kentsel alanlarda ağaçlık ve yeşil alanların uydu

kentsel alanlarda ağaçlık ve yeşil alanların uydu

KENTSEL ALANLARDA AĞAÇLIK VE YEŞİL ALANLARIN UYDU
GÖRÜNTÜLERİNDEN NESNE-TABANLI ÇIKARIMI VE COĞRAFİ
BİLGİ SİSTEMLERİNE ENTEGRASYONU
Aycan Murat MARANGOZ, Serkan KARAKIŞ, Hakan AKÇIN, Murat ORUÇ
Zonguldak Karaelmas Üniversitesi, Müh. Fak., Jeodezi ve Fot. Müh. Bölümü, Zonguldak
(aycanmarangoz,jeodezi,hakanakcin)@hotmail.com, [email protected]
ÖZET
Günümüzde uzaktan algılama teknolojilerindeki gelişim, yüksek çözünürlüklü uydu görüntülerinin bir
çok amaç için kullanımına olanak tanımaktadır. Bunun dijital fotogrametriye yansıması olarak, farklı
görüntü işleme yöntemlerinin de ortaya çıkmasına neden oldu. Bu bağlamda nesne-tabanlı görüntü
analizi günümüzde özellikle detay çıkarımı için gerekli hale gelmiştir. Nesne-tabanlı görüntü
analizinde, sadece piksel gri değerleri değil, birbiriyle ilişkili piksellerin oluşturduğu segmentlerin
görüntüde ayırt edilebilmesini sağlayacak uzaysal ve yapısal bilgiler de kullanılmaktadır. Bu açıdan
piksel tabanlı görüntü analizlerine kıyasla çok daha olumlu sonuçlar elde edilebilmektedir.
Bu çalışmada, test alanı olarak, oldukça değişken bir topoğrafyaya sahip olan Zonguldak metropolitan
alanı seçilmiştir. Öncelikle Zonguldak bölgesini kaplayan yüksek çözünürlükteki Quickbird pansharpened uydu görüntüsü üzerinden birçok farklı sınıfı içeren bir bölge seçilerek segmentlere
ayrılmış, bu segmentlerden bitki örtüsü sınıfına dahil olacak detaylar için uygun fonksiyonlar
belirlenmeye çalışılmıştır. Yazılım olarak eCognition v4.0.6 programı kullanılmıştır. Sonuçta görüntü
üzerinden, seçilen fonksiyonlara uygun segmentlerle bitki örtüsü sınıfı oluşturulmuştur.
Sınıflandırma sonuçları, kullanılan yazılımın bir özelliği olarak vektör bilgiye çevrilmiş ve sonuç
detayların CBS ortamında analizi yapılmıştır. Yapılan analizlerden, 1 milyon m2 büyüklüğe sahip test
alanının elle nesne çıkarımıyla 340827 m2’sinin, yani %34’ünün ağaçlık ve yeşil alanla kaplı olduğu
belirlenmiştir. Otomatik çıkarımda ise bu alanların 315301 m2 olduğu hesaplanmış ve buna göre elle
nesne çıkarımının %93’ünün otomatik olarak da çıkarılabildiği saptanmıştır.
Anahtar Kelimeler: Quickbird uydu görüntüsü, Ağaçlık ve Yeşil Alan, Segmentasyon, Nesne-tabanlı
Görüntü Analizi, Sınıflandırma, Coğrafi Bilgi Sistemi.
GİRİŞ
Günümüz modern kentleri için önemli araştırma konularından biri, kent dokusu içindeki ağaç ve
yeşillik alanların varlığının kayıt altına alınması, arazi yüzeyi üzerinde kapladığı alan miktarının
belirlenmesi ve zamansal değişimlerinin ortaya konulmasıdır. Böylece bu analizler sonucunda,
kent dokusu içinde yeni park alanlarının planlanması ve bu alanlarda yeni düzenlemelerinin
yapılabilmesi de sağlanmış olacaktır.
Bu yönde bir araştırma için en hızlı ve etkin yöntem ise, gelişmiş uydu teknolojilerinden
yararlanarak coğrafi tabanlı bir bilgi sistemi altında uygulamaların gerçekşeştirilmesidir. Bugün
için kentsel alanların yüksek çözünülürlüklü renkli ve yakın kızılötesi görüntüleri üzerinden
çalışabilmek olasıdır. Ayrıca ele alınan bu görüntüler üzerinden otomatik ve elle nesne çıkarımı
da söz konusu olmakla birlikte bunların bir Coğrafi Bilgi Sistemi (CBS) yazılımı altında
analizleri de gerçekleştirilebilmektedir.
