DESTEK VEKTÖR MAKİNELERİLE YÜKSEK ÇÖZÜNÜRLÜKLÜ ... · DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ D. Koç San1,

TMMOB Harita ve Kadastro Mühendisleri Odası Ankara Şubesi I. CBS Günleri Sempozyumu 2008

19 – 21 Kasım 2008, Ankara

173HARİTA VE KADASTRO MÜHENDİSLERİ ODASI SEMPOZYUM KİTABI

DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ

D. Koç San1, M. Türker2

1ODTÜ, Jeodezi ve Coğrafi Bilgi Teknolojileri Enstitü Anabilim Dalı, Ankara [email protected]

2Hacettepe Üniversitesi, Jeodezi ve Fotogrametri Mühendisliği Ankara, [email protected]

ÖZET

Bu çalışmada, binalar yüksek çözünürlüklü uydu görüntülerinden Destek Vektör Makineleri (DVM) sınıflandırma tekniği ile belirlenmiş ve yardımcı verilerin sınıflandırma işlemine olan etkisi değerlendirilmiştir. Çalışmada izlenen ana adımlar şu şekildedir: (i) Yardımcı verilerin hazırlanması, (ii) DVM Sınıflandırması ve (iii) Artefaktların yok edilmesi. Sınıflandırma işlemi IKONOS pankromatik görüntü ile zenginleştirilmiş renkli görüntünün dört bandına (Mavi, Yeşil, Kırmızı, Yakın Kızılötesi) ek olarak, Normalleştirilmiş Sayısal Yüzey Modeli (nSYM) ve Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ) bantlarına uygulanmıştır. Binalar arazi yüzeyi üzerindeki üç boyutlu objeler olup nSYM kullanılarak araziden ayırt edilebilirler. Dolayısı ile, binaların belirlenmesi işleminde nSYM’nin kullanılması avantaj sağlamaktadır. Benzer şekilde, NFBÖİ görüntüsü de özellikle yeşil alanlarla çevrili binaların belirlenmesinde faydalı olmaktadır. Geliştirilen yaklaşım Ankara’nın Batıkent bölgesinden seçilen üç test alanında üç farklı eğitim alanı örneği boyutu (500, 1000 ve 2000 adet) kullanılarak test edilmiştir. Genel olarak yardımcı verilerin sınıflandırma doğruluğunu arttırdığı görülmüştür. Benzer şekilde, örnek sayısındaki artışın da genel olarak sınıflandırma doğruluğunu arttırdığı belirlenmiş ancak bu artış %2’yi geçmemiştir. Bu nedenle, elde edilen sonuçlara dayanarak, örnek sayısının çok fazla arttırılmasına gerek olmadığı söylenebilir. DVM sınıflandırma sonuçları incelendiğinde, tüm test alanları için, yardımcı veriler kullanıldığında binaların yüksek çözünürlüklü uydu görüntülerinden belirlenme doğruluğu %90’ın üzerinde hesaplanmıştır. Elde edilen sonuçlar, bina sınırlarının yüksek çözünürlüklü uydu görüntülerinden yardımcı veriler de kullanılarak, DVM sınıflandırma tekniği ile oldukça başarılı bir şekilde belirlenebileceğini göstermektedir.

Anahtar Sözcükler: DVM, Bina Belirleme, Yüksek Çözünürlüklü Uydu Görüntüleri, nSYM, Sınıflandırma.

1. GİRİŞ

Binaların yüksek çözünürlüklü görüntülerden otomatik olarak belirlenmesi son zamanlarda önemli bir araştır-ma konusu olmuştur. Bina sınırlarının otomatik olarak belirlenmesinde öncelikle olası bina alanlarının belir-lenmesi önemlidir. Olası bina alanlarının belirlenmesi için sınıflandırma teknikleri, bölümlere ayırma ve kenar belirleme gibi işlemler kullanılmaktadır. Son zamanlarda yapılan çalışmalar, DVM sınıflandırma tekniğinin uzaktan algılama görüntülerinin sınıflandırılmasında ümit verici olduğunu göstermektedir (Huang vd, 2002; Zhu ve Blumberg, 2002; Pal ve Mather, 2005; Foody ve Mathur, 2004). Watanachaturaporn vd. (2008) IRS–1C LISS III görüntüsünü yardımcı veriler kullanarak DVM sınıflandırma tekniği ile sınıflandırmış ve DVM sınıflandırma tekniğini En Büyük Olasılık, Geri Beslemeli Sinir Ağları, Radyal Temelli Fonksiyon Sinir Ağla-rı ve Karar Ağacı sınıflandırma teknikleri ile karşılaştırmışlardır. DVM sınıflandırma tekniğinin önemli ölçüde daha başarılı olduğu ve yardımcı verilerin sınıflandırma doğruluğunu arttırdığı sonucuna varmışlardır.



174 HARİTA VE KADASTRO MÜHENDİSLERİ ODASI

ANKARA ŞUBESİ

Başlangıçta DVM sınıflandırma tekniği iki sınıflı sınıflandırma problemlerinde kullanılmak üzere tasarlanmış, daha sonra çok sınıflı sınıflandırmalar için de kullanılmak üzere geliştirilmiştir. Bu çalışmada binaları belirle-mek için iki sınıflı DVM sınıflandırma tekniği kullanılmıştır, çünkü ilgilenilen sınıf (bina sınıfı) tek bir sınıftır. Foody vd. (2006) tek sınıf odaklı DVM sınıflandırmasının uzaktan algılama çalışmalarında önemli potansiyeli olduğunu iddia etmektedirler. Boyd vd. (2006) bu sınıflandırma tekniğini tek bir spesifik sınıfın haritalanma-sında kullanmıştır. Sanchez vd. (2007) tarafından yapılan bir diğer çalışmada ise Landsat 7 ETM+ görüntüle-rinden yine spesifik bir sınıfın belirlenmesi için bu sınıflandırma tekniği kullanılmıştır. Geleneksel sınıflan-dırma tekniklerinde bütün sınıfların belirlenmesi ve dolayısı ile, tüm sınıflar için eğitim alanlarının toplanması gerekir. Fakat, eğer sınıflandırma aşamasında tek bir sınıfla ilgileniliyorsa geleneksel tekniklerin kullanılması uygun olmayabilmektedir (Foody vd., 2006).

Bu nedenle, bu çalışmada bina alanlarını belirlemek için DVM sınıflandırma tekniği kullanılmıştır. Spektral bantlara ek olarak nSYM (Normalleştirilmiş Sayısal Yüzey Modeli) ve NFBÖİ (Normalleştirilmiş Fark Bitki Örtüsü İndeksi) görüntüleri de kullanılmış ve bu ek bantların sınıflandırma doğruluğuna etkileri incelenmiştir. Ayrıca, farklı sayıdaki eğitim alanı örneklerinin sınıflandırma doğruluğuna olan etkileri de incelenmiştir. Elde edilen sonuçlar En Büyük Olasılık sınıflandırma tekniği sonuçları ile karşılaştırılmıştır.

2. METODOLOJİ Geliştirilen yaklaşımın akış şeması şekil 1’de verilmiştir. Öncelikle, eş yükselti eğrileri ve üç boyutlu noktaları içeren mevcut vektör veriden Sayısal Arazi Modeli (SAM), stero pankromatik uydu görüntülerinden de Sayı-sal Yüzey Modeli (SYM) oluşturulmuş ve SAM SYM’den çıkarılarak nSYM hesaplanmıştır. Daha sonra, SYM kullanılarak keskinleştirilmiş renkli görüntü ortorektifiye edilmiştir. Diğer taraftan, Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ) hesaplanmıştır. Bu işlemlerin ardından bina alanlarını bulmak amacıyla ortorektifiye edilmiş, keskinleştirilmiş renkli uydu görüntüleri ek bantlar ile birlikte ikili DVM sınıflandırma tekniği kullanılarak bina alanları ve bina olmayan alanlar olarak sınıflandırılmıştır. Son olarak, artefaktlar morfolojik operasyonlar kullanılarak yok edilmiş ve bu işlem sonucunda binalar belirlenmiştir.




Şekil 1: Önerilen bina belirleme akış şeması

3. ÇALIŞMA ALANI VE VERİ SETLERİ

Geliştirilen yaklaşım farklı şekil ve kullanımdaki binaları içeren Batıkent, Ankara’da uygulanmıştır. Batıkent Projesi Türkiye’de kooperatifler yoluyla yapılmış en büyük toplu konut projesidir. Proje 10 km2’lik bir alanı kapsamaktadır ve 50.000 konut ünitesi olarak 25.000 kişi için planlanmıştır. Bu proje 1979 yılında Ankara Büyükşehir Belediye Başkanlığı’nın liderliğinde oluşan Kent-Koop (Batıkent Konut Yapı Kooperatifleri Birli-ği) tarafından başlatılmıştır. Batıkent planlı ve düzenli gelişen, farklı şekil ve kullanımdaki yapıları içerdiğin-den bu çalışmada test alanı olarak kullanılmıştır.

Çalışmada kullanılan veri setleri, IKONOS stero pankromatik ve keskinleştirilmiş renkli uydu görüntüleridir. Aynı yörüngeden uçuşa paralel olarak çekilen stero görüntüler 4 Ağustos 2002 tarihlidir. Görüntüler “Geo” IKONOS formatındadır. Bu formattaki görüntülerin yatay konumsal doğruluğu yaklaşık 15 m’dir. Sayısal Arazi Modeli oluşturmak için kullanılan eş yükselti eğrileri Ankara Büyükşehir Belediyesi, Su ve Kanalizas-yon İdaresi Genel Müdürlüğü (ASKİ) tarafından 1999 yılında yaptırılan ve Ankara metropolitan alanını kap-sayan 1:1.000 ölçekli veriden üretilmiştir.

Batıkent bölgesinde farklı karakteristikte üç test alanı seçilmiş (Şekil 2) ve seçilen bu alanlar bina ve bina olmayan alanlar olarak sınıflandırılmıştır.




ANKARA ŞUBESİ

Şekil 2: Batıkent bölgesinden seçilen test alanları.

4. YARDIMCI VERİLERİN HAZIRLANMASI 4.1. Normalleştirilmiş Sayısal Yüzey Modelinin Hesaplanması

Bina belirleme çalışmalarında yükseklik modellerinin kullanımı önem arz etmektedir. Araziden belli bir yük-seklikte olan kentsel nesneler, nSYM’ye bir eşik değerinin uygulanması ile tespit edilebilmektedirler. SAM topoğrafyanın yükseklik modelidir ve yerden yüksekte olan nesneleri içermez. SYM ise yeryüzeyinin yüksek-lik modelidir ve topoğrafyanın yanısıra tüm üç boyutlu nesneleri de içerir. Dolayısı ile, SYM’den SAM’in çıkarılmasıyla nSYM elde edilir.

Bu çalışmada SAM mevcut sayısal vektör veritabanındaki eş yükselti eğrileri ve noktasal yükseklik verilerin-den, SYM ise stereo IKONOS uydu görüntülerinden PCI Geomatica 9.1 görüntü işleme yazılımının OrthoEngine modülü kullanılarak elde edilmiştir. SYM oluşturmak için Diferansiyel Küresel Konumlandırma Sistemi kullanılarak 48 kontrol noktası toplanmıştır. Bu noktalardan 24 adeti Yer Kontrol Noktası (YKN), geri kalan 24 adeti ise Bağımsız Denetim Noktası (BDN) olarak kullanılmıştır. Elde edilen SAM’in doğruluğu 0.2 m, SYM’nin doğruluğu ise 0.7 m olarak hesaplanmıştır. SAM ve SYM’nin elde edilmesi ve doğruluk analizle-ri ile ilgili detaylar Koç ve Türker (2005)’de verilmiştir. Daha sonra, SYM’den SAM çıkarılarak nSYM oluş-turulmuştur. Binalarla ağaçları birbirinden ayırt edebilmek için bitki örtüsü indeksi bantı kullanılarak yeşil alanlar maskelenmiştir. Diğer taraftan, nSYM’ye 3 m eşik değeri uygulanarak bu değerin üzerinde yüksekliğe sahip nesnelerin yer yüzeyinden ayrılmaları sağlanmıştır. Eşik değerinin 3 m alınmasının nedeni 3 m’den daha alçak objeleri, bina olamayacakları gerekçesiyle, elimine etmektir. Böylece yalnız bina alanlarının yükseklik-lerini içeren bir nSYM elde edilmiştir.

4.2. Ortorektifikasyon

Çalışmada kullanılan IKONOS uydu görüntüleri “Geo” formatında ve yaklaşık 15m konumsal doğruluktadır. Dolayısı ile, görüntüdeki geometrik hataları yok etmek ve görüntünün eş yükselti eğrileri ve referens bina veri




tabanıyla doğru bir şekilde çakışmasını sağlamak amacıyla görüntünün ortorektifikasyonu yapılmıştır. Pankromatik ve keskinleştirilmiş renkli uydu görüntülerinin ortorektifikasyonu yapılırken daha önce oluştu-rulmuş olan SYM kullanılmıştır.

.3. Normalleştirilmiş Fark Bitki Örtüsü İndeksinin (NFBÖİ) Hesaplanması

Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NFBÖİ), görüntüdeki bitkisel alanları belirlemek için kullanıl-maktadır. Dolayısı ile, ortorektifiye edilmiş keskinleştirilmiş

renkli IKONOS görüntülerinin kırmızı ve yakın kızıl ötesi bantları kullanılarak NFBÖİ bantı hesaplanmıştır (1).

PSM3: IKONOS keskinleştirilmiş renkli görüntünün Kırmızı bandı

PSM4: IKONOS keskinleştirilmiş renkli görüntünün Yakın Kızıl Ötesi bandı

5. DESTEK VEKTÖR MAKİNELERİ SINIFLANDIRMASI

DVM sınıflandırma tekniği, istatistiksel öğrenme teorisine dayalı bir eğitimli sınıflandırma tekniği olup temel-leri Vapnik (1995) tarafından geliştirilmiştir. DVM sınıflandırmasında başlıca üç aşama bulunmaktadır: (i) eğitim hücrelerinin özellik vektörü olarak ifade edilmesi, (ii) bu özellik vektörlerinin kernel fonksiyonları kullanılarak özellik uzayına eşlenmesi ve (iii) sınıfları en uygun şekilde ayıran n-boyutlu hiper düzlemin oluş-turulması.

Bu çalışmada bina ve bina olmayan alanlar ikili DVM sınıflandırması uygulanarak ikiye ayrılmıştır. Yardımcı verilerin sınıflandırma işlemine katılmasının sınıflandırma doğruluğunu etkilediği bilinmektedir. Bu nedenle bu çalışmada sınıflandırma sırasında IKONOS görüntüsünün spektral bantlarına ek olarak nSYM ve NFBÖİ görüntüleri yardımcı veriler olarak kullanılmıştır. Kullanılan veri setleri ve içerdikleri bantlar tablo 1’de veril-miştir. nSYM’de binalar araziden ayırt edilebildiğinden sınıflandırmaya katılmasının yararlı olabileceği düşü-nülmektedir. Benzer şekilde NFBÖİ görüntüsünün de sınıflandırmada kullanılmasının, özellikle yeşil alanlarla çevrili binaların belirlenmesinde, faydalı olabileceği düşünülmektedir. Sınıflandırma işleminde kullanılan bantlar aşağıdaki gibi etiketlenmiştir. Destek vektör makineleri sınıflandırmasında kullanılan veri setleri ve içerdikleri bantlar tablo 1’de verilmiştir.

B1 ⇒ Keskinleştirilmiş Mavi bant

B2 ⇒ Keskinleştirilmiş Yeşil bant

B3 ⇒ Keskinleştirilmiş Kırmızı bant

B4 ⇒ Keskinleştirilmiş Yakın Kızıl Ötesi bant

BnSYM ⇒ Normalleştirilmiş sayısal yüzey modeli (nSYM) bandı

BNFBÖİ ⇒ Normalleştirilmiş Fark Bitki Örtüsü Indeksi (NFBÖİ) bandı

3434

PSMPSMPSMPSMNDVI

+−

=

(1)




ANKARA ŞUBESİ

Veri Setleri Bantlar

Set 1 B1, B2, B3, B4

Set 2 B1, B2, B3, B4, BnSYM

Set 3 B1, B2, B3, B4, BNFBÖİ

Set 4 B1, B2, B3, B4, BnDSM, BNFBÖİ

Tablo 1: Destek Vektör Makineleri Sınıflandırmasında kullanılan veri setleri ve içerdikleri bantlar

Bu çalışmada tespit edilecek sınıf bina sınıfıdır. Fakat, alanda diğer sınıflar da (örneğin, bitki, yol, boş alan, yaya kaldırımı, gölge, vb.) mevcuttur. Dolayısı ile, bina sınıfını diğer sınıflardan ayırabilmek için hem bina hem de bina olmayan sınıflardan eğitim alanı örneklerinin toplanması gerekir. Bina ve bina olmayan sınıflar için eşit sayıda eğitim hücresi toplanmıştır. Bina olmayan alanlar için eğitim hücre yüzdesi alt sınıfların görün-tüdeki dağılımlarına göre belirlenmiştir. Test alanlarından her sınıf ve alt sınıflar için toplanan eğitim hücre sayıları ve yüzdeleri tablo 2, tablo 3 ve tablo 4’de verilmiştir.

Sınıflar

Alt-Sınıflar

Eğitim Alanı Hücre Sayıları Bina (% 50)

Bina (%50) 250, 500, 1000

Bitki (%20) 100, 200, 400 Yol (%14) 70, 140, 280 Boş alan (%12) 60, 120, 240 Yaya kaldırımı (%2) 10, 20, 40

Bina-Olmayan (% 50)

Gölge (%2) 10, 20, 40 Toplam (%100)

Toplam (%100) 500, 1000, 2000

Tablo 2: I. Test alanı için toplanan eğitim hücreleri sayıları




Sınıflar Alt-Sınıflar Eğitim Alanı Hücre Sayıları

Bina (% 50) Building (%50) 250, 500, 1000

Bitki (%15) 75, 150, 300

Yol (%15) 75, 150, 300

Gölge (%10) 50, 100, 200

Yaya kaldırımı (%2) 10, 20, 40

Bina-Olmayan (% 50)

Boş alan (%8) 40, 80, 160

Toplam (%100) Toplam (%100) 500, 1000, 2000

Tablo 3 : II. Test alanı için toplanan eğitim hücreleri sayıları

Sınıflar Alt-Sınıflar Eğitim Alanı Hücre Sayıları

Bina (% 50) Building (%50) 250, 500, 1000

Boş alan (%24) 120, 240, 480

Yol (%12) 60, 120, 240

Bitki (%10) 50, 100, 200

Yaya kaldırımı (%2) 10, 20, 40

Bina-Olmayan (% 50)

Gölge (%2) 10, 20, 40

Toplam (%100) Toplam (%100) 500, 1000, 2000

Tablo 4 : III. Test alanı için toplanan eğitim hücreleri sayıları

Eğitim alanı hücrelerinin toplanmasından sonra, veri setlerini azaltmak ve gereksiz bantları sınıflandırmaya katmamak amacıyla, Jeffries-Matusita (Richards, 1999)’ya dayalı istatistiksel teknik kullanılarak sınıflar ara-sındaki spektral ayrılabilirlik değerleri hesaplanmıştır. Spektral ayrılabilirlik değerleri 0 – 2 arasında bir değer alır ve seçilen eğitim alanlarının istatistiksel olarak ne derece ayrılabilir olduğunu gösterir. Yüksek değerler sınıfların istatistiksel olarak ayrılabildiğini, düşük değerler ise sınıflar arasında spektral çakışma olduğunu gösterir. Test alanları için hesaplanmış olan spektral ayrılabilirlik değerleri tablo 5’de verilmiştir.




ANKARA ŞUBESİ

Spektral Ayrılabilirlik

Değerleri

Test Alanları Veri-Setleri Bantlar

500 1000 2000

Set 1 B1, B2, B3, B4 1.71 1.70 1.67

Set 2 B1, B2, B3, B4, BnSYM 1.86 1.85 1.85

Set 3 B1, B2, B3, B4, BNFBÖİ 1.83 1.83 1.82

I. Test Alanı

Set 4 B1, B2, B3, B4, BnSYM, BNFBÖİ 1.92 1.92 1.91

Set 1 B1, B2, B3, B4 1.77 1.76 1.78

Set 2 B1, B2, B3, B4, BnSYM 1.84 1.82 1.84

Set 3 B1, B2, B3, B4, BNFBÖİ 1.86 1.86 1.87

II. Test Alanı


Set 1 B1, B2, B3, B4 1.58 1.60 1.61

Set 2 B1, B2, B3, B4, BnSYM 1.95 1.94 1.95

Set 3 B1, B2, B3, B4, BNFBÖİ 1.67 1.65 1.66

III. Test Alanı


Tablo 5: Veri setleri ve farklı sayıdaki (500, 1000, 2000) eğitim hücreleri için hesaplanmış olan spektral ayrılabilirlik değerleri

Hesaplanmış olan spektral ayrılabilirlik değerleri incelendiğinde, nSYM ve NFBÖİ bantlarını birlikte ek bant olarak kullanmak ayrılabilirliği, sadece birini kullanmaktan daha çok, arttırmaktadır. Bu nedenle sınıflandırma işleminde Set 2 ve Set 3 veri setleri kullanılmamıştır.Hesaplanan spektral ayrılabilirlik değerlerine göre nSYM verisinin ayrılabilirliği, her üç test alanında, önemli ölçüde arttırdığı görülmektedir. NFBÖİ görüntüsü ayrıla-bilirliği I. ve II. test alanları için önemli ölçüde arttırmakta, III. test alanında ise az bir artış sağlamaktadır.

Farklı bölgelerde farklı etkinin olmasının nedeninin farklı yeşil alan miktarlarından kaynaklandığı düşünül-mektedir. I. ve II. test alanlarında bina çevrelerinde yeşil alanlar bulunmaktadır, III. test alanında ise oldukça az yeşil alan vardır. Tüm veri setleri için ayrılabilirlik sonuçları değerlendirildiğinde Set 4’ün en iyi sonuç verdiği görülmüştür.

DVM sınıflandırması uygulanırken kernel metodunun ve C parametresinin belirlenmesi de önemlidir. Bu çalışmada genellikle iyi sonuç veren Radyal Taban Fonksiyonu (RTF) kullanılmıştır. RTF doğrusal olarak ayrılamayan problemlerde kullanılabilmektedir. C parametresi değeri olarak 1000 alınmıştır.




6. ARTEFAKTLARIN YOK EDİLMESİ Sınıflandırma işlemi sırasında yanlış sınıflandırılan hücrelerden dolayı elde edilen olası bina alanları artefaktlar içerebilmektedir. Bunları gidermek için “açılma” ve “kapanma” morfolojik operasyonları kullanıl-mıştır. Morfolojik operasyonlar görüntüleri şekle göre işleyen görüntü işleme operasyonlarıdır. Bu çalışmada, yapılanma elemanından küçük olan görüntü detaylarını yok etmek için “açılma” ve “kapanma” operasyonları izotropik yapılanma elemanı ile birlikte kullanılmış ve böylece, objelerin genel biçimleri bozulmamıştır (Sonka vd., 1998). Aşınmayı takip eden genişleme “açılma”yı oluşturur. Görüntünün (f), yapılanma elemanı (k) ile açılması “f ◦ k” ile gösterilir ve (2)’deki gibi tanımlanır. Genişlemeyi takip eden aşınma ise “kapanma” olarak adlandırılır. Görüntünün (f), yapılanma elemanı (k) ile kapanması “f • k” ile gösterilir ve (3)’deki gibi tanımlanır.

Açılma filtresi ince çıkıntıları, dışarı doğru olan sivri sınır düzensizliklerini, ince birleşimleri ve izole olmuş küçük objeleri yok eder. Kapanma filtresi ise ince girintileri, içe doğru olan sivri sınır düzensizliklerini ve küçük boşlukları yok eder (Gonzales vd., 2004). Bu nedenle, açılma ve kapanma operasyonlarını birleştirmek artefaktları ve gürültüyü yok etmek için oldukça elverişli olabilmektedir.

7. TARTIŞMA

Önerilen yaklaşımla belirlenmiş olan bina alanlarının doğruluklarını hesaplayabilmek için 1999 yılına ait mev-cut sayısal bina vektör veritabanı uydu görüntüsünden güncellenmiş ve bu veri seti referans bina veri tabanı olarak kullanılmıştır. Belirlenen bina alanları ile referans bina alanları karşılaştırılmış ve Doğru Pozitif (DP), Doğru Negatif (DN), Yanlış Pozitif (YP) ve Yanlış Negatif (YN) ölçü değerleri hesaplanmıştır (Shufelt ve McKeown, 1993). Doğru Pozitif (DP), hem önerilen yöntem sonucunda hem de referans veride bina olarak belirlenen alanlardır. Doğru Negatif (DN), hem önerilen yöntem sonucunda hem de referans veride arka plan (bina olmayan alan) olarak belirlenen alanlardır. Yanlış Pozitif (YP), yalnız önerilen yöntem sonucunda bina olarak belirlenen alanları temsil ederken Yanlış Negatif (YN), yalnız referans veride bina olarak belirlenen alanları temsil etmektedir. Ayrıca, ayrılma katsayısı (YP/DP), kaçırma katsayısı (YN/ DP), bina belirleme yüzdesi (100 * DP / (DP+YN)) ve kalite yüzdesi (100 * DP / (DP+YP+YN)) değerleri de hesaplanmıştır. Ay-rılma katsayısı yanlışlıkla bina olarak bulunan alanların oranıdır ve fazladan bina alanı olarak belirlenen alan-ların, doğru şekilde bina alanı olarak belirlenen alanlara bölünmesiyle elde edilir. Kaçırma katsayısı, kaçırılan bina alanları oranını göstermekte olup gerçekte bina olduğu halde bina olarak belirlenmeyen alanların, doğru şekilde bina alanı olarak belirlenen alanlara oranıdır. Bina belirleme yüzdesi (BBY) doğru bulunan binaların yüzdesini göstermektedir. Kalite yüzdesi (KY) önerilen yaklaşımın performansının toplam ölçümünü göster-mektedir. Test alanları için DVM sınıflandırmasının nicel değerlendirme sonuçları tablo 6, 7 ve 8’de verilmiş-tir.

( ) kkfkf ⊕Θ=o (2)

( ) kkfkf Θ⊕=• (3)




ANKARA ŞUBESİ

Veri Setleri

Eğitim Hücresi Sayısı DP DN YP

Ayrılma Katsayısı

Kaçırma Katsayısı

Bina Belirleme Yüzdesi (BBY)

Kalite Yüzdesi

(KY) 500 107785 27089 52527 0.5 0.3 79.9 57.5 1000 108266 26608 53708 0.5 0.3 80.3 57.4

Set 1

2000 108739 26135 53370 0.5 0.2 80.6 57.8 500 122746 12128 53357 0.43 0.1 91.0 65.2 1000 124703 10171 54985 0.44 0.1 92.5 65.9

Set 4

2000 125062 9812 56145 0.45 0.1 92.7 65.5

Tablo 6: I. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi

I. test alanı için DVM sınıflandırma sonuçları incelendiğinde Set 4 için 500, 1000 ve 2000 eğitim örneği kul-lanıldığında BBY sırasıyla %91.0, %92.5 ve %92.7 olarak, KY değerleri ise sırasıyla %65.2, %65.7 ve %65.5 olarak bulunmuştur. Diğer taraftan, Set 1’in kullanılmasıyla yapılan sınıflandırma sonucunda daha düşük doğ-ruluk değerleri elde edilmiştir. Bu veri setinde 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %79.9, %80.3 ve %80.6, KY ise sırasıyla %57.5, %57.4 ve %57.8 olarak hesaplanmıştır.

Veri Setleri

Eğitim Hücresi Sayısı DP DN YP




Kalite

Yüzdesi(KY)

500 68206 8026 44330 0.7 0.1 89.5 56.6

1000 67676 8556 36698 0.5 0.1 88.8 59.9

Set 1

2000 67306 8926 35638 0.5 0.1 88.3 60.2

500 70733 5499 28524 0.4 0.1 92.8 67.5

1000 70650 5582 27630 0.4 0.1 92.7 68.0

Set 4

2000 70608 5624 27701 0.4 0.1 92.6 67.9

Tablo 7: II. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi

II. test alanında, Set 4 için, 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %92.8, %92.7 ve %92.6 olarak hesaplanmıştır. Set 1 kullanılarak yapılan sınıflandırma sonucunda ise daha düşük doğruluk değerleri elde edilmiştir. Bu veri setinde 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %89.5, %88.8 ve %88.3 olarak hesaplanmıştır. 500, 1000 ve 2000 eğitim örneği kullanıldığında, Set 4 için KY değerleri sırasıyla %67.5, %68.0 ve %67.9 olarak bulunmuştur. Fakat aynı değerlendirme faktörü Set 1 için sırasıyla %56.6, %59.9 ve %60.2 olarak hesaplanmıştır.




Veri Setleri Eğitim

Hücresi Sayısı DP DN YP



Bina Belir-leme

Yüzdesi (BBY)

Kalite Yüzdesi

(KY) 500 502690 54066 233752 0.5 0.1 90.3 63.6

1000 500026 56730 191293 0.4 0.1 89.8 66.8 Set 1

2000 504238 52518 189289 0.4 0.1 90.6 67.6 500 534047 22709 194754 0.4 0.1 95.9 71.1

1000 533200 23556 173068 0.3 0.1 95.8 73.1

Set 4 2000 531866 24890 150653 0.3 0.1 95.5 75.2

Tablo 8: III. Test alanı için DVM sınıflandırmasının nicel değerlendirmesi

III. test alanı için DVM sınıflandırma sonuçları incelendiğinde Set 4 için 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %95.9, %95.8 ve %95.5 olarak KY ise sırasıyla %71.1, %73.1 ve %75.2 olarak hesaplanmıştır. Diğer taraftan, Set 1 kullanılarak yapılan sınıflandırma sonucunda daha düşük doğruluk değer-leri elde edilmiştir. Şöyle ki, 500, 1000 ve 2000 eğitim örneği kullanıldığında BBY sırasıyla %90.3, %89.8 ve %90.6, KY ise sırasıyla %63.6, %66.8 ve %67.6 olarak hesaplanmıştır. Sonuçlar değerlendirildiğinde eğitim alanı örneği sayısını artırmanın sonuçlarda önemli bir değişikliğe neden olmadığı görülmektedir. Bu nedenle, eğitim alanı örneği sayısını 500 olarak almanın uygun olduğu görülmüştür. Diğer taraftan, bu çalışmada kulla-nılan yardımcı verilerin (nSYM ve NFBÖİ) sınıflandırma doğruluğunu belirgin ölçüde arttırdığı belirlenmiştir. Set 4 bantları ve 500 eğitim alanı örneğinin kullanılması ile elde edilen DVM sınıflandırma sonuçları Şekil 3’de, artefaktların yok edilmesinin ardından elde edilen bina alanları, referans bina sınırlarıyla çakıştırılarak, Şekil 4’de verilmiştir.

Şekil 3: Set 4 verileri ve 500 adet eğitim alanı hücresi kullanılarak yapılan DVM sınıflandırma sonuçları




ANKARA ŞUBESİ

Şekil 4: Referans bina sınırlarıyla (kırmızı poligonlar) çakıştırılmış artefaktları yok edilmiş sınıflandırma sonuçları

Elde edilen DVM sınıflandırma sonuçlarını En Büyük Olasılık Sınıflandırma Tekniği sonuçları ile karşılaştır-mak için Set 4 verileri ve 500 eğitim alanı örneği kullanılarak çok sınıflı sınıflandırma yapılmıştır. Bu sınıf-landırmaya ait nicel değerlendirme sonuçları tablo 9’de verilmiştir. DVM sınıflandırma sonuçları ile En Büyük Olasılık Sınıflandırma Tekniği sonuçları karşılaştırıldığında, I. ve II. test alanları için hem BBY hem de KY değerlendirme faktörleri DVM sınıflandırmasında daha yüksektir. III. Test alanı için, KY yine DVM sınıflan-dırma sonuçlarında daha yüksek hesaplanmış ancak BBY En Büyük Olasılık Sınıflandırma Tekniğinde daha yüksek bulunmuştur. Bunun nedeni, III. Test alanındaki binaların genellikle benzer spektral yansıma değerle-rine sahip olmalarıdır. Çünkü, bu gibi durumlarda geleneksel sınıflandırma teknikleri de iyi sonuç verebilmek-tedir.

Test Alanları DP DN YP Ayrılma

Katsayısı Kaçırma Katsayısı


Kalite Yüzdesi (KY)

I. Test Alanı 90090 44784 15644 0.2 0.5 66.8 59.9

II. Test Alanı 50614 25618 14526 0.3 0.5 66.4 55.8

III. Test Alanı 541028 15728 457655 0.9 0.1 97.2 53.3

Tablo 9: Set 4 verileri ve 500 adet eğitim alanı hücresi kullanılarak yapılan En Büyük Olasılık

Sınıflandırmanın nicel değerlendirme sonuçları

8. SONUÇLAR

Elde edilen sonuçlar değerlendirildiğinde, DVM sınıflandırma tekniği kullanılarak binaların yüksek çözünür-lüklü uydu görüntülerinden oldukça başarılı bir şekilde belirlenebildiği görülmektedir. Tüm veri setleri için değerlendirme yapıldığında: BBY I. Test alanında %79.9 – %92.7 aralığında, II. Test alanında %88.3 – %92.8 aralığında ve III. Test alanında %89.8 – %95.9 aralığında hesaplanmıştır. Benzer şekilde, KY I. Test alanında %57.4 – %65.7 aralığında, II. Test alanında %56.6 – %68.0 aralığında ve III. Test alanında ise %63.59 –




%75.19 aralığında hesaplanmıştır. Genel olarak, BBY %79.9 – %95.9, KY ise %56.6 – %75.2 aralığında bu-lunmuştur. Farklı veri setleri için doğruluklar incelendiğinde yardımcı verilerin sınıflandırma doğruluğunu önemli ölçüde arttırdığı görülmektedir. Spektral bantlara ek olarak yardımcı verilerin kullanılması halinde BBY değer aralığı %91.0 – %95.9, KY değer aralığı ise %65.2 – %75.2 olarak değişmektedir. nSYM ve NFBÖİ bantlarının sınıflandırmada kullanılması durumunda doğruluk değerlerinin önemli ölçüde arttığı gö-rülmektedir

Eğitim alanı örneği sayısının DVM sınıflandırması doğruluğuna olan etkisi incelendiğinde örnek sayısındaki artışın, genel olarak, sınıflandırma doğruluğunu arttırdığı söylenebilir. Ancak bu artışın %2 den fazla olmadığı görülmüştür. Bu nedenle, bu çalışmada elde edilen sonuçlara göre eğitim alanı örneği sayısını çok fazla arttır-maya gerek olmadığı söylenebilir. DVM ve En Büyük Olasılık sınıflandırma sonuçlarının karşılaştırılması yapıldığında, DVM’nin daha iyi sonuçlar verdiği tespit edilmiştir.

KAYNAKLAR

Boyd, D. S.; Sanchez-Hernandez, C.; Foody, G. M., 2006. Mapping a Specific Class for Priority Habitats Monitoring from Satellite Sensor Data, International Journal of Remote Sensing, Vol.27, No. 13, (2631-2644).

Foody, G. M.; Mathur, A., 2004. A relative Evaluation of Multiclass Image Classification by Support Vector Machines, IEEE Transactions on Geoscience and Remote Sensing, Vol.42, No. 6, (1335-1343).

Foody, G. M.; Mathur, A.; Sanchez-Hernandez, C.; Boyd, D. S., 2006. Training Set Size Requirements for the Classification of a Specific Class, Remote Sensing of Environment, 104, (1-14).

Gonzalez, R. C.; Woods, R. E.; Eddins, S. L. (2004), Digital Image Processing Using Matlab, Pearson Education, Inc. Upper Saddle River, New Jersey.

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, vol. 23, no. 4, (725–749).

Koç D.; Türker M., 2005. IKONOS Pankromatik Uydu Görüntülerinden Sayısal Yükseklik Modeli Oluştu-rulması, Harita Dergisi, Sayı: 134, (31-43).

Pal, M.; Mather, P. M., 2005. “Support vector machines for classification in remote sensing,” Int. J. Remote Sens., vol. 26, no. 5, (1007–1011).

Richards, J.A. (1999), Remote Sensing Digital Image Analysis, Springer-Verlag, Berlin, p. 240.

Sanchez-Hernandez, C.; Boyd, D. S.; Foody G., M., 2007. One-Class Classification for a Specific Land-Cover Class: SVDD Classification of Fenland, IEEE Transactions on Geoscience and Remote Sensing, Vol.45, No. 4, pp. (1061-1073).

Shufelt, J.A.; McKeown, D.M., 1993. Fusion of Monocular Cues to Detect Man-Made Structures in Aerial Imagery, CVGIP: Image Understanding, 57 (3), (307-330).

Singh, A.; Harrison, A., 1985. Standardized Principal Components, International Journal of Remote Sensing, 6, (883-896).

Sonka, M.; Hlavac, V.; Boyle, R., 1998. Image Processing, Analysis, and Machine Vision, PWS Publishing.

Vapnik, V. N., 1995. The Nature of Statistical Learning Theory, New York: Springer-Verlag, ISBN 0-387-94559-8.




ANKARA ŞUBESİ

Watanachaturaporn, P.; Arora M. K.; Varshney P. K., 2008. Multisource Classification Using Support Vector Machines: An Emprical Comparison with Decision Tree and Neural Network Classifiers, Photogrammetric Engineering and Remote Sensing, Vol. 74, No. 2, (239 – 246).

Zhu, G.; Blumberg, D. G., 2002. Classification using ASTER data and SVMalgorithms: The case study of Beer Sheva, Israel, Remote Sensing of Environment, vol. 80, no. 2, (233–240).




HEYELAN DUYARLILIK ANALİZİ METODLARININ DUYARLILIK HARİTALARINA ETKİSİ

A. Erener1, HSB. Düzgün2

1Ortadoğu Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri. Böl., Ankara [email protected]

Ortadoğu Teknik Üniversitesi, Jeodezi ve Coğrafi Bilgi Teknolojileri. Böl., Ankara, [email protected]

ÖZET

Heyelan duyarlılık haritaları, heyelan tehlike haritalarına temel oluşturmaktadır. Bu nedenle, bu haritaların doğru şekilde oluşturulması oldukça önem taşımaktadır. Heyelan duyarlılık haritasını oluşturmak için farklı birçok metot kullanılabilir. Bunun yanında haritalama ölçeği ve seçilen haritalama birimi de heyelan duyarlılık haritalamaları oluşturmak için önemli kıstaslardır. Aynı alan için seçilen farklı heyelan duyarlılık metodları, haritalama ölçeği ve haritalama birimi, üretilen heyelan duyarlılık haritalarında farklılıklar ortaya çıkarmaktadır.

Bu çalışmada eğim haritalama birimi için iki farklı heyelan duyarlılık metodunun karşılaştırılması yapılmıştır. İlk seçilen metot heyelan duyarlılık haritalamalarında sıklıkla kullanılan lojistik regresyon metodudur. İkinci metot ise şu ana kadar heyelan duyarlılık haritalarında kullanılmamış olan ve tarafımızdan önerilen mekânsal regresyon metodudur. Bu iki metot üretilen eğim haritalama biriminde heyelan duyarlılık haritaları oluşturmak için kullanılmıştır. Eğim haritalama birimi (EHB), Coğrafi Bilgi Sistemleri (CBS) ortamında subilimi ölçütlerine dayanarak oluşturulmuştur. EHB için farklı heyelan duyarlılık haritalama metotlarının incelenmesi ile ilgili bu çalışma, Karadeniz’in batısında bulunan Bartın iline ait 360 km2 alan kaplayan Kumluca havzasında yapılmıştır. 18 faktör haritası (Yükseklik modeli, eğim, bakı, eğrilik, plan eğriliği, görüntü eğriliği, nemlilik indeksi, hidroloji ağına uzaklık, hidroloji ağı yoğunluğu, yola uzaklık, yol ağı yoğunluğu, jeolojik formasyonlar, fay hatlarına uzaklık, toprak tipi, toprak kalınlığı, erozyon, arazi kullanımı ve bitki örtüsü) heyelan duyarlı-lık haritalaması için oluşturulmuştur. CBS ve Uzaktan algılama (UA) teknikleri bu heyelan faktör haritalarını oluşturmak için ve duyarlılık haritalarını oluşturmak için kullanılmıştır.

Bu çalışma göstermiştir ki, tek bir haritalama birimi için kullanılan iki farklı heyelan duyarlılık metodu sonuçları farklılık göstermektedir. Mekânsal regresyon metodu, lojistik regresyon sonucuna göre daha iyi bir doğruluk vermektedir. Sonuç olarak bu çalışma seçilen heyelan duyarlılık haritalama metodunun sonuç haritalarına olan etkisini açıkça göstermektedir.

Anahtar Sözcükler: Coğrafi Bilgi Sistemleri, Heyelan duyarlılık haritaları, Eğim haritalama birimi, Lojistik regresyon, Mekânsal regresyon.

1. GİRİŞ

Bölgesel ölçekte hazırlanan heyelan tehlike ve risk haritaları son zamanlarda oldukça önem kazanmıştır. Heye-lan duyarlılık haritalaması, bir alan için, mekânsal heyelan olma olasılığının elde edilmesidir. Heyelan duyarlı-lık haritaları heyelan tehlike haritaları gibi, heyelanın oluşuyla ilgili herhangi bir zamansal bilgi taşımamakta-dır. Fakat tehlike haritalaması için ilk adım olmalarından dolayı oldukça önem taşımaktadırlar. Heyelan duyar-lılık haritalarının oluşturulmasında, haritalama birimi, haritalama ölçeği, seçilen haritalama metodu, haritalama




ANKARA ŞUBESİ

için gerekli veri tipi gibi birçok faktör etkilidir. Üretilen duyarlılık haritalarının kalitesini ölçmek için bu fak-törler incelenmelidir. Seçilen haritalama birimi, analizleri ve modelleme sonucunu oldukça etkilemektedir. Haritalama birimi alanın küçük ünitelere bölünmesini içerir. Bu küçük ünitelerin her biri tanımlanan sınır komşuluğundan farklılıklar gösterir (Hansen, 1984). Haritalama birimi belirlendikten sonra her bir üniteye, ele alınan faktör için, bir değer atanır ve her bir birim, bir örnekleme birimi olarak, duyarlılık haritalamasında değerlendirilir.

Alanı, harita birimlerine ayırmak için avantaj ve dezavantajları olan, literatürde birçok metot önerilmiştir (Meijerink, 1988; Carrara ve ark., 1995; Leroi, 1996). Bunlar hücre üniteleri, arazi üniteleri, benzersiz şartlar birimi, eğim üniteleri ve topoğrafik üniteler olarak özetlenebilir (Carrara, 1983; Meijerink, 1988; Pike, 1988; Carrara ve ark., 1991; van Westen, 1993; Bonham Carter, 1994; Chung ve Fabbri, 1995; Hearn ve Griffiths, 2001; Lee ve Min, 2001). Bu çalışma için eğim birimi haritalama birimi olarak seçilmiştir. Eğim ünitesi, ala-nın jeomorfolojisi göz önüne alınarak, hidrolojik bilgiye dayalı olarak belirlenmektedir.

Duyarlılık haritaları seçilen metoda da duyarlıdır. Bu metotlar ana olarak nicel ve nitel olarak gururlanabilirler. Hızla gelişen CBS ve UA tekniklerine dayalı olarak, farklı metotlarla heyelan duyarlılık haritalaması yapan bazı araştırmacılar Carrara ve ark., 1992; Van Westen 1993; Guzzetti ve ark., 2000; Dai ve ark., 2001, 2002; Lee ve ark., 2004; Lan ve ark., 2004; Lee , 2005; Yalcin ve Bulut , 2007; Wang ve ark., 2008; Pandey ve ark., 2008 olarak verilebilir.

Bu çalışmada iki farklı haritalama metodu, haritalama ünitesi olarak eğim birimi kullanılarak oluşturulmuş ve farkları analiz edilmiştir. İlk seçilen metot literatürde sıklıkla uygulanan lojistik regresyon metodudur (e.g. Menard; 1995; Atkinson ve ark., 1998; Dai ve Lee 2002; Ohlmacher ve Davis 2003; Lee 2004; Guzetti ve ark., 2005; Yesilnacara ve Topal 2005; Dai ve Lee 2001; Lee ve Min 2001; Ayalew ve Yamagishi 2005; Lee, 2005; Zhu ve Huang, 2006; Erener ve Düzgün, 2006; Erener ve ark. , 2007; Erener ve Düzgün 2008; Mathew ve ark., 2008 ).

Lojistik regresyon (Logistic regression, LR) heyelanı etkileyen faktörleri heyelanın oluş ya da olmayış bilgisi ile ilişkilendirir. Bu ilişki gelecekte heyelan olabilecek alanların belirlenmesinde kullanılır (Ohlmacher ve Davis 2003). Mekânsal regresyon (Spatial Regression, SR) ise regresyon parametreleri arasındaki mekânsal oto korelâsyonu dikkate alan bir metottur (Düzgün ve Kemec, 2007) ve şuana kadar heyelan duyarlılık harita-lamalarında kullanılmamıştır. SR daha çok mekânsal ekonomi araştırmalarında uygulanmış ve LR’ a göre daha iyi sonuçlar verdiği görülmüştür. SR ve LR arasındaki ana farklılık SR haritalama üniteleri arasında mekansal bağımlılığı yada oto korelasyon bilgisini dikkate almaktadır, LR ise bu bilgiyi dikkate almamaktadır.

Bartın’ın güneyinde yer alan Kumluca havzası için eğim birimi dikkate alınarak, SR ve LR metotları kullanıla-rak duyarlılık haritaları oluşturulmuştur. 18 faktör haritası (Yükseklik modeli, eğim, bakı, eğrilik, plan eğriliği, görüntü eğriliği, nemlilik indeksi, hidroloji ağına uzaklık, hidroloji ağı yoğunluğu, yola uzaklık, yol ağı yo-ğunluğu, jeolojik formasyonlar, fay hatlarına uzaklık, toprak tipi, toprak kalınlığı, erozyon, arazi kullanımı ve bitki örtüsü) heyelan duyarlılık haritalaması için oluşturulmuştur. Bu faktör haritalarının oluşturulması için CBS ve UA teknolojilerinden yararlanılmıştır. Matlab ve SPSS ortamında yapılan modellemeler sonrası oluş-turulan model sonuçları, CBS ortamında haritalanmıştır.




Çalışma Alanı ve Veri Analizi

Karadeniz bölgesi dik yamaçları ve yoğun yağışları ile heyelana duyarlı hale gelmektedir. Çalışma alanı Bartın şehrinin güney batısında yer alan 330 km2’ lik alana sahip Kumluca su havzasında yer almaktadır (

Şekil 1). Bu alanda yaklaşık 1961’ den bu yana kaydedilen 185 heyelan kaydı bulunmaktadır.

Şekil 1.Çalışma alanı, Kumluca su havzası, Bartın şehrinin güney batısında yer almaktadır, Harita iki tipte bulunan kayma lokasyonlarını göstermektedir. Type 1: derinlik değeri 5m den büyük aktif kaymalar, Type 2: derinlik değeri 5m den büyük pasif kaymalar

Çalışma alanında, heyelanı tetikleyen, doğal ve doğal olmayan faktörler mevcuttur. Yoğun yağış, eğimli alan-larda meydana gelen erozyon, doğal etkiler iken, yol yapımı vb. için dik ve uygunsuz şekilde kazılan dağ ya-maçları, kontrolsüz yerleşimler, ve tarım aktiviteleri doğal olmayan tetikleyici etkilerdir (Akgün ve Bulut , 2007).

Çalışma alanı ile ilgili hazırlanan raporlar göstermiştir ki heyelanı tetikleyen ana unsurlar yoğun yağışlar, insan etkileri ve kardaki çabuk erimenin yarattığı ani sellerdir (AIGM, 2007).

Çalışma alanını çevreleyen meteoroloji istasyonlarından alınan verilere göre yıllık ortalama yağış miktarı 900 ve 1071 mm bulunmuştur. Heyelan dökümlerine göre çalışma alanında heyelandan dolayı 537 ev başka yerle-re nakledilmiştir.

Heyelan duyarlılık alanlarının belirlenmesi için, heyelan envanteri yanında mekânsal veri katmanları oluştu-rulmuştur. Bu veri katmanlarını oluşturmak için farklı kurumlardan veriler alınmıştır. Topoğrafik haritaları ve arazi kullanım haritaları harita genel komutanlığından (HGK); jeolojik haritalar maden teknik arama (MTA) kurumundan; toprak haritaları, toprak erozyonu ve toprak derinliği haritaları Köy işleri bakanlığından (KİB) ve Aster uydu görüntüleri NIK’ ten alınmıştır. Her bir veri seti heyelan oluşuyla ilgili farklı bilgi içermekte ve farklı projeksiyona sahiptir. Uluslararası Transverse Merkator projeksyonu ve ED50 datumu ortak sistem olarak belirlenmiş ve oluşturulan her bir veri seti bu projeksyon sistemine dönüştürülmüştür.

Heyelanı etkileyen faktörler 3 ana katogaride incelenebilir Bunlar: morfolojik faktörler (eğim, bakı, plan eğri-liği, profil eğriliği), jeolojik faktörler (6 farklı jeolojik birim, fay hattından olan mesafe, 5 farklı toprak birimi, 4 farklı toprak derinlik birimi, 4 farklı erozyon derecesi), çevresel faktörler (topoğrafik nemlilik indeksi, bitki indeksi, yola olan mesafe, hidrolojiye olan mesafe, yol yoğunluğu, hidroloji yoğunluğu, beş sınıftan oluşan




ANKARA ŞUBESİ

alan kullanım sınıfları olmak üzere toplam 37 faktör ham verilerin işlenmesi ile elde edilmiştir. Heyelanı etki-leyen faktörleri için oluşturulan veri setleri kategorik ve sürekli veri tiplerine sahiptir. Tüm kategorik veriler CBS ortamında hücresel veri formatına dönüştürülmüştür. Kategorik veri setlerine sahip alan kullanımı, top-rak, jeoloji, toprak derinliği ve erozyon verileri nümerik kodlarla sayısal formata dönüştürülmüştür. Sonuç olarak her bir kategorik veri 0/1 ile ifade edilen iki rakamlı değişkenlere dönüştürülmüştür. 184 heyelan ko-numu bilgileri ise MTA dan 1: 25000’lik ölçekte elde edilmiştir ve çalışma alanının % 47’ sini kaplamaktadır.

Haritalama Biriminin Oluşturulması Haritalama birimi arazi yüzeyinin homojen alanlara bölünmesini içermektedir. Bu en küçük anlamlı mekânsal birimdir ve her bir birim ayrı bir duyarlılık değeri alır (Beguería ve Lorente, 1999). Bu çalışmada farklı duyar-lılık metotlarını karşılaştırmak için, eğim birimi, haritalama birimi olarak seçilmiştir. Fiziksel olarak eğim birimi alt-havzanın sağ ve sol kenarı olarak düşünülebilir. Bu nedenle eğim ünitesi dağ sırtı ile vadi çizgisinin kesişimi ile belirlenebilir. CBS tabanlı bir hidroloji analiz ve modelleme aracı olan Archydro (Maidment, 2002), eğim birimlerini oluşturmak için bu bölüm çizgilerini belirlemede kullanılmıştır (Akagündüz , ve ark.2008).

Eğim birimini çıkarmak için takip edilen adımlar sırasıyla şöyledir: İlk olarak sayısal yükseklik modelinden (SYM) ve ters sayısal yükseklik modelinden (TSYM) su havzalarına ait poligonlar çıkarılmıştır. TSYM’i SYM’inin tersidir yani TSYM’i elde etmek için, yüksek SYM değerleri düşüğe, düşük SYM değerleri yükseğe dönüştürülmüştür (XIE ve ark., 2004). SYM’den elde edilen su havzaları sınırları, dağ sırt çizgileridir ya da su havzalarını ayıran çizgilerdir; TSYM’den elde edilen su havza sınırları ise vadi çizgileri yada drenaj çizgileri-dir. Daha sonra bu SYM ve TSYM’den elde edilen su havza sınırları CBS ortamında birleştirilmiştir. Böyle-likle eğim birimi oluşturulmuştur. Su havzalarını elde etmek için uygulanan hidroloji modeli şu şekilde çalış-maktadır. (

Şekil 2) İlk olarak SYM ve TSYM’deki boş hücreler çevresindeki hücre değerleri dikkate alınarak doldurul-muştur. Akım yönü (flow direction)bir hücrenin sekiz komşu hücre değerini inceleyerek hesaplanmıştır. Dik-kate alınan hücreye göre daha dik aşağı inen eğim yönü olan komşu hücre belirlenerek akım yönü belirlenmiş-tir. Buna bağlı olarak akımın biriktiği hücre, diğer bir hücreye akan, dik hücrelerin toplamı ile hesaplanmakta-dır. Sonuç olarak her bir hücre değeri ona akan dik hücrelerin sayısını içermektedir.




Şekil 2: Su havzalarını elde etmek için uygulanan hidroloji model algoritması

Buna ilave akım-birikimi (flow-accumulation) hücresi, belirli bir eşik değeri için sorgulanmış ve bir akım ağı (stream network) oluşturulmuştur. Bu eşik değeri hücre sayısı yada kilometre karedeki drenaj alanı olarak tanımlanır. Genel olarak akım için eşik değeri en yüksek akım-birikimi değerinin %1’i olarak alınması önerilir (web 1, 2006). Küçük bir eşik değeri, çok yoğun bir akım ağı oluşmasına neden olmakta ve buda çok sayıda havza oluşmasına neden olmaktadır. SYM ve TSYM için su havza sınırlarları, akım yönü hücrelerini tersten izleyerek elde edilmiştir. Bu yolla verilen birçıkış noktasından süzülen tüm hücrelerin yolu belirlenmektedir.

SYM TSYM

Boşlukların Doldurulması

Akım Yönü

HY

DR

OLO

JIK

MO

DEL

Akım Ağı

Suhavzaları Sınırları

SYM Su Havzası TSYM Su Havzası

CBS KESİŞTİRME




ANKARA ŞUBESİ

Üretilen hücre, her bir hücrenin hangi su havzasına ait olduğu ile ilgili bilgi taşımaktadır. Sonuç olarak bu hücreler su havzalarını temsil eden poligonlara çevrilmiştir. SYM ve TSYM için üretilen bu su havzaları daha sonra kesiştirilerek eğim haritalama birimleri oluşturulmuştur.

Oluşturulan her bir eğim ünitesine, üretilen faktörlerin değerlerini atamak için, hücre tabanlı olan katmanlar istatistiksel olarak incelenmiştir. Her bir eğim ünitesi için bölgesel istatistik analizleri yapılarak bulunan değer herbir eğim ünitesi birimine atanmıştır. Bu analiz için üretilen eğim ünitesi ve her bir faktör üstüste açılıp, her bir eğim ünitesi altında kalan faktör için ortalama değer hesaplanıp, ilgili üniteye atanmıştır.

Faktörler yanında heyelan haritası da aynı şekilde bu eğim haritası ile üstüste çakıştırılıp her bir eğim ünitesi için heyelan var yok bilgisi atanmıştır. Üretilen 138 adet eğim ünitesi için 91adet heyelan varlığı bilgisi üre-tilmiştir.

Sonuç olarak her bir eğim ünitesi için heyelanı etkileyen faktörlere ait bilgi ve önceden olmuş olan heyelan bilgisi girilmiş ve bir veri tabanı oluşturulmuştur.

2. Nicel Duyarlılık Haritalaması Modellemesi

Bu çalışmada LR ve SR regresyon modelleri uygulanarak oluşturulan duyarlılık haritalama sonuçları karşılaş-tırılmıştır. Lojistik regresyon bağımlı değişkenin sürekli veya nicel bir değişken olaması durumunda kullanılan bir metoddur (George ve Mallery, 2000). Diğer bir deyişle bağımlı değişken heyelanın varlığı ya da yokluğu ile ifade edilen 0 ve 1’lerden oluşmaktadır. Bu çalışmada en iyi tahmin eden faktörün, modele adım adım eklenmesi prosedürü uygulanmıştır. Bu prosedüre göre model, adım adım en iyi heyelan olma olasılığını tah-min eden faktörü modele eklemekte ve etkisi olmayan değişkenleri ise modelden atmaktadır. Genel olarak LR, bağımlı değişkenin aşağıdaki formüle göre modele oturmasını sağlamaktadır:

f(x)=logit(P(X))=ln(p(X)/(1−p(X))=c0+c1x1+…+cnxn (1)

burada p(x), x olayının olma olasılığı (heyelan olma olasılığı) ve 1-p(X) ise x olayının olmama olasılığıdır. p / (1 − p) olasılık oranı, ve C1, C2, … , Cn ise bağımsız değişkenlerin bağımlı değişken olan Y’nin (heyelan olma olasılığı) değişimine olan etkisini ölçen katsayılardır.

Mekânsal regresyon ise parametreler arasındaki mekânsal oto korelasyonun dikkate alındığı küresel mekansal modelleme tekniğidir (Düzgün ve Kemec, 2007). Mekansal bağımlılık yada oto korelasyon, bir i konumunda-ki gözlem değerlerinin j ≠ i konumundaki gözlemlere bağımlı olmasıdır. Mekansal bağımlılık olduğu taktirde, komşu üniteler uzak ünitelerden daha yüksek bir mekansal korelasyona sahiptir (LeSage, 1999). Eğer olayın mekânsal bir doğası varsa, modele mekânsal korelasyonu eklemek daha iyi bir performans sağlamaktadır. Bu durum daha yüksek R2 değeri ile kendini göstermektedir.

Mekansal korelasyon, modele komşuluk yada yakınlık matriksinin eklenmesi ile elde edilmektedir. Komşuluk ya da yakınlık matrisi mekânsal haritalama üniteleri için bitişiklik bilgisini vermektedir. Komşuluk bilgisi için aynı kenarı paylaşma, aynı köşeyi paylaşma, aynı noktayı paylaşma, paylaşılan kenarın uzunluğu gibi bilgiler kullanılmaktadır.

Klasik regresyon formülünde (2) hata değeri olan U değerine (3), mekânsal korelâsyona bağlı olan bilgiler ilave edilerek hata oranı azaltılmaya çalışılmaktadır (4).

Y = Xβ + U (2)

U = ρWy + ε (3)

Daha sonra;




Y = Xβ + ρWy + ε (4)

Burada; ε , 0 ortalamalı ve sabit varyanslı σ2, vektör hatası ; W, yakınlık matriksi;ρ, etkileşim parametresi veya mekansal özbağlanımlı katsayı;β : değişkenler arasındaki ilişkiye bağlı olarak tahmin edilecek parametredir. Eğim haritalama ünitesi kullanılarak yapılan uygulamada, LR ve SR prosedürleri sonrası elde edilen sonuçlar sırasıyla aşağıda verildiği gibidir (5), (6).

f(x) = 32.871yola_mesafe + 5.264kahverengi_orman_toprağı + 160.502derin_toprak_kalınlığı + 30.371kumtaşı-çamurtaşı + 18.640çakıltaşı -52.499orman +10.570

(5)

f(x) = 2.45eğim + 7.65nemlilik_oranı+ 0.89yola_mesafe + 3.61kahverengi_orman_toprağı + 2.98derin_toprak_ kalınlığı + 1.71 kumtaşı-çamurtaşı -2.06bitki_indeksi -6.08kuru_tarım -7.766orman -1.3411çoksığ_toprak_kalınlığı -1.638sığ _toprak_kalınlığı + 0.342 (6)

Buna göre LR modeli sonucunda (5), yola olan mesafe, kahverengi orman toprak tipi, toprak kalınlığı ve jeolojik birimlerden kumtaşı-çamurtaşı ve çakıltaşı heyelana positif etki gösterirken ormanın negatif etkisi olmaktadır. Ormanlık alan arttıkça, heyelanlı alanların azalması etkisi oldukça gerçekçi görünen bir sonuçtur. Bunun yanında yola olan mesafe azaldıkça heyelanında azalması ise yol kenarlarına yapılan koruma alanlar ile açıklanabilir. Cox ve Snell R2 ve Nagelkerke R2 değerleri R2 tahmini için kullanılmaktadır. R2, tüm tahmin edici değişkenlerle açıklanabilecek, bağımlı değişkendeki değişimin oranını vermektedir. Büyük değerdeki R2

istatistiği, model tarafından yüksek oranda değişimin açıklandığını göstermekte ve 0 ile 1 arasında değişmek-tedir. Yapılan analizler sonrası elde edilen Cox ve Snell R2 0.62 ve Nagelkerke R2 0.86 değerindedir.

SR modelinde ise (6) eğim, nemlilik oranı, yola mesafe, kahverengi orman toprağı, derin toprak kalınlığı, kumtaşı-çamurtaşı heyelana pozitif etki gösterirken, bitki indeksi, kuru tarım, orman, sığ ve çok sığ toprak kalınlığı negatif etki göstermektedir. Buradan çıkan sonuçlara göre eğim ve nemlilik arttıkça heyelanın olma olasılığının artması buna karşın tarım alanlarının ve sığ ve çok sığ toprak kalınlıkları yaygınlaştıkça heyelanın olma olasılığının azalması oldukça mantıklı sonuçlar olarak görünmektedir. Model sonucu elde edilen R2 değeri 87 % oranındadır. LR sonucuna göre SR modelin açıklanabilirliği biraz daha artış göstermektedir.

LR ve SR sonrası elde edilen modeller için duyarlılık haritaları üretilmiştir. Formül 7’e göre P(L) değeri tüm haritalama birimleri için olasılık değeri olarak hesaplanır. f(x) fonksyonu -∞ dan +∞’a değişirken olasılık değeri olan P(L),0 (duyarlı olmama) ve 1 (tam olarak duyarlı olma) değerleri arasında değişir.

( )

1( )1 f xP L

Exp−=+

(7)

Eğim haritalama birimi için hesaplanan LR ve SR modellerine göre hesaplanan olasılık değerleri aşağıda veri-len Şekil 3 a ve b‘de olduğu gibi sırasıyla haritalanmıştır.




ANKARA ŞUBESİ

Şekil 3: Heyelan duyarlılığı haritalaması için a. LR Modeli sonucu oluşturulan tahmin haritası b. SR Modeli sonucu oluş-turulan tahmin haritası, Low: Düşük, Medium: Orta, High: Yüksek Duyarlı alanlar

2.1. LR ve SR Sonuçlarının Karşılaştırılması

Duyarlılık haritaları üretiminde kullanılan model performanslarının değerlendirilmesi için, rölatif eğri metodu (Receiver Operating Characteristic, ROC) kullanılmış ve değerlendirme sonrası elde edilen AUC (Area Under Curve) değerleri Tablo 1’de ve Şekil 4’ de verilmiştir. Bu metoda göre, eğri referans çizgisinden ne kadar uzaksa metot o kadar doğrudur. SR metodu için eğri altındaki alan Tablo 1’de görüldüğü gibi 0.90 dır. Bu




değer, ideal değer olan 1’ e çok yakın olduğundan dolayı ve 0.82 değerine sahip olan LR metodu değeriyle karşılaştırıldığında oldukça iyidir. Ayrıca olasılık modelinin tahminden daha iyi olduğunu gösteren asimptotik önem değeri de 0.05 ten küçüktür. Bu nedenle SR modelinin bu alan için analizlerde daha güvenilir sonuç verdiği söylenebilir.

Değişken-lerin Test Sonuçları AUC

Std. Hata

Asimptotik Önem

Asimptotik 95% Confidence Interval

Yüksek sınır

Düşük Sınır

SR .90 .02 .000 .86 .94 Eğim Haritalama Birimi

LR .82 .03 .000 .77 .88

Tablo 1: LR ve SR model sonuçların için elde edilen eğri altında kalan alanlar

Şekil 4: LR ve SR model sonuçlarını karşılaştırmak için üretilen ROC Eğrisi




ANKARA ŞUBESİ

SONUÇLAR

Bu çalışmada aynı haritalama birimi içerisinde, farklı modelleme tekniklerinden üretilen duyarlılık harita so-nuçlarının, kullanılan teknikten etkilendiğini açıkça göstermektedir. Oluşturulan heyelana duyarlı, orta ve az duyarlı alanlar kullanılan model sonucuna göre alansal farklılıklar göstermektedir.

Yapılan ROC değerlendirme sonrası elde edilen AUC değerleri ise, kullanılan LR ve SR modelleme sonuçla-rından SR modelinin daha güvenilir sonuç verdiğini göstermiştir. Bunun nedeni olarak SR metodunun LR metodunun ele almadığı mekânsal korelâsyonu dikkate almasıdır.

Sonuç olarak, tehlike haritalamasına temel oluşturacak olan duyarlılık haritaları için seçilecek harita birimi, ölçeği, vs. yanında modelleme tekniği dikkatle belirlenmelidir.

KAYNAKLAR

Akagündüz E., Erener A., Ulusoy l., Sebnem H. S.B. Düzgün, 2008. Deliniation of Slope Units Based on Scale and Resolution Invariant 3D Curvature Extraction; 2008 IEEE International Geoscience & Remote Sensing Symposium 2008; 6-11 July. Boston, Massachusetts, U.S.A. WE4.107.2: Geospatial Based Analysis.

Akgün A. ve Bulut F., 2007. GIS-based landslide susceptibility for Arsin-Yomra (Trabzon, North Turkey) region, Environ Geol, 51:1377–1387

Atkinson, P.M., Jiskoot, H., Massari, R., Murray, T., 1998. Generalized linear modeling in geomorphology. Earth Surface Processes and Landforms 23, 1185– 1195.

AIGM, 2007. Heyelan nakil raporları. Afet İşleri Genel Müdürlüğü, Bartın, 2007

Ayalew L., Yamagishi H., 2005. The application of GIS-based logistic regression for susceptibility mapping in the Kakuda-Yahiko Mountains, Central Japan. Geomorphology, 65 (1-2):15-31.

Ayan T., 1982. Deformasyon Analizine Genel Bir Bakış, İTÜ Dergisi, sayı: 1, sayfa: 40.

Beguería S. ve Lorente A., 1999. Landslide Hazard Mapping By Multivariate Statistics: Comparison Of Methods And Case Study In The Spanish Pyrenees,Damocles. Debrisfall Assessment In Mountain Catchments For Local End-Users ,Contract No EVG1 - CT-1999-00007

Bonham-Carter, G.F. 1994: Geographic Information Systems for geoscientists: modelling with GIS. Ottawa: Pergamon.

Carrara A., 1983. Multivariate methods for landslide hazard evaluation. Mathematical Geol, 15: 403–426.

Carrara, A., Cardinali, M., Detti, R., Guzzetti, F., Pasqui, V., Reichenbach, P., 1991. GIS Techniques and statistical models in evaluating landslide hazard. Earth Surface Processes and Landform 16, 427–445.

Carrara A, Cardinalli M, Guzzetti F., 1992. Uncertainty in assessing landslide hazard and risk, ITC J 2:172–183

Carrara, A., Cardinali, M., Guzzetti, F. And Reichenbach, P., 1995. GIS technology in mapping landslide hazard. In Carrara, A. and Guzzetti, F., editors, Geographical Information Systems in assessing natural hazards, Dordrecht: Kluwer, 135–75




Chung, C.F. and Fabbri, A.G., 1995. Multivariate regression analysis for landslide hazard zonation. In Carrara, A. and Guzzetti, F., editors, Geographical Information Systems in assessing natural hazards, Dordrecht: Kluwer, 107–42.

Dai F.C., Lee C.F., Li J., Xu Z.W., 2001. Assessment of landslide suspectibility on the natural terrain of Lantau Island, Hong Kong. Environ Geol 43(3):381–391

Dai F.C., Lee C.F., Ngai Y.Y., 2002. Landslide risk assessment and management: an overview, Engineering Geology 64, 65–87

Düzgün H.S.B. ve Kemeç S., 2007. Spatial regression and geographically weighted regression for spatial prediction, GIS Encyclopedia On press.

Erener A. ve Düzgün HSB., 2006 “Comparison of Statistical Landslide Hazard Assessment Methods at Regional Scale” International Disaster Reduction Conference (IDRC), Davos, Switzerland

Erener A., Lacasse S., Kaynia A., 2007, Hazard Mapping in quick clay area using GIS, Joint CIG / ISPRS Conference, "Geomatics for Disaster and Risk Management", Toronto, Canada

Erener A., Düzgün HSB., 2008. Analysis of Landslide Hazard Mapping Methods: Regression Models Versus Weight Rating ; XXIst ISPRS Congress 2008; 3-11 July. Beijing, China. Commission VIII papers, Vol. 37, Part B8 , ISSN 1682-1750

George D. and Mallery P., 2000. SPSS for Windows step-bystep: a simple guide and reference (2nd ed.) Bos-ton: Allyn and Bacon.

Guzzetti F., Cardinalli M., Reichenbach P., Carrara A., 2000. Comparing landslide maps: a case study in the upper Tiber river basin, Central Italy. Environ Manage 25(3):247–263

Guzzetti F., Reichenbach P., Cardinali M., Galli M., Ardizzone F., 2005. Landslide hazard assessment in the Staffora basin, northern Italian Apennines. Geomorphology, 72: 272–299.

Hansen A.,1984. Landslide hazard analysis. In: Brundsen D, and Prior DB (eds) ”Slope Instability“, Wiley, New York, pp 523–602

Hearn, G.J. ve Griffiths, J.S., 2001. Landslide hazard mapping and risk assessment. Geological Society Special Publication 18, 43–52.

Lan H.X., Zhou C.H., Wang L.J., Zhang H.Y., Li R.H., 2004. Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang watershed, Yunan China. Eng Geol 76(1–2):109–128

Lee S., Min K., 2001. Statistical analysis of landslide susceptibility at Yongin, Korea. Environmental, Geology, 40:1095–1113

Lee S., Choi J., Min K., 2004. Probabilistic landslide hazard mapping using GIS and remote sensing data at Boun, Korea. Int J. Remote Sensing 25(11):2037–2052

Lee S., 2005. Application of logistic regression model and its validation for landslide susceptibility mapping using GIS and remote sensing data. Int. J. Remote Sensing preview article, Taylor & Francis Ltd.

Lee S., 2004. Application of likelihood ratio and logistic regression models to landslide susceptibility mapping using GIS. Environ Manage, 34:223–232

Leroi E., 1996. Landslide hazard – Risk maps at different scales: objectives, tools and developments. In: Proc VII Int Symp Landslides, Trondheim, June 1996, 1 :35–52




ANKARA ŞUBESİ

LeSage J.P., 1999. The Theory and Practice of Spatial Econometrics Department of EconomicsUniversity of Toledo.

Maidment R.D. , 2002. ArcHydro GIS for Water resources. ESRI Press, 380 New York Street, Redlands, California. ISBN-13:978-1-58948-034-6

Mathew J., Jha V. K. and Rawat G. S., 2008. Landslide susceptibility zonation mapping and its validation in part of Garhwal Lesser Himalaya, India, using binary logistic regression analysis and receiver operating characteristic curve method. Landslides, 10.1007/s10346-008-0138-z.

Meijerink, A.M.J., 1988. Data acquisition and data capture through terrain mapping unit. International Computer Journal, 1, sayfa: 23–44.

Menard, S., 1995. Applied Logistic Regression Analysis. Sage University Paper Series on Quantitative Applications in Social Sciences, vol. 106. Thousand Oaks, California. 98 pp.

Ohlmacher G.C., Davis C.J., 2003. Using multiple logistic regression and GIS technology to predict landslide hazard in northeast Kansas, USA. Engineering Geology, 69: 331–343

Pandey A., Dabral P.P., Chowdary V.M. and Yadav N.K, 2008. Landslide Hazard Zonation using Remote Sensing and GIS: a case study of Dikrong river basin, Arunachal Pradesh, India, Environmental Geology , Volume 54, Number 7 / June, 2008 , 10.1007/s00254-007-0933-1

Pike, R.J. 1988. The geometric signature: quantifying landslide terrain types from digital elevation models. Mathematical Geology 20, 491–511.

Van Westen C.J., 1993. Application of Geographic Information System to landslide hazard zonation. ITC-Publication No. 15, ITC, Enschede, 245 pp.

Wang W.D., Xie C.M., Du X.G., 2008. Landslides susceptibility mapping based on geographicalinformation system, GuiZhou, south-west China, Environ Geol, DOI 10.1007/s00254-008-1488-5.

web 1, Gopalan H., Whiteaker T. and Maidment D.,2006. Determining Watershed Parameters Using Arc Hydro, http://gis.esri.com/library/userconf/proc03/p0805.pdf, last visited at 17. 11.2008

Xie M., EsakiI T. ve Zhou G., 2004. GIS-Based Probabilistic Mapping of Landslide Hazard Using a Three-Dimensional Deterministic Model, Natural Hazards 33: 265–282.

Yalcin A. ve Bulut F., 2007. Landslide susceptibility mapping using GIS and digital photogrammetric techniques: a case study from Ardesen (NE-Turkey). Nat Hazards (2007) 41:201–226

Yesilnacara E., Topal T., 2005. Landslide susceptibility mapping: A comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Engineering Geology ,79: 251–266

Zhu L., Huang J., 2006. GIS-based logistic regression method for landslide susceptibility mapping in regional scal., Journal of Zhejiang University SCIENCE A, 7 (12 ): 2007-2017




YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜSÜNDEN BİNALARIN BELİRLENME DOĞRULUĞUNUN ARTIRILMASI

G. Sarp1, A.Erener 2

1Jeodezi ve Coğrafi Bilgi Teknolojileri Anabilim Dalı, Ortadoğu Teknik Üniversitesi, 06531, Ankara, [email protected]

2Jeodezi ve Coğrafi Bilgi Teknolojileri Anabilim Dalı, Ortadoğu Teknik Üniversitesi, 06531, Ankara, [email protected]

ÖZET

Günümüzde yapılan birçok çalışmada özellikle haritacılık çalışmalarında haritaların güncellenmesi, arazi kullanımının belirlenmesi, şehir plancılığı vb. binaların belirlenmesi önemli bir yer teşkil etmektedir. Bu çalışmada yüksek çözünürlüğe sahip QuickBird uydu görüntüsü kullanılarak binaların sınıflandırılması ve elde edilen sınıflandırma sonuçlarının doğruluğunun artırılması amaçlanmıştır. Çalışma alanı olarak Ankara’nın Gölbaşı ilçesi seçilmiştir.

Çalışma kapsamında iki farklı sınıflandırma tekniği kullanılmıştır. Elde edilen sınıflandırma sonuçları CBS veri tabanında bulunan gerçek bina verileriyle karşılaştırılarak doğruluk analizleri yapılmıştır.

İlk olarak Quickbird görüntüsü Enbüyük Olasılık Yöntemi (EOY) ile sınıflandırılmıştır. Bu sınıflandırma tekniğinde alanda bulunan bina yol ve bitki olarak tanımlanan üç farklı sınıfa ait eğitim sınıfları tüm alandan homojen olarak toplanmış ve görüntüler eğitimli sınıflandırma yöntemi olan EOY kullanılarak sınıflandırılmıştır. Sınıflandırma sonrası doğruluğu artırmak için çoğunluk filtresi uygulanmış böylece yanlış sınıflandırılmış her bir hücre değeri komşu hücre değerleri ile karşılaştırılarak en fazla çoğunluk gösteren birime atanmıştır.

EOY için yapılan doğruluk analizleri sonucunda elde edilen sınıflandırma sonucu, filtreleme sonrası elde edilen sonuç ile karşılaştırılmıştır. Buna göre hücresel tabanlı olarak elde edilen binaların tüm alana olan oranına bakıldığında bina alanlarının %41’den %42’ye yükseldiği görülmüştür. Poligona dayalı doğruluk analizi sonucunda sınıflandırma doğrulu-ğu % 82,9’dan %85’e yükselmiştir.

İkinci olarak ise uydu görüntüsüne Zonal Tabanlı Sınıflandırma (ZTS) tekniği uygulanmıştır. Bu yöntemde görüntü bina alanları ve bina olmayan alanlar olmak üzere iki farklı sınıfa ayrılmış daha sonra her bir bina sınırı içine düşen hücre değerlerinin zonal istatistliği hesaplanarak, herbir bina sınırı içine düşen hücre, ait olduğu bina sınıfına atanmış ve bu şekilde sınıflandırma işlemi tamamlanmıştır. ZTS ile elde edilen sınıflandırma sonuçlarına göre; hücresel olarak tüm alanın % 33.8’i bina alanı olarak belirlenirken, poligon bazlı doğruluk analizine göre ise bina sınırları % 95.5 doğrulukla belirlenmiştir.

Yapılan bu çalışma göstermiştir ki sınıflandırma sonrası kullanılan çoğunluk filtresi ile EOY doğruluğu artmıştır. Ayrıca ZTS yöntemi ile yapılan sınıflandırma doğruluğu, EOY yöntemi ile yapılan sınıflandırma doğruluğuna göre daha iyi sonuç vermiştir.

Anahtar Sözcükler: Sınıflandırma, Bina Belirleme, Enbüyük Olasılık Yöntemi (EOY), Zonal Tabanlı Sınıflandırma (ZTS), QuickBird.




ANKARA ŞUBESİ

1. GİRİŞ

Binaların hava fotoğraflarından ve yüksek çözünürlüklü uydu görüntülerinden belirlenmesi uzun yıllardan beridir araştırma konusu olmuştur (Baltsavisas, ve ark., 2001, Gürün ve ark., 1997; Mayer 1999). Son yıllarda yüksek çözünürlüklü uydu görüntülerinin elde edilmesi, bina alanlarının belirlenmesinde, bu görüntülerin yeni veri kaynağı olarak kullanılmasına neden olmuştur. Yüksek mekansal çözünürlüğe sahip uydu görüntüleri şehir alanlarında sınıflandırmayı kolaylaştırmakla beraber şehirsel objeleri, özellikle binaların belirlenmesinde, daha iyi sonuçlar vermektedir ( Jin and Davis, 2005, Benediktsson ve ark., 2003, Guindon, 2000).

Son yıllarda uydu görüntülerinden binaların belirlenmesine yönelik yapılan çalışmaların birçoğunda eğitimli sınıflandırma yöntemleri kullanılmaktadır. Bu tür sınıflandırma yönteminde kullanılan örnek veriler aday olarak kullanılan binaların büyüklüğü ve pozisyonları hakkında hipotezler kurulmasına yardımcı olurlar. (Benediktsson ve ark.,2003, Lin ve Nevatia, 1998).

Bu çalışmada yüksek çözünürlüklü QuickBird uydu görüntüsüne, iki farklı sınıflandırma yöntemi uygulanmıştır. İlk olarak uydu görüntüsü eğitimli sınıflandırma yöntemlerinden EOY kullanılarak sınıflandırılmış ve sınıflandırma sonucunun doğruluğunu artırmak amacıyla çoğunluk (majority) filtresi uygulanmıştır. İkinci olaraksa Zonal tabanlı sınıflandırma tekniği kullanılmıştır. İki farklı yöntem kullanılarak elde edilen sınıflandırma sonuçları CBS veri tabanında kayıtlı olan gerçek bina sınırlarıyla alan ve sınır bazında karşılaştırılmıştır.

2. ÇALIŞMA ALANI VE VERİ

Çalışma alanı olarak, Ankara’nın Gölbaşı ilçesi seçilmiş olup 309599,4 m2’ lik bir alanı kapsamaktadır. Bu çalışma için alana ait WGS 84 datumunda UTM 36 Projeksiyonlu QuickBird uydu görüntüsünün, 2,44 m mekansal çözünürlüğe sahip MSS bantları ve bina alanlarını temsil eden vektör veri seti kullanılmıştır. Çalış-ma alanında bina, yol ve yeşil alan gibi kentsel objeler bulunmaktadır (Şekil.1).

Şekil 1: Çalışma Alanı ve Veri




3. YÖNTEM

Bu çalışmada gerçek bina sınırlarının elde edilmesi için eğitimli sınıflandırma yöntemi kullanılarak elde edilen sonuçlarının desteklenmesi amaçlanmıştır. Çalışma alanı olarak Ankara’nın Gölbaşı ilçesi seçilmiş olup bina-ların yoğunluğu ve düzenliliği nedeni ile şehir alanlarına yoğunlaşılmıştır. İlk olarak herbir sınıfı en iyi şekilde temsil eden örnek veri setleri tüm alandan homojen bir dağılım gösterecek biçimde toplanıp QuickBird görün-tüsü eğitimli sınıflandırma yöntemi olan EOY kullanılarak sınıflandırılmıştır (Şekil 2). Elde edilen sınıflan-dırma sonuçları daha önceden CBS veri tabanında kayıtlı olan bina sınırları ile alansal ve sınırsal olarak karşı-laştırılarak doğrulukları test edilmiştir. Elde edilen sonuçlara bakıldığı zaman EOY yöntemi kullanılarak sınıf-landırılmış QuickBird uydu görüntüsünün, %41’i bina alanı olarak belirlenmiştir. Bu oran, tüm alanın, bulu-nan bina alanlarına olan hücresel tabanlı oranıdır (Tablo 1).

Şekil 2: EOY kullanılarak sınıflandırılmış QuickBird

Tablo 2: EOY kullanılarak sınıflandırılmış QuickBird

Hücre Sayısı % Bina 22862 41 Yol 20346 37 Bitki 12013 22 Toplam 55221 100




ANKARA ŞUBESİ

Sınıflandırma sonucu elde edilen bina alanlarının doğruluğunu artırmak amacı ile sınıflandırılmış veriye ço-ğunluk filtresi uygulanmıştır. Bu uygulama ArcGIS 9.1 altında bulunan genelleme araçlarından Çoğunluk filtresi kullanılarak yapılmıştır. Bu filtrenin temel prensibi herbir hücenin komşu hücre değerleri ile karşılaştı-rılarak en fazla çoğunluk gösteren hücre değerine atanmasıdır. Burada analiz edilecek komşu hücre boyutu 8 olarak alınmış ve prosedür uygulanmıştır. Bu çalışmada, sınıflandırılmış Quickbird görüntüsüne uygulanan çoğunluk filtresi sonucunda, elde edilen bina alanlarının yüzdesi tüm alanla mukayese edilmiştir (Şekil 3). Elde edilen sonuçlara göre sınıflandırılmış Quickbird görüntüsünde filtreleme işleminden sona bina alanları %41’den %42’ye yükselmiştir. (Tablo 3). Bu sonuca göre yol olarak yanlış sınıflandırılmış olan bina hücreleri, gerçek değerlerine atanmıştır.

Şekil 3: Çoğunluk Filesir ve EOY kullanılarak sınıflandırılmış QuickBird

Hücre Sayısı %

Bina 22923 42

Yol 20263 36

Bitki 12035 22

Toplam 55221 100

Tablo 3: Çoğunluk Filresi ve EOY kullanılarak sınıflandırılmış QuickBird

Bu çalışmada diğer bir sınıflandırma yöntemi olarak Zonal tabanlı sınıflandırma tekniği kullanılmıştır. Bu yöntemde görüntü bina alanları ve bina olmayan alanlar olmak üzere iki farklı sınıfa ayrılmış daha sonra her bir bina sınırı içine düşen hücre değerlerinin zonal istatistliği hesaplanmıştır. Bu uygulama ArcGIS 9.1 altında bulunan mekansal istatistik aracının zonal istatistik aracı kullanılarak yapılmıştır. Zonal istatistik değeri ço-




ğunluk değeri olarak alınmıştır. Her bir bina poligonu altına düşen QB görüntüsündeki yansıma değerleri için çoğunluk değeri hesaplanmış ve bu hücreler bina yada bina olmayan sınıflarına atanmıştır (Şekil 4 ). Bu yöntem obje tabanlı sınıflandırma olarakta isimlendirilebilir. Bu yöntemin avantajı, alanda yıkılmış olan binalar var ise bu binalar bina olmayan sınıf olarak tesbit edilecektir. Böylelikle eksik olan binaların belirlen-mesi amaçlı, bina poligonunu güncellemek için kullanılabilir. Yöntemin dezavantajı ise alana yani bina yapıl-mışsa ve kullanılan bina vektör verisinde bulunmuyorsa, bu binalar bina olmayan alan olarak belirlenmektedir. Elde edilen sonuçlara göre sınıflandırılmış bina hücreleri tüm alanla kıyaslandığında QuickBird uydu görüntü-sünün %33.8’i bina alanı olarak belirlenmiştir. (Tablo 4). Bu yöntemin, sınıflandırma sonucu ve çoğunluk filtresi uygulanmış görüntüye göre, daha düşük bina yüzdesi vermesinin nedeni, diğer yöntemlerin bina olma-yan yol ve bitki alanlarında bazı bölgeleride bina olarak sınıflandırmasıdır.

Şekil 4:Zonal İstatistik ve EOY kullanılarak sınıflandırılmış QuickBird

Hücre Sayısı Toplam Hücre %

Bina 18696 55221 33.8

Tablo 3: Zonal İstatistik ve EOY kullanılarak sınıflandırılmış QuickBird




ANKARA ŞUBESİ

Yapılmış olan Zonal tabanlı sınıflandırma tekniğinin elde var olan binalara ait vektör haritalarının güncellenmesinde kullanılabilirliğini göstermek amacıyla, elimizde var olan bina vektörlerinden iki bina çıkarılmıştır. Daha sonra bu yeni vektör ile zonal tabanlı sınıflandırma yapılmış ve her poligon altındaki çoğunluk değeri bina ve bina olmama olarak atanmıştır. Elde edilen zonal tabanlı sınıflandırma sonucu ile, daha önceden elde edilen çoğunluk filtresi uygulanmış EOY’ den elde edilen bina sınıfı hücre tabanlı olarak toplanmıştır. Elde edilen sonuçlar göstermiştir ki, vektör verisinde eksik olan binalar, uydu görüntüsü kullanılarak yapılan sınıflandırma ile güncellenebilmektedir. Şekil 5.

Şekil 5: Var olan binaların güncellenmesi

4. SONUÇ Bu çalışmada yüksek çözünürlüklü uydu görüntülerinin binaların belirlenmesi için kullanılabilirliği vurgula-nılmaya çalışılmıştır. Sınıflandırma sonucunda edilen doğruluklara bakıldığında QuickBird görüntüleri kulla-nılarak elde edilen sınıflandırılma sonuçlarında tüm alanın % 41’i bina olarak belirlenirken çoğunluk filtresi uygulandıktan sonra bu oran %42’ ye çıkmaktadır. Zonal tabanlı yapılan sınıflandırmada ise bu oran %34’ tür. Bu farklılığın nedeni olarak görüntünün EOY ile sınıflandırılmasında bina alanı olmayan alanlarında bina olarak sınıflandırılmasıdır.

Çalışma kapsamında elde edilen sınıflandırma sonuçları gerçek bina sınırlarıyla karşılaştırılarak doğruluk değerleri belirlenmiştir. İlk olarak vector halde bulunan bina sınırları QuickBird görüntüsünün çözünürlüğüne bağlı olarak hücre haline dönüştürülmüş ve elde edilen sınıflandırma sonuçlarıyla çakıştırılmış ve doğru olarak sınıflandırılmış bina hücreleri % olarak belirlenmiştir Tablo 4.




Sınıflandırma Türü QuickBird (%Doğruluk)

EOY 82.9 Çoğunluk Filitresi uygulanmış EOY 85 Zonal Prosedür 95.5

Tablo 4: Sınıflandırma Doğrulukları

Tablo 4’e bakıldığında EOY sonucunda elde edilen sınıflandırılmış verinin doğruluğu çoğunluk filtrelerinin ve zonal yöntemlerin uygulanmasıyla artış göstermektedir. Tablo 4’den de açıkça anlaşılabilindiği gibi QuickBird görüntüsü kullanılarak elde edilen sınıflandırılmış binaların doğruluğu % 82,9 ‘a kadar yükselmektedir. Ço-ğunluk Filtreleri ve Zonal yöntemlerin kullanılması ile sınıflandırılmış QuickBird görüntüsünün doğruluğu %85 ve %95,5’lere kadar yükselmiştir.

Sonuç olarak yüksek çözünürlüklü uydu görüntülerinden binalar sınıflandırma yöntemleri kullanılarak güveni-lir bir biçimde ve yüksek doğruluklarda çıkarılabilmektedir. Elde edilen sınıflandırma sonuçlarının doğrulukla-rı sınıflandırma sonucu uygulanan çoğunluk fitreleri ve zonal prosedürler kullanılarak artırılabilir.

KAYNAKLAR

Benediktsson, J. A., Pesaresi, M. and Arnason, K., 2003, Classification and feature extraction for remote sensing images from urban areas based on morphological transformations, IEEE Trans. Geosci. Remote Sensing, vol. 41, no. 9, pp. 1940–1949.

Benediktsson,,J., Pesaresi, A. M. and Arnason, K., 2003. Classification and feature extraction for remote sensing images from urban areas based on morphological transformations,” IEEE Trans. Geosci. Remote Sensing, vol. 41, no. 9, pp. 1940–1949.

Guindon, B., 2000 A framework for the development and assessment of object recognition modules from high-resolution satellite images, Canadian Journal of Remote Sensing, vol. 26, no. 4, pp. 334–348.

Jin X. and Davis, C. H., 2005, An integrated system for automatic roadmapping from high-resolution multispectral satellite imagery by information fusion, International Journal on Information Fusion, vol. 6, no. 4, pp. 257–273.

Lin, C. and Nevatia, R., 1998, Building detection and description from a single intensity image, Computer Vision and Image Understanding, vol. 72, no. 2, pp. 101–121.

Smith, J., 2000. Remote sensing to predict volcano outbursts. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Kyoto, Japan, Vol. XXVII, Part B1, pp.456-469.




ANKARA ŞUBESİ

STEREO CARTOSAT-1(IRSP5) UYDU VERİLERİNDEN SAYISAL YÜKSEKLİK MODELİ (SYM) ÇIKARILMASI: ÖRNEK ÇALIŞMA, UZUNGÖL HAVZASI

M.Dağcı1, K.Köklü2

1KÖKLÜ mühendislik, Uzaktan Algılama ve CBS birimi, İstanbul, [email protected]

2Yıldız Teknik Üniversitesi, Matematik Mühendisliği Bölümü, İstanbul, [email protected]

ÖZET

Hindistan Uzaktan Algılama uydusu Cartosat-1 (IRSP5) 5 mayıs 2005 tarihinde yörüngesine yerleştirilmiştir. Cartosat-1 Uydusu üzerinde stereo görüntü çekmeye yarayan iki adet kamera bulunmaktadır. Bunlar aynı yörüngede (along the track) eş zamanlı veri toplayan birisi nadire yakın (-5 derece) diğeri ise geçiş yönünde (forward looking, 26 derece) görüntü çekme yeteneğindedir. Tepeye yakın çekimde 2 metre, eğik çekimde ise 2,5 metre çözünürlükte veri sağlamaktadır. Bu iki kameranın stereo çekim geometrisi oranı (base/heigh) 0.62 dir. Görüntülerle birlikte ANTRIX tarafından sayısal yükseklik modeli ve ortorektifikasyonda kullanılmak üzere RPC (Rational Polynomial Coefficients) verileri de sağlanmaktadır. Özellikle geniş alan çalışmalarında topografyayı temsil eden ve CBS kullanımında olmazsa olmaz altlık olan Sayısal Yük-seklik Modeli (SYM, DEM) için ülkemizde Harita Genel Komutanlığınca sağlanan 1:25.000 ölçekli veri dışında veriler bulunmamaktadır.. Cartosat-1 verileri kullanılarak böylesi geniş alanlarda 1:10.000 ölçeğinde veri üretmek mümkündür. Bu şekilde elde edilmiş ve edilebilecek veriler ile hidroelektrik potansiyelin hassas bir şekilde belirlenmesi, geniş havzala-rın planlanıp yönetilmesi, tarımsal üretim planlarının yapılması, enerji nakil ve yol planlarının yapılmasında önemli bilgi-ler sunmaktadır.

Bir örnek çalışma olarak Trabzon ili sınırlarında yer alan oldukça yüksek eğimli ve dağlık alan olan Uzungöl (Solaklı) havzasında Teknik hidrolik potansiyelin belirlenmesinde kullanılmak üzere Cartosat-1 stereo uydu verileri kullanılmıştır.

Anahtar Sözcükler: Cartosat-1(IRSP5), Uzungöl, Sayısal Yükseklik Modeli, Stereo DEM Çıkarımı, Uzaktan Algılama

1. GİRİŞ

Üzerinde yaşadığımız yeryüzü düz bir zemin olmayıp engebeli yapıdadır. Bu engebenin coğrafik olarak ne kadar çok hassas belirlenirse yüzey üzerindeki varlıkları belirlemede ve yüzeye uygulanacak çalışmaların planlanmasında da elverişli sonuçlar sunacaktır. Arazi üzerindeki farklı yükseklik bilgilerinin belirlenmesinde geniş alanlarda yersel ölçümler oldukça pahalı ve çok uzun zaman almaktadır. Böylesi geniş alanların topografik özelliklerinin belirlenmesinde uzaktan algılama uydu verileri ile en güncel, en hızlı ve en ekonomik çözümler sunar.

Bu amaçla arazinin hidrolojik özelliklerinin daha hassas belirlenmesi amacı ile Trabzon ilinde bulunan çok tanınmış doğa özelliklerini de bünyesinde barındıran uzungöl havzası içinden geçen ırmak ismi olan Solaklı deresi ve Solaklı havzası ile anılmaktadır. Bölgede uzun süreli yağışlar ve yüksek miktarda kar örtüsü içermesinden dolayı hidroelektrik amaçlı olarak enerji ihtiyacının giderilmesinde kullanılmak istenmektedir. Bu amaçla arazinin teknik hidrolik potansiyelinin belirlenmesi anlamında böylesi geniş alanlarda




kullanılabilecek Harita Genel Komutanlığınca üretilmiş olan 1:25.000 ölçekli topografik haritalar yetersiz kalmakta ve daha hassas verilere ihtiyaç duyulmaktadır.

Bu çalışmada arazinin topografyasının istenen hassasiyette belirlenmesi amacı ile tamamen stereo veri üretmek için tasarlanmış olan ve üzerinde farklı açılarda çekim yapma yeteneğine sahip ve Hindistan ANTRIX firmasınca geliştirilmiş olan Cartosat-1 (IRS P5) uydu verileri kullanılmıştır. Tablo 1: de Cartosat uydusuna ait teknik özellikler verilmiştir.

Güneyden Çekim Kuzeyden Çekim

Çekim açısı +26 deg -5 deg

Yersel Çözünürlük 2.5 m 2.5 m

Çerçeve genişliği 30 km 27 km

Radyometrik çözünürlük 10 bit 10 bit

Spektral Çözünürlük 500-850 nm 500-850 nm

Tablo 1: Stereo çekim yapan Cartosat-1 uydu verilerinin teknik özellikleri

2. KULLANILAN VERİLER VE GPS YER KONTROL NOKTASI ÖLÇÜMÜ

2.1. Araziyi kapsayan uydu verileri

Tüm araziyi Cartosat-1 uydu verileri iki farklı geçişle çekmiş olup toplam 4 çerçeve stereo veri kullanılmıştır. Arazinin büyük bir bölümü tek geçişte tamamlanmış olup çok az bir kısmı farklı bir tarihte çekilmiştir. Bölge oldukça fazla yağış alan bir meteorolojik özellik içermesinden dolayı genelde bulut içermesine rağmen sonbahar ile kışın başlangıç tarihlerinde yeni ve cok az miktarda kar yağışı sonrasında temiz görüntü elde edilmiş olup kar yüksekliği en fazla 20 cm olduğu için çalışma ölçeğini etkilememektedir. Karlı alandaki serit görüntü 18 Aralık 2006 ve diger görüntü ise 7 Eylül 2007 tarihlidir.

2.2 GPS ile Yer Kontrol noktası ölçümü

Arazide TUTGA (Türkiye Ulusal Temel GPS Ağı) sistemine dayalı olarak daha önceden tesis edilmiş yer kontrol noktaları 10 tanesi temel alınarak her 7-8 km de bir görüntüde de rahat görülebilen keskin yüzey elemanları GPS ile yatayda ve düşeyde 20 cm doğruluk olacak şekilde toplam 32 tane yer kontrol noktası




ANKARA ŞUBESİ

ölçülmüştür. Tüm çalışmada koordinat sistemi olarak UTM 37 WGS84 6 derecelik sistem kullanılmıştır. Şekil 1 de temin edilen uydu verilerinin ön görüntüleri ve ölçülen yer kontrol noktaları havza sınırları ile birlikte gösterilmiştir. Şekil 2. de ölçülen GPS noktalarının çözüm vektörleri gösterilmiştir.

3. SAYISAL YÜKSEKLİK MODELİ ÜRETİMİ

Elde edilen görüntüler ile birlikte ANTRIX firmasınca görüntü çiftlerine ait RPC (Rational Polinominal Coefficents) bilgileri de temin edilmekte olup bu veri IKONOS formatındadır. RPC verileri hem kamera parametrelerini hem de topografyayı içerisinde barındırmaktadır. PIXONEER firmasınca geliştirilmiş olan Görüntü işleme yazılımı PG Steamer V.4 yazılımı kullanılarak yer kontrol noktaları ve iki görüntü çifti arasında bağlantı noktaları (tie points) seçilip işaretlendikten sonra ölçülen yer kontrol noktalarıda her bir görüntü çifti için ayrı ayrı işaretlenmiştir. Toplam 4 farklı görüntü çifti için bu işlem ayrı ayrı yapılarak Sayısal Yükseklik Modeli (SYM-DEM) elde edilmiştir. Elde edilen SYM çerçeveleri yer kontrol noktaları yardımı ile en uygun sonuç olan ortak bindirmeli görüntü bölgelerinden mozayiklenerek tüm alana ait genel SYM elde edilmiştir. Sonuçların değerlendirilmesi sonucu koordinat doğruluğu yatayda ve düşeyde 4 metreyi geçmemektedir ki buda görüntü çözünürlüğü olan 2.5 metrenin yaklaşık 1.6 katı civarındadır. Şekil 3. de tüm havzaya ait elde edilen SYM gösterilmiştir. Bu sonuç ile de 2.5 metre stereo veriler ile yaklaşık 1:10.000 ölçeğinde hassas veri elde edilmiş olmaktadır. Tablo 2. de Cartosat-1 den üretilen SYM’den elde edilen yükseklik değerleri ile araziden ölçülen yükseklik değerleri karşılaştırmalı olarak verilmektedir.

Elde edilen veriler ile HGK tarafından üretilen 1:25.000 ölçekli yükseklik verileri karşılaştırılmış ve Cartosat verileri ile ne kadar daha hassas ve doğru veri elde edildi Şekil 4.de gösterilmiştir.




Şekil 1: Temin edilen Cartosat-1 ön görüntüleri ve ölçülen yer kontrol noktaları. Soldaki şerit 18 Aralık 2006 ve sadaki tek çerçeve 7 Eylül 2007 tarihlidir.




ANKARA ŞUBESİ

Şekil 2: GPS çözümleri ve çözüm vektörleri.




Şekil 3. Cartosat-1 stereo verileri ile elde edilen Sayısal Yükseklik Modeli.




ANKARA ŞUBESİ

Nokta adı X Y Z_Ortometrik Z_Elipsoidal Cartosat-

1 SYM ZORT-SYM

2 603770.31 4531713.84 1.86 27.15 0.00 1.86 36 606453.99 4533374.33 7.90 32.99 5.00 2.90 A002 610142.20 4536080.70 6.45 31.24 6.00 0.45 A1-- 601136.37 4508787.58 1352.79 1380.99 1355.00 -2.21 A10- 619596.75 4529063.72 115.39 141.26 112.00 3.39 A12- 604631.18 4501436.27 1578.98 1606.43 1582.00 -3.02 A14- 604155.76 4493371.90 1592.03 1621.37 1594.00 -1.97 A15- 596587.40 4491805.01 2073.22 2102.76 2077.00 -3.78 A17- 618964.27 4490424.05 1982.79 2012.41 1980.00 2.79 A19- 622851.92 4490565.79 2469.97 2499.68 2471.00 -1.03 A20- 617653.74 4487817.87 2551.01 2579.65 2555.00 -3.99 A21- 593605.59 4487414.11 2436.59 2466.37 2440.00 -3.41 A22- 598902.08 4485108.73 2485.00 2514.66 2489.00 -4.00 A23- 607773.78 4487867.62 2332.17 2361.69 2335.00 -2.83 A25- 609384.05 4491019.50 2475.99 2505.41 2477.00 -1.01 A26- 603602.99 4488260.26 2237.65 2267.18 2240.00 -2.35 A27- 596095.15 4497023.84 2291.77 2321.08 2294.00 -2.23 A28- 597368.70 4505988.35 1867.76 1896.38 1870.00 -2.24 A29- 611390.46 4503179.73 2233.03 2261.90 2235.00 -1.97 A30- 616918.70 4498507.68 2166.44 2195.73 2166.00 0.44 A31- 620426.44 4494269.25 2212.88 2242.37 2214.00 -1.12 A34- 602654.12 4527402.78 445.09 470.98 445.00 0.09 A35- 614981.27 4526835.08 227.46 253.55 225.00 2.46 A44- 598476.01 4508741.61 1811.56 1839.83 1815.00 -3.44 A5-- 611493.27 4510097.29 1875.03 1903.29 1878.00 -2.97 A6-- 599512.37 4518623.90 1235.58 1262.66 1232.00 3.58 A9-- 607991.10 4526252.33 65.72 91.79 64.00 1.72 AA8- 612790.94 4519959.66 1065.26 1093.29 1062.00 3.26 AYY- 609807.89 4493758.71 1891.82 1921.13 1894.00 -2.18 GOL2 609127.81 4497342.75 1118.10 1147.23 1120.00 -1.90 Y11- 612181.53 4518003.47 1300.85 1328.14 1298.00 2.85 A7x 606884.30 4521162.15 274.32 301.05 271.00 3.32 G4420006 616312.78 4531226.17 251.84 277.35 248.00 3.84 G4420013 608691.31 4521146.67 507.31 534.05 504.00 3.31 G4420014 606252.15 4499611.97 1539.45 1568.41 1541.00 -1.55 G4420015 603122.43 4507989.28 913.37 941.65 915.00 -1.63 G4420031 603050.04 4485324.49 2566.94 2596.51 2569.00 -2.06 G4420033 610639.76 4506829.52 2087.92 2116.49 2090.00 -2.08 G4420034 619716.00 4491799.46 1937.49 1967.07 1935.00 2.49 G4420035 610028.58 4495304.80 1892.96 1922.20 1895.00 -2.04 G442022 620249.51 4493756.29 2118.03 2147.54 2115.00 3.03 OF(TUTGA) 604765.57 4532272.69 13.58 39.60 10.00 3.58

Tablo 2. Cartosat-1 den elde edilen SYM yükseklik verisi ile GPS ile ölçülen yüksekliklerin karşılaştırılması (tablonun sonunda OF ilçesinde bulunan TUTGA, C1,C2 ve C3 olarak temel alınan kontrol noktalarıdır)




Şekil 4. HGK tarafından üretilen 1:25.000 ölçekli veriler ile Stereo Cartosat-1 verilerinden elde edilmiş eşyükseltilerin karşılaştırılması. Koyu kalın kırmızı çizgiler (1:25.000) ölçekli HGK verisi 5 metre aralıklı, ince mavi çizgiler Cartosat-1 verilerinden elde edilmiş 2 metre aralıkla çizilmiş (aşırı engebeli arazinin topografyasının tam belli olması açısından 2 metrede bir çizilmiştir) eşyüklelti eğrileri.

SONUÇ

Stereo Cartosat-1 görüntüleri ile yer kontrol noktası kullanarak yatayda ve düşeyde 4 metre doğruluklu 2 ve 3 boyutlu veri üreterek 1:10.000 ölçeğinde Sayısal Yükseklik Modeli elde edilebilir. Bu veriler ile güncel topografik bilgiler daha hızlı, ekonomik ve daha doğru olmaktadır. Yine bu görüntüler ile daha önce üretilmiş verilerin güncellenmesi yapılabilmektedir.

KAYNAKLAR

Lehner M., Müller R., Reinartz P., Schroeder M. , 2007 , Stereo Evaluation Of CARTOSAT-1 Data For French And Catalonian Test Sites, May 29 – June 1, ISPRS Hannover Workshop, Hannover, Almanya

Rao C.V., Sathyanarayana P., Jain D.S., Manjunath A.S., 2007, Topographic MapUpdation Using CARTOSAT-1 Data, 11 - 14 September 2007, Newcastle upon Tyne, ABD.

URL 1, Antrix firması internet sitesi, Cartosat-1 (IRS-P5) misyon bilgisi, http://www.antrix.gov.in/main/irsp5.html, 1 Ekim 2008

Documents

DESTEK VEKTÖR MAKİNELERİLE YÜKSEK ÇÖZÜNÜRLÜKLÜ ... · DESTEK VEKTÖR MAKİNELERİ İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ GÖRÜNTÜLERDEN BİNALARIN BELİRLENMESİ D. Koç San1,