İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ ... · sahip bitki örtüsü...
Transcript of İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ ... · sahip bitki örtüsü...
İSTANBUL TEKNİK ÜNİVERSİTESİ * FEN BİLİMLERİ ENSTİTÜSÜ
UZAKTAN ALGILAMADA BENZER SPEKTRAL ÖZELLİKLERE
SAHİP DOĞAL NESNELERİN AYIRT EDİLMESİNE YÖNELİK BİR
METODOLOJİ GELİŞTİRME
İsmail ÇÖLKESEN
501102602
Doktora Tez Önerisi
Anabilim Dalı: Geomatik Mühendisliği
Tez Danışmanı :
Prof. Dr. Tahsin YOMRALIOĞLU
Tez İzleme Jürileri:
Prof. Dr. Taşkın KAVZOĞLU
Doç. Dr. Arif Çağdaş AYDINOĞLU
Kasım 2012
2 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
İÇİNDEKİLER
1 GİRİŞ 1
2 PROBLEM TANIMI 2
3 ÇALIŞMANIN AMACI 4
4 LİTERATÜR TARAMASI 5
5 METEDOLOJİ 6
5.1. Ön hazırlık çalışmaları………………………………………………………………….. 8
5.2. Saha çalışmaları, mevcut veri/bilgi analizi ………………………………….………….. 8
5.3. Uzaktan algılanmış görüntülerin temini…………………………………………………. 9
5.4. Uydu görüntülerinin ön işlemesi………………………………………………………… 10
5.5. Görüntü sınıflandırma yöntemleri……………………………………………………… 10
5.5.1. En çok benzerlik (EÇB) yöntemi………………………………………………... 11
5.5.2. Destek vektör makineleri (DVM) yöntemi……………………………………… 11
5.5.3. Yapay sinir ağları (YSA) yöntemi……………………………………………….. 12
5.5.4. Karar ağaçları (KA) yöntemi…………………………………………………….. 13
5.6. Sınıflandırma Sonuçlarının Analizi……………………………………………………… 14
6 ZAMAN ÇİZELGESİ 18
KAYNAKLAR 19
3 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
1 GİRİŞ
Yeryüzü ile ilgili yapılan çalışmaların başarısı kullanılacak bilginin doğruluğu ve güvenirliği ile
yakından ilişkilidir. Bununla birlikte söz konusu bilgilerin hızlı ve ekonomik bir şekilde elde
edilebilmesi önemli bir ihtiyaçtır. Bu noktada uzaktan algılama teknolojileri sahip olduğu önemli
avantajlar ile yeryüzünde meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal
kaynaklara ilişkin envanterlerin oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için
önemli bir veri kaynağı konumundadır. Cisimlerle direkt temas etmeden fiziksel özellikleri hakkında
bilgi elde etme bilimi olarak tanımlanan uzaktan algılama tekniği ile yeryüzünün farklı konumsal,
spektral, radyometrik ve zamansal çözünürlüklerde görüntülenmesi ve izlenmesi mümkün
olabilmektedir. Sahip olduğu bu önemli özellikler, uzaktan algılama teknolojilerini yeryüzünde
meydana gelen yapay ve doğal değişiklerin izlenmesi, mevcut doğal kaynaklara ilişkin envanterlerin
oluşturulması gibi küresel veya yerel ölçekli birçok çalışma için önemli bir araç durumuna getirmiştir.
Uzaktan algılama sistemleri kullanıcılara strateji belirleme ve zamanında karar verme olanakları da
sağlamaktadır. Uydu görüntüleri farklı amaçlarla kullanılabilmekte ve aynı bölgede farklı ölçeklerde
çalışmaların aynı zamanda yapılabilmesine mümkün olmaktadır. Yeryüzünün düzenli olarak
izlenmesi, kontrolü ve ulaşımı zor coğrafi bölgelerde çalışabilme imkânı uzaktan algılama
teknolojisinin diğer önemli avantajları olarak sıralanabilir.
Son zamanlarda objelerin ayırt edilebilirliklerini arttırarak daha iyi sonuçlar elde etmek amacıyla
hiperspektral olarak adlandırılan onlarca banta sahip yeni algılayıcı sistemler geliştirilmiştir. Objelerin
spektral karakteristikleri hiperspektral uydu görüntüleri ile daha detaylı şekilde belirlenebilmektedir.
Hiperspektral görüntüler yardımıyla madencilik, jeoloji, ormancılık, ziraat ve çevre yönetimi ile ilgili
birçok uygulamada doğruluğu yüksek sonuçlar elde etmek mümkün olabilmektedir. Toprak ve kayaç
türlerinin tespiti ve ayırt edilmesi, orman türlerinin belirlenmesi, tarım ürünlerinin gelişimlerinin
izlenmesi, maden kaynaklarının belirlenmesi gibi birçok uygulamada hiperspektral görüntüler
başarıyla kullanılmaktadır.
Uzaktan algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi de uydu
görüntüleri yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının
üretilmesidir. Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin
korunması açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi
için en yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü
sınıflandırma işleminin esası; görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden
belirlenen arazi örtüsü sınıflarıyla karşılaştırılarak benzer olduğu bir sınıfa atanması olarak ifade
edilebilir. Uzaktan algılamada uydu görüntülerinin sınıflandırılmasında kontrollü ve kontrolsüz
sınıflandırma olarak bilinen iki yaklaşım vardır. Kontrolsüz sınıflandırma genellikle arazi hakkında
herhangi bir ön bilgiye sahip olunmadığında veya arazi hakkında bir ön bilgi elde etmek için
4 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
kullanılan bir yaklaşımdır. Bu yöntemde görüntü piksellerinin sahip olduğu spektral özellikler
kullanılarak benzer özelliklere sahip pikselle bir araya toplanarak sınıflar oluşturulur. Kontrollü
sınıflandırmada ise, sınıflandırma öncesinde tüm görüntüyü temsil eden ve sınıfları belli olan
piksellerden sınıflara ait spektral özelliklerin çıkarımı ve bu bilgiler ışığında tüm görüntünün
sınıflandırılması söz konusudur. Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve
yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir.
Bu yöntemlerden başlıcaları en çok benzerlik, paralel kenar, en yakın komşuluk, bulanık mantık
algoritmaları, yapay sinir ağları, destek vektör makineleri, karar ağaçları olarak sıralanabilir.
2 PROBLEM TANIMI
Yeryüzü üzerindeki objelerin uzaktan algılama teknolojileri ile ayırt edilebilmelerinin en önemli
nedeni, söz konusu objelerin farklı spektral özelliklere sahip olmasıdır. Uzaktan algılama sistemleri,
seçilen dalga boyu bantlarında yer yüzeyindeki cisimlerden yansıyan ve yayılan enerji miktarlarını
kayıt etmektedir. Daha sonra elde edilen bu veriler yeryüzü üzerindeki objelerin yorumlanması ve
analizi için kullanılmaktadır. Uzaktan algılanan verilerin bilgisayar ortamında analiz edilebilmesi için
objelerin spektral özelliklerinin bilinmesi gerekmektedir. Bu nedenle çalışma sahasında yer alan bitki
örtülerinin, toprağın, suyun ve ilgilenilen diğer yer yüzeyi objelerinin spektral özelliklerinin tespiti,
uzaktan algılanan verilerin uygun bir şekilde analizi ve yorumlanması açısından son derece önemlidir.
