında en dikkat çekici olanlardan biriside Alaçatı yerleşim merkezleri
alanında olmuştur. Alaçatı turizminin hızlı bir şekilde gelişmesiyle birlikte, özellikle kıyı
kesiminde nüfus yoğunlu ve yerleşim son yıllarda hızla artmıştır. Bu durum kıyı
bölgelerde yerleşim alanları kazanmak için, denizin doldurulmasına sebep olmuştur.
Doldurulan alanların genel olarak yoğunlaşan taleplerin bir kısmını karşılamak amaçlı
konut ve turizm projeleri kapsamında kullanıldığı tespit edilmiştir.
Bir diğer önemli farklılık ise yeşil alanda meydana gelmiştir. Yeşil alan aradan geçen
zaman içerisinde belli bir oranda artma meydana gelmiştir.
Diğer farklılıklar ise yerleşim merkezi ve yeşil alanda meydana gelen değişimler kadar
büyük olmamıştır.
Sonuç olarak yapılan tez çalışmasında obje temelli bulanık mantıkla sınıflandırma
yöntemi Alaçatı örneğinde uygulanarak konuya ilişkin bilgi altyapısı oluşturulmuş. Kıyı
79
Mühendisliği alanında uzaktan algılama teknolojisin sağladığı yararlar görülmüştür.
Şöyle ki çalışma alanına ilişkin hızlı bir şekilde tematik haritaların üretilmesi, kıyı çizgisi
ve arazi kullanım değişimlerinin belirlenmesi ile kıyı modelleme çalışmalarına altlık
verilerin oluşturulabildiği görülmüştür. Kıyı modelleme çalışmalarında doğal etkilerin
(rüzgar, dalga, malzeme, vb) yanında arazi örtüsü ve kullanımı değişimlerine entegre
edilerek sağlıklı modellerin üretilebileceği sonucuna varılmıştır.
80
KAYNAKLAR
[1]
Bayram, B., Acar, U., Seker, D., and Ari, A., (2008). “A Novel Algorithm for
Coast Line Fitting Through A Case Study Over Bosphorus”, Journal of Coastal
Research, 24(4): 983–991.
[2]
Rihouey, D., Dugor, J., Dailloux, D., Morichon, D., (2009). Application of
remote sensing video systems to coastal defence monitoring, Journal of Coastal
Research, SI 56, 1582-1586, ICS2009 Prooceedings, ISSN: 0749-0258.
[3]
Lin T. H., Liu G. R., Chen A. J., And Kuo T. H., (2001). Applying Satellite Data For
Shoreline Determination In Tideland Areas, Randy John N. Vinluan And Paolo C.
Campo, Satellite-Based And Community-Based Coastal Resource Maps:
Complementary Or Contradictory? Paper Presented At The 22nd Asian
Conference On Remote Sensing, 5 - 9 November, Singapore.
[4]
Maktav, D., (1993). “Uzaktan Algılamada Mikro Bilgisayar Bazlı Yazılım ve
Donanım İlişkilerinin Ekonomiklik Açısından İrdelenmesi ve Öneriler”, İTÜ
Dergisi, 51:25-30 Sayı 3.
[5]
Marangoz, S. Karakış, M. Oruç, G. Büyüksalih, (2005). Nesne Tabanlı Görüntü
Analizi ve İkonos Pansharpedned Görüntüsünü Kullanarak Yol ve Binaların
Çıkarımı TMMOB Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita
Bilimsel ve Teknik Kurultayı 28 Mart - 1 Nisan, Ankara.
[6]
Tatar, Y., (2009). “Uzaktan Algılama Tarihçesine Genel Bir Bakış”, 62. Türkiye
Jeoloji Kurultayı, 13−17 Nisan 2009, MTA Ankara.
[7]
Efe, F. (1995) Kıyı Mevzuatının Gelişimi ve Planlama, Bayındırlık ve iskân
Bakanlığı, Teknik Araştırma ve Uygulama Genel Müdürlüğü, Yayın No:77,
Ankara.
[8]
Tağıl, Ş., Cürebal, İ., (2005). ‘’Altınova sahilinde kıyı çizgisi değişimini
belirlemede uzaktan algılama ve coğrafi bilgi sistemleri’’ Fırat Üniversitesi
Sosyal Bilimler Dergisi, (15) 2: 51-68, ELAZIĞ.
[9]
Nayak, S. Role of remote Sensing to integrated.
[10]
ibeaut, J.C., Hepner, T., Waldinger, R., Andrews, J., Gutierrez, R., Tremblay, T.
A., Smyth, R.,ve Xu, L., (2001). Changes in Gulf Shoreline Position, Mustang,
81
and North Padre Islands, Texas. A Report of the Texas Coastal Coordination
Council Pursuant to National Oceanic and Atmospheric Administration Award
No. NA97OZ0179, GLO Contract Number 00- 002R, The University of Texas at
Austin Austin, Texas.
