EGE ÜN VERS TES FEN B TÜSÜ (YÜKSEK L SANS TEZ (8).pdf · saydırılır ve her parsel için...
Transcript of EGE ÜN VERS TES FEN B TÜSÜ (YÜKSEK L SANS TEZ (8).pdf · saydırılır ve her parsel için...
EGE ÜN�VERS�TES� FEN B�L�MLER� ENST�TÜSÜ
(YÜKSEK L�SANS TEZ�)
ÇOK BANDLI UYDU GÖRÜNTÜLER�NDEN PARSEL
BAZINDA CO�RAF� B�LG� S�STEM� ÖZELL�KL�
ÜRÜN DESEN� KATMANI OLU�TURULAB�L�RL���
ÜZER�NE B�R ARA�TIRMA
Senem YILMAZ
Tez Danı�manı : Prof. Dr. Yusuf KURUCU
Çevre Bilimleri Anabilim Dalı
Bilim Dalı Kodu : 615.01.00 Sunu� Tarihi : 14.09.2011
Bornova-�ZM�R 2011
ii
iii
Senem YILMAZ tarafından yüksek lisans tezi olarak sunulan “Çok Bantlı Uydu
Görüntülerinden Parsel Bazında Coğrafi Bilgi Sistemi Özellikli Ürün Deseni
Katmanı Oluşturulabilirliği Üzerine Bir Araştırma” başlıklı bu çalışma E.Ü.
Lisansüstü Eğitim ve Öğretim Yönetmeliği ile E.Ü. Fen Bilimleri Enstitüsü
Eğitim ve Öğretim Yönergesi’nin ilgili hükümleri uyarınca tarafımızdan
değerlendirilerek savunmaya değer bulunmuş ve 14.09.2011 tarihinde yapılan tez
savunma sınavında aday oybirliği ile başarılı bulunmuştur.
Jüri Üyeleri: Đmza
Jüri Başkanı : Prof. Dr. Yusuf KURUCU
Raportör Üye : Prof. Dr. Ümit ERDEM
Üye : Prof. Dr. Bahar TÜRKYILMAZ
iv
v
ÖZET
ÇOK BANTLI UYDU GÖRÜNTÜLERĐNDEN PARSEL BAZINDA
COĞRAFĐ BĐLGĐ SĐSTEMĐ ÖZELLĐKLĐ ÜRÜN DESENĐ KATMANI
OLUŞTURULABĐLĐRLĐĞĐ ÜZERĐNE BĐR ARAŞTIRMA
YILMAZ, Senem
Yüksek Lisans Tezi, Çevre Bilimleri
Tez Danışmanı: Prof. Dr. Yusuf KURUCU
Eylül 2011, 64 sayfa
Bu çalışmada, tarım ürünlerinin Uzaktan Algılama verileri ve Coğrafi
Bilgi Sistemi entegrasyonuyla doğru şekilde sınıflandırılması hedeflenmiştir.
Araştırmada Matlab R2010a yazılımı ile bir arayüz oluşturulmuş ve
Rapideye uydusunun verileri kullanılarak Foça’da yetiştirilen pamuk, ayçiçeği ve
mısır ekili alanların parsel düzeyinde ürün deseni haritalanmasına çalışılmıştır.
Araştırmada ekili alan hesabının yapılabilmesi için vektör formattaki parsel
sınırları, ürün deseni çeşidinin belirlenmesi için ise Rapideye uydu görüntüsü
piksel sayısal değerleri temel alınmıştır.
Geliştirilen bu arayüz ile hem ekili alanların parsel düzeyinde ürün deseni
haritalanmasına çalışılmış hem de ürün ekili alanlar hesaplanmıştır.
Uydu görüntüsü geliştirilen arayüz ile sınıflandırılmış ve parsel bazında
pamuk, mısır ve ayçiçeği bitkileri % 98 doğrulukla ayırt edilebilmiştir.
Anahtar sözcükler: Rapideye, Parsel Bazlı Sınıflandırma, Ürün Deseni,
Uzaktan Algılama, Coğrafi Bilgi Sistemi.
vi
vii
ABSTRACT
RESEARCH ON THE ABILITY TO FORM CROP PATTERN
LAYER QUALIFIED PARCEL BASED GEOGRAPHICAL
INFORMATION SYSTEM FROM SATELLITE IMAGES WITH
MULTI BANDS
YILMAZ, Senem
MSc in Environmental Science
Supervisor: Prof. Dr. Yusuf KURUCU
September 2011, 64 pages
This study introduces a methodology for integrating remote sensing and
geographic information systems to accurately classify agricultural crops.
The aim of the study was to determine spectral characteristics of the
cotton, corn and the sunflower growing plots at Foça using Rapideye Satellite
Imagery for field based agricultural crop mapping with the interfaces
implemented for the image processing using by MATLAB R2010a development
tool. Determining the type of product design is based on the numerical values of
the Rapideye satellite image pixels. Detecting the area of cultivated land, parcel
boundaries in vector format are used.
With this developed interface, field based agricultural crop mapping and
crop planted area is studied.
Satellite image was classified and these plants in the plots basis were
distinguished by 98 percentage accuracy.
Keywords: Rapideye, Parcel Based Classification, Crop Pattern, Remote
Sensing, Geographic Information Systems.
viii
ix
TEŞEKKÜR
Teşekkürlerin en büyüğü bu çalışma süresince sabır ve özveri ile beni
yönlendiren, Uzaktan Algılama ve Coğrafi Bilgi Sistemi EBĐLTEM Uydu
Laboratuarının altyapı olanaklarını kullanmamı sağlayan, sınırsız bilgi
birikimiyle öneriler sunan her zaman örnek aldığım, E.Ü.Z.F. Toprak Bölümü
öğretim üyesi değerli hocam Prof. Dr. Yusuf KURUCU’ya gitmelidir.
Çalışmalarımda bana sonuna kadar güvenen, her zaman saygı duyduğum
E.Ü. Çevre Sorunları Araştırma ve Uygulama Merkezi Müdürü ve E.Ü.Z.F.
Peyzaj Mimarlığı Bölümü sayın hocam Prof. Dr. Ümit ERDEM’e, tüm lisansüstü
öğrencilerin ablası Dr. Nurdan ERDOĞAN’a ve E.Ü. Çevre Sorunları Araştırma
ve Uygulama Merkezine katkılarından dolayı teşekkürlerimi sunarım.
Tez konum ile ilgili yapılan çalışmalar konusunda beni aydınlatarak,
misafirperverliği ile bana büyük yardımda bulunan Hacettepe Üniversitesi
Jeodezi ve Fotogrametri Mühendisliği Bölümü öğretim üyesi sayın hocam
Doç. Dr. Mustafa TÜRKER’e teşekkürü bir borç bilirim.
Yüksek lisans tezimin araştırma ve hazırlama aşamaları süresince
desteklerini esirgemeyen, bilgi ve deneyimlerinden yararlandığım Dr. M. Tolga
ESETLĐLĐ’ye, Dr. Fulsen ÖZEN’e, Dr. Çiğdem COŞKUN HEPCAN’a ve Ziraat
Yük. Müh. Ece EROĞLU’na, teşekkürlerimi sunarım.
Araştırmalarımın her aşamasında maddi ve manevi olarak her zaman
yanımda bulunan en kıymetlim, aileme ve desteğini esirgemeyen müstakbel hayat
arkadaşım Tayfun TANYEL’e sonsuz teşekkürlerimi bir borç bilirim.
Ayrıca bende ve tezimde büyük emeği olan sayın Cihat ELDENĐZ’e
teşekkürlerimi sunarım.
x
xi
ĐÇĐNDEKĐLER
Sayfa
ÖZET ...................................................................................................... … v
ABSTRACT .............................................................................................. .. vii
TEŞEKKÜR ................................................................................................ ix
ŞEKĐLLER DĐZĐNĐ ..................................................................................... xvi
ÇĐZELGELER DĐZĐNĐ .................................................................................. xx
KISALTMALAR DĐZĐNĐ........................................................................... xxii
1.GĐRĐŞ ........................................................................................................ 1
2.ÖNCEKĐ ÇALIŞMALAR........................................................................... 3
3.UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM ALANLARI .. 6
3.1 Uzaktan Algılama Tekniği ....................................................................... 6
3.2 Cisimlerin Spektral Yansıtma Özellikleri ................................................. 7
3.2.1 Bitkilerin spektral yansıtma özellikleri .................................................. 8
3.2.2 Toprağın spektral yansıtma özellikleri................................................... 8
3.2.3 Suyun spektral yansıtma özellikleri ....................................................... 9
3.3 Uydu Görüntüleri.................................................................................... 10
3.4 Uydu Görüntülerinde Çözünürlük ........................................................... 10
3.4.1 Radyometrik çözünürlük ...................................................................... 11
xii
ĐÇĐNDEKĐLER (devam)
Sayfa
3.4.2 Spektral çözünürlük............................................................................. 12
3.4.3 Spatial çözünürlük............................................................................... 13
3.4.4 Temporal çözünürlük........................................................................... 14
3.5 Rapideye Uydusu Görüntüleme Sistemi ................................................. 16
3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma Yöntemleri ...... 19
3.6.1 Kontrolsüz sınıflandırma ..................................................................... 20
3.6.2 Kontrollü sınıflandırma ....................................................................... 21
3.6.3 Sınıflandırma sonuçlarının kontrolü..................................................... 22
4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI .................... 23
4.1 Coğrafi Bilgi Sistemi.............................................................................. 23
4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri ............................... 23
4.2.1 Vektör (Çizgisel) veriler ...................................................................... 24
4.2.2 Raster veriler ....................................................................................... 25
4.2.3 Metin (Text) veriler ............................................................................. 25
5. MATERYAL VE YÖNTEM.................................................................... 26
5.1 Materyal................................................................................................. 26
5.1.1 Araştırma alanı ve coğrafi konum........................................................ 26
xiii
ĐÇĐNDEKĐLER (devam)
Sayfa
5.1.2 Yazılımlar ve diğer materyaller ........................................................... 27
5.2 Yöntem.................................................................................................. 27
5.2.1 Yardımcı veriler .................................................................................. 29
6. ARAŞTIRMA BULGULARI VE DEĞERLENDĐRME........................... 38
6.1 Araştırma Konusu Kültür Bitkilerinin Rapideye Uydu Görüntüsündeki
Yansıma Değerleri ....................................................................................... 38
6.2 Araştırma Alanında Ekili Alanların Parsel Bazında Sınıflandırılması ..... 44
7. SONUÇ VE ÖNERĐLER ......................................................................... 56
KAYNAKLAR DĐZĐNĐ ............................................................................... 59
ÖZGEÇMĐŞ ................................................................................................ 64
EKLER.................................................................................................................
Ek 1 Araştırma Alanına Ait Adaların Parsel Bilgileri ............................................
Ek 1 (a) 1. Bölgedeki Parsel Bilgileri ....................................................................
Ek 1 (b) 2. Bölgedeki Parsel Bilgileri....................................................................
Ek 1 (c) 3. Bölgedeki Parsel Bilgileri ....................................................................
Ek 1 (d) 4. Bölgedeki Parsel Bilgileri....................................................................
Ek 1 (e) 5. Bölgedeki Parsel Bilgileri ....................................................................
xiv
ĐÇĐNDEKĐLER (devam)
Sayfa
Ek 1 (f) 6. Bölgedeki Parsel Bilgileri.....................................................................