2
Bu çalışmada, Zonguldak Metropolitan Alanı’nı içeren yüksek çözünürlükteki Quickbird pansharpened uydu görüntüsünden belirlenen bir test alanındaki ağaç ve yeşil alanlar içeren bölgede
otomatik ve elle nesne çıkarımı yapılmış, sentetik alanlardan bu bölgenin ayırımı sağlanarak, bu
yöntemlerin ağaç ve yeşillik alanların çıkarımındaki potansiyeli incelenmiştir. Yapılan analizler
sonucunda, karşılaşılan problemler ortaya konmuş ve çözüm önerileri geliştirilmiştir.
TEST ALANI VE GÖRÜNTÜ VERİSİ
Zonguldak test alanı, Türkiye’nin Kuzeybatısında yer alan, Kuzeyinde Karadeniz ve Güneyinde
ormanlık alanlar arasında dar bir sahil şeridine kurulmuş bir endüstri şehridir. Bölge; bir
madencilik, demir-çelik ve orman endüstri merkezidir. Ancak, yıllar boyu maden sektörünün de
getirdiği kısıtlamalar ile kentsel alan açısından ve konut sayısı açısından fazlaca
genişleyememiştir. Alan oldukça engebeli, değişken bir topoğrafyaya sahiptir. Şehir bir tarafında
denizle iç içeyken diğer tarafında yer yer 800 metre yüksekliğe varan sık ormanlarla kaplı
dağlarla çevrilidir.
Bu test alanında kullanılan görüntü, Digital Globe isimli özel bir A.B.D. şirketi tarafından
çalıştırılan Quickbird uydusuna aittir. Quickbird verisinden, pankromatik bant için 0.61m’lik,
multispektral bantlar içinse 2.44m’lik çözünürlükte görüntüler elde edilmektedir. Standart
işlenmiş ürünler için, pan 0.70m (0.73m.-30° off-nadir) ve multispektral bantlar ise
3.0m (2.9m.-30° off-nadir) çözünürlük sunmaktadırlar (Nik İnşaat Tic. Ltd. Sti. İnternet Sitesi,
2005). Kullanılan Quickbird uydu görüntüsünün metadata (başlık) dosyalarındaki önemli
özellikleri Tablo 1’de verilmiştir.
Tablo 1: Çalışma alanına ait Quickbird uydu görüntüsünün özellikleri.
23/05/2004,
Gün, Zaman
08:39:55 GMT
61.0
Nominal azimut (derece)
85.9
Nominal yükseklik açısı (derece)
139.1
Güneş azimutu (derece)
64.7
Güneş yükseklik açısı (derece)
3.9
Nadir açısı (derece)
Görüntü boyutu (piksel: satır 24.572 x 25.500
sütun)
265.66
Referans yüksekliği (m)
Mayıs 2004’te çekilen görüntünün ağaç ve yeşillik alan sınıfını içeren bir bölümü Şekil 1’de
gösterilmiştir. Ortalama 450m yüksekliğe sahip ve yaklaşık 15×15 km’lik bir alanı kaplayan
Quickbird görüntüsünün üst kısımlarında Karadeniz sahili uzanmakta ve bu görüntünün diğer
kısımlarında Zonguldak’ın merkezi yerleşimi bulunmaktadır. Görüntü, ilk alındığı zaman,
düzenli bir şekilde yayılmış uygun YKN (yer kontrol noktası) seçimi için analiz edilmiştir. Bu
belirleme sonucunda, 43 farklı YKN GPS ölçmeleri ile yaklaşık 3 cm doğrulukla ölçülmüştür.
Bu noktaların görüntü üzerinde çok iyi görülebilir olmasından dolayı, noktalar, bina köşeleri,
kavşaklar vb. olarak seçilmiştir. Quickbird görüntüsünün yüksek çözünürlüğünden dolayı, birçok
kültürel özellikler tanınmış ve YKN olarak kullanılmıştır. YKN’nın görüntü koordinatlarının
ölçülmesi, PCI Geomatica-Orto Engine yazılımının YKN Ölçme Arayüzü (GCP Collection
Tool) ile gerçekleştirilmiştir.
3
Şekil 1: Test alanının Quickbird pan-sharpened görüntüsü.