[11]
Shih, F., Cheng, S., (2005). Automatic Seeded Region Growing For Color Image
Segmentation, Image And Vision Computing, Image and Vision Computing, 23
877–886.
[12]
Blaschke, T. Conradi, M. and Lang, S. , (2001). Multi-scale image analysis for
ecological monitoring of heterogeneous, small structured landscapes,
Proceedings of SPIE, Toulouse, 35-44.
[13]
Manakos, I., Schneider, T., & Ammer, U., (2000). A comparison betwen the
ISODATA and the eCognition classification on basis of field data. Proceedings of
XIX ISPRS Congress, 16-22 July, Amsterdam.
[14]
T. Whiteside, Ahmad ve W., (2005). A Comparison Of Object-Oriented And
Pixel-Based Classification Methods For Mapping Land Cover In Northern
Australia, Proceedings of SSC2005 Spatial intelligence, innovation and praxis:
The national biennial Conference of the Spatial Sciences Institute, September.
Melbourne: Spatial Sciences Institute.
[15]
Ranasinghe, A., (2008). Multi Scale Segmentation Techniques In Object
Oriented Image Analysis, Asian Conference on Remote Sensing ACRS 2008 ,
(www.aarsacrs.org/acrs/proceeding/ACRS2008/Papers/TS%2016.7.pdf)
[16]
Ecognition User Guide, (2002).
[17]
Dolunay, G.,Bayram B. ve Maktav D., (2009). "Land Cover and coast line change
detection by using object oriented image processing in Alaçatı, Turkey"
(Poster), 29 th EARSEL Symposium Imaging Europe, Symposium Programme &
Abstract Book, 18, Maich Conference Center, Crete-Greece, 15-18 June.
(Baskıda)
[18]
Vinodkumar, K., Bhattacharya, A. ve Subramanian, C., (1998). Coastal
Morphological Influences for Trophical Cyclone Track Deviation Along Andhra
Coast: GIS and remote sensing based approach Current Science 75 (9), 955958, Washington, DC.
[19]
American Society of Photogrammetry,. (1960). Manual of Aerial Photo
Interpretation.
[20]
Özdemir, İ., (2004). Orman envanterinde uydu verilerinden yararlanma
olanakları. Süleyman Demirel Üniversitesi Orman Fakültesi Dergisi, Seri: A, Sayı:
1, Yıl: 2004, ISSN: 1302-7085, 84-96.
[21]
Seker, D., Yuasa, A., Sakiz, A. ve Kabdasli,, M., (2003). ’’Gis Based System
Analysis For Urban Water Characteristics’’a River Basin Research Center, Gifu
University 1-1, Yanagido, Gifu-city 501—1193, Japan, b ITU, Istanbul Technical
University Civil Engineering Faculty, Turkey. c IMECE A.S. Turkey, 239-240.
[22]
Burrough, A. P., and McDonnell, A. R., (1998). Principles of Geographical
Information Systems Oxford Univesity Press.
82
[23]
Department of Environment (DoE),. (1987). Handling Geographic Information.
HMSO, London.
[24]
Parker, H.D., (1988). The unique qualitties of a geographic information system:
a commentary. Photogrammetric Engineering and Remote Sensing, 54: 1547-9.
[25]
Smith, T.R., Menon, S., Starr, J.L, and Estes, J.E, (1987). Requirements and the
principles fort he implementation and construction of large-scale geographical
information systems. International Journal of Geographical Information
Systems, 1: 13-31.
[26]
Sezgin, E., Aksoy, E., (2006). ‘’Uzaktan Algılama ve CBS Teknikleri kullanılarak
Uludağ Üniversitesi Yerleşkesinde Arazi Örtüsü ve Zamansal Değişimlerin
Belirlenmesi’’ Toprak Anabilim Dalı, Bursa, 19.
[27]
Alpaslan, E. ve Divan, N.J., (2002). Uzaktan Algılama ve Coğrafi Bilgi Sistemleri
Teknolojilerinin Birleşimi, Coğrafi Bilgi Sistemleri Bilişim Günleri fatih
Üniversitesi, 13-14 Kasım, İstanbul.
[28]
Schowengerdt, R. A., (1997). Models and Methods for Image Processing,
Academic Press 2 edition, USA., 522.
[29]
Krieger F. J., (1958). Announcement of the First Satellite, Behind the Sputniks
Washington, DC: Public Affairs Press, 311-312.
[30]
Curran P. J., (1989). Principles of Remote Sensing, Longman Scientific &
Technical Series, John Wiley&Sons Inc. (ISBN:0582300975), New York, USA.