xv
xvi
ŞEKĐLLER DĐZĐNĐ
Şekil Sayfa
3.1. Uzaktan algılama tekniğinin 4 temel ilkesi........................................ 6
3.2 Elektromanyetik spektrum................................................................ 7
3.3 Bitki örtüsü, toprak ve suyun spektral yansıtım eğrileri..................... 9
3.4a 1 bitlik görüntü............................................................................... 11
3.4b 2 bitlik görüntü............................................................................... 11
3.4c 3 bitlik görüntü............................................................................... 11
3.4d 4 bitlik görüntü............................................................................... 11
3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri.. 12
3.6a 30 m – piksel LANDSAT5 görüntüsü............................................. 13
3.6b 2.5 m – piksel Quickbird görüntüsü ................................................ 13
3.7a Japonya’da 11.03.2011 tarihinde yaşanan Tsunami felaketinden
önce Rapideye uydusundan alınan görüntü ..................................... 14
3.7b Japonya’da 11.03.2011 tarihinde yaşanan Tsunami felaketinden
sonra Rapideye uydusundan alınan görüntü .................................... 14
3.8 Dijital görüntü ................................................................................. 15
3.9 Aynı alana ait yapılan band birleştirmeleri....................................... 16
4.1 Coğrafi veri türleri........................................................................... 24
4.2 Coğrafi Bilgi Sistemlerinde vektör veri modelleri ............................ 24
xvii
ŞEKĐLLER DĐZĐNĐ (devam)
Şekil Sayfa
4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri ............................ 25
5.1 Araştırma alanının yeri .................................................................... 27
5.2 Arayüz oluşturulurken gerek duyulan veriler ................................... 29
5.3 Geomedia 4.0 programında oluşturulan parsellerin ‘.dgn’
formatında kaydedilmesi ................................................................ 30
5.4 ‘.dgn’ uzantılı görüntünün Magic View And Converter 5.2
programında ‘.tif’ formatına çevrilmesi .......................................... 31
5.5 Araştırma alanına ait uydu görüntülerinin kesilmesi........................ 31
5.6 Parsellere ait ürün yansıma değerlerinin oluşturulması ................... 32
5.7 Homojen ürün dağılımı göstermeyen parsel .................................... 33
5.8 Matlab yazılımında programlanan arayüz ekranının görüntüsü ....... 34
5.9 Tasarlanan arayüzde uydu görüntüdü ve parsel haritasının çağırılması 35
5.10 Araştırma alanına ait uydu görüntüsü ile parsel çizgilerinin
hizzalanması........................................................................................ 36
5.11 Araştırma alanına ait parsel bazında yapılan sınıflandırmanın
ekran görüntüsü............................................................................ 36
6.1 Araştırma alanında yer alan bütün ürünlerin bandlara göre
yansıma değerleri ............................................................................ 41
6.2 Araştırma alanında yer alan 1. ürün mısır bitkisinin bandlara göre
yansıma değerleri ............................................................................ 42
xviii
ŞEKĐLLER DĐZĐNĐ (devam)
Şekil Sayfa
6.3 Araştırma alanında yer alan 2. ürün mısır bitkisinin bandlara göre
yansıma değerleri............................................................................. 43
6.4 Araştırma alanında yer alan orta pamuk bitkisinin bandlara göre
yansıma değerleri............................................................................. 43
6.5 Araştırma alanında yer alan iyi pamuk bitkisinin bandlara göre
yansıma değerleri............................................................................. 43
6.6 Araştırma alanında yer alan ayçiçeği bitkisinin bandlara göre
yansıma değerleri............................................................................. 44
6.7 Birinci araştırma alanına ait sınıflandırma sonucu................................ 45
6.8 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller ... 45
6.9 Đkinci araştırma alanına ait sınıflandırma sonucu .................................. 47
6.10 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller .. 47
6.11 Üçüncü araştırma alanına ait sınıflandırma sonucu .......................... … 49
6.12 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller... 49
6.13 Dördüncü araştırma alanına ait sınıflandırma sonucu........................... 50
6.14 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller .. 51
6.15 Beşinci araştırma alanına ait sınıflandırma sonucu............................... 52
6.16 Çalışma alanına ait homojen dağılım göstermeyen parseller ................ 52
xix
ŞEKĐLLER DĐZĐNĐ (devam)
Şekil Sayfa
6.17 Altıncı araştırma alanına ait sınıflandırma sonucu ............................ 54
6.18 Çalışma alanına ait tarlalardan homojen dağılım göstermeyen parseller 54
xx
ÇĐZELGELER DĐZĐNĐ
Çizelge Sayfa
3.1 Rapideye Uydusunun Teknik Özellikleri ............................................. 18
5.1 Lejantda yer alan ürünlere ait renk kodları .......................................... 34
6.1 Çalışma alanına ait bitkilerin 5. Banddaki yansıma değerleri ................ 39
6.2 Çalışma alanına ait bitkilerin 4. Banddaki yansıma değerleri ................ 40
6.3 Çalışma alanına ait bitkilerin 3. Banddaki yansıma değerleri ................ 40
6.4 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 46
6.5 Birinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı …………………………………………………………………. 46
6.6 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 48
6.7 Đkinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı …………………………………………………………………. 48
6.8 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 50
6.9 Üçüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı …………………………………………………………………. 50
6.10 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 51
xxi
ÇĐZELGELER DĐZĐNĐ (Devam)
Çizelge Sayfa
6.11 Dördüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının
oransal dağılımı……………………………………………………….. 51
6.12 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 53
6.13 Beşinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının
oransal dağılımı …………………………………………………………. 53
6.14 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parsel alan bilgileri……………………………………………………… 55
6.15 Altıncı çalışma alanında yer alan ürünlerin saptanabilen alanlarının
oransal dağılımı …………………………………………………………. 55
xxii
xxiii
KISALTMALAR DĐZĐNĐ
Kısaltmalar Açıklama
CBS Coğrafi Bilgi Sistemi
DGN Intergraph Graphics
DWG Autocad Drawing File
ETM+ The Enhanced Thematic Mapper Plus
NIR Near Infra Red
TIF Togged Image File Format
TM Thematic Mapper
TAKBĐS Tapu Kadastro Bilgi Sistemi
UA Uzaktan Algılama
1
1. GĐRĐŞ
Nüfusdaki artış, tarımsal üretime olan ilgiyi ve beraberinde tarım
alanlarındaki ürünlerin en doğru şekilde nasıl haritalanabileceği sorusunu
gündeme getirmiştir. Ürün deseni oluşturulması ekonomiye olan katkının
saptanabilmesi açısından önemlidir. Bu amaç için var olan en etkili yöntem
otomatik görüntü sınıflandırmasıdır. Sınıflandırma yöntemleri ile uydu
görüntüsünü oluşturan verilerin bilgisayar ortamında sınıflandırılarak ekili
tarım alanlarından tematik harita üretilebilmektedir. Ürün deseninin
belirlenmesi için bilinen en temel sınıflandırma yöntemlerinden biri parsel
bazlı sınıflandırma tekniğidir. Parsel bazlı sınıflandırma tekniğinin temeli,
varolan tarım parsellerinin sınır bilgisinden yararlanılarak görüntünün homojen
parsel bölgelerine ayrılmasıdır. Bu yöntemde her parselin içine düşen hücreler
saydırılır ve her parsel için çoğunlukta olan hücre bilgisi ilgili parsele etiket
bilgisi olarak atanır. Bu özelliğinden dolayı, parsel bazlı sınıflandırma yöntemi
ile parsel içindeki çeşitlilik ve parsel sınırlarına düşen karışık hücre etkileri
giderilmiş olur (De Wit and Clevers, 2004).
Teknolojinin ilerlemesiyle güçlenen bilgisayar donanımları ve
yazılımları görüntü ile ilgili yapılan çalışmaları kolaylaştırmış, bu konulara
olan ilgiyi arttırmıştır. Görüntü işleme teknolojisi tıp, güvenlik, üretim, bilim
alanlarında yenilikler ve kolaylıklar sağlamaktadır. Görüntü işleme
uygulamalarını geliştirmek, eğitimini vermek klasik programlama dilleri ve
teknikleri ile kolay olmamaktadır. Bu nedenle görüntü işleme algoritmalarına
yönelik fonksiyon kütüphaneleri bu programlama dillerine eklenmiş, hazır
araçlar geliştirilmiş, hatta bu işlemlere yönelik özel programlama dilleri,
geliştirilmiştir.
Bu araştırma ile uydu görüntüsünü oluşturan piksellerin her bant için
yansıma değerlerinin sorgulandığı ve ürün deseni yansıma aralıklarının
girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları içerisindeki
ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik (attributes)
bilgisi olarak veri tabanına girilmesini sağlayacak bir yöntem geliştirilmiştir.
Bu çalışmada, Matlab R2010a yazılımına bir arayüz eklenerek, çalışma
2
sonucunda görüntülerin çeşitli yöntemler ile sınıflandırılması ve parsel
bilgilerine tekrar aktarılması işlemlerine gerek kalmadan raster özellikli veriler
üzerinden doğrudan parsel düzeyinde ürün deseni haritalanmasına ve alanların
belirlenmesine çalışılmıştır.
3
2. ÖNCEKĐ ÇALIŞMALAR
Başbakanlık Güneydoğu Anadolu Projesi Bölge Kalkınma Đdaresi
Başkanlığı (2003), tarafından Fırat Sulama Birliği sınırları içinde kalan bölgede
yapılan çalışmada Mart 2000 tarihli LANDSAT 7 ETM+ ve 16 Ağustos 2000
tarihli SPOT 4 uydu görüntüleri ile parsel-bazlı sınıflandırma tekniği
kullanılmıştır. Elde edilen ürün deseninin gerçekle ne kadar uyumlu olduğunu
saptamak amacıyla ise doğruluk analizi yapılmış ve sınıflandırılmış görüntünün
ortalama doğruluğu % 95.5 olarak bulunmuştur. Otomatik sınıflandırma
sonucu elde edilen bilgiler ile Fırat Sulama Birliği verilerinin köyler ve ürün
türleri bazında karşılaştırılması neticesinde su parası yüksek olan ürünler için
eksik beyanda bulunulduğu ortaya çıkmıştır. Projede elde edilen sonuçlara
bakıldığında, ürün deseninin çok zamanlı uydu görüntülerinin otomatik
sınıflandırılma ile belirlenebilmesi sonucunda, bölgede sulama birliklerine
verilen beyanlardan kaynaklanan kayıpların önlenebileceği ve sağlıklı ürün
planlaması yapılabileceği görülmüştür.
Sefer (2005), yaptığı bir araştırma ile Landsat 5 TM uydusunun sayısal
verileri kullanılarak Yüreğir ovasında yetiştirilen 2003 yılı pamuk, soya
fasulyesi ve mısır ekili parsellerin belirlenmesini amaçlamıştır. Bu amaçla,
çalışma alanında bulunan pamuk, soya fasulyesi ve mısır bitkilerinin yansıtma
verileri altı ayrımlı bandta saptanmış ve bu veriler ışığında söz konusu
bitkilerin ekili olduğu alanların en iyi Landsat 5 TM uydusu 3., 5., ve 7. band
kombinasyonu ile belirlenebileceği sonucuna varılmıştır. Uydu görüntüsü,
kontrollü yöntem ile sınıflandırılmış ve parsel bazında pamuk, soya fasulyesi
ve mısır bitkileri % 96,3 doğrulukla ayırt edilebilmiştir.
Türker ve Arıkan (2005), Mayıs, Haziran ve Ağustos Landsat 7 ETM+
görüntülerini kullanarak parsel bazında sınıflandırma yapmıştır. Mayıs ve
Haziran aylarında alınan görüntülere Çok Zamanlı Maskeleme Tekniği
uygulamıştır. Sonuçta Çok Zamanlı Maskeleme Tekniği kullanarak
sınıflandırdığı görüntülerde, Ağustos ayında çekilen görüntünün verdiği
doğruluk oranının %10 fazlası olan %81 doğruluk sonucunu elde etmiştir.
Smith ve Fuller (2001), Parsel bazlı sınıflandırma tekniği ile Jersey’de
arazi haritalamasına çalışmışlardır. Parsel sınırları çizilmiş vektör haritaları
4
kullanarak raster görüntünün her bir parselini ayrı ayrı sınıflandırarak diğer
bilinen sınıflandırma yöntemlerine göre daha yüksek oran vererek % 85 ile
%95 arası doğruluk sonucu elde etmiştir.
Aplin ve ark. (1999), yüksek çözünürlüklü uydu görüntülerini
kullanarak parsel bazında ürün deseni oluşturmak için bazı yöntemler
geliştirmişlerdir. Bu tekniklerden en iyi sonuç veren tekniğin ürün bazında
filtreleme tekniği (per-field texture filtered classification) olduğunu
belirtmişlerdir.
Bauer ve Steinnocher (2001), Avusturalya’nın Vienna kentinde
IKONOS uydu görüntülerini kullanarak parsel bazında kentsel arazi kullanım
haritası üretmişlerdir.
De Wit ve Clevers (2004), Parsel bazlı sınıflandırma tekniği ile spektral
değişkenliğin ve parsel sınırları içinde karışık piksellerin yol açtığı saptırmanın
engellendiğini vurgulamışlardır.
Türker ve Özdarıcı (2005) ,farklı mekansal çözünürlükteki görüntüleri
karşılaştırarak parsel bazında sınıflandırma yapmışlardır. Sınıflandırmada
Karacabey bölgesine ait Spot 4, Spot 5, IKONOS ve Quickbird uydu
görüntülerini kullanmışlardır. 4 m çözünürlüğe sahip IKONOS uydu görüntüsü
%88.6 ile en yüksek doğruluk oranını vermiştir.
Özdarıcı (2005), Eşzamanlı çekilen Karacabey yakınlarında yer
alan yaklaşık 95 km 2 lik bir tarım alanının renkli SPOT 4, SPOT 5, IKONOS,
QuickBird uydu görüntüleri ile birleştirilmiş QuickBird görüntüsünün parsel
tabanlı sınıflandırma yöntemi ile sınıflandırarak çözünürlüğün tarımsal ürünler
için parsel tabanlı sınıflandırma yöntemi üzerindeki etkisini değerlendirmiştir.
SPOT4 ve SPOT 5 renkli görüntülerinin poligon sonrası sınıflandırma
sonuçları 76,1% ve 81,4% doğruluk üretirken, IKONOS renkli görüntüsü
88,6% doğruluk payı ile en yüksek sonucu sağladığını belirlemişlerdir. Diğer
taraftan, QuickBird renkli ve birleştirilmiş QuickBird görüntüsü 83,7% and
85,8% doğruluk sağladığı sonucuna varmışlardır. Poligon öncesi sınıflandırma
için SPOT 4 ve SPOT 5 görüntülerinin sonuçları 65,2% ve 69,8% olarak
hesaplanmıştır. Poligon sonrası sınıflandırmada olduğu gibi, SPOT5 görüntüsü
SPOT 4 ten daha iyi sonuçlar sergilerken IKONOS görüntüsü 81,8% ile en
5
yüksek doğruluğu elde etmişlerdir. QuickBird renkli ve QuickBird
birleştirilmiş görüntülerinin doğruluk oranları 78,6% ve 82,1% olarak
bulunmuştur.
Şencan (2004), Karacabey (Bursa) yakınlarındaki tarımsal alanlarda
Ağustos ayına ait tarım ürünlerini sınıflandırmak için karar ağacı sınıflandırma
tekniği ile beraber çok zamanlı uydu görüntülerini kullanmıştır. Analizler için
Mayıs, Temmuz ve Ağustos 2000’de elde edilen Landsat 7 ETM+
görüntülerinden yararlanarak orijinal bantlara ek olarak NDVI, PCA ve
Tasselled Cap Transformation bantları oluşturmuş ve sınıflandırma işlemine
dahil etmiştir. Karar ağacı sınıflandırma yaklaşımı ile beraber çok zamanlı
maskeleme tekniği kullanılarak görüntüler piksel bazlı olarak sınıflandırmıştır.
Mayıs ve Temmuz aylarında karar ağacı yöntemi ile 91.10% ve 66.15%, en
büyük olasılık sınıflandırma yöntemi ile ise 84.38% ve 63.55% doğruluk
değerleri elde etmiştir. Bununla beraber, Ağustos ayında en büyük olasılık
(70.82%) ve karar ağacı sınıflandırma (69.14%) yöntemleri için yaklaşık olarak
aynı toplam doğruluk sonuçları elde etmiştir. Ek olarak kullanılan bantların
karar ağacı sınıflandırma yönteminde şeker pancarı, domates, bezelye, biber ve
pirinç sınıflarının görüntü üzerinden ayrılabilirliğini arttırdığı gözlenmiştir.