Kullanılan görüntü, eCognition yazılımına aktarılmadan önce PCI yazılımındaki pan-sharpening
metodu uygulanarak geliştirilmiştir. Bu metod, görüntünün yüksek uzaysal çözünürlülüğü ile
sensörlerin spektral karakteristiklerinden yararlanmayı sağlar. Böylece, dört spektral Quickbird
kanallarının (2.44m çözünürlüklü) birinci ana bileşeni yerine, 0.61m çözünürlüklü Quickbird
pankromatik kanalı kullanılmıştır. Daha sonra ana bileşenlerin yeni kombinasyonu, ters temel
bileşenlerin transformasyonu uygulanarak tekrar dönüştürülmüştür (Karakış ve diğerleri, 2005).
UYDU GÖRÜNTÜLERİNDEN AĞAÇLIK VE YEŞİL ALANLARIN ÇIKARIMI
Günümüz yüksek çözünürlüklü uydu görüntüleri, kullanıcılar için pankromatik, renkli ve yakın
kızılötesi bantlar içerecek şekilde düzenlenmektedir. Bu görüntülerin özellikle ağaç ve yeşillik
alanların belirlenmesinde kullanımı için;
•
•
•
Pankromatik görüntülerin otomatik nesne çıkarımında başarı düzeyinin düşük olduğu,
elle nesne çıkarımında ise başarı düzeyinin orta seviyelerde olduğu,
Renkli görüntülerin; otomatik ve elle nesne çıkarımında yeşil alan dokusu için biyolojik
ve sentetik ayrımının yapılamadığı, gölgelik alanlarda ve yoğun yapılar arasındaki ağaç
ve yeşillik alanların belirlenemediği,
Yakın kızılötesi bant eklenmiş renkli görüntülerle, başarı düzeyi yüksek otomatik ve elle
nesne çıkarımının sağlanması
söz konusudur. Bu bağlamda, geniş alanları kaplayan kent dokusu içerisinde güncel
uygulamaların etkin ve hızlı biçimde ele alınmasına olanak sağlayacak yöntemler aşağıda
anlatılmıştır.
4
Elle Nesne Çıkarımı Yaklaşımı
Bilgisayar teknolojisindeki gelişmeler sayesinde, tabletlerle yapılan sayısallaştırma işlemi
interaktif hale gelmiştir. Kullanılan yazılımlar yardımıyla uydu görüntüsü üzerinde bulunan ilgili
detaylar, ekran üzerinde takip edilebilmekte ve vektörleştirme işlemi imleç yardımıyla
yapılabilmektedir. Sonuçta, kullanıcı tarafından yaratılan birçok katmandan oluşan sayısal nesne
çıkarımları, istenen topoloji kurularak ve editlenmesi yapılarak kolayca üretilebilmektedir.
Ele alınan bu çalışmada, kullanılan Quickbird uydu görüntüsü üzerinde bant
kombinasyonlarından yararlanarak, yakın kızılötesi bandın görünümü gerçek yeşil banda baskın
hale getirilmiş ve vektörleştirme işlemi için en ideal ortam sağlanmıştır. Bu görüntü üzerinde
gölge ve diğer görüntü kayıpları en aza indirgenerek ilgili nesnelerin sınırları üzerinden vektör
geçirilerek ağaçlık ve yeşil alanların çıkarımı sağlanmıştır. Şekil 2’de test alanının yakın kızıl
ötesi banttaki gerçek ve yapay kızılötesi görüntüsü, Şekil 3’te ise bu görüntü üzerinden elle
çıkartımlar görülmektedir.
Şekil 2: Test alanının gerçek ve yapay yakın kızılötesi görüntüleri.
Şekil 3: Test alanı üzerindeki ağaçlık ve yeşil alanların elle çıkarımı.
5
Nesne-Tabanlı Otomatik Çıkarım Yaklaşımı
Nesne-tabanlı yaklaşım, yapıyı, dokuları ve spektral bilgileri birlikte dikkate alan bir yöntemdir.
Bu yaklaşımda sınıflandırma aşaması, komşu piksellerin gruplandırılmasının, sınıflandırmanın
sonraki basamağında ele alınabilir anlamlı bölgelere dönüştürülmesi 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 (Hofmann, 2001a, b, c).
Test alanı için yapılan otomatik nesne çıkarımı yaklaşımında öncelikle segmentasyon için
parametreler seçilmiştir. Tablo 2’de, eCognition yazılımına girilen segmentasyon katmanlarına
ilişkin bu parametreler verilmiştir.
Spektral
Farklılık
Tablo 2: Segmentasyon katmanlarına ilişkin parametreler.