Uzaktan algılanmış görüntüler üzerinden yeryüzündeki objelerin ayırt edilmesinde yaşanan en
büyük problem benzer spektral özelliklere sahip objelerin ayırt edilmesinde yaşanmaktadır. Şekil1’de
benzer spektral özelliklere sahip fındık, geniş yapraklı orman, iğne yapraklı orman ve bozkır alanları
için 2005 tarihli Quickbird görüntüsü üzerinden belirlenen test alanlarının spektral özellikleri
görülmektedir. Şekilden de görüleceği üzere özellikle görünür bölgeyi temsil eden 1., 2. ve 3. bantlar
kullanılarak söz konusu bitki türlerinin Quickbird görüntüsü ile ayırt edilmesi güçleşmektedir. Bu
nedenle, özellikle görünür ve kızıl ötesi bölgede benzer spektral özellikler sergileyen bitki türlerinin
ayırt edilmesinde arazide gerçekleştirilecek spektral ölçümler büyük önem arz etmektedir. Farklı obje
türleri için spektral kütüphanelerin oluşturulmasında spektroradyometre cihazları kullanılmaktadır.
Spektroradyometrik yöntemler, herhangi bir objeden yansıyan enerjinin reflektans, radyans ya da
irradyans değerlerinin ölçümüne dayanmaktadır. Burada radyasyon kaynağı olarak güneş ya da yapay
ışık kaynakları kullanılabilmektedir. Spektroradyometrik yöntemlerin esası, objelerin elektromanyetik
bölgelerde kendine özgü yansıma (reflectance/radiance) değerlerinin bulunmasına dayanmaktadır. Bu
yansıma değeri objeye renk, doku ve parlaklık gibi özellikleri veren kimyasal yapısından
kaynaklanmaktadır. Spektral ölçümler sonucunda elde edilen bilgiler bir obje türünün spektrumun
hangi dalga boyu aralığında diğer obje türlerinden farklı davranış gösterdiğinin belirlenmesinde
önemli rol oynamaktadır. Spektral ölçümler sonucu farklı bitki türleri için spektral kütüphaneler
oluşturulmakta ve uydu görüntüleri üzerindeki karışık piksellerin ayırt edilmesi gibi problemlerin
5 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
çözümünde başarıyla kullanılmaktadır. Bu bağlamda farklı obje türleri için spektral kütüphanelerin
oluşturulması uydu görüntüsünün sınıflandırılmasında ve doğruluğu yüksek tematik harita üretiminde
önemli bir altlık niteliğindedir.
Şekil 1. Benzer spektral özelliklere sahip bitki türlerinin Quickbird görüntüsündeki yansıma
değerleri.
Bununla birlikte benzer spektral özelliklere sahip objelerin ayırt edilmesinde ve karışık piksel
probleminin çözümünde hiperspektral algılayıcıların kullanılması büyük avantajlar sağlamaktadır.
Hiperspektral algılayıcılar elektromanyetik spektrumun görünür bölgesinden kızılötesi bölgeye kadar
olan kısmında çok küçük dalga boyu aralıklarında yüzlerce spektral bantta veri toplayabilmektedir.
Hiperspektral görüntülerde söz konusu yüksek spektral çözünürlük sayesinde yeryüzü objeleri
arasındaki spektral benzerlikler, değişimler ve farklılıklar standart görüntü algılayıcılarına oranla daha
yüksek bir başarımla tespit edilebilmektedir. Arazide gerçekleştirilen spektral ölçümler ve oluşturulan
spektral kütüphaneler ile ilişkilendirilen hiperspektral görüntülerin sınıflandırılması sonucunda ise
yüksek doğruluğa sahip farklı bitki türlerine ait tematik haritalar üretilebilmektedir.
Hiperspektral görüntüler yüksek sayıda spektral banttan oluşmaktadır. Bu durum neticesinde
fazlalık ya da yüksek kolerasyona sahip bantlar dikkate alınmakta ve sınıflandırma doğruluğu
düşebilmektedir. Bununla birlikte yüksek boyutlu verilerle yapılan sınıflandırma işleminde boyutun
artmasına paralel olarak belirli bir noktadan sonra sınıflandırma doğruluğunun düştüğü bilinmektedir.
Yüksek boyutlu verilerde ortaya çıkan bu durum Hughes fenomeni veya boyutsallık (curse of
dimensionality) problemi ile açıklanmaktadır (Hughes,1968; Mianji and Zhang, 2011). Bu nedenle
6 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
hiperspektral verilerin değerlendirilmesi aşamasında hem işlem yükünün azaltılması hem de
boyutsalllık probleminin önüne geçilerek sınıflandırma doğruluğunun arttırılması amacıyla boyut
indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral görüntülerde boyut azaltılması ya da
indirgemesi (feature selection) bant seçimi veya özellik çıkarımı olarak bilinen yaklaşımlarla
gerçekleştirilmektedir (Serpico et al., 2003; Pal and Foody 2010).
Uydu görüntüleri üzerinden yeryüzü ile ilgili yararlı bilgilerin elde edilmesi en yaygın olarak
kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Uydu görüntülerinin sınıflandırılması
sonucunda yeryüzünün çeşitli özelliklerini gösteren tematik haritalar üretilmektedir. Söz konusu
haritaların doğruluğu ve güvenirliği birçok çalışma için kritik bir öneme sahiptir. Sınıflandırma
sonuçlarını ve dolayısıyla üretilen tematik harita doğruluğunu etkileyen faktörlerin başında
sınıflandırmada kullanılacak yöntem ve veri gelmektedir. Günümüze kadar uydu görüntülerinin
sınıflandırılması ve tematik harita üretiminde birçok yöntem kullanılmış ve çeşitli derecelerde
başarılar elde edilmiştir. Söz konusu yöntemlerden istatistiksel tabanlı algoritmalar (en çok benzerlik,
paralel kenar vb.) belirli istatistiksel kabullere dayalı işlem yapmakta dolayısıyla spektral ayrımın zor
olduğu karışık pikselleri içeren görüntülerin sınıflandırılmasında ve sınırlı sayıda eğitim alanının
belirlenemediği problemlerin çözümünde düşük doğrulukta sonuçlar üretmektedir. Bu zayıflıkları
ortadan kaldırmak amacıyla son dönemde daha güçlü sınıflandırma yaklaşımları (yapay sinir ağları,
karar ağaçları, destek vektör makineleri vb.) ile uydu görüntülerinin sınıflandırılması konusunda
yoğun çalışmalar yürütülmektedir.
3 ÇALIŞMANIN AMACI
Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve
görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması
probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Bu amaç
doğrultusunda arazide gerçekleştirilecek spektroradyometre ölçümleri ile benzer spektral özelliklere
sahip bitki örtüsü türleri için spektral kütüphane oluşturulması öngörülmektedir. Spektral ölçümler
sonucu elde edilen spektral kütüphane yardımıyla bitki türlerinin ayırt edilebildiği en uygun spektral
dalga boyu aralıkları tespit edilerek analiz edilecektir. Bu bağlamda, oluşturulan bu spektral kütüphane
multispektral ve hiperspektral uydu görüntüleri ile ilişkilendirilerek farklı bitki türlerinin yüksek
doğrulukta sınıflandırıldığı tematik haritalar üretilecektir. Sınıflandırma ve tematik harita üretimine
esas veri seti olarak multispektral klasik Landsat uydu görüntülerinin yanında 8 spektral banda sahip
yüksek konumsal çözünürlüklü tek uydu olan WorldView-2 uydu görüntüsü kullanılacaktır.
Hiperspektral uydu görüntüsü olarak 220 spektral banda sahip EO-1 Hyperion ve 63 spektral banda
sahip CHRIS Proba görüntüleri kullanılacaktır. Hiperspektral görüntüler için boyut indirgeme işlemini
gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer
ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme
7 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
algoritmaları kullanılacaktır. Multispektral ve hiperspektral uydu görüntülerinin sınıflandırılması
amacıyla son yıllarda birçok sınıflandırma probleminin çözümünde başarıyla kullanılan yapay sinir
ağları, destek vektör makineleri ve karar ağaçları yöntemleri kullanılacaktır. Sınıflandırma sonucu elde
edilen haritaların doğruluk analizleri için hata matrislerinden elde edilecek standart doğruluk
ölçütlerinin yanı sıra Z-test ve McNemar’s gibi istatistiksel testler kullanılarak doğruluk
değişimlerindeki anlamlılık düzeyleri analiz edilecektir.