Türker (2003), Vektör Parsel Sınırları ile Çakıştırılmış Landsat 7 ETM+
(Ağustos 2002) Uydu Görüntüsü’nün 4,5,3 Band Kombinasyonunu kullanarak
Karacabey’de yaptığı sınıflandırmada %80 doğruluk sonucu elde etmiştir.
Dean ve Smith (2003), Đngiltere, Cambridgeshire’da parsel bazında
sınıflandırma tekniği ile piksel bazında sınıflandırma tekniğini kıyaslamak
amacıyla yaptıkları çalışmada, seçilen araştırma alanı üzerindeki ürün deseni
homojen olmadığı için parsel bazlı sınıflandırmanın piksel bazlı
sınıflandırmaya göre daha doğru sonuçlar verdiğini belirlemişlerdir.
6
3. UZAKTAN ALGILAMA TEKNĐĞĐ (UA) VE KULLANIM
ALANLARI
3.1 Uzaktan Algılama Tekniği
Uzaktan algılama yer yüzeyindeki bir cisimle temas etmeksizin o
cismin fiziksel özellikleri hakkında bilgi elde etme bilimi olarak tanımlanır
(Örüklü, 1988). Uzaktan algılama teknolojileri, cisimlerin yüzeyinden yansıyan
veya salınan enerjinin atmosferde ya da uzayda konumlandırılmış platformlara
yerleştirilen algılayıcılar ile algılanıp kaydedilerek, elde edilen verilerin
bilgisayar ortamında işlenerek analiz edilmesi temeline dayanır. Uzaktan
algılama tekniğinde öncelikli olarak elektromanyetik enerji yayan doğal
(güneş) ya da yapay (uydu) bir kaynak gerekir. Doğal enerji kaynağı
kullanılarak yapılan algılama pasif uzaktan algılama, yapay enerji kaynağı
kullanılarak yapılan algılama aktif uzaktan algılama tekniği olarak adlandırılır.
Uzaktan algılama tekniğinin uygulanması dört temel ilkeye
dayanmaktadır (Şekil 3.1). Bunlar; radyasyon ya da elektromanyetik enerji,
atmosferik geçiş koridoru, hedef - yeryüzü objeleri ve yansıyan ya da yayılan
elektromanyetik enerjinin algılandığı algılama düzenekleri ile onları taşıyan
platformlardır.
Şekil 3.1 Uzaktan algılama tekniğinin 4 temel ilkesi
(Amerikan Ulusal Hava ve Uzay Dairesi, 2010)
Algılama düzenekleri, elektromanyetik tayfın değişik dilimlerinde (0.3 -
15 µm), cisimlerin özelliklerine göre yansıyan enerjiyi ayrımlı dalga boylarında
kayıt ederek çalışırlar. Alıcılar, elektromanyetik spektrumun görünebilir (0.4-
7
0.5 µm mavi, 0.5-0.6 µm yeşil, 0.6-0.7 µm kırmızı) ve kızıl ötesi (0.7-1.35 µm
yakın kızıl ötesi; 1.35-3.00 µm orta kızıl ötesi; 3-15 µm uzak kızıl ötesi veya
termal) bölgelerindeki enerjiyi algılamaktadırlar (Şekil 3.2). Đnsan gözü ancak
0.4–0.7 µm dalga boyundaki elektromanyetik enerjiyi algılayabilmekte, bunun
dışındaki dalga boylarındaki verileri algılayamamaktadır ( Esetlili, 2001).
Şekil 3.2 Elektromanyetik Spektrum (University of Virginia, 2011)
3.2 Cisimlerin Spektral Yansıtma Özellikleri
Bir cisme ulaşan ışınım yansıtılır, yutulur ve geçirilir. Enerjinin
kaybolmayacağı, ancak şekil değiştireceği göz önüne alınarak cisme gelen
toplam enerji, cisim yüzeyi tarafından yansıtılan, cisim tarafından geçirilen ve
yutulan enerjilerin toplamına eşittir (Ekercin, 2007; Paine ve Kiser, 2003).
Cisimlerin spektral özelliklerinin farklı olması, uzaktan algılamada ifade
edilebilmelerinin temel nedeni olarak kendisini göstermiştir. Cisimlerin
yansıtmadaki farklı davranışları spektral yansıtma eğrileri ile gösterilir . Her
spektral bant elektromanyetik spektrumun bir bölümünde duyarlıdır. Spektral
yansıtma özellikleri belirli spektral bölgelerde açık bir şekilde farklılık
gösteren cisimler bu bölgelere duyarlı uzaktan algılama görüntülerinde farklı
gri renk tonu ve renklerde gözükürler. Bu bakımdan cisimlere ait spektral
yansıtma özelliklerinin bilinmesi, spektral bant seçiminde önemli rol oynar.
8
3.2.1 Bitkilerin Spektral Yansıtma Özellikleri
Bitkiler elektromanyetik spektrumun değişik dalga boylarını
kullanmaktadır. Uydu görüntülerinde, görünebilir (visible) bölge dışında kalan
spektral alanda bitkiler, mavi (0.4–0.5 µm) ve kırmızı (0.5–0.6 µm) dalga
boyunda yer alan enerjiyi bünyelerinde fotosentez için absorbe ederken yeşil
(0.6–0.7 µm) ve yakın kızılötesi (0.7–0.9µm) dalga boyunu hemen hemen hiç
kullanmadan yansıtırlar. Đnsan gözü, yansıyan enerjinin sadece yeşil dalga
boyundaki bölümünü algılayabildiğinden bitki örtüsü bize yeşil olarak
görünmektedir (Kurucu, Y. ve ark., 2003).
3.2.2 Toprağın Spektral Yansıtma Özellikleri
Zeminlerin spektral özelliği, yansımanın artan dalga uzunluğu ile
artması şeklinde ortaya çıkmaktadır. Zemine ulaşan bir ışınım ya yutulur ya da
yansıtılır. Ayrıca zeminlerin fiziksel ve kimyasal özelliklerinin farklı
olmasından dolayı, yutma ve yansıtma özellikleri de farklıdır. Zeminlerin
yansıtma özellikleri zeminin su muhtevası, zeminin organik madde muhtevası,
zeminin doku ve yüzey pürüzlülüğü, zemini oluşturan minerallerin miktarı gibi
faktörlere bağlıdır. Bir zemindeki su muhtevası, yansıtma özelliğini olumsuz
olarak etkiler. Elektromanyetik spektrumun görünür, yakın ve orta kızılötesi
(ısıl ve yansıtıcı) bölgelerinde çok nemli toprak, buharlaşmayla
soğuyacağından koyu renk tonunda görünürken, kuru toprak açık tonlu
görünür. Spektrumun görünür bölgesinde koyu, ısıl bölgesinde ise açık tonlu
görünen bir toprak alanı yüksek oranda organik madde içeren çok kuru bir
toprağı belirtir. Toprağın dokusunda, tanecik boyutunun küçük olması
yansıtımı artırır. Ayrıca yüzey pürüzlülüğünün azalması, yansımanın artmasına
etki eden önemli bir etkendir (Ekercin, 2007).
9
3.2.3 Suyun Spektral Yansıtma Özellikleri
Suyun spektral duyarlılığı gelen ışınımın dalga boyuna bağlıdır. Su
ışınımı yansıtır, soğurur, kırarak geçirir veya saçar. Işınım su yüzeyinden, su
içindeki askıdaki maddelerden ve su tabanından yansıyabilir. Işınımın
soğurulması ve geçirilmesi, su içindeki organik ve inorganik maddelere
bağlıdır. Saçılma ise mavi dalga boylarında olduğu için derin ve temiz suların
rengi mavidir. Berrak bir suyun geçirim özellikleri saf suyun geçirim özelliğine
benzemesine rağmen, bulanıklık derecesinin artması suyun geçirgenliğini
azaltır. Bulanık su içerisinde askıda bulunan maddeler suyun spektral özelliğini
etkilemektedir. Bulanık su, berrak sudan daha yüksek bir yansıtma özelliği
gösterir. Bütün su kitleleri çok sığ olsalar da yakın ve orta kızılötesi dalga
boylarında gelen ışınımın hemen hemen tümünü soğurur, çok azını yansıtır. Bu
durum, görüntülerde çevrelerine göre çok koyu renk tonlarında beliren su
alanlarının karalardan kolaylıkla ayırt edilebilmesini mümkün kılar (Ekercin,
2007).
Şekil 3.3 Bitki örtüsü, toprak ve suyun spektral yansıtım eğrileri (Akça ve Doğan, 2002)
Uzaktan algılama tekniği; jeoloji (maden arama), meteoroloji, tarım
(arazi kullanımı-toprak haritalama), hidroloji (sulama-baraj etudleri),
ormancılık (kaynakların haritalanması, yangın hasar tespiti), haritacılık (sayısal
arazi modellerinin hazırlanması), şehircilik (otoyol-demiryolu-boru hattı),
10
çevre (kirlilik haritaları), ve askeri amaçlı çalışmaları süre ve maliyet açısından
en aza indirgemektedir.
3.3 Uydu Görüntüleri
Görüntü bir cismin sayısal gösterimidir. Görüntü verileri sadece
sayılardan oluşup, her sayı bir veri dosya değerini içerir. Veri dosya değerleri
genellikle piksel olarak adlandırılır. Piksel terimi görüntüdeki en küçük
elemana karşılık gelir ve genellikle kare biçimindedir. Piksele atanan veri
değeri belirli konumdaki yeryüzü bölgesinden yansıtılan yada yayılan
elektromanyetik enerjinin kaydıdır. Bir pikselin bir dosyada veya görüntüdeki
konumu bir koordinat sistemi ile gösterilir. Đki boyutlu koordinat sistemlerinde
satır ve sütundan oluşan bir grid sistemi ile ifade edilir. Griddeki her bir konum
iki koordinat değeri vardır (X,Y). X koordinatı gridin sütun sayısını, Y de satır
sayısını gösterir (Örmeci vd., 1992).
Sayısal uydu görüntüleri raster verilerdir ve bunlar sayısız küçük
ünitelerden veya piksellerden oluşurlar. Pankromatik (tek bantlı) raster verileri
tek renkli olduklarından renk parlaklık seviyelerine göre gri renk tonlarını veya
siyah beyaz sınır arası renkleri verirler. Multispektral (çok bantlı) verilerde ise
üç değişik spektral banda karşılık gelen her bir pikselde kırmızı, yeşil ve mavi
renklerin kombinasyonları söz konusudur ve bunlar renkli fotoğraflara benzerler
(Kurucu Y. ve ark., 2003).
3.4 Uydu Görüntülerinde Çözünürlük
Uydu görüntüleri terminolojisinde, spektral çözünürlük, spatial
çözünürlük, radyometrik çözünürlük ve temporal çözünürlük önemli
kavramlardır. Çözünürlük, görüntünün kaç piksele bölündüğünü, yani kaç
pikselle temsil edildiğini gösterir. Çözünürlük ne kadar yüksekse, görüntü o
kadar yüksek frekansta örneklenmiş olur ve görüntüdeki ayrıntılar o kadar
belirginleşir. Geniş bir terim olan çözünürlük, görüntü aracında görüntülenen
piksel sayısı veya görüntü dosyasındaki pikselin temsil ettiği yeryüzü alanı
olarak tanımlanabilir. Ancak bu geniş tanım uzaktan algılanmış veri tasvirinde
11
yetersiz kalmaktadır (ERDAS 1995). Çözünürlük, detayların ayırt edilebilme
gücünü belirtir.
3.4.1 Radyometrik Çözünürlük
Radyometrik çözünürlük, görüntünün içerdiği bilginin ifadesidir ve
değeri bit adı verilen veri birimidir. Radyometrik çözünürlük arttıkça sayısal
değer aralığı dolayısıyla görüntülenen renk sayısı artar. 8 bit veride her pikselin
sayısal değeri 0’dan 255’e kadar uzanırken 7-bit veride her pikselin sayısal
değeri sadece 0’dan 127’ye kadardır. Yani 8-bit veride kaydedilen enerji 256
( 82 ) parlaklık değerine, 7-bit veri’de ise 128 ( 72 ) parlaklık değerine ayrılır.
(a) (b)
(c) (d)
Şekil 3.4 (a) 1 bitlik görüntü; (b) 2 bitlik görüntü; (c) 3 bitlik görüntü; (d) 4 bitlik görüntü
(Amerikan Ulusal Hava ve Uzay Dairesi , 2010)
12
3.4.2 Spektral Çözünürlük
Spektral çözünürlük, bir algılayıcının elektromanyetik spektrumda
kaydedebildiği belirli dalga boyu aralığı sayısıdır. Aralık daraldıkça ve
kaydedilebildikçe spektral çözünürlük artar ve aralık genişledikçe kaba spektral
çözünürlükten bahsedilir. Yeryüzünden yansıyan enerji, algılama
düzeneklerinin yetenekleriyle sınırlı olarak algılanabilirler. Yansıyan enerji,
kamera düzenekleri içindeki filtreler veya merceklerle ayrı ayrı kaydedilir ve
her bir dalga boyu aralığı band olarak isimlendirilir. Bir görüntüde bant sayısı
ne kadar fazlaysa elde edilen bilginin miktarı da o oranda artar. Đnsan gözünün
görebildiği dalga boyu aralığı 0.4-0.7 µm’dir ve bu da 3 bölgeye ayrılır. Mavi,
yeşil ve kırmızı rengi veren dalga boyları ayrı ayrı algılanır ve depolanır. Bu
bölgenin üzerinde “Infrared (IR)” bulunur. Đnsan gözü bunları göremez.
Bitkiler IR’ yi yüksek düzeyde yansıtırlar. Mavi ve sarı rengi veren dalga
boyundaki enerjiyi fotosentezde kullanırlar. Ancak yeşil ışığı yansıttıkları için
insan gözü bitkileri yeşil olarak görür (Kurucu Y. ve ark., 2003).