Katman
1
2
3
4
5
10
20
30
40
40
Ölçek par.
0.5
0.5
0.5
0.5
Renk
0.5
0.5
0.5
0.5
Biçim
0.5
0.5
0.5
0.5
Yumuşaklık
0.5
0.5
0.5
0.5
Bütünlük
Normal Normal Normal Normal
Seg. modu
Yukarıdaki tabloda görüldüğü gibi, segmentasyon 5 ayrı katmanda yapılmış ve bunlardan en
uygun nesnel yapıyı üçüncü katmanın verdiği belirlenmiştir. Bu aşamada, sadece yeşil alan sınıfı
oluşturulmuş ve uygun üyelik fonksiyonları atanmıştır. Şekil 4’te ele alınan üyelik fonksiyonları
verilmiştir. Bu fonksiyonların seçilmesinde alanların net olarak ortaya konulması için kapalı
fonksiyonlar ele alınmıştır. Ayrıca fonksiyonların alt ve üst sınırları kırmızıya ve maviye duyarlı
yansıma değerleri kullanılmıştır. Bunun nedeni, ağaç ve yeşil alan nesnelerinin yakın kızılötesi
bant için seçilen fonksiyona verdiği tepkiye ek olarak, diğer nesne gruplarının bu fonksiyona
verdiği tepkiyi kısıtlamaktır.
a
b
Şekil 4: Sınıflandırma için ele alınan üyelik fonksiyonları; a)Yakın kızılötesine duyarlı olan
nesnelerin sınıfa dahil edilmesi, b) Bu sınıfa dahil olmaması gereken yol, bina vb. nesnelerin
diğer spektral yansıma bilgileriyle sınıftan çıkartılması.
6
Bu segmentasyon parametreleri ve üyelik fonksiyonları ele alınarak oluşturulmuş ağaç ve yeşil
alan nesne grupları Şekil 5’de verilmiştir.
Şekil 5: Otomatik olarak çıkartılmış ağaç ve yeşil alan nesneleri.
CBS TABANLI ANALİZLER
CAD tabanlı elle nesne çıkarımı ve otomatik nesne çıkarımı sonuçları Mapinfo CBS yazılımına
aktarılarak ilgili nesnelerin test alanı yüzeyi üzerinde kapladığı alan miktarları hesaplanmış,
ayrıca bu görüntüler üst üste çakıştırılarak otomatik çıkarımın elle çıkarıma göre farkı ortaya
konmuştur.
Yapılan analizlerden, 1 milyon m2 büyüklüğe sahip test alanının elle çıkarımla 340827 m2’sinin,
yani %34’ünün ağaç ve yeşil alanla kaplı olduğu belirlenmiştir. Otomatik çıkarımda ise bu
alanların 315301 m2 olduğu hesaplanmış ve buna göre elle çıkarımın %93’ünün otomatik olarak
da çıkarılabildiği saptanmıştır. Şekil 6’da CBS ortamında elle ve otomatik çıkarımın çakıştırılmış
görünümü (altta koyu renk elle çıkarım, üstte açık renk otomatik çıkarım şeklinde) verilmiştir.
7
Şekil 6: CBS ortamında elle ve otomatik çıkarımların çakıştırılmış hali.
SONUÇ VE ÖNERİLER
Kentsel alanlardaki ağaçlık ve yeşil alanların, yüksek çözünürlüklü uydu görüntüleri kullanılarak
elle ve otomatik nesne çıkarımına yönelik gerçekleştirilen bu çalışmada; pankromatik
görüntülerin ilgili nesne grubunun çıkarımı için yeterli olmadığı görülmüştür. Çekim açısı büyük
olan renkli yüksek çözünürlüklü görüntülerde ise bilgi kayıpları fazla olduğundan uygulamada
kullanılmamıştır. Test alanı için, amaca uygun kriterlere sahip ve mevcut olan Quickbird renkli
görüntüsü üzerinden araştırmalar gerçekleştirilmiştir.
Her iki nesne çıkarımı yaklaşımında da biyolojik ve sentetik yeşil yapıların ayrımını ve bilgi
kayıplarını en aza indirgemeye yönelik olarak yakın kızılötesi bantla zenginleştirilmiş görüntü
üzerinden nesne çıkarımları gerçekleştirilmiştir. Örneğin, sentetik yeşil halıyla kaplı bir futbol
sahasının diğer doğal yeşil nesnelerden ayrımı bu sayede gerçekleştirilmiştir (Şekil 7). Eğer
nesne çıkarımları normal renkli görüntü üzerinden yapılacak olursa, özellikle otomatik
çıkarımlarda bu ayırıma gidilmesi söz konusu olamayacaktır.
a
b
c
Şekil 7: Sentetik halı kaplı bir saha ve yeşil boyalı bir tenis kortunu içeren bir alanın;
a) Normal renkli görüntüsü, b) Yakın kızılötesi ile zenginleştirilmiş normal renkli görüntüsü,
c) Yakın kızılötesi ile zenginleştirilmiş yapay renkli görüntüsü.
8
Otomatik nesne çıkarımlarında ayrıca, elle çıkarıma göre %7’lik bir bilgi kaybı söz konusu
olmuştur. Bunun nedeni gölgelenme ve diğer nesne gruplarının ağaç ve yeşillik alanlarla
karışmasını engellemek için üyelik fonksiyonlarının belirli değerler arasında sınırlı
tutulmasından ileri gelmektedir. Bu eksikliği gidermeye yönelik olarak, oluşan otomatik
segmentasyona sınıflama aşamasında elle müdahale edilerek düzenlenebilir ve daha yüksek
verimli sonuçlar alınabilir (Şekil 8).
Şekil 8: Otomatik olarak çıkartılamayan nesne sınıfına elle müdahale sonucu doğal sınıf
nesnesinin oluşturulması.
KAYNAKLAR
Akçın, H., Marangoz, A. M., Karakış, S. ve Şahin, H., 2004. ‘Zonguldak Ormanlık Alanlarındaki
Kaçak Yapılaşmanın Uydu Görüntülerinden Otomatik Nesne Çıkarımı Yapılarak Cbs İle
Analizi’. 3. CBS Günleri Bilişim Günleri Bildiriler Kitabı, 6-9 Ekim 2004, Fatih
Üniversitesi, İstanbul.
Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I. ve Heynen, M., 2003. ‘MultiResolution, Object-Oriented Fuzzy Analysis of Remote Sensing Data for Gis-Ready
Information’. ISPRS Journal of Photogrammetry & Remote Sensing, p.239-258
eCognition User Guide 3., 2003. Definiens Imaging. p.3.2-108
Hofmann, P., 2001a. ‘Detecting Buildings and Roads from Ikonos Data Using Additional
Elevation Information’.GIS Geo-Information-System, 6/2001.
9
Hofmann, P., 2001b. ‘Detecting Informal Settlements from Ikonos Image Data Using Methods
of Object Oriented Image Analysis - An Example From Cape Town (South Africa)’.
Jürgens, Carsten (Editor): Remote Sensing of Urban Areas/ Fernerkundung in urbanen
Räumen. (=Regensburger Geographische Schriften, Heft 35), Regensburg.
Hofmann, P., 2001c. ‘Detecting Urban Features From Ikonos Data Using an Object-Oriented
Approach’. In: RSPS 2001, Geomatics, Earth Observation and the Information Society,
2001
Marangoz, A. M., Oruç, M. ve Büyüksalih, G., 2004. ‘Object-Oriented İmage Analysis and
Semantic Network for Extracting The Roads and Buildings from Ikonos Pan-Sharpened
Images’. Proceedings of the XXth Congress of International Society for Photogrammetry
and Remote Sensing, 12-23 Haziran, İstanbul, Türkiye.
Karakış, S., Marangoz, A. M. ve Büyüksalih, G. 2005. ‘Quickbird Pan-Sharpened Görüntüsü
Üzerinden Otomatik Detay Çıkarımı ve Coğrafi Bilgi Sistemlerine Uygunluğunun
Analizi’. TMMOB Harita ve Kadastro Mühendisleri Odası 10. Türkiye Harita Bilimsel ve
Teknik Kurultayı Bildiriler Kitabı, Mart 2005, Ankara.
Nik
İnşaat Tic. Ltd. Sti İnternet Sitesi, 2005. Quickbird
http://www.nik.com.tr/new/yazilimlar/uydular/ quick.htm, 10 Mart 2005.
2
Uydusu,
Digital
Globe İnternet Sitesi, 2005. QuickBird Imagery Products-Product Guide,
http://www.digitalglobe.com /downloads/QuickBird Imagery Products - Product
Guide.pdf, 10 Mart 2005.
eCognition Yazılımı İnternet Sitesi, 2005. Yayınlar-Haziran 2004, http://www.definiensimaging.com/documents /reference.htm, 1 Mart 2005.