4 LİTERATÜR TARAMASI
Uzaktan algılama verileri ile ormancılık, tarım, jeoloji, doğal kaynak, arazi örtüsü tespiti, arazi
yönetim planları için altlık oluşturulmaktadır (Liu et al., 2006; Rokade et al., 2007; Hu et al., 2010;
Kunwar et al., 2010, Royer et al., 2011). Kent gelişimi, kaçak yapı tespiti, orman ve doğal yapıların
uğradığı zararların tespiti, afet bilgi sistemleri, kent bilgi sistemleri vb. birçok uygulama sahalarında
uzaktan algılanmış görüntüler bölgeye ait bir veri tabanı oluşturulmasında kullanılabilmektedir
(Silvestri and Omri, 2008; Tang et al., 2009; Jha et al., 2009; Du et al., 2009; Zhang et al., 2010).
Uzaktan algılama teknolojileri sahip olduğu önemli avantajlarla yeryüzünün görüntülenmesi ve
yeryüzüne ait önemli bilgilerin elde edilmesi noktasında önemli bir kaynak durumundadır. Uzaktan
algılama teknolojilerinin kullanıldığı en önemli uygulama alanlarından birisi uydu görüntüleri
yardımıyla arazi örtüsü ve/veya arazi kullanımının belirlenerek tematik haritalarının üretilmesidir.
Arazi örtüsü ve/veya kullanımının belirlenmesi gerek planlama gerekse doğal çevrenin korunması
açısından son derece önemlidir. Uydu görüntüleri üzerinden arazi durumunun belirlenmesi için en
yaygın olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma
işleminin esası görüntü üzerindeki çeşitli spektral özelliklere sahip piksellerin, önceden belirlenen
arazi örtüsü sınıflarından benzer olduğu bir sınıfa atanması olarak ifade edilebilir (Lillesand et al.,
2008). Uzaktan algılanmış görüntülerinin sınıflandırılması ile yeryüzünün çeşitli özelliklerini gösteren
tematik haritalar üretilebilmekte, arazi örtüsü ve kullanım şekilleri detaylı olarak analiz
edilebilmektedir. Sınıflandırılma işlemi genel olarak görüntü üzerinde belirli bir yansıtma ve parlaklık
değerine sahip piksellerin arazi örtüsü sınıflarından birine atanması olarak ifade edilebilir (Campbell,
1996; Lillesand et al., 2008). Günümüze kadar uzaktan algılanmış görüntülerin sınıflandırılması ve
yeryüzünün çeşitli özelliklerini gösteren tematik haritaların üretiminde birçok yöntem geliştirilmiştir
(Lu and Weng, 2007; Tso and Mather, 2009; Du et al., 2012).
Uzaktan algılama teknolojiklerinin etkin olarak kullanıldığı çalışma alanlarından birisi de tarımsal
uygulamalardır. Uzaktan algılanmış görüntüler yardımıyla farklı özellikteki bitki tiplerinin
sınıflandırılması, bitki gelişiminin izlenmesi, ürünlere ait rekolte tahminlerinin yapılması, toprak
türünün ve toprak nemliliğinin belirlenmesi başta olmak üzere bir çok tarımsal çalışma başarıyla
gerçekleştirilmektedir. Bitki izlemenin geleneksel yöntemleri ve rekolte tahmini zemin etütleri ve
8 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
budama zamanı nedeniyle pahalı ve zaman alıcıdır. Jafari and Lewis (2012) Güney Avustralya’daki
kurak arazi bileşenlerinin Earth Observing 1 (EO-1) Hyperion hiperspektral görüntüler yardımıyla
ayırt edilmesi üzerine bir çalışma yapmış ve kurak arazi bileşenlerinin spektral özelliklerinin
belirlenerek gruplandırmasında ASD FielSpec spektroradyometre cihazında faydalanmışlardır. Gao et
al. (2012) büyüme evresindeki mera/otlak alanlarının biyokütlesinin tespit edilmesinde ASD FielSpec
spektroradyometre cihazı ve MODIS-NDVI görüntüleri kullanmıştır. Mukherjee et al. (2010)
tarafından Hindistan’da yürütülen bir çalışmada 2006 yılının Şubat ve Mart aylarında alınan IRS
LISS-III ve AWiFS verileri en yakın benzerlik yöntemi kullanılarak sınıflandırılmış ve sonuçlar analiz
edilmiştir. Kavzoglu and Reis (2008) yapay sinir ağları ve en çok benzerlik yöntemlerinin çok zamanlı
Landsat uydu görüntülerine uygulanması ile arazi örtüsü haritası oluşturulmasındaki performans
analizini yapmıştır. Çalışmada özellikle karışık piksel içeren görüntülerde yapay sinir ağları
yönteminin sınıflandırma performansının en çok benzerlik yöntemine göre yüksek olduğu
vurgulanmıştır. Xu et al. (2011) MODIS uydusundan elde edilen NDVI (normalleştirilmiş bitki fark
indeksi) kullanarak Pekin bölgesindeki geniş yapraklı orman alanlarının büyüme mevsiminin yılın
hangi zaman aralıklarında olduğunu incelemişlerdir. Özellikle birbirine benzer spektral özelliklere
sahip bitki türlerinin uzaktan algılanmış görüntüler üzerinden tespiti için arazide yapılan
spektroradyometre ölçümleri büyük önem arz etmektedir. Li et al. (2005) hiperspektral yansıma ile
salatalık bitkisinin gelişim durumunun incelenmesi amacıyla FieldSpec cihazı ile elde edilen
spektroradyometre ölçülerinden faydalanmışlardır. Ren et al. (2008) hyperspektral uydu görüntüsü ve
ASD spektroradyometre kullanarak pirinç ekili alanlarda su stresi değişimini incelemişlerdir. Ding et
al. (2010) sera domateslerindeki klorofil miktarının tespit edilmesinde spektroradyometre cihazı
kullanmış ve domates yaprağının klorofil içeriğinin tahmini için bir model önermişlerdir. Hanna and
Rethwisch (2003), AVIRIS uydusu ile elde edilen verileri, tarım ürünleri için ölçülen
spektroradiometre verileri ile spektral ve radyometrik özelliklerinin karşılaştırması üzerine bir çalışma
yapmışlardır. Lee et al., (2007), orta derecede kurak olan bir bölgedeki orman türlerinin spektral
karakteristiklerinin belirlenmesi amacıyla laboratuvar ortamında yapılan spektral ölçmelerle birlikte
EO-1 Hyperion uydu görüntüleri kullanmışlardır. Çalışma sonucunda orta kızılötesi bölgesinde
ağaçların yapraklarına ait spektral yansımalarıyla yapraklardaki su içeriği arasındaki ilişkiyi ortaya
koymuşlardır.
5 METEDOLOJİ
Bu tez kapsamında, spektral olarak benzer özelliklere sahip bitki örtüsü tiplerinin ayırt edilmesi ve
görüntü üzerinde karışık pikseller olarak tanımlanan söz konusu objelerin sınıflandırılması
probleminin çözümüne yönelik bir yaklaşımın ortaya konulması amaçlanmaktadır. Tez çalışması
kapsamında izlenecek temel iş akış şeması Şekil 2’de gösterilmiştir.
9 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Şekil 2. Tez kapsamında takip edilecek iş akış diyagramı.