Şekil 3.5 Bitkilerin, suyun ve toprağın bandlara göre spektral çözünürlükleri (Pamukkale
Üniversitesi, 2010)
Grafikte 1. bantta toprak bitkiden yüksek spektral yansıma değerine
sahip iken, 4. bantta bitkinin toprağa göre daha fazla yansıması söz konusudur.
13
3.4.3 Spatial Çözünürlük
Spatial çözünürlük, algılayıcı tarafından algılanan bir pikselin
yeryüzünde temsil ettiği alanın, bir başka deyişle ayırt edilebilen en küçük
objenin boyutudur. Uydu görüntülerinde çözünürlük yükseldikçe görüntülenen
bant veya tarama genişliği daralmakta ve daha küçük alan
görüntülenebilmektedir. Görüntünün çözünürlüğü alınan görüntü çerçevesini
küçültür ve buna bağlı olarak alan çalışmaları maliyeti artar. Büyük alan
çalışmalarında ayrıntı gerekmiyorsa yüksek çözünürlüğe gerek duyulmaz. Bir
kamera düzeneğinin yeryüzünde gözetleyebildiği en küçük alan (piksel),
spatial çözünürlüğü belirler ve bu alanı da görüntü sütunu ile görüntü satırı
çevreler. Çözünürlüğün yüksek olması, aynı görüntü çerçevesi içerisinde daha
çok piksel ve daha çok veri anlamına gelir (Kurucu, Y. ve ark., 2003).
(a) (b)
Şekil 3.6 (a) 30m – piksel, LANDSAT 5 uydu görüntüsü, (b) 2,5 m – piksel, Quickbird uydu
görüntüsü (Ören, A., 2009).
14
3.4.4 Temporal Çözünürlük
Temporal çözünürlük, bir uydunun yeryüzündeki aynı noktayı
algılayabilme sıklığıdır. Bir bölgedeki spektral karakteristikler zamanla
değişebilir ve çok-zamanlı görüntü setleri kullanılarak değişim analizi
yapılabilir. Doğa olaylarının ve tarımsal işlevlerin sürekli izlenmesi gerektiği
konumlarda oldukça önemlidir.
(a) (b)
Şekil 3.7 Japonya’ da 11.03.2011 tarihinde yaşanan Tsunami felaketinden önce (a) ve sonra
(b) Rapideye uydusundan alınan görüntüler (http://www.rapideye.de/home/news/news-extra-
page.html )
Görüntüler, uydu sinyaller ile yer istasyonlarına iletilir. Uzaktan
Algılama görüntüleri dijital formlarda kayıt edilir ve bilgisayarlar tarafından
görüntüye dönüştürülmek üzere işlenir. Bir uzaktan algılama sisteminde
algılayıcı enerjiyi (ışığı) algılar, ölçer ve miktarını bilgisayarın okuyabileceği
bir sayıya çevirir. Yörüngedeki uzay aracı bu kodları sinyaller ile yeryüzündeki
uydu yer istasyonuna gönderir. Bu sinyaller alınarak sayı dizilerine çevrilir,
sıra ve sütunlar bir gri değerine denk gelen sayı ile ifade edilir ve bir sayısal
görüntü oluştururlar.
15
Şekil 3.8 Dijital Görüntü (Đstanbul Teknik Üniversitesi Uydu Haberleşmesi ve Uzaktan
Algılama Merkezi, 2010)
Görüntüler uydu sinyalleri ile yer istasyonlarına ve oralarda da
radyometrik ve geometrik düzeltmeleri yapılarak manyetik bandlara kayıt
edilir. Uzaktan algılama tekniğiyle elde edilen görüntüler veri dönüşümünü
sağlayan donanım ve yazılımlar kullanılarak yeryüzü ögeleri veri bankalarında
depolanırlar ve kullanım ve planlama amacıyla insanoğlunun yararına
sunulurken, çevresel ögeler de birbirleriyle birleştirilir, grafike edilir ve
zamansal değişimleri somut olarak ortaya konulur.
Sayısal uydu verileri, yeryüzü kaynaklarının araştırılmasında bir araç
olarak kullanılmakta ve geniş alanların sınıflandırılması ve haritalanmasında
yoğun olarak kullanıldığı gibi, yeraltı doğal kaynaklarında nitel ve nicel olarak
ortaya çıkarılmasında da işlevini göstermektedir.
Kameralar tarafından algılanan filtreler aracılığı ile dalga boylarına bağlı
olarak ayrı bantlar şeklinde kaydedilirler. Ham görüntü şeklinde kaydedilen
görüntüler kullanıcıya bağlı formatlarda pazarlanmaktadır. Bir bant tek başına
siyah beyazdır. Ancak diğer bantlar ile birleştirilirse renkli şekil alır. Bant
birleştirmeleri (composite) çalışma konusuna bağlı olarak belirli bir sıra
izleyerek yapılır. Şekil 3.9’da Menemen’e ait uydu görüntüsünde yapılan band
birleştirmesi gösterilmiştir.
16
1. Şekil 3.9 Aynı alana ait yapılan band birleştirmeleri, Đzmir – Çiğli (Orijinal, 2011)
3.5 Rapideye Uydusu Görüntüleme Sistemi
Bu araştırmada Rapideye uydu görüntüsü kullanılmıştır. Rapideye
uydusu ve görüntü özellikleri ile ilgili bilgiler aşağıda verilmektedir.
Rapideye, MacDonald Dewittwiller & Associates (MDA) tarafından
Alman firması Rapideye AG. için tasarlanan ticari amaçlı bir uydudur
(MacDonald Dettwiler). Rapideye uydusunun dünya yörüngesinde beş gözlem
uydusu bulunmaktadır. Bu uydular takım halinde çalışmaktadırlar. Bu takım
sistemi, günde 4 Milyon 2km gibi olağanüstü bir miktarda görüntü tarayarak
toplamakta ve aynı noktayı günaşırı yeniden görüntüleyebilmektedir. Uydu
üzerinde bulunan Red-Edge Bandı, ticari olarak ilk kez bir uydu üzerinde
bulunan bir bant aralığıdır. Bu bant aralığı, klorofil içeriği içindeki değişimlere
karşı hassastır. Yapılan çalışmalar bu bandın vejetasyon sağlığının izlenmesi,
biokütle içindeki protein ve nitrojen içeriğinin ölçülmesi ve ürün ayırımının
daha rahat yapılabilmesine olanak sağlamaktadır.
Rapideye uydusu Basic ürün, Geometrik düzeltmeli ürün ve Ortorektifiye
edilmiş ürün olmak üzere 3 seviyede ürün vermektedir. Bu ürünlerin teknik
özellikleri aşağıda verilmektedir.
17
Level 1B - Rapid Eye Basic Ürün
Radyometrik ve sensör düzeltmeleri veriye uygulanmıştır. Geometrik
düzeltme uygulanmamıştır. Veri, NITF 2.0 formatında ve meta dosyaları ile
birlikte verilmektedir. Verilerin yersel örnekleme mesafesi ise (GSD) 6.5
metredir.
Level 2A - Rapid Eye Geometrik düzeltmeli Ürün
Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır.
Fakat pozisyonal doğruluk için yer kontrol noktası kullanılmamıştır.
Görüntüler kuzeye dönüşümlü (North-oriented) olarak gelmektedir. Veri,
Geotif formatında, meta dosyaları ile birlikte ve piksel boyutu 5m. olarak
gelmektedir. Radyometrik çözünürlük ise 16 bit olarak gelmektedir. Verinin
geometrik düzeltmesi sırasında hassas olmayan (coarse) bir sayısal yükseklik
modeli (1km. aralıklı) ile uydu pozisyon bilgileri kullanılarak yapılmıştır.
Level 3A - Rapid Eye Ortorektifiye Edilmiş Ürün
Radyometrik, sensör ve geometrik düzeltmeler veriye uygulanmıştır.
Veriler yer kontrol noktaları ve DTED Level 1 SRTM veya daha iyi bir sayısal
yükseklik modeli ile ortorektifiye edilmiştir. Verilerin 12.7m. CE90'da
doğruluk özelliği vardır. Bu veriler için elde edilen iyi doğruluk 1:25000
NMAS standartlarını karşılamaktadır. Veri, Geotif formatında, meta dosyaları
ile birlikte ve piksel boyutu 5m. olarak gelmektedir. Radyometrik çözünürlüğü
16bit olarak gelmektedir (http://nik.com.tr).
Rapideye uydusunun teknik özelliklerine ilişkin bilgiler Çizelge 3.1’de
gösterilmektedir.
18
Çizelge 3.1 Rapideye Uydusunun Teknik Özellikleri
(http://www.mdacorporation.com/corporate/news/pr/backgrounder/RapidEye.pdf)
Fırlatma Tarihi 2007
Uydu Ömrü 7 yıl
Uydu Sayısı 5
Yörünge Yüksekliği 620 km
Yörünge Eğimi Yaklaşık 97.8 derece, güneş eş
zamanlı
Ekvator Geçiş Zamanı 11:00 am
Yersel Çözünürlüğü 6.5 m
Piksel Boyutu 5 m
Radyometrik Çözünürlük 8 Bit
Şerit Çekim Genişliği 78 km.
Uydu üzerindeki veri saklama
kapasitesi
Her yörünge geçişi için 1500km'lik
veri toplama kapasitesi
Yeniden geçiş zamanı 1 gün
Spektral band sayısı 5 (440 – 850 nm)
Spektral Bandlar Blue 440 – 510
Green 520 – 590
Red 630 – 685
Red – Edge 690 – 730
NIR 760 - 850
19
Görüntü Çekme Kapasitesi 4 Milyon 2km
Veri Depolama Kapasitesi
· On – line archive
· Near - line archive
· Off - line vault
150 Tbytes
150 Tbytes
Dinamik Aralığı 12 Bit
Ağırlık Her biri 150 kg
Boyutları 875 nm x 780 nm x 1080 nm
Rapideye uydusunun kullanım alanları,
- Tarım
- Ormancılık
- Enerji ve Altyapı
- Mekansal Çözümler
- Çevre
- Güvenlik ve Acil Hizmetler
- Danışmanlık ve Uyarlanmış Çözümler olarak sıralanabilir.
3.6 Uydu Görüntülerinin Sınıflandırılması ve Sınıflandırma
Yöntemleri
Görüntülerden objelerin tanımlanması ve haritalanması için kullanılan
diğer yöntem ise sınıflandırma işlemidir. Sınıflandırma işlemi obje tabanlı ve
piksel tabanlı olmak üzere temelde iki farklı yöntem kullanılarak
yapılmaktadır.
Obje tabanlı sınıflandırmada, çalışmanın ölçeğine bağlı olarak
büyüklükleri ve geometrik şekilleri seçilen objelere benzer piksel kümelerinin
geometrik yapıları ve piksel sayısal verileri dikkate alınarak yazılım tarafından
20
sınıflandırılması ve poligonlar içerisine alması (segmentasyon) işlemine
dayanır. Daha sonra segmentler kullanıcı tarafından yeniden sınıflandırılırlar.
Piksel bazlı sınıflandırma ise, piksellerin yansıma değerleri dikkate
alınarak gruplandırılmaları işlemidir. Sınıflandırma işleminde sınıf adetlerini
kullanıcı belirler, ancak sınıfların içerdikleri piksellerin yansıma aralıklarını
bilgisayar veya kullanıcı belirleyebilmektedir. Bu işleve bağlı olarak
sınıflandırma, kontrollü (supervised) ya da kontrolsüz (unsupervised) olmak
üzere iki şekilde uygulanmaktadır (Kurucu, Y., 2010).
Sınıflandırma işleminde, edilmek istenen bilgiye göre yapılmış spektral
sınıflar, bir görüntüdeki tanımlanmış özelliklerle ilişkilendirilebilir (kontrollü
sınıflandırma) ya da statiksel olarak belirlenebilir (kontrolsüz sınıflandırma)
(Lillesand ve diğ., 2004). Sınıflandırma işleminin gerçekleştirilmesi
aşamasında, kullanılacak dalga boyunun, yeterli doğruluk ve sayıda kontrol
alanlarının, sınıflandırma algoritmasının belirlenmesi ve doğruluk analizlerinin
yapılması, yapılacak çalışmanın doğruluğu açısından son derece önemlidir.
Uzaktan algılama çalışmalarında, En Çok Benzerlik, Euklid Uzaklığı ve
Mahalanobis Uzaklığı gibi sınıflandırma algoritmalarının yanında Yapay Sinir
Ağları, Bulanık Mantık, Fuzzy C-Means, Neuro-Fuzzy gibi farklı sınıflandırma
teknikleri de kullanılmaktadır (Ekercin, S., 2007; Laba et all., 2002;
Metternicht, 1999; Okeke ve Karnieli, 2006; Zhang ve Kirby, 1997; Zhang ve
Foody, 2001). Aşağıda, bu çalışmada kullanılan kontrollü ve kontrolsüz
sınıflandırma teknikleri açıklanmaktadır.
3.6.1. Kontrolsüz Sınıflandırma
Kontrolsüz sınıflandırmada, kullanıcının veya araştırmacının sınırlı
olarak yönlendirmesi ve belirli benzerlik uzaklıkları dikkate alınarak sadece
bilgisayar tarafından spektral gruplar oluşturulur. Bu tip sınıflandırma, ilgili
alan veya çalışma alanı hakkında daha önceden bilinen herhangi bir bilgi yoksa
kullanılır. Kullanıcının bilgisi sadece bilgisayar tarafından oluşturulan
grupların isimlendirilmesinde kullanılır (Esetlili, 2001). Görüntü dijital
değerlerinde var olan doğal gruplaşmalara veya kümelere dayalı olarak bu
elemanları sınıflandıran algoritmalar kullanılır. Doğal gruplaşmaların
21
sınıflandırılması söz konusu oluğu için kontrolsüz sınıflandırma sonucu oluşan
sınıflar, işlemden önce tanımlanmamış spektral sınıflardır. Oluşturulan sınıflar
sınıflandırma işleminden sonra, hava fotoğrafları, yüksek çözünürlüklü uydu
görüntüleri, topoğrafik ve jeolojik haritalar gibi ek bilgilerle tanımlanır.