[31]
İpbüker, C., (2010). Jeodezi Ders Notları
[32]
Özbalmumcu, M., (1999). “Coğrafi Bilgi Sistemi Oluşturulmasında Kullanılan
Veri Kaynakları Veri Toplama Sistemleri ve Konumsal Veri Toplama
Yöntemlerinin Araştırılması”, Doktora Tezi, Yıldız Teknik Üniversitesi Fen
Bilimleri Enstitüsü, İstanbul.
[33]
Türk, T., , (2004). Uzaktan Algılama (UA) ve Coğrafi Bilgi Sistemleri (CBS)
Kullanılarak Tarım ve Doğal Alanlar Üzerine Kent Baskısının Belirlenmesi-Söke,
Kuşadası ve Davutlar Örneği, Doktora Tezi, Ege Üniversitesi Fen Bilimleri
Enstitüsü, İzmir.
[34]
Önder, M., (1999). Uzaktan Algılama Ders Notları, Kara Harp Okulu, Ankara.
[35]
Üstündağ, Ö., Günek, H., Tonbul ve S., Şengün, T., (2004). Fırat Üniversitesi
Sivrice Meslek Yüksek Okulu, Elazığ. "Uzaktan algılama destekli coğrafi bilgi
sistemleri kullanarak Fırat Üniversitesi Kampus Bilgi Sisteminin oluşturulması"
2-10.
[36]
Sesören, A., (1999). Uzaktan Algılamada Temel Kavramlar, Mart Matbaacılık
Sanatları Ltd. Şti. 126.
[37]
Sabins, F. F., (1997). Remote Sensing Principles and Interpretation, Third
Edition, W. H. Freeman and Company, New York, 494.
83
[38]
Simonett, D.S. and F.T. Ulaby, (1983). Manual of Remote Sensing. Vol II:
Interpretation and Applications. American Society of Photogrammetry,
Sheridan Press, Virginia.
[39]
Baysal, D., (2006). ‘’Eskişehir kentsel yerleşim alanının farklı yıllara ait fiziksel
değişiminin uzaktan algılama yöntemi ile değerlendirilmesi’’ Uzaktan Algılama
ve Coğrafi Bilgi Sistemleri Anabilim Dalı, 5-90.
[40]
Uzuham, (2005). http://www.cscrs.itu.edu.tr/index.tr.php (İTÜ Uydu
Haberleşmesi ve Uzaktan Algılama Merkezi Web Sayfası, Haziran 2005),
İstanbul.
[41]
Erdoğan, M. ve Akdeniz, H., (1999).’’Uzaktan Algılama Amaçlı Uydu
Sistemlerindeki Son Gelişmeler’’ Hrt. Gn. K.lığı, Harita Dergisi Sayı: 132.
[42]
Aksoy, E., (2002). Uzaktan Algılama ve Coğrafik Bilgi Sistemlerine Giriş, Ders
Notları. Uludağ Üniversitesi Ziraat Fakültesi, Bursa, 47.
[43]
Bayburt D., (2009). ‘’Uydu Görüntülerinin Piksel ve Nesne tabanlı Sınıflandırma
Sonuçlarının Karşılaştırılması’’ İstanbul Teknik Üniversitesi Fen Bilimleri
Enstitüsü, 15-16, İstanbul.
[44]
Çelik, H., (2006) ‘’İstanbul Sarıyer İlçesine ait Uzaktan Algılama Uydu Verileri ile
Mekânsal Veri Analizi’’ Çanakkale Onsekiz Mart Üniversitesi Fen Bilimleri
Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı.
[45]
Dağcı, M., Köklü, H.A., (2008). ‘’Uzaktan Algılama ve CBS’de Alternatif uydu
görüntüleri ve Alternatif Yazılımlar’’ TMMOB Harita ve Kadastro Mühendisleri
Odası Ankara Şubesi I. CBS Günleri Sempozyumu 4-17, Ankara.
[46]
Inta Spaceturk, (2006). IKONOS Ürünleri Teknik Özellikleri Brosürü, Inta
Spaceturk, Ankara.
[47]
Lillesand, T.M., and Kiefer, R.W., (1987). Remote Sensing and Image
Interpretation. John Wiley & Sons. New York, 599.
[48]
Doğan, İ., (2008). ‘’Uzaktan Algılama Verileri ile Kıyı Çizgisi Değişiminin
Zamansal Olarak Belirlenmesi; Alaçatı Örneği’’ Yıldız Teknik Üniversitesi FBE
İnşaat Mühendisliği Anabilim Dalı Kıyı ve Liman Mühendisliği, İstanbul.
[49]
Özbalmumcu, M. ve Erdoğan, M., (1998). ‘’Uzaktan Algılama Amaçlı Uydu
Görüntüleme Sistemleri’’ İstanbul.