Pilot bölgelerin belirlenmesi
Uydu görüntülerinin temini
Spektroradyometre ölçümleri
Spektral kütüphanenin oluşturulması
Uydu görüntülerinin ön işlemesi ve kozmetik
operasyonlar
Örnekleme alanlarının tespiti
Mevcut veri/Haritaların temini
Mutispektral ve Hiperspektral veriler için
bant seçimi
Uydu görüntülerinin sınıflandırılması
Sınıflandırma sonuçlarının analizi
Tematik haritaların oluşturulması
Genel Değerlendirme
Destek vektör makineleri Karar ağaçları
Yapay sinir ağları
Spektroradyometre ölçümlerinin yeniden
örneklenmesi
Tematik haritaların doğruluğunun analizi
Genetik algoritma
Ana bileşenler analizi
10 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
5.1. Ön hazırlık çalışmaları:
Tez çalışmasının amacına yönelik olarak gerçekleştirilecek saha çalışmaları ve örnekleme
alanlarının tespiti en önemli işlem adımları olarak sayılabilir. Çalışma alanı olarak belirlenen Trabzon
ili sahip olduğu topoğrafik özellikler ve iklim koşulları neticesinde bölgede farklı türlerden oluşan
bitki kuşakları mevcuttur. Kıyıya yakın kesimlerden itibaren geniş yapraklı ormanlar (kızılağaç,
kestane, meşe türleri, ıhlamur vb.) yer almaktadır. Kıyı kesimlerden uzaklaştıkça geniş-iğne yapraklı
karışık ormanlar (avrupa kestanesi, adi kızılağaç, adi gürgen, doğu gürgeni, meşe, akça ağaç, üvez,
çitlenbik, defne, mor çiçekli ormangülü, kayın, ladin ve göknar) ve daha yukarı da ise iğne
yapraklıların hakimiyetindeki orman türleri (sarıçam, ladin vb.) dağılış göstermektedir
(www.trabzonkulturturizm.gov.tr). Çalışma alanında mevcut tarım alanları (fındık, mısır ve çay)
genellikle orman alanları ile çevrili bölgeler içerisinde kalmaktadır. Bu durum özellikle söz konusu
bitki türlerinin uzaktan algılanmış görüntüler üzerinden ayırt edilmesini güçleştirmektedir (Kavzoglu
and Reis, 2008). Öncelikle, çalışma alanına ilişkin pilot bölgelerde örnek alanlar tespit edilip
özelliklerine bağlı olarak bu bölgeler gruplandırılacaktır. Bölge seçiminde, elektromanyetik
spektrumun görünür bölgesinde spektral olarak ayrımı yapılamayan bitki örtüsü türlerinin mevcut
olduğu yerler tercih edilecektir.
5.2. Saha çalışmaları, mevcut veri/bilgi analizi:
Tez çalışmasında temel altlık teşkil edecek ve uydu görüntülerinin geometrik olarak
düzeltilmesinde kullanılmak üzere mevcut standart topoğrafik harita altlıklarının bölgedeki kamu
kurumlarındaki mevcudiyeti araştırılacaktır. Özellikle doğruluk ve güncelik bakımından mevcut
verilerin kaliteleri irdelenerek, yararlılığı onaylanacak konumsal veriler, proje kapsamında
kullanılacaktır. Bu amaçla, il ve ilçe gibi idari sınırlar ile bu bölgelere ait her türlü grafik-olmayan
tanımsal bilgiler de temin edilecektir. Bunun yanında temel veri niteliği taşıyacak olan 1/25.000
ölçekli sayısal eşyükseklik eğrileri ve arazi kullanım kabiliyet sınıfı haritaları da ilgili kurumlardan
temin edilecektir. Bölgeye ait sayısal yükseklik modelinin varlığı araştırılacaktır.
Spektroradimetre Ölçümleri:
Tez çalışması kapsamında, çalışma alanı içerisinde kalan bitki türlerine ait spektral özellikler 350
ile 2500 Nanometre dalga boyu aralığında yansıtım kaydedebilen ASD (Analytical Spectral Devices)
FieldSpec3 spektroradyometre cihazı (Şekil 3) ile tespit edilecektir. Ölçümler sonrasında bitki türleri
için spektral kütüphane oluşturulacaktır. Uydu görüntüsü üzerindeki her bir piksel yeryüzünde
kapsadığı alanı ifade eden bir dijital sayı (digital number) değerine sahiptir. Arazide
spektroradyometre ile yapılan ölçümlerde her bir bitkinin yansıma (reflektans) değerleri
kaydedilmektedir. Arazi ve uydu verisinin ilişkilendirilmesi için, uydu görüntüsündeki dijital
sayılardan, reflektans değerlerine bir dönüşüm yapılacaktır.
11 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Şekil 3. Spektral ölçümlerde kullanılacak ASD Fieldspec3 spektroradyometre cihazı
Sonraki aşamada ise arazi çalışmaları ile oluşturulan spektral kütüphane ile uydu görüntülerinin
ilişkilendirilmesidir. Ayrıca spektrum ölçümleri yapılan noktaların koordinatlarının belirlenmesinde
5m konum doğruluğuna sahip TOPGON FC-236 el-GPS’i (Şekil 4) kullanılacaktır. Bununla birlikte
el-GPS’i üzerinde bulunan 3 megapiksel çözünürlüğe sahip kamera ile spektal ölçüm yapılan
noktaların doğal nesnelerin fotoğrafları çekilecektir.
Şekil 4. Spektral ölçümlerin yapıldığı noktaların koordinatlandırılmasında kullanılacak el-GPS’i.
5.3. Uzaktan algılanmış görüntülerin temini:
Tez çalışmasında çalışma alanı olarak Doğu Karadeniz Bölgesi genelinde Trabzon ili
öngörülmektedir. Çünkü bölge, coğrafi koşullardan ötürü, geniş yapraklı ağaçlarla örtülü bir arazi
yapısına sahip olup, ekonomik değere sahip bitkiler (fındık, mısır ve çay) ile diğer orman türlerinin
benzerlik göstermesinden dolayı bir karmaşaya neden olabilmektedir. Bu ayrımın tespiti için tez
çalışmasında farklı spektral, konumsal ve radyometrik çözünürlüklere sahip 3 farklı uydu
görüntüsünün kullanılması düşünülmektedir. Bunlardan ilki hiperspektral uydu görüntüsü olan 220
spektral banda sahip EO-1 Hyperion görüntüsü ve ikincisi 63 spektral banda sahip CHRIS Proba
görüntüleridir. Tez çalışmasında dikkate alınacak 3. görüntü ise Ekim 2009'da uzaya fırlatılan üstün
özelliklere sahip WorldView-2 uydu görüntüsüdür. 2009 uzay gönderilmiş olan WorldView-2 uydusu
12 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
sivil amaçlı olarak en yüksek konumsal çözünürlüğü spektral çözünürlükle diğer bir deyişle bant
sayısıyla sunabilen bir uydudur. Üstün teknolojisi olan bu uydu ile özellikle bitkilerle ilgili önemli
çalışmalar yapılabilecektir. Çünkü iki adet yakın kızıl ötesi bandının yanında bir de Kırmızı kenar (red
edge) olarak adlandırılan özel bir bandı bulunmaktadır. Bu üç bant bitkilerin sağlığı ve verimi
hakkında önemli ipuçları verebilmektedir. Bu özelliğinden dolayı birçok çalışmada tercih edilen
WorldView-2 uydusu bu tez kapsamında da değerlendirmeye alınacaktır. Literatürde bu uydunun
görüntüleriyle yapılmış yayınlar son dönemde yayınlanmaktadır. Gerçekleştirilecek tez çalışmasının
çıktıları bu görüntülerin kullanımı ve etkinliği noktasında önemli kazanımlar ve bilimsel katkı
sağlayacak niteliktedir.
5.4. Uydu görüntülerinin ön işlemesi
Atmosferik, Radyometrik ve Geometrik düzeltme: Uydu görüntülerinin yörünge ve algılayıcı
özellikleri, geçiş zamanındaki atmosferik şartlar ve çalışma bölgesinin coğrafi durumu, bu görüntüleri
olumsuz etkileyebilmektedir. Bu bağlamda, uydu görüntülerinin radyometrik ve geometrik düzeltme
işlemleri yapılacaktır. Geometrik düzeltme işlemi, orijinal uydu görüntüsündeki eğilme-büzülmelerin
(distorsiyonları) giderilerek harita şeklinde kullanımını sağlamaktadır. Dijital ortamdaki uydu
görüntüleri üzerinde, görüntü sistemi, uydu yörüngesi ve dünyanın dönmesinden dolayı bozulmalar
meydana gelir. Bunun içinde manuel olarak görüntü üzerinde ve arazide ortak yer kontrol noktaları
belirlenerek dönüşüm işlemi yapılır. Bu çalışma alanının topografik yapısı eğimli olduğundan, Sayısal
Arazi Modeli kullanılarak uydu görüntüleri ülke sisteminde koordinatlandırılacaktır. Sayısal Arazi
Modelinin üretilmesinde 1/25.000 ölçekli standart topografik haritalardan yararlanılacaktır. Böylece,
tüm konumsal verilerle ortaklaşa kullanılabilecek ve bindirmeli veri katmanları aynı datum ve
projeksiyonda olan uydu görüntüleri elde edilecektir.
Araziden veri toplama: Araziden veri toplama aşaması haritaların bütünleştirilmesi ve
güncellenmesi bakımından oldukça önem taşımaktadır. Bu çalışma kapsamında uydu görüntü
işlemede kullanılmak üzere araziden iki çeşit veri toplanacaktır. Bunlardan birincisi, geometrik
düzeltme amacıyla araziden doğrudan yer kontrol noktaları ölçülecektir. İkincisi ise, çalışma alanında
farklı bitki örtüsü (geniş yapraklı, iğne yapraklı, fındık, mısır, çay gibi) sınıflarının belirlenmesi için
yine doğrudan arazi üzerinden bu sınıflara ait “örnek (eğitim) veriler” toplanacaktır. Ayrıca,
sınıflandırma doğruluklarının belirlenebilmesi içinde örnek veriler yanında sadece bu amaçla
kullanılacak test alanları da alınacaktır.
Hiperspektral veriler için bant seçimi: Hiperspektral verilerin değerlendirilmesi aşamasında hem
işlem yükünün azaltılması hem de boyutsalllık probleminin önüne geçilerek sınıflandırma
doğruluğunun arttırılması amacıyla boyut indirgemesi dikkate alınan bir işlem adımıdır. Hiperspektral
görüntülerde boyut azaltılması ya da indirgemesi, bant seçimi veya özellik çıkarımı olarak bilinen
yaklaşımlarla gerçekleştirilmektedir. Hiperspektral görüntüler için boyut indirgeme işlemini
gerçekleştirmek amacıyla literatürde geleneksel olarak tanımlanan ana bileşenler analizi, tekil değer
13 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
ayrışımı gibi yöntemlere ek olarak genetik algoritma, regresyon ağaçları gibi ileri boyut indirgeme
algoritmaları kullanılacaktır.
5.5. Görüntü sınıflandırma yöntemleri:
5.5.1. En çok benzerlik (EÇB) yöntemi
Kontrollü sınıflandırma yöntemlerinden literatürde en yaygın olarak kullanılan ve günümüzde
görüntü analiz programlarının birçoğunda yer alan yöntem en çok benzerlik (EÇB) yöntemidir. EÇB
istatistiksel bir teoriye dayanan parametrik bir sınıflandırma yöntemidir. Sınıfların normal dağılımda
olduğu varsayımı nedeniyle sınırlandırmalar söz konusu olmasına rağmen bu yöntem en yaygın
kullanılan sınıflandırma metotlarından birisidir. EÇB yönteminde, sınıf kontrol verilerini oluşturan
noktalar kümesindeki dağılımın normal (Gauss) dağılımında olduğu kabulü yapılır. Sınıfların ilk
olasılıkları hakkında bilgi mevcut değilse, hepsi eşit olasılıklı olarak kabul edilir. Yöntem, sadece
piksel değerlerine göre değil, her sınıf için oluşturacak varyans-kovaryans matris değerini de dikkate
alarak sınıf tayini yapar. Böylece metot, örnek piksellerin özellik uzayındaki dağılımlarını da dikkate
almış olur (Mather and Koch, 2011). Pikselin p sayıdaki bant değerlerini içeren x vektörünün bir k
sınıfında olma olasılığı aşağıdaki şekilde hesaplanır;
( )[ ]ySy.expS)x(P iı.
ip. 15050 502 −−− −= π (1)
Bu eşitlikte; )x(P olasılık değerini, iS i. sınıf için varyans-kovaryans matrisini, matrisin
determinantını, ( )ixxy −= ve ix ise i. sınıf için ortalama değeri ifade eder.
5.5.2. Destek vektör makineleri (DVM) yöntemi
Uydu görüntüleri üzerinden arazi örtüsü tipinin ve kullanım türünün belirlenmesi için en yaygın
olarak kullanılan yöntem söz konusu görüntülerin sınıflandırılmasıdır. Görüntü sınıflandırma işleminin
esası, görüntü üzerinde farklı spektral özelliklere sahip piksellerin, önceden belirlenen arazi örtüsü
sınıflarından benzer olduğu bir sınıfa atanmasıdır. Son yıllarda uzaktan algılanmış görüntülerin
sınıflandırılmasında kullanılmaya başlanılan DVM, geleneksel istatistiksel sınıflandırıcılarla
karşılaştırıldıklarında, karmaşık yapıya sahip ve gürültü oranı yüksek verilerin tanımlanmasında ve bu
veriler arasındaki doğrusal olmayan ilişkilerin belirlenmesinde etkin bir sınıflandırıcıdır (Pal and
Mather, 2005; Melgani and Bruzzone, 2004; Kavzoglu and Colkesen, 2009; Mountrakis et al., 2011;
Dalponte et al., 2012). DVM sınıflandırıcısı eğitim verileri aracılıyla problemi öğrenme ve daha sonra
yeni bir verinin tanımlanmasını yapabilme özelliğine sahip olduğundan sezgisel algoritma olarak
nitelendirilir. DVM, parametrik olmayan, farklı tür veri tiplerini kullanabilen, genelleştirme kapasitesi
yüksek ve veri içindeki gürültüye toleranslı bir sınıflandırıcıdır. Bu avantajlar arasında belki de en
önemli olanı DVM'lerin parametrik olmayan yani verinin istatistiksel dağılımı ile ilgili herhangi bir ön
bilgiye ihtiyaç duymama özelliğidir.
14 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Destek Vektör Makineleri (DVM) istatistiksel öğrenme teorisine dayalı bir kontrollü sınıflandırma
algoritmasıdır DVM’nin çalışma prensibi genel olarak iki sınıfa ait verileri birbirinden en uygun
şekilde ayıran karar fonksiyonun tahmin edilmesi veya karar sınırlarının (hiper düzlemlerin)
belirlenmesidir (Vapnik, 1995). Doğrusal olarak ayrılabilen iki sınıflı bir verinin sınıflandırılması
DVM için en temel sınıflandırma problemidir. Bu problemin çözümünde DVM iki sınıf arasındaki
ayırımı en iyi yapan ve sınıflar arasındaki sınırın maksimum olduğu optimum bir hiper düzlemi
belirlemeye çalışır (Şekil 5). Optimum hiper düzlem, her bir sınıfa ait piksellerin hiper düzleme olan
uzaklıklarını maksimum hale getirir (Huang et al., 2002). Hiper düzlemlere en yakın pikseller iki sınıf
arasındaki sınırı belirleyen destek vektörlerini oluştururlar.
Şekil 5. Doğrusal olarak ayrılabilen veri setleri için hiper düzlemin belirlenmesi
Destek vektör makineleri ile sınıflandırmada genellikle {-1,+1} şeklinde sınıf etiketleri ile
gösterilen iki sınıfa ait örneklerin, eğitim verisi ile elde edilen bir karar fonksiyonu yardımıyla
birbirinden ayrılması amaçlanır. Söz konusu karar fonksiyonu kullanılarak eğitim verisini en uygun
şekilde ayırabilecek hiper düzlem bulunur. Şekil 1’de görüldüğü üzere iki sınıf arasındaki sınırı
maksimuma çıkararak en uygun ayrımı yapan hiper düzleme optimum hiper düzlem ve sınır
genişliğini sınırlandıran noktalar (pikseller) ise destek vektörleri olarak adlandırılır.
5.5.3. Yapay sinir ağları (YSA) yöntemi
Yapay sinir ağları insan beynindeki nöronların temel çalışma prensibini esas alan sınıflandırma
yöntemleridir. Eğitim örneklerini kullanarak problemi öğrenmekte ve test verileri ile yöntemin
geçerliliği test edilmektedir. YSA algoritmalarının istatistiksel kabul gerektirmemeleri, farklı
kaynaklardan gelen farklı karakterdeki bilgileri aynı anda kolaylıkla kullanabilmeleri, gürültüyü tolere
edebilmeleri ve öğrenebilme kabiliyetlerinden dolayı bu konuda birçok araştırma yapılmasına neden
olmuştur. Günümüzde birçok yapay sinir ağı modeli geliştirilmiştir (Mas and Flores, 2008). Bunlar
arasında çok katmanlı perseptron (ÇKP) uzaktan algılanan görüntülerin sınıflandırılmasında en yaygın
Optimum Hiper Düzlem
Destek Vektörleri
Destek Vektörleri
-1
1
1
1
1 1
1
1
1
1 1
1 1
1 1
1
Hiper Düzlemler
-1 -1
-1
-1 -1
-1
-1
-1 -1
-1
-1
-1 1+=+⋅ bxw
1−=+⋅ bxw
15 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
olarak kullanılan (Paola and Schowengerdt, 1995; Atkinson and Tatnall, 1997, Kavzoglu and Mather,
2003; Zhang et al., 2012) yöntem olmuştur.
YSA’nda temel eleman insan beynindeki nöronlar gibi çalışan işlem düğümüdür. Her bir işlem
düğümü girdi değerlerini toplar ve bu değerleri düğümlerin çıkış değerlerini oluşturan bir aktivasyon
fonksiyonundan geçirir. Birçok katmanlı perceptronun yapısı Şekil 6’da gösterildiği gibi bir girdi
katmanı, bir veya birden fazla saklı katman ve bir çıktı katmanından oluşur. Girdi verilerini temsil
eden girdi tabakası her bir sınıfa ait değerlerin ağdaki dağılımını tanımlar. Saklı katmanlar
hesaplamalar için kullanılırlar ve her bir düğüme ilişkin değerler girdi düğümü ile bu düğüme gelen
bağlantılara ait ağırlıklarının çarpımının toplamından elde edilir. Çıktı katmanı tanımlanacak sınıfları
göstermek için bir grup koda sahip son işlem katmanıdır. Tüm ara düğüm bağlantıları ağırlıklarla
birleştirilir. Bir değer ara bağlantılarından geçerken ara düğüm bağlantılarıyla birleştirilen ağırlıklarla
çarpılır (Kavzoglu and Reis, 2008).
Şekil 6. Dört tabakalı ileri beslemeli basit bir yapay sinir ağı yapısı
5.5.4. Karar ağaçları (KA) Yöntemi
Karar ağaçları (KA) uydu görüntülerinin sınıflandırılması gibi karmaşık yapıdaki bir sınıflandırma
problemini çok aşamalı bir hale getirerek bir karar verme işlemi gerçekleştirir (Safavian and
Landgrebe, 1991). Yöntemin yaygın olarak kullanımının en önemli nedeni ağaç yapılarının
oluşturulmasında kullanılan kuralların anlaşılabilir ve sade olmasıdır. KA arazi örtüsünün
sınıflandırılmasında veya sınıf etiketlerinin belirlenmesinde çok aşamalı veya ardışık bir yaklaşım
kullanmaktadır. Her bir aşamada kullanılan değişkenlerin sayısına bağlı olarak tek değişkenli veya
çok değişkenli karar ağaçları vardır (Friedl and Brodley, 1997). Tek değişkenli karar ağaçları
genellikle küresel ölçekte arazi örtüsü sınıflandırmaları için kullanılmaktadır (DeFries et al., 1998;
Hansen et al., 2000). Çok değişkenli karar ağaçları tek değişkenli karar ağaçlarına göre daha hassas
olmalarına rağmen, daha karmaşık algoritmalar içermektedirler. Karar ağaçlarının oluşturulmasındaki en önemli adım ağaçtaki dallanmanın hangi kritere veya
kıstasa göre yapılacağı ya da hangi öznitelik değerlerine göre ağaç yapısının oluşturulacağıdır.
Literatürde bu problemin çözümü için geliştirilmiş çeşitli yaklaşımlar vardır. Bunlardan en önemlileri
Saklı Katmanlar
Girdi Katmanı Çıktı Katmanı
Arazi Ö
rtüsü Sınıfları
16 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
bilgi kazancı ve bilgi kazanç oranı (Quinlan, 1993), Gini indeksi (Breiman et al., 1984), Towing
kuralı (Breiman et al., 1984) ve Ki –Kare olasılık tablo istatistiği (Mingers, 1989) yaklaşımlarıdır.
Bilgi kazancı ve bilgi kazanç oranının kullanımı Quinlan (1993) tarafından ortaya atılmıştır. Bu
yönteme göre karar ağacında hangi özelliğe göre dallanmanın yapılacağını belirlemek üzere entropi
kurallarını içeren bilgi teorisi kullanılmıştır. Entropi bir sistemdeki düzensizliğin ya da belirsizliğin
ölçüsüdür. Tek değişkenli karar ağaçlarında ID3 algoritması bilgi kazancı yaklaşımını kullanmaktadır.
Bu algoritmanın geliştirilmiş hali olan C4.5 algoritması Quinlan (1993) tarafından ortaya konulan
bölünme bilgisi kavramı ile bilgi kazancından yararlanarak hesaplanan kazanç oranı yaklaşımını
kullanmaktadır. Bir veri setinin nC,...,C,C 21 şeklinde birkaç sınıftan oluştuğu ve T’nin sınıf
değerlerini gösterdiği düşünülsün. Bir sınıfa ait olasılık TCP i
i = olduğu düşünülürse sınıflara ait
entropi
( )∑=
−=n
iii plogp)T(Entropi
12 (2)
şeklinde hesaplanır. Veri setindeki B özniteliğine göre T sınıf değerleri nT,...,T,T 21 şeklinde alt kümelere ayrıldığı göz önüne alınsın. B öznitelik değerleri kullanılarak T sınıf değerlerinin bölünmesi sonucunda elde edilecek kazanç,
( )∑=
−=n
ii
i TEntropiTT
)T(Entropi)T,B(Kazanç1
(3)
eşitliği ile hesaplanacaktır. Quinlan (1993), T kümesi için B niteliğinin değerini belirlemek için gereken bilginin bölünme bilgisi olduğunu ifade etmiştir. Bölünme ilgisi,
⎟⎟⎠
⎞⎜⎜⎝
⎛−= ∑= T
Tlog
TT ik
i
i2
1 (4)
şeklindedir. Bu durumda hesaplanan kazanç ve bölünme bilgisi ile kazanç oranı,
)T,B(KazançıKazançOran = (5)
şeklinde hesaplanır. Bu eşitlik, sınıflandırmada işleminde kullanılacak ayırma ile elde edilen bilgi
oranını vermektedir. Bu kriter kullanılarak, ağacın her bir düğümünde kazanç oranı maksimum olacak
şekilde T eğitim kümesi tekrarlı bir şekilde ayrılır. Bu işlem her bir yaprak düğümü sadece bir sınıfa
ait gözlem değerleri içerene kadar devam eder.
5.6. Sınıflandırma Sonuçlarının Analizi:
Sınıflandırma sonucu elde edilen haritaların doğruluk analizleri için hata matrislerinden elde
edilecek kullanıcı ve üretici doğrulukları, Kappa değerleri, genel doğruluk gibi standart doğruluk
BölünmeBilgisi (B ,bilgi)
BölünmeBilgisi (B ,bilgi)
17 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
ölçütlerinin yanı sıra Z-test ve McNemar’s gibi istatistiksel testler kullanılarak doğruluk
değişimlerindeki anlamlılık analiz edilecektir.
Z testi, sınıflandırma sonucu elde edilen Kappa değerlerinin karşılaştırılması amacıyla kullanılan
istatistiksel bir testtir. İki farklı sınıflandırma yöntemi veya iki farklı eğitim seti için elde edilen genel
sınıflandırma doğruluğu arasındaki farkın istatistiksel olarak anlamlı olup olmadığının tespitinde
hesaplanan Kappa değerlerinin karşılaştırılması esasına dayanmaktadır (Foody, 2004;2009). Z
istatistik değeri aşağıdaki şekilde hesaplanarak Kappa değerleri arasındaki farkın anlamlılığı test edilir.
𝑍 = !!!!!! !! !! !!
(6)
Bu eşitlikte 𝐾! ve 𝐾! karşılaştırılan iki Kappa değerini, 𝜎 𝐾! ve 𝜎 𝐾! ise Kappa değerleri için
hesaplanan varyans değerlerini ifade etmektedir. Hesaplanan Z değeri önceden belirlenen güven
aralığındaki 𝑍! ! kritik değer ile karşılaştırılır. Hesaplanan Z değeri %95 güven aralığındaki 𝑍 = 1.96
kritik değerinden büyük olduğunda iki sınıflandırma sonucu arasındaki farkın istatistiksel olarak
anlamlı olduğu söylenebilir. Bu durum iki bağımsız Kappa değerinin istatistiksel olarak farklı
olduğunu, dolayısıyla iki sınıflandırıcıya ait performansların birbirinden farklı olduğunu
göstermektedir.
McNemar’s testi parametrik olmayan bir istatistiksel test olmakla birlikte temel çalışma prensibi
2x2’lik bir hata matrisini esas almaktadır (Foody, 2004; De Leeuw et al. 2006). McNemar’s testi
Eşitlik 7’de gösterilen Ki-Kare test istatistiğini dikkate almaktadır.
( )
jiij
jiijnnnn+
−=
22χ (7)
Bu eşitlikte 𝑛!", i. sınıflandırıcı tarafından hatalı sınıflandırılan fakat j. sınıflandırıcı tarafından
doğru sınıflandırılan piksel sayısını gösterirken; 𝑛!", i. sınıflandırıcı tarafından doğru fakat j.
sınıflandırıcı tarafından hatalı sınıflandırılan piksel sayısını göstermektedir. Bu eşitlikten elde edilen
test sonucu %95 güven aralığındaki 84132 .=χ kritik tablo değerinden büyük olduğunda bu iki
sınıflandırıcının performanslarının farklı olduğu söylenebilir (Pal, 2008). Diğer bir ifadeyle, i ve j
sınıflandırıcıları ile elde edilen doğruluklar arasındaki fark istatistiksel olarak anlamlıdır.
18 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
6 ZAMAN ÇİZELGESİ
İşlem Adımı/Tanım AYLAR
1 2 3 4 5 6 7 8 9 10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
1- Tez ön hazırlık çalışmaları, literatür taraması
2- Saha Çalışmaları, pilot bölgelerin tespiti, benzer özelliklere sahip nesnelerin gruplandırılması
3- Saha Çalışmaları, belirlenen nesne türleri için spektral ölçümlerin yapılması
4- Spektral ölçülerin analizi ve spektral kütüphanenin oluşturulması
5- Uydu görüntülerinin temini
6- Uydu görüntülerinin ön işlemesi
7- Uydu görüntüleri ile spektral ölçülerin ilişkilendirilmesi
8- Uydu görüntüleri görüntüler için en uygun bant seçimi
8- Görüntü Sınıflandırma: DVM, YSA ve KA Yöntemleri
9- Sınıflandırma Sonuçlarının Analizi
10- Tez Yazımı ve Sonuçlara ilişkin makale hazırlanması
19 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
KAYNAKLAR
Atkinson, P. M. & Tatnall, A.R.L., 1997. Neural networks in remote sensing. International Journal
of Remote Sensing, 18, 699–709.
Breiman, L., Friedman, J.H., Olshen, R.A. & Stone, C.J., 1984. Classification and regression trees,
Monterey, CA: Wadsworth.
Campbell, J.B., 1996. Introduction to Remote Sensing, Second Edition, The Guilford Press, New
York, USA.
Dalponte, M., Bruzzone, L. & Gianelle, D., 2012. Tree species classification in the Southern Alps
based on the fusion of very high geometrical resolution multispectral/hyperspectral images and
LiDAR data. Remote Sensing of Environment, 123, 258-270.
De Leeuw, J., Jia, H., Yang, L., Liu, X., Schmidt, K., & Skidmore, A.K.,2006. Comparing
accuracy assessments to infer superiority of image classification methods. International Journal of
Remote Sensing, 27, 223-232.
DeFries, R.S., Hansen, M., Townshend, J.R.G. & Sohlberg, R., 1998. Global land cover
classifications at 8km spatial resolution: the use of training data derived from Landsat imagery in
decision tree classifiers. International Journal of Remote Sensing, 19, 3141–3168.
Ding, Y.J., Li, M.Z., Li, S. Q. & An, D.K., 2010. Predicting chlorophyll content of Greenhouse
Tomato with ground-based remote sensing. Multispectral, Hyperspectral, and Ultraspectral Remote
Sensing Technology, Techniques, and Applications Iii, 7857.
Du, P.J., P. Liu & Y. Luo, 2009. Urban Thermal Environment Simulation and Prediction Based on
Remote Sensing and Gis. 2009 IEEE International Geoscience and Remote Sensing Symposium, Vols
1-5, 2357-2360.
Du, P.J., Xia, J.S., Zhang, W., Tan, K., Liu, Y., & Liu, S.C., 2012. Multiple Classifier System for
Remote Sensing Image Classification: A Review. Sensors, 12, 4764-4792.
Foody, G.M., 2004. Thematic map comparison: Evaluating the statistical significance of
differences in classification accuracy. Photogrammetric Engineering and Remote Sensing, 70, 627-
633.
Foody, G.M., 2009. Classification accuracy comparison: Hypothesis tests and the use of confidence
intervals in evaluations of difference, equivalence and non-inferiority. Remote Sensing of
Environment, 113, 1658-1663.
Friedl, M.A. & Brodley, C.E., 1997. Decision tree classification of land cover from remotely
sensed data. Remote Sensing of Environment, 61, 399–409.
Gao, J.X., Chen, Y.M., Lu, S.H., Feng, C.Y., Chang, X.L., Ye, S.X., & Liu, J.D., 2012. A ground
spectral model for estimating biomass at the peak of the growing season in Hulunbeier grassland,
Inner Mongolia, China. International Journal of Remote Sensing, 33, 4029-4043.
20 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Hanna, S. H. S. & Rethwisch, M.D., 2003. Characteristics of AVIRIS bands measurements in
agricultural crops at Blythe Area, California: III - Studies on teff grass. Remote Sensing for
Agriculture, Ecosystems, and Hydrology Iv, 4879, 25-41.
Hansen, M., DeFries, R.S., Townshend, J.R.G. & Sohlberg, R., 2000. Global land cover
classification at 1km spatial resolution using a classification tree approach. International Journal of
Remote Sensing, 21, 1331–1364.
Hu, G.Y., Z.B. Dong, Z.H. Wei & J.F. Lu, 2010. Land use and land cover change monitoring in the
Zoige Wetland by remote sensing. Sixth International Symposium on Digital Earth: Data Processing
and Applications, 7841, -710.
Huang, C., Davis, L.S., & Townshend, J.R.G., 2002. An assessment of support vector machines for
land cover classification. International Journal of Remote Sensing, 23, 725-749.
Hughes, G., 1968. On the mean accuracy of statistical pattern recognizers, IEEE Transactions on In
Information Theory, 14, 55-63.
Jafari, R. & Lewis, M.M., 2012. Arid land characterisation with EO-1 Hyperion hyperspectral data.
International Journal of Applied Earth Observation and Geoinformation, 19, 298-307.
Jha, R. K., Karnataka, H.C. & Pant, D.N., 2009. Forest landuse planning for Thano range,
Dehradun forest division, Uttaranchal. Range Management and Agroforestry, 30, 72-77.
Kavzoglu, T. & Reis, S. 2008. Performance Analysis of Maximum Likelihood and Artificial
Neural Network Classifiers for Training Sets with Mixed Pixels, GIScience & Remote Sensing, 45,
330-342.
Kavzoglu, T., & Colkesen, I., 2009. A kernel functions analysis for support vector machines for
land cover classification. International Journal of Applied Earth Observation and Geoinformation, 11,
352-359.
Kavzoglu, T., & Mather, P.M., 2003. The use of backpropagating artificial neural networks in land
cover classification. International Journal of Remote Sensing, 24, 4907-4938.
Kunwar, P., Kachhwaha, T.S., Kumar A., Agrawal, A.K., Singh, A.N. & Mendiratta, N., 2010. Use
of high-resolution IKONOS data and GIS technique for transformation of landuse/landcover for
sustainable development. Current Science, 98, 204-212.
Lee, K.S., Kook, M.J., Shin, J.I., Kim, S.H., & Kim, T.G., 2007. Spectral characteristics of forest
vegetation in moderate drought condition observed by laboratory measurements and spaceborne
hyperspectral data. Photogrammetric Engineering and Remote Sensing, 73, 1121-1127.
Li, M.Z., Zhang, X. J., Zhang, Y., Zhao, P. & Zhang, J.P., 2005. Investigation of crop growth
condition with hyperspectral reflectance based on ground-based remote sensing. Multispectral and
Hyperspectral Remote Sensing Instruments and Applications Ii, 5655, 301-308.
Lillesand, T.M., Kiefer, R.W. & Chipman, J.W., 2008. Remote Sensing and Image Interpretation,
Sixth Edition, John Wiley & Sons, New York.
21 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Liu, X., Zhu, W.Q., Yang, X.Q. & Pan, Y.Z., 2006. Modeling of Population Density Based on GIS
and RS. 2006 IEEE International Geoscience and Remote Sensing Symposium, 1-8, 1431-1434.
Lu, D. & Weng, Q., 2007. A survey of image classification methods and techniques for improving
classification performance, International Journal of Remote Sensing, 28, 823-870.
Mas, J.F. & Flores, J.J., 2008. The application of artificial neural networks to the analysis of
remotely sensed data. International Journal of Remote Sensing, 29, 617-663.
Mather, P.M. & Koch, M., 2011. Computer Processing of Remotely-Sensed Images: An
Introduction, Fourth Edition. Chichester, UK: Wiley-Blackwell, 504 pp.
Melgani, F. & Bruzzone, L., 2004. Classification of hyperspectral remote sensing images with
support vector machines. IEEE Transactıons on Geoscience and Remote Sensing, 42, 1778–1790.
Mianji, F.A. & Zhang, Y., 2011. Robust Hyperspectral Classification Using Relevance Vector
Machine. IEEE Transactions on Geoscience and Remote Sensing, 49, 2100-2112.
Mingers, J., 1989. An empirical comparison of pruning methods for decision tree induction.
Machine Learning, 4, 227–243.
Mountrakis, G., Im, J. & Ogole, C., 2011. Support vector machines in remote sensing: A review.
ISPRS Journal of Photogrammetry and Remote Sensing, 66, 247-259.
Mukherjee, J., Gebru, G., Sood, A., Mahey, R.K., Bal, S.K., Singh, H. & Sidhu, P.K., 2010. Wheat
yield and acreage prediction using LISS-III and AWiFS sensors data of indian remote sensing satellite
of Rupnager district of Punjab, India. Rivista Italiana Di Telerilevamento, 42, 115-127
Pal, M., 2008. Ensemble of support vector machines for land cover classification. International
Journal of Remote Sensing, 29, 3043-3049.
Pal, M. & Foody, G.M., 2010. Feature Selection for Classification of Hyperspectral Data by SVM.
IEEE Transactions on Geoscience and Remote Sensing, 48, 2297-2307.
Pal, M. & Mather, P.M., 2005. Support vector machines for classification in remote sensing.
International Journal of Remote Sensing, 26, 1007-1011
Paola, J.D., & Schowengerdt, R.A., 1995. A review and analysis of backpropagation neural
networks for classification of remotely sensed multi-spectral imagery. International Journal of Remote
Sensing, 16, 3033–3058.
Quinlan, J.R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San
Mateo, CA.
Ren, H.Y., Zhuang, D.F., Pan, J. J., Shi, X.Z. & Wang, H.J., 2008. Hyper-spectral remote sensing
to monitor vegetation stress. Journal of Soils and Sediments, 8, 323-326.
Rokade, V.M., Kundal, P., & Joshi, A.K., 2007. Groundwater potential modelling through remote
sensing and GIS: A case study from Rajura taluka, Chandrapur district, Maharashtra. Journal of the
Geological Society of India, 69, 943-948
22 İTÜ – FBE Geomatik ABD – Doktora Tez Önerisi – İsmail ÇÖLKESEN (c) 2012 Tez Danışmanı: Prof. Dr. Tahsin YOMRALIOĞLU
Royer, P.D., Cobb, N.S., Clifford, M.J., Huang, C.Y., Breshears, D.D., Adams, H.D. & Villegas,
J.C. , 2011. Extreme climatic event-triggered overstorey vegetation loss increases understorey solar
input regionally: primary and secondary ecological implications. Journal of Ecology, 99, 714-723
Safavian, S.R. & Landgrebe, D., 1991. A survey of decision tree classifier methodology. IEEE
Transactions on Systems, Man, and Cybernetics, 21, 660–674.
Serpico, S.B., D'Inca, M., Melgani, F. & Moser, G., 2003. A comparison of feature reduction
techniques for classification of hyperspectral remote-sensing data. Image and Signal Processing for
Remote Sensing Viii, 4885, 347-358.
Silvestri, S. & Omri, M., 2008. A method for the remote sensing identification of uncontrolled
landfills: formulation and validation. International Journal of Remote Sensing, 29, 975-989.
Tang, A.P., Ran, C., Wang, L.F., Gai, L.H. & Dai, M., 2009. Intelligent Digital System in Urban
Natural Hazard Mitigation. 2009 WRI World Congress on Software Engineering, 2, Proceedings, 355-
359.
Tso, B. & Mather, P.M., 2009. Classification Methods for Remotely Sensed Data (Taylor&Francis:
London) 2nd Edition.
Vapnik, V.N., 1995. The nature of statistical learning theory. Springer-Verlag, New York.
Xu, K., Zhang, X.X., Chen, B., Hua, K., Zheng, K.D. & Wu, T., 2011. Based on MODIS NDVI
data to monitor the growing season of the deciduous forest in Beijing, China. Earth Resources and
Environmental Remote Sensing/GIS Applications II, 8181.
Zhang, X.C., Kang, T.J., Wang, H.Y. & Sun, Y., 2010. Analysis on spatial structure of landuse
change based on remote sensing and geographical information system. International Journal of
Applied Earth Observation and Geoinformation, 12, 145-150.
Zhang, H.S., Zhang, Y.Z. & Lin, H. (2012). A comparison study of impervious surfaces estimation
using optical and SAR remote sensing images. International Journal of Applied Earth Observation and
Geoinformation, 18, 148-156.