Kontrolsüz sınıflandırmada küme merkezleri geçici olarak hesaplanarak,
piksellerin dâhil olacağı sınıflar belirlenir ve bu işlem, küme merkezlerinin
konumlarında değişim olmayana kadar devam eder. Sınıflandırma işleminde
spektral uzunluğun belirlenmesinde, Euklid ve Mahalanobis gibi uzaklıklar
kullanılır (Erdas Field Guide,1991). Sıralı kümeleme (Sequential Clustering),
statiksel kümeleme (Statistical Clustering), tekrarlı ardışık kümeleme
(ISODATA Clustering- Iterative Self Organising Data Analysis Techniques) ve
RGB kümeleme (RGB Clustering) gibi farklı kontrolsüz sınıflandırma türleri
vardır. Bunlardan ISODATA algoritması uygulamada, iyi sonuç vermesi
nedeniyle yaygın olarak kullanılmaktadır (Ekercin, S., 2007; Armenakis et all.,
2003; Musaoğlu ve diğ., 2005; O’Hara et all., 2003; Xiao et all., 2002).
3.6.2. Kontrollü Sınıflandırma
Kontrollü sınıflandırmada, sınıflandırmayı yapan kişinin çalışma alanı
hakkında daha önceden bilgi sahibi olması gereklidir. Kontrollü sınıflandırma
iki asamaya ayrılır: Bunlar, çalışma aşaması ve karar verme aşamasıdır.
Çalışma aşamasında, sınıflandırmayı yapan kişi bilgisayara piksellerin
sınırlarını, hangi sınıfta kabul edileceği ve piksellerin alt ve üst sayısal
aralıklarını tanıtır. Daha sonra yazılımda işlem başlatılarak, görüntüyü
oluşturan piksellerin hangi sınıf içerisine yerleştirileceği uygulanan
sınıflandırma yöntemine göre “karar” verilerek gruplandırılır. Karar verme
aşamasında bilgisayar hangi eğitim sınıfındaki piksellerin benzer olduklarını
her bir pikseli inceleyerek saptar. Bundan sonra görüntüdeki bütün pikselleri
sınıflara atama işlemini gerçekleştirir. Bütün veriler sınıflandırıldıktan sonra
sonuçlar çıktı aşamasında farklı sunulur. Çıktı ürünleri genellikle tematik
haritalar, çeşitli arazi örtü sınıfları için tüm görüntüye veya belirlenmiş alt
görüntüye ait olan istatiksel tablolar veya coğrafi bilgi sistemlerine dâhil
edilecek nitelikteki veri dosyaları olarak oluşturulabilir (Kaya, 1999). Uzaktan
algılama ile ilgili yazılımlarda yaygın olarak kullanılan kontrollü sınıflandırma
22
yöntemlerinden kimileri “Parallelepiped veya Box” sınıflandırma, “Minumum
Distance” sınıflandırma, “Maximum Likelihood” sınıflandırma ve
“Mahalanobis Distance” dırlar (Esetlili, 2001; Shrestha, 1998).
3.6.3 Sınıflandırma Sonuçlarının Kontrolü
Sınıflandırılmış uydu görüntülerinin doğruluklarının belirlenmesi
amacıyla iki farklı yöntem yaygın olarak kullanılmaktadır:
Chi-Kare (X²) testi ile hatalı sınıflandırılan piksellerin belirlenmesi
Hata matrisi ve Kappa katsayısı ile doğruluk analizi . (Đstatiksel analiz
amacıyla kullanılan Kappa katsayısı, hata matrisinin satır-sütun toplamları ve
köşegeni üzerindeki elemanlar kullanılarak elde edilir, 0 ile 1 arasındadır
(Ekercin, S., 2007).
23
4. COĞRAFĐ BĐLGĐ SĐSTEMĐ VE KULLANIM ALANLARI
4.1 Coğrafi Bilgi Sistemi
CBS alanında ilk adımlar, 1963 yılında Kanada’da ülke arazilerinin
büyüklüklerini ve kullanım türlerini tespit amaçlı yapılan envanter
çalışmalarından oluşan coğrafi bilgi sistemleri projesi ile atılmıştır.
Günümüzde ise 40 yıllık bir bilgi birikimi ve uydu teknolojilerinin desteği ile
coğrafi bilgi sistemleri artık gündelik hayata bile girmiş durumdadır (Greene,
2001).
Bir çok kaynakta coğrafi bilgi sistemi, ‘grafiksel bilgilerin saklandığı
bir veri tabanı’ şeklinde tanımlanır. Ancak bu tanım Coğrafi bilgi sistemini tam
anlamıyla ifade etmez. Daha geniş kapsamda, Coğrafi bilgi sistemi (CBS),
konuma dayalı gözlemlerle elde edilen grafik ve grafik olmayan büyük hacimli
coğrafi bilgilerin toplanması, saklanması, işlenmesi ve kullanıcıya sunulması
işlevlerini bir bütünlük içerisinde gerçekleştiren donanım, yazılım ve
yöntemler sistemidir. Coğrafi bilgi sistemi kavramlarının temellerini oluşturan
bilgi, bilişim kurallardan yararlanarak kişinin veriye yönelttiği anlam olarak
tanımlanır. Bilgiler çeşitlerine göre değerlendirilirler. Bir gözlem veya işlem
sonucunda ortaya çıkan verilerin, birbirleriyle ilişkilendirilmesi ile elde edilen
sonuçlara bilgi adı verilir. Veri, bilgiyi oluşturan temel öğedir. Sistem; ortak
bir amaç için etkileşimli faaliyetlerin ve varlıkların oluşturduğu bir gruptur.
Bilgiye sahip olmak kadar, bilginin aktif kullanılması ve güncel
tutulması da önemlidir. Bu amaçla tüm bilgilerin bir sistem kapsamında
toplanması ve işlenmesi gerekir. Mevcut bilgilerin veri tabanı ortamlarında bir
araya getirilip saklanması, analiz edilmesi ve kullanıcı ihtiyacına göre
sunulması bilgi sistemi olarak adlandırılır (Yomralıoğlu ve ark., 2002).
4.2 Coğrafi Bilgi Sisteminde Kullanılan Veri Modelleri
Coğrafik veriler yapılarına, içerdikleri verinin çeşidine bağlı olarak
grafik ya da grafik olmayan veriler olmak üzere iki grupta incelenirler. Grafik
bilgiler; verinin yeri, şekli ve sınırları gibi verileri içermektedir. Bulundukları
24
yerlerin koordinat bilgileri, çizgi ya da poligonu oluşturan noktalar ile belirtilir.
Böylece ölçek ve alan bilgilerinin de sunulması olanağı vardır. Örneğin
kadastral bilgilerde parsel sınırları, yol ya da varsa su yolları birer grafik
veridir.
Şekil 4.1 Coğrafi veri türleri ( Maden Tetkik ve Arama Genel Müdürlüğü,
http://www.mta.gov.tr/v2.0/birimler/RSC_WEB/index.php?id=ua )
Coğrafi bilgi sisteminde veriler vektör, raster ve text veri olmak üzere
üç temel şekilde analiz edilir.
4.2.1. Vektör (çizgisel) veriler
Coğrafi bilgi sistemi içerisinde en çok kullanılan veridir.Alana ait,
nokta (kuyu,elektrik direği,vb.) , çizgi özellikli veriler (yol,ırmak,vb.) ile
poligon özellikli (parsel,göl,vb.) tüm bilgiler çizgisel veri sınıfında yer alırlar.
Şekil 4.2. Coğrafi Bilgi Sistemlerinde vektör veri modelleri (Orijinal, 2011)
Nokta
.Çizgi Poligon
25
4.2.2. Raster veriler
Raster görüntü, birbirine komşu grid yapıdaki aynı boyutlu hücrelerin bir
araya gelmesiyle oluşur. Hücrelerin her birine piksel adı verilir. Taranmış
haritalar, hava fotoğrafları ve uydu görüntüleri raster veriye birer örnektir.
Şekil 4.3 Coğrafi Bilgi Sistemlerinde raster veri modelleri (Orijinal, 2011)
4.2.3. Metin (Text) veriler
Özellikle çizgisel verilerin öz nitelik bilgilerini, karakter yada nümerik
olarak tanımlamalarını içerir. Grafik olmayan bilgiler; grafik bilgilere
ilişkilendirilmesi gereken metin özellikli öznitelik tanımlamaları grafik
olmayan bilgileri oluşturur. Genelde grafik bilgileri tamamlar ve veri analiz ve
sorgulamaları çalışmalarında kullanılırlar ve coğrafik veri ile
ilişkilendirilmelerine bağlı olarak sorgulama, ya da veri analizi sonucunda
grafik veriye ulaşılmasını sağlar. Örneğin kadastral bilgilerde parselasyon
haritasının içerisindeki parsel numaraları, mülkiyet bilgileri ya da alan bilgileri
grafik olmayan verileri oluşturur (Kurucu Y. ve ark., 2003).
26
5. MATERYAL VE YÖNTEM
5.1 Materyal
Çalışma Đzmir ili Foça ilçesinde pamuk, mısır ve ayçiçeği ekim
alanlarının yoğun olarak bulunduğu Gerenköy ve Bağarası köylerine ait
arazilerin yer aldığı 1347450 m 2 ’ lik alanda yürütülmüştür.
Çalışmanın başlıca araştırma materyali Foça bölgesine ait Rapideye
uydu görüntüsüdür. Foça’nın araştırma alanı olarak seçilmesinde alandaki ürün
çeşitliliği, daha önce alan ile ilgili yapılmış çalışmalara erişim kolaylığı etkili
olmuştur.
Araştırma bilgisayar ortamında sayısal veriler değerlendirilerek
yürütülmüştür. CBS (Coğrafi Bilgi Sistemi) ve Uzaktan Algılama yazılımları,
uydu görüntüleri, alana ve yönteme ilişkin bilimsel araştırmalar ve Matlab
R2010a yazılımı araştırmanın yardımcı materyalleri olarak kullanılmıştır.
5.1.1 Araştırma alanı ve coğrafi konum
Foça, Ege Bölgesinde, 54260¢doğu boylamları ile 04380
¢ kuzey
enlemleri arasında yer alan Đzmir iline bağlı bir ilçedir. Đzmir Körfezinin doğu
ve kuzey kanadını teşkil eden Foça, körfezin batı kanadında yer alan
Karaburun ile karşı karşıyadır. Güney, batı, kuzey tarafları Ege denizi ile
çevrili bir yarımada üzerinde olan Foça’nın güneydoğusunda Menemen, kuzey
doğusunda Aliağa ilçeleri vardır. Yüzölçümü 228 kilometrekare olan ilçe
yazları sıcak ve kurak, kışları ise ılık ve yağışlı olan Akdeniz iklim tipine
sahiptir (http://www.foca.bel.tr).
27
Şekil 5.1 Araştırma alanının yeri (http://www.uyduharita.org/content/ege-haritasi-158/)
5.1.2 Yazılımlar ve diğer materyaller
Araştırmada Eylül 2010 tarihli Rapideye uydusu tarafından kaydedilen uydu
görüntüleri kullanıldı. Elde edilen verilerin bilgisayar ortamına aktarılması için
Geomedia Professional 4.0 ve Geomatica V9.1.8 yazılımları; uydu
görüntülerinin kesilmesi için Image Analyst kullanıldı. ‘dgn’ uzantılı
dosyaların ‘tiff’ formatına çevrilmesi için Magic Viewer and Converter 5.2
programından yararlanılmıştır.
Araştırma kapsamında kontrol sistemlerinden haberleşmeye,
istatistikten finansal analizlere kadar bir çok uygulama alanına yönelik hazır
algoritma ve fonksiyona sahip olan MATLAB R2010a yazılımının görüntü
işlemeye yönelik fonksiyonları ve gereçleri kullanılmıştır.
5.2 Yöntem
Bu araştırmanın ilk aşamasında uydu görüntüsünü oluşturan piksellerin
her bant için piksel sayısal değerlerinin sorgulandığı ve ürün deseni yansıma
aralıklarının girildiği bir referans katalog ile ilişkilendirilerek parsel sınırları
içerisindeki ürün deseninin belirlenmesi ve o parsel için ürün deseni öznitelik
(attributes) bilgisi olarak veri tabanına girilmesini sağlayacak bir arayüz
geliştirilmiştir. Bu ara yüz MATLAB ortamının grafiksel ara yüz geliştirme
aracı GUIDE (Graphical User Interface Design) kullanılarak tasarlanmıştır.
28
Tasarımı oluşturan elemanların arka planında çalışacak ‘.m’ dosyası denilen
kod dosyaları yazılmıştır. Bu kodlar MATLAB standart fonksiyonlarıyla
birlikte görüntü işleme fonksiyonları içermektedir.
MATLAB®, temel olarak nümerik hesaplama, grafiksel veri gösterimi
ve programlamayı içeren teknik ve bilimsel hesaplamalar için yazılmış yüksek
performansa sahip bir yazılımdır. Matlab programının tipik kullanım alanları:
matematik ve hesaplama işlemleri, algoritma geliştirme, modelleme,
simülasyon (benzetim) ve ön tipleme, veri analizi ve görsel efektlerle destekli
gösterim, bilimsel ve mühendislik grafikleri, uygulama ve geliştirme şeklinde
özetlenebilir.