[50]
Karakış, S., Marangoz, A. M. ve Büyüksalih, G., (2005). “QuickBird PanSharpened Görüntüsü Üzerinden Otomatik Detay Çıkarımı ve Coğrafi Bilgi
Sistemlerine Uygunluğunun Çıkarımı ve Coğrafi Bilgi Sistemlerine Uygunluğunun
Analizi”, 10.Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara.
[51]
Uysal, K., (2004). ’Uzaktan Algılamada Landsat MMS ve Spot Uydu Verielrinin
Kullanımı İle Ayrıntılı Jeolojik Harita Alımı ve Yorumu: Dereboğazı ve Çevresi
Örneği’’ JEOLOJİ MÜHENDİSLİĞİ ANABİLİMDALI ISPARTA, 20-23.
[52]
Lillesand, T. M., Kiefer ve R. W., (1999). Remote Sensing and Image
Interpretation (Fourth edition), John Wiley & Sons, Inc., USA.
84
[53]
ERSDAC, (2003). ASTER Reference Guide (Version 1.0), Japan.
[54]
Abrams, M., (2000). The Advance Spaceborne Thermal Emission and
Reflections Radiometer (ASTER): data products for the high spatial resolution
imager on NASA’s Terra platform. International Journal of Remote Sensing, 21:
847-859.
[55]
Abrams, M., Hook S., (2002) ASTER User Handbook (Version 2), California
[56]
Yastıklı, N., (2009). Ortofoto Ders Notları, Yıldız Teknik Üniversitesi İnşaat
Fakültesi, Harita Mühendisliği Bölümü Fotogrametri Anabilim Dalı. İstanbul.
[57]
Erdoğan, V., (1978). Kent Planlamasında Ortofoto Tekniği, TKGM. 45-59.
[58]
Ecognition user guide, (2004).
[59]
Marangoz, A.M., (2009). ‘’Uydu Görüntülerinden Kentsel Ayrıntıların Nesne
Tabanlı Sınıflandırma Yöntemi ile Belirlenmesi ve CBS Ortamında
Bütünleştirlmesi’’ Yıldız Teknik Üniversitesi FBE Jeodezi ve Fotogrametri
Mühendisliği Anabilim Dalı Uzaktan Algılama ve CBS Programında Hazırlanan
Doktora Tezi, İstanbul, 53-65.
[60]
Baatz, M., Benz, U., Dehghani, S., Heynen, M., Höltje, A., Hofmann, P.,
Lingenfelder, I.,Mimler, M. Scholbach., Weber, M., ve Willhauck, G., (2004).
eCognition Professional: User Guide 5, Definiens-Imaging, Munich.
[61]
Karakış, S., Topan, H., Büyüksalih, G., Marangoz, A. M. ve Jacobsen, K., (2005).
“Semantic Analysis of Space Imagery for Mapping Purposes”, 2nd RAST
Congress, İstanbul.
[62]
Semenderoğlu, A., (1995). ‘’Çevre ve Rekreasyon Planlamsında Alaçatı – Çeşme
Örneği’’ D.E.Ü. Buca Eğitim Fakültesi Coğrafya Eğitimi Bölümü, 9-17.
[63]
Çevre Ekoloji Dergisi, Sayı: 17,Ekim- Kasım- Aralık 1995.
[64]
Temiz, M. S. ve Doğan, S., (2005). “Dijital Görüntülerin Rektifikasyonu: Sensor
Modelleri, Geometrik Görüntü Dönüşümleri ve Yeniden Örnekleme”, TMMOB
Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita Bilimsel Teknik
Kurultayı, Ankara.
[65]
Fogel, D. N., (1997). Image Rectification with Radial Basis Functions:
Application to RS/GIS Data Integration.
[66]
Novak, K., (1992). Rectification of Digital Imagery, Review Article,
Photogrammetric Engineering & Remote Sensing, 58(3): 339-344.
85
ÖZGEÇMİŞ
KİŞİSEL BİLGİLER
Adı Soyadı
: Nilay ÖZDEMİR
Doğum Tarihi ve Yeri
: 1982 İstanbul
Yabancı Dili
: İngilizce
E-posta
: [email protected]
ÖĞRENİM DURUMU
Derece
Alan
Okul/Üniversite
Mezuniyet Yılı
Lisans
İnşaat Mühendisliği
Yıldız Teknik Üniversitesi
2006
Lise
Süper Lise
Süleyman Nazif Lisesi
2000
İŞ TECRÜBESİ
Yıl
Firma/Kurum
Görevi
2010
DHMİ
İnşaat Mühendisi
2008
İMTA Mühendislik
İnşaat Mühendisi
86