MATLAB adı, MATrix LABoratory (Matrix Laboratuarı)
kelimelerinden gelir. MATLAB, ilk olarak Fortran Linpack ve Eispack
projeleriyle geliştirilen ve bu programlara daha etkin ve kolay erişim sağlamak
amacıyla 1970’lerin sonlarında yazılmıştır. Đlk başlarda bilim adamlarına
problemlerin çözümüne matris temelli teknikleri kullanarak yardımcı
olmaktaydı. Bugün ise geliştirilen yerleşik kütüphanesi ve uygulama ve
programlama özellikleri ile gerek üniversite ortamlarında (başta matematik ve
mühendislik olmak üzere tüm bilim dallarında) gerekse sanayi çevresinde
yüksek verimli araştırma, geliştirme ve analiz aracı olarak yaygın bir kullanım
alanı bulmuştur. Ayrıca işaret işleme, kontrol, fuzzy, sinir ağları, wavelet
analiz gibi bir çok alanda ortaya koyduğu Toolbox adı verilen yardımcı alt
programlarla da özelleştirilmiş ve kolaylaştırılmış imkanlar sağlamış ve
sağlamaya da devam etmektedir (http://www.mathworks.com).
Parsel bazlı sınıflandırma için tasarlanan ara yüz iki bölümden
oluşmaktadır. Bu bölümlerden birincisinde uydu görüntüsünün alan sınırıyla
çakıştırılması sağlanmaktadır. Arayüze, çakıştırılmış bu görüntüyü oluşturan
piksellerin her band için ortalama piksel sayı değerleri hesaplatılarak bu piksel
sayı değer aralıklarının yer aldığı katalogdan sorgulatılması ve görüntüyü
oluşturan alanının lejant için seçilmiş olan renklerle haritalanması
sağlatılmaktadır. Bu bölümlerden ikincisinde, görüntüyü oluşturan parsellere
ait özelliklerin girişinin yapılacağı veri giriş paneli tasarlanmıştır.
29
5.2.1 Yardımcı veriler
Arayüz oluşturulurken kullanılan yardımcı veriler şunlardır;
· Uydu görüntüsü üzerinde parsellerin çizilmiş olduğu alan görüntüsü
· Ürün deseni oluşturulacak alanın kesilmiş uydu görüntüsü
· Alana ait ürün yansıma değerlerinin yer aldığı ‘.xls’ uzantılı tablo
· Lejant için ürün desenine ait renklerin belirlendiği excel formatında
tablo
Şekil 5.2 Arayüz oluşturulurken gerek duyulan veriler
Arayüzün tasarlanması aşamasında ilk yardımcı veri olarak kullanılan
olan parsel sınırları, Geomedia 4.0 programında araştırma alanına ait Rapideye
ARAYÜZ
Uydu görüntüsü üzerinde çizilen parsel alanları
Alana ait uydu görüntüsü
Ürün yansıma değerlerinin oluşturulması
Lejant için renk kodlarının seçilmesi
Parsellere ait öznitelik bilgilerinin girileceği veri giriş paneli oluşturulması
30
uydu görüntüsü çağırılarak çizilmiştir. Oluşturulan bu veri matematiksel
ifadelerden oluşan vektör grafik formatı ‘.dgn’ formunda kaydedilmiştir.
Şekil 5.3 Geomedia 4.0 programında oluşturulan parsellerin ‘.dgn’ formatında
kaydedilmesi (Orijinal, 2011)
Geomedia 4.0 programında ‘.dgn’ formatında kaydedilen
görüntü Magic Viewer and Converter 5.2 programı yardımıyla
piksellerden oluşan bitmap grafik formatı olan ‘.tiff’ formuna
çevrilmiştir.
31
Şekil 5.4 ‘.dgn’ uzantılı görüntünün Magic Viewer and Converter 5.2 programında
‘.tif’ formatına çevrilmesi (Orijinal, 2011)
Araştırmada ikinci yardımcı veri olan alana ait uydu görüntüsü, bir
önceki aşamada bahsedilen parsel sınırlarına uygun olarak Image Analyst
programında kesilip Raster model olarak 8 bitlik ‘.tif’ formatında
kaydedilmiştir.
Şekil 5.5 Araştırma alanına ait uydu görüntülerinin kesilmesi (Orijinal, 2011)
32
Geomatica V9.1.8 yazılımı kullanılarak pamuk, mısır ve ayçiçeği ekili
parseller için ayrı ayrı bütün bandlarda maksimum ve minimum yansıma
değerleri belirlenerek Microsoft Excel 2007 programı yardımıyla çizelge haline
getirilmiştir.
Şekil 5.6 Parsellere ait ürün yansıma değerlerinin oluşturulması (Orijinal, 2011)
Sınıflandırma sonuçları, arazi örtüsü çeşitlerinin spektral yansıma
değerlerindeki benzerliklerden etkilenir. Uydu görüntüsündeki piksel sayısal
değerleri ise, çoğunlukla çevre piksellerin yansıma değerlerinden, toprak ve
hastalık gibi etkenlerden doğan hücre değerlerinin çeşitliliği ve sınır
birleşmeleri sonucu ortaya çıkan karışıklıklardan etkilenmektedir. Parsel
içerisinde homojen dağılım sergilemeyen bu ürünlerden örnek alan toplarken
yansımanın hem çok düşük hem de çok yüksek olduğu piksellerden seçim
yapılmasına dikkat edilmiştir. Böylelikle kaydedilen piksel sayısal değerlerinin
ortalaması alındığında homojen dağılım sergilemeyen parsel içerisindeki ürün
iyi sınıfından çıkarak gerçeğe en yakın sonuca ulaşmış olacaktır.
Arayüz ile parselin içerisinde kalan piksellerin homojen dağılım
gösterip göstermediğine bakmaksızın sınıflandırma işlemini
gerçekleştirilmektedir. Arayüze bunun gibi durumlarda kullanıcıyı en yakın
sonuca ulaştırabilecek bir kod eklenmiştir. Bu kod ile arayüz, yansıma değeri
33
ne olursa olsun bir yandan parsel poligonu içerisinde kalan tüm pikselleri
sayarak alan hesabı yaparken diğer bir yandan da kataloğa giderek bu parsel
sınırları içerisindeki piksellerden sadece katalogdaki ürüne ait maksimum,
minimum yansıma değerleri aralığında olanları sayarak ürün ekili alan hesabını
gerçeğe en yakın şekilde hesaplamaktadır. Parsel sınırları içerisindeki alanın
tümünde bitki düşük çimlenme ve bunun gibi nedenlerle çıkmayabilmektedir.
Bu nedenle parsel yüzölçümü ile, piksel sayısal değerlerine göre sınıflandırılan
alan arasında farklılıklar ortaya çıkmaktadır (Şekil 5.7).
Uzaktan algılama tekniği ile belirlenen ekili alan miktarı ile beyan
edilen alanların tutmaması temel olarak bu durumdan kaynaklanmaktadır.
Ancak ürün rekoltesi belirlenmesi için parsel yüzölçümü değil, çimlenen ve
üretime katılan bitki örtüsü önemlidir. Bu durum UA tekniği ile belirlenen ekili
alanın rekoltede dikkate alınması gerekliliğini göstermektedir.
Şekil 5.7 Homojen ürün dağılımı göstermeyen parsel (Orijinal, 2011)
Arayüzün dördüncü yardımcı verisi olan ve lejantda yer alan ürünlerin
hangi renkte gösterileceğine karar verirken siyah, beyaz ve parselin çizildiği
pembe renklerinin dışında renk aralıkları seçilmiştir.
Parsel Alanı :186365 m 2 Ekili Alan :142383 m 2
34
Çizelge 5.1 Lejantda yer alan ürünlere ait renk kodları
ç2ç.,%2 2%.+ 2%.+ +/$5 *2+'+".
/0 ²≤²Æ ≠Â≥Â≤ "Ø≤§Ø %&' (& %)
70 ²≤²Æ ≠Â≥Â≤ +°®∂•≤•Æß© %23 42 %3
dπ© ∞°≠µ´ 3°≤ %)& %73 ''
/≤¥° ∞°≠µ´ -Ø≤ %9( (2 (%&
!πÀ©À•ÿ© 9•ž©¨ %7& (&3 9
+µ≤µ ¥Ø∞≤°´ 4µ≤µÆ£µ (() %32 &(
.•≠¨© ¥Ø∞≤°´ -°∂© )) %9 (&9
Tasarlanan arayüzde uydu görüntüsünün, parsel sınırlarının,
sınıflandırılmış görüntünün ve lejandın yer aldığı 4 pencere bulunmaktadır
(Şekil 5.8).
Şekil 5.8 Matlab yazılımında programlanan arayüz ekranının görüntüsü (Orijinal,
2011)
35
Ekili alan ve ürün çeşitlerinin belirlenmesi parsel bazında
hedeflenmiştir. Bu nedenle raster formatta parsel çizgilerine gerek
duyulmaktadır.
Programın uydu komutu kullanılarak ekranın sol tarafındaki çerçeveye
uydu görüntüsünü, parsel komutu ile ekranın sağ tarafındaki çerçeveye parsel
çizgileri çağırılır ve bu iki görüntüyü üst üste yerleştirerek iki görüntünün
farkından parselleri ayıran çizgilerin belirlenmesi sağlanmaktadır.
Koordinatsız uydu görüntüsü ve parsel sınır çizgilerinin üst üste
çakıştırılabilmesi için kullanıcı müdahalesiyle çalıştırılan ve yeni sayılabilecek
bir yöntemden yararlanıldı. Bu yöntem, uydu görüntüsü ile parsel sınırlarının
yer aldığı siyah beyaz resmi eşleştiriyor ve uydu görüntüsünde gösterilen alana
ait olan bölgeyi harita üzerinde, hatalar karesinin ortalama değeri (MSE) gibi
benzerlik kriterlerini kullanmadan kullanıcıya seçtiriyor (Şekil 5.9).
Şekil 5.9 Tasarlanan arayüzde uydu görüntüsü ve parsel haritasının çağırılması (Orijinal, 2011)
Programın uygulama aşamasında kullanıcıdan parsel sınırlarının
bulunduğu görüntüde soldaki uydu görüntüsüne denk gelen alanın üzerine
tıklaması isteniyor. Mouse ile bir kez tıklandıktan sonra program işaretlenen
alanı seçerek büyük haritadan kesip uydu görüntüsüyle üst üste getiriyor.
Gerek duyulduğunda uydu görüntüsü ve parsel çizgilerinin görüntünün dört
36
yanındaki kaydıraçlar ile kırpılarak da hizzalanabilme olanağı sunulmaktadır
(Şekil 5.10, 5.11).
Şekil 5.10 Araştırma alanına ait uydu görüntüsü ile parsel çizgilerinin hizalanması
(Orijinal, 2011)
Bir sonraki aşamada, ürün yansıma değerleri ve lejand için oluşturulan
ürün renk kodları da çağırılarak etiketleme olayına başlanmaktadır.
Şekil 5.11 Araştırma alanına ait parsel bazında yapılan sınıflandırmanın ekran
görüntüsü (Orijinal, 2011)
37
Etiketleme işlemi bittiğinde veri giriş panelinin olduğu bir
pencere açılarak parsellere ait ürün deseni ve alanı otomatik olarak
oluşturulmaktadır. Parsellere ait numara, ada no, köy adı gibi diğer
bilgiler kullanıcı tarafından girilerek kaydedilebilmektedir.
Parsel alan bilgisi görüntü alınan uyduya göre değişmektedir.
Bir kamera düzeneğiyle yeryüzünde gözlenebilen en küçük alan (piksel)
her uyduda farklı değere sahiptir. Araştırmada kullanılan Rapideye
uydu görüntüsünde bir piksel 5x5 m 2 ’lik alanı temsil ederken; Landsat
uydusundan alınan görüntüde bir piksel 30x30 m 2 ’lik alanı ifade
etmektedir. Bu yüzden kullanıcıdan uydu görüntüsündeki bir pikselin
kenarını ya da alanını manuel olarak girmesi istenmektedir.
38
6. ARAŞTIRMA BULGULARI VE DEĞERLENDĐRME
6.1 Araştırma Konusu Kültür Bitkilerinin Rapideye Uydu
Görüntüsündeki Yansıma Değerleri
Önceden yapılmış olan arazi çalışması sonucu elde edilen verilerden
faydalanarak parsel bazında pamuk, mısır, ayçiçeği ürünleri için ayrı ayrı 5., 4.
ve 3. bandlarda maksimum ve minimum yansıma değerleri belirlenmiş ve
çizelge haline getirilmiştir (Çizelge 6.1, 6.2, 6.3).
Araştırmada kullanılan çalışma alanı, doğruluk oranının yüksek olması
açısından 6 adet adaya bölünmüştür. Kullanılan alanlar, ürün çeşitliliğinin
zengin olduğu yerlerden seçilmiştir. Yüzüç adet parselin bulunduğu 6 adada
materyal olarak seçilerek parsel sınırları çizilmiştir.
Adalar için belirlenen yerlerin uydu görüntüleri kesilerek
sayısallaştırılmış parsel haritaları ile tasarlanan arayüzde çakıştırılmıştır.
Program ile parsel sınırlarının altında kalan piksellerin ortalamalarını alarak
her bir alan için ayrı ayrı hesaplanan yansıma değerlerinin bulunduğu referans
katalogdan sorgulayarak sınıflandırma işlemi yaptırılmıştır.
Çizelge 6.1’de yer alan çalışma alanına ait bitkilerin 5. bandaki yansıma
değerleri, piksel sayı değerlerinin ortalamadan oldukça fazla miktarda
saptıklarını ve buna bağlı olarak standart sapmaların yüksek olduğunu
göstermektedir. Bu durum homojen ürün dağılımı göstermeyen parsellerin
standart sapmayı yükseltmesi ile açıklanabilmektedir.
39
Çizelge 6.1 Çalışma alanına ait bitkilerin 5. Banddaki yansıma değerleri
5. Band (NIR) Minimum Maksimum Ortalama Standart Sapma
1.Ürün mısır 82.2 184.8 154.9 18.6
2.Ürün mısır 147 255 174.7 20.2
Orta pamuk 139.7 255 229.2 37.7
Đyi pamuk 176.5 255 243.2 30
Ayçiçeği 149 193.6 170 12.9
Kuru toprak 130 161.5 146.1 9.5
Nemli toprak 82.2 109.2 95.7 10.2
Çalışma alanına ait bitkilerin 4. bandaki yansıma değerlerini Çizelge
6.2’de incelediğimizde ayçiçeği ve kuru toprağın aynı ortalama yansıma
değerine sahip olduğu gözlenmektedir. Bu durum, hasat zamanı gelmiş
ayçiçeği bitkisindeki azalan klorofilin yansıma değerini düşürmüş olması ile
açıklanabilmektedir. Aynı şekilde 1. ürün mısır bitkisi de hasat öncesi kuruyan
dokusu ile düşük NIR yansıma vermektedir.
Tüm objeler incelendiğinde ise en düşük NIR yansımayı yüksek
soğurma özelliğine bağlı olarak nemli toprağın verdiği görülmüştür.
40
Çizelge 6.2 Çalışma alanına ait bitkilerin 4. Banddaki yansıma değerleri
4. Band (Red-Edge) Minimum Maksimum Ortalama Standart Sapma
1.Ürün mısır 89.5 181.9 120.5 21.8
2.Ürün mısır 48.3 164.8 115 17.4
Orta pamuk 91.1 178.1 158 17.4
Đyi pamuk 110.3 185.9 173 24
Ayçiçeği 153.5 217.3 184 13.7
Kuru toprak 131.5 236.8 184 33.2
Nemli toprak 117 175 142.8 17.2
Çizelge 6.3’de verilen çalışma alanına ait bitkilerin 3. bandaki yansıma
değerlerinde 2. ürün mısır ve orta pamuğun çok yakın ortalama yansıma
değerlerine sahip oldukları görülmektedir. Đkinci ürün mısır ve orta pamuğun
klorofil içeriklerindeki benzerlikler yansıma değerlerinin çok yakın olmasına
sebep olmaktadır. Bu durum her ürün için uygun görüntü alma zamanı
olduğunu göstermektedir.
Çizelge 6.3 Çalışma alanına ait bitkilerin 3. Banddaki yansıma değerleri
3. Band (Red) Minimum Maksimum Ortalama Standart Sapma
1.Ürün mısır 42.1 136.2 68.1 25.4
2.Ürün mısır 35.5 120 58 14
Orta pamuk 41.7 113.7 58.9 19.4
Đyi pamuk 45.6 67.1 55 8.3
Ayçiçeği 85.1 187.1 126 25.9
Kuru toprak 77.1 236.8 152.2 49.7
Nemli toprak 56.9 139.1 100.2 26.9
41
Rapideye uydu verilerinden yararlanarak çalışma alanında yer alan
ürünlerin bandlara göre göstermiş oldukları yansıma değerlerinin grafiği Şekil
6.1’de yer almaktadır.
!
"!
#!!
#"!
$!!
$"!
%!!
ò!b{La
!
#&ãwãb
aL{Lw
-./# #$!/" #"0/1
$&ãwãb
aL{Lw
". ##" #20/2
hwÇ! t!aÜY "./1 #". $$1/$
TòT t!aÜY "" #2% $0%/$
!ò4T49FT #$- #.0 #2!
YÜwÜ
Çhtw!Y
#"$ #.0 #0-
b9a[T
Çhtw!Y
#!! #0$/. 1"/2
%&.!b5 0&.!b5 "&.!b5
Şekil 6.1 Araştırma alanında yer alan bütün ürünlerin bandlara göre yansıma değerleri
Söz konusu bitkilerin yansıma değerlerinden elde edilen grafik
incelendiği zaman 3. ve 4. bandda mısır ve ayçiçeği bitkileri rahatlıkla ayırt
42
edilebilmektedir. 5. Band mısır ve ayçiçeği bitkilerinin yansıma değerlerinin
birbirine yakınlığından dolayı sınıflandırma için tercih edilmemelidir. Pamuk
ve ayçiçeği bitkilerinin ayırt edilebilmesi 3. ve 5. Band ile mümkündür. Mısır
ve pamuk bitkilerinin 4. Bantın yanı sıra özellikle 5. Bantta kolayca ayırt
edilebileceği yansıma değerlerine sahiptir. Mısır ve pamuk ekili alanların
incelenmesinde 3. band tercih edilmemelidir. Toprak ile yapılacak olan
çalışmalarda 4. banddan ve özellikle 3. Banddan yararlanılmalıdır. Mısır ve
pamuk bitkilerinin sınıflandırılması için 5. Band, ayçiçeği bitkisinin
sınıflandırılması için 3. Band daha doğru sonuçlar vereceğinden tercih
edilmelidir.
Araştırma alanındaki ürünlerin bandlara göre yansıtım grafikleri
aşağıda verilmiştir (Şekil 6.2, 6.3, 6.4, 6.5, 6.6).
Şekil 6.2 Araştırma alanında yer alan 1. ürün mısır bitkisinin bandlara göre yansıma değerleri
43
Şekil 6.3 Araştırma alanında yer alan 2. ürün mısır bitkisinin bandlara göre yansıma değerleri
Şekil 6.4 Araştırma alanında yer alan orta pamuk bitkisinin bandlara göre yansıma değerleri
Şekil 6.5 Araştırma alanında yer alan iyi pamuk bitkisinin bandlara göre yansıma değerleri
44
Şekil 6.6 Araştırma alanında yer alan ayçiçeği bitkisinin bandlara göre yansıma değerleri
6.2 Araştırma Alanında Ekili Alanların Parsel Bazında
Sınıflandırılması
Bu araştırma toplamda 103 parselin bulunduğu 1347450 m 2 alanda
yürütülmüştür. Ağırlıklı olarak 2. ürün mısır ve 1. ürün mısır ekili parsellerin
çoğunlukta olduğu bu çalışma alanı 6 ayrı bölgeye ayrılarak analiz edilmiştir.
Birinci çalışma alanında 25 adet parsel bulunmaktadır. 1. ürün mısır
bitkisi üretimi yapılmakta olan 4 adet, 2. ürün mısır bitkisi üretimi yapılan 8
adet parsel bulunmaktadır. Yeşil dokunun gelişmişlik durumuna göre pamuk
bitkisi iyi ve orta olmak üzere 2 sınıfta incelenmiştir. Altı adet pamuk ekili
parselin 4 adedi orta pamuk, 2 adedi de iyi pamuk sınıfında değerlendirmeye
alınmıştır. Ayrıca çalışma alanında 4 tane ayçiçeği ekili parsel ile 3 adet ürün
ekilmemiş parsel mevcuttur. Parsellere ait yansıma değerlerinde homojenlik
göz ardı edilerek tüm parsellerden yansıma değeri belirlenmesi için örnek
toplanmıştır. Bu değerlerden yola çıkarak hazırlanan yansıma değerlerine göre
sınıflandırma sonucu aşağıda verilmiştir (Şekil 6.7).
45
Şekil 6.7 Birinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
447675 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır,
ayçiçeği, orta pamuk, iyi pamuk ekili parseller ve ürün ekimi yapılmamış
toprağın birbirinden kolaylıkla ayırt edilebildiği görülmüştür.
Şekil 6.8 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parseller
(Orijinal, 2011)
Sınıflandırma sonucunda 9560 m 2 lik toplam alana sahip olan 1
numaralı parselin 7650 m 2 ’sinin 2. ürün mısır; 40600 m 2 lik alana sahip olan 9
46
numaralı parselin 26500 m 2 ’sinin 1. ürün mısır; 23475 m 2 lik alana sahip olan
16 numaralı parselin 23325 m 2 ’sinin ayçiçeği ve 13375 m 2 lik alana sahip
olan 22 numaralı parselin 9525 m 2 ’sinin 1. ürün mısır ekili olduğu
görülmektedir (Çizelge 6.4)
Çizelge 6.4 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
1 9560 7650 2.Ürün mısır
9 40600 26500 1.Ürün mısır
16 23475 23325 Ayçiçeği
22 13375 9525 1.Ürün mısır
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.5’de verilmiştir.
Çizelge 6.5 Birinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
1. ürün mısır 68.8
2. ürün mısır 95.8
Ayçiçeği 83.1
Đyi pamuk 92.5
Orta pamuk 70.2
Đkinci çalışma alanında; 23 adet parsel bulunmaktadır. 3 adet orta
sınıfında pamuk ve 3 adet ayçiçeği bitkisi ekili parseller bulunmaktadır. Mısır
ekimi yapılmış parsellerin 7 tanesinde 1.ürün mısır ve 6 tanesinde 2. ürün mısır
üretimi yapılmaktadır. Parsellere ait yansıma değerlerinde homojenlik göz ardı
edilerek tüm parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır.
Bu değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma
sonucu aşağıda verilmiştir (Şekil 6.9).
47
Şekil 6.9 Đkinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
348300 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır,
ayçiçeği, orta pamuk ekili parseller ve ürün ekimi yapılmamış toprağın
birbirinden ayırt edilebildiği görülmüştür.
Şekil 6.10 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parseller (Orijinal, 2011)
Sınıflandırma sonucunda 9025 m 2 lik alana sahip olan 4 numaralı
parselin 5025 m 2 ’sinin ayçiçeği ; 110275 m 2 lik alana sahip olan 8 numaralı
parselin 84250 m 2 ’sinin orta pamuk ekili olduğu görülmektedir (Çizelge 6.6).
48
Çizelge 6.6 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
4 9025 5025 Ayçiçeği
8 110275 84250 Orta pamuk
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.7’de verilmiştir.
Çizelge 6.7 Đkinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
1. ürün mısır 90.5
2. ürün mısır 77
Ayçiçeği 71.7
Orta pamuk 64.4
Üçüncü çalışma alanında ; 19 adet parsel bulunmaktadır. 2 adet
Birinci ürün mısır, 6 adet ikinci ürün mısır üretimi yapılan parseller
bulunmaktadır. Bu alanda 3 tane ayçiçeği ekili parsel ile 5 adedi orta sınıfında
ve 1 adedi iyi sınıfında olan 6 adet pamuk ekili parsel incelenmiştir. Parsellere
ait yansıma değerlerinde homojenlik göz ardı edilerek tüm parsellerden
yansıma değeri belirlenmesi için örnek toplanmıştır. Bu değerlerden yola
çıkarak hazırlanan yansıma değerlerine ait sınıflandırma sonucu aşağıda
verilmiştir (Şekil 6.11).
49
Şekil 6.11 Üçüncü araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
229325 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır,
ayçiçeği, orta pamuk, iyi pamuk ekili parseller ve ürün ekimi yapılmamış
toprağın birbirinden ayırt edilebildiği görülmüştür.
Şekil 6.12 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parseller (Orijinal, 2011)
Sınıflandırma sonucunda 21025 m 2 lik alana sahip olan 3 numaralı
parselin 9075 m 2 ’sinin orta pamuk ; 19150 m 2 lik alana sahip olan 13
numaralı parselin 11675 m 2 ’sinin ayçiçeği ekili olduğu görülmektedir
(Çizelge 6.8).
50
Çizelge 6.8 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
3 21025 9075 Orta pamuk
13 19150 11675 Ayçiçeği
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.9’da verilmiştir.
Çizelge 6.9 Üçüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
1. ürün mısır 68.8
2. ürün mısır 95.3
Ayçiçeği 67.2
Đyi pamuk 32.3
Orta pamuk 62.5
Dördüncü çalışma alanında ; 5 adet parsel bulunmaktadır. 1 adet 2.
ürün mısır, 2 adet ayçiçeği bitkisi ekili parseller bulunmaktadır. Ayrıca 2 adet
ürün ekilmemiş parsel de değerlendirmeye alınmıştır. Parsellere ait yansıma
değerlerinde homojenlik göz ardı edilerek tüm parsellerden yansıma değeri
belirlenmesi için örnek toplanmıştır. Bu değerlerden yola çıkarak hazırlanan
yansıma değerlerine ait sınıflandırma sonucu aşağıda verilmiştir (Şekil 6.13).
Şekil 6.13 Dördüncü araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
51
97175 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 2. ürün mısır ve ayçiçeği ekili
parseller ve ürün ekimi yapılmamış toprağın birbirinden kolaylıkla ayırt
edilebildiği görülmüştür.
Şekil 6.14 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parseller (Orijinal, 2011)
Sınıflandırma sonucunda 62375 m 2 lik alana sahip olan 1 numaralı
parselin 57075 m 2 ’sinin ayçiçeği ekili olduğu görülmektedir (Çizelge 6.10).
Çizelge 6.10 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
1 62375 57075 Ayçiçeği
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.11’de verilmiştir.
Çizelge 6.11 Dördüncü çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
2. ürün mısır 82.3
Ayçiçeği 88.3
52
Beşinci çalışma alanında ; 4 adet parsel bulunmaktadır. 3 adet ikinci
ürün mısır ve 1 adet orta pamuk bitkisi üretimi yapılan parsellerden
oluşmaktadır. Parsellere ait yansıma değerlerinde homojenlik göz ardı edilerek
tüm parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır. Bu
değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma
sonucu aşağıda verilmiştir (Şekil 6.15).
Şekil 6.15 Beşinci araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
123450 m 2 lik alanda yapılan sınıflandırma ile elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 2. ürün mısır ve orta pamuk ekili
parseller ve ürün ekimi yapılmamış toprağın birbirinden kolaylıkla ayırt
edilebildiği görülmüştür.
Şekil 6.16 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen
parseller (Orijinal, 2011)
53
Sınıflandırma sonucunda 14775 m 2 lik alana sahip olan 3 numaralı
parselin 10325 m 2 ’sinin 2. ürün mısır ekili olduğu görülmektedir (Çizelge
6.12).
Çizelge 6.12 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
3 14775 10325 2. ürün mısır
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.13’de verilmiştir.
Çizelge 6.13 Beşinci çalışma alanında yer alan ürünlerin saptanabilen alanlarının oransal
dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
2. ürün mısır 69.6
Orta pamuk 69.8
Altıncı çalışma alanında ; 27 adet parsel bulunmaktadır. Birinci ürün
mısır bitkisi üretimi yapılmakta olan 6 adet, 2. ürün mısır bitkisi üretimi
yapılan 4 adet parsel bulunmaktadır. 4 adet orta pamuk bitkisi ekili parsel, 6
tane ayçiçeği ekili parsel ile ürün ekimi yapılmamış 7 adet parsel mevcuttur.
Parsellere ait yansıma değerlerinde homojenlik göz ardı edilerek tüm
parsellerden yansıma değeri belirlenmesi için örnek toplanmıştır. Bu
değerlerden yola çıkarak hazırlanan yansıma değerlerine ait sınıflandırma
sonucu aşağıda verilmiştir (Şekil 6.17).
54
Şekil 6.17 Altıncı araştırma alanına ait sınıflandırma sonucu (Orijinal, 2011)
221100 m 2 lik alanda sınıflandırma sonucunda elde edilen görüntünün
yer gerçeği ile karşılaştırılması sonucunda; 1. ürün mısır, 2. ürün mısır, orta
pamuk ekili parseller ile ürün ekimi yapılmamış toprağın birbirinden ayırt
edilebildiği görülmüştür.
Bu alanda 12 ve 15 numaralı parsellerde ayçiçeği ürünü ekilmiş
olmasına rağmen arayüz alanı sınıflandırırken bu parselleri kuru toprak sınıfına
atayarak 103 parselin 2’sinde sınıf karışıklığına sebep olmuştur.
Şekil 6.18 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parseller
(Orijinal, 2011)
Sınıflandırma sonucunda 2750 m 2 lik alana sahip olan 4 numaralı
parselin 1700 m 2 ’sinin ayçiçeği; 5950 m 2 lik alana sahip olan 17 numaralı
parselin 3100 m 2 ’sinin ayçiçeği; 11525 m 2 lik alana sahip olan 13 numaralı
55
parselin 7525 m 2 ’sinin 1. ürün mısır ekili olduğu görülmektedir (Çizelge
6.14).
Çizelge 6.14 Çalışma alanına ait tarlalardan homojen ürün dağılımı göstermeyen parsel alan
bilgileri
PARSEL NO PARSEL ALANI
(m2)
ÜRÜN EKĐLĐ ALAN
(m2)
ÜRÜN
4 2750 1700 Ayçiçeği
13 5950 3100 Ayçiçeği
17 11525 7525 1. ürün mısır
Araştırma alanına ait ürünlerin saptanabilen alanlarının oransal dağılımı
Çizelge 6.15’de verilmiştir.
Çizelge 6.15 Altıncı çalışma alanında yer alan ürünlerin saptanabilen alanlarının
oransal dağılımı
ÜRÜNLER EKĐLĐ ALAN ORANI (%)
1. ürün mısır 80.1
2. ürün mısır 66.2
Ayçiçeği 84.8
Orta pamuk 93.4
Ayçiçeği bitkisi ekili 2 parselin kuru toprak sınıfına girmesi ile oluşan
ekili alan yüzdeleri yukarıda Çizelge 6.15 ile verilmiştir. Arayüzün yapmış
olduğu bu hatayı düzelterek yüzde hesabı yaptığımızda 47925 m 2 lik alana
sahip iki parselin 38775 m 2 ’sinde ayçiçeği ürününün yetişmekte olduğunu ve
böylelikle ürün ekili alan yüzdesinin % 84.8 ‘den % 80.9 düştüğünü görürüz.
56
7. SONUÇ VE ÖNERĐLER
Tarım sektörü, ülkemizin ekonomik ve sosyal gelişmesinde önemli
görevler üstlenmiş, sağlıklı çevrenin oluşması ve korunması, ekolojik dengenin
kurulması ve sürdürülebilirliği açısından ekonomik ve sosyal bir sektördür.
Tarımda arazilerin ekonomik, ekolojik ve toplumsal açıdan etkin planlanması
için izlenmesi ve kayıt altına alınmasının önemli yeri vardır. Sadece mülkiyet
bilgilerinin değil kullanım şeklinin de bilinmesi, yapılacak planlamaların
sağlıklı yürütülmesi açısından önemlidir. Bu anlamda ülkemizde işlenen tarım
arazileri, çayırlar ve meraların kadastral kayıtları yapılmaktadır. Bu kayıtlar
mülkiyetin belirlenmesi açısından belki günün ihtiyaçlarına cevap vermektedir.
Ancak kullanım şekli ve nitelikleri ile ilgili bilgilere ihtiyaç olduğu ortadadır.
Bu araştırma, Uzaktan Algılama tekniğinin Coğrafi Bilgi Sistemine
entegre edilmesi ile çiftçilerin tapu bilgilerine göre her yıl beyan ettikleri ve bu
beyan edilen parseller üzerindeki tarımsal aktivitelerin kontrol edilmesini
hedefleyen ve rekolte çalışmalarında kullanılmasıyla doğruluğu arttırmaya
yönelik yeni bir yöntem geliştirme çalışması olmuştur.
Araştırma alanında sınıflandırma ile elde edilen görüntülerin yer
gerçekleri ile karşılaştırılması sonucunda; mısır, ayçiçeği ve pamuk ekili
parseller ile ürün ekimi yapılmamış parsellerin birbirinden ayırt edilebildiği
görülmüştür.
Bu ön çalışma büyük alanlarda hata oranının yüksek olması nedeni ile
küçük alanlarda denenerek arazi örtüsünü oluşturan bitkilerin
sınıflandırılmasının mümkün olduğunu göstermektedir. Ayrıca tasarlanan
arayüzün, kullanıcı odaklı çalıştığından, parsel alan çizimlerinde kullanıcının
gerekli hassasiyeti göstermemesi durumunda hatalı sonuçlara neden olacağı
belirlenmiştir.
6 ayrı alanda yapılan sınıflandırma sonucunda; 1. ürün mısırın ekildiği
toplam alanın % 79.7’sini, 2. ürün mısırın %89.1’ini, ayçiçeğinin %82’sini, iyi
pamuğun %71.5’ini ve orta pamuğun % 68.7’sini kapladığı görülmüştür.
Ayçiçeği iken kuru toprak sınıfına atanarak hatalı sınıflandırılan 2 parseli de
hesapladığımızda ayçiçeği bitkisinin ekildiği toplam alanın % 81.3’ünü
kapladığı görülmektedir.
57
Bitki örtüsünün toprağı örtme oranları, bunların genel özellikleri
yanında bitkinin vejetatif gelişme takvimi de dikkate alınarak
değerlendirilmelisinin daha akılcı ve bu bağlamda da gerekli olduğu arazi
etüdleri ve laboratuar çalışmalarında belirlenmiştir. Özellikle kültür
bitkilerinde, hızla gelişen bitki örtüsünün toprağı örtme oranları da hızlı bir
değişim verirler ve her bir bitki örtüsünün uydu görüntülerinde görünebilirlik
zamanları da doğal olarak ayrımlılık gösterirler.
Sınıflandırma işlemi sonrasında çalışma alanı için mısır bitkisinin ekili
alan dağılımının 653375 m 2 olduğu ve çalışma alanlarının % 48.4’ünü; pamuk
bitkisinin ekili alan dağılımının 461750 m 2 olduğu ve çalışma alanının %
34.2’sini; ayçiçeği bitkisinin ekili alan dağılımının 232325 m 2 olduğu ve
çalışma alanının % 17.2’sini oluşturduğu belirlenmiştir. Arayüzün kuru toprak
sınıfına atadığı ayçiçeği ekili iki parseli düşünerek hesapladığımızda ayçiçeği
bitkisinin ekili alan dağılımının 238875 m 2 olduğu ve çalışma alanının
%17.7’sini oluşturduğu görülmüştür.
Hasat zamanı gelmiş ayçiçeği bitkisindeki azalan klorofilin yansıma
değerinin, ürün ekimi yapılmamış toprağın vermiş olduğu yansıma değerine
yakın olması sebebi ile arayüz araştırması yapılan 103 parselden 2’sinde
ayçiçeği bitkisi ile kuru toprağı karıştırmıştır. Basit orantı yöntemi ile arayüz
çalışma alanını %98 doğruluk oranını ile sınıflandırmıştır.
Arazi kullanımlarına ait yansıma değerlerine bakıldığı zaman özellikle
Red Edge bandda bitkilerin birbirinden farklı yansıma değerlerine sahip olduğu
görülmektedir. Diğer bandlarda bitkiler birbirine yakın yansıma gösterirken 4.
bandda belirgin şekilde ayrıldıkları görülmüştür. Arazi kullanımlarının
belirlenmesine yönelik yapılacak olan görüntü sınıflama çalışmalarında 4. band
mutlak suretle kullanılmalıdır.
Matlab yazılımının ‘dgn’ ve ‘dwg’ gibi grafik veri formatlarını
desteklememesi, koordinat bilgileri gerektiren tarımsal alanlarda görüntü
işleme tekniğinin Matlab ile kısıtlı olarak yapılabileceğini göstermektedir.
Araştırmada kullanılan arayüze yeni kodlar eklenmesi durumunda yöntemin
gelişmesi sağlanabilir. Bu sayede TAKBĐS veritabanında yer alan bilgiler ile
entegre edilip ürün ekili parsellere ait parsel numarası ve çiftçi kimlik
bilgilerinin otomatik olarak gösterilmesi sağlanarak TAKBĐS verilerinin tarım
58
politikalarına yönelik projelerde kullanılabilirliğinin değerlendirilmesi
mümkün olarak diğer coğrafi bilgi sistemlerine tapu ve kadastro verileri dijital
olarak veri tabanında sunulabilir.
Arazi kullanımlarının belirlenmesi çalışmalarında, Rapideye gibi yersel
ayrım gücü orta derecede olan uyduların kullanımı ile arazi kullanımlarının
rahat bir şekilde belirlenebildiği ve arazi hakkında bilgi ve veri
üretilebilineceği belirlenmiştir. Çözünürlüğü daha yüksek olan uydular ile
çalışırken görüntü büyütmeye bağlı olarak meydana gelen pikseller
görülmemektedir. Ancak düşük çözünürlüğe sahip uydular ile yapılan
çalışmalarda detaya inmek mümkün olmadığı gibi büyütülen görüntüde
pikseller görülmekte ve görüntü kalitesi düşmektedir. Sınırlı bütçe ile yapılacak
çalışmalarda Rapideye gibi yersel ayrım gücü orta seviyede olan uyduların
kullanılması uygun olacaktır. Ancak maliyet problemi sorun olmayacak
çalışmalarda daha yüksek çözünürlüğe sahip olan uyduların kullanılması
önerilmektedir.
59
KAYNAKLAR DĐZĐNĐ
Amerikan Ulusal Hava ve Uzay Dairesi, 2010
http://www.nasa.gov/audience/forstudents/k4/dictionary/Remote_Sensing.html
(Erişim tarihi: 19.06.2010)
Amerikan Ulusal Hava ve Uzay Dairesi, 2010
http://rst.gsfc.nasa.gov/Intro/Part2_5a.html (Erişim tarihi: 19.02.2011)
Akça, D. ve Doğan, S., 2002, Sayısal Görüntülerde Ana Bileşenler Dönüşümü,
Harita Dergisi, 129, 1-15.
Armenakis, C., Leduc, F., Cyr, I., Savopol, F. and Cavayas, F., 2003, A
comparative analysis of scanned maps and imagery for mapping applications,
International Journal of Photogrammetry and Remote Sensing, 57, 304-314 pp.
Aplin, P., Atkinson, P. M., and Curran, P.J., 1999, Fine spatial resolution
simulated satellite sensor imagery for land cover mapping in the United
Kingdom, Remote Sensing of Environment, (68), 206-216 pp.
Başbakanlık Güneydoğu Anadolu Projesi Bölge Kalkınma Đdaresi
Başkanlığı , 2003, Harran Ovası Fırat Sulama Birliği'nde Ürün Deseninin
Uydu Görüntülerinden Parsel Bazlı Sınıflandırma Teknikleri ile Belirlenmesi
Pilot Projesi
Bauer, T. And Steinnocher, K., 2001, Per-parcel classification in urban
areas applying a rulebased technique, Geo-Informations-Systeme, 14 (6): 24-27
pp.
Dean, A.M., and Smith, G.M., 2003, An evaluation of per-parcel land cover
mapping using maximum likelihood class probabilities, International Journal of
Remote Sensing, (24)-14, 2905-2920 pp.
De Wit, A.J.W., Clevers, J., 2004, Efficiency and accuracy of per-field
classification for operational crop mapping. Int. J. Remote Sens., 25, 4091-
4112 pp.
Ekercin, S., 2007, Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Entegrasyonu
ile Tuz Gölü ve Yakın Çevresinin zamana Bağlı Değişim Analizi, Doktora
Tezi, ĐTÜ Jeodezi ve Fotogrametri Mühendisliği, 182s.
60
KAYNAKLAR DĐZĐNĐ (devam)
ERDAS, 1995, Erdas Imagine Field Guide 3rd Edition. ERDAS INc., Atlanta,
Georgia, USA., 332p.
ERDAS, 1991, Erdas Imagine Field Guide 5th Edition. ERDAS INc., Atlanta,
Georgia, USA., 653p.
Esetlili, T., 2001, Uzaktan Algılama Tekniği Đle Pamuk Ekili Alanların
Belirlenmesinde Kontrollü (Supervised) Sınıflandırma Yöntemlerinin
Đrdelenmesi Üzerine Bir Araştırma, E.Ü. Fen Bilimleri Enstitüsü Toprak ABD,
ĐZMĐR
Greene, D.R (ed) 2001, GIS: A Sourcebook for schools. London Taylor &
Francis
Đstanbul Teknik Üniversitesi Uydu Haberleşmesi ve Uzaktan Algılama
Merkezi, 2010, http://www.cscrs.itu.edu.tr/content/uzaktanalgilama.php
(Erişim tarihi: 05.08.2010)
Kurucu, Y. ve Ark., 2003, Uzaktan Algılama ve Coğrafi Bilgi Sistemi
Uygulamalı Temel Kursu Ders Notları, Ege Üniversitesi Ziraat Fakültesi
Toprak Bölümü, Đzmir.
Kaya, Ş., 1999, Uydu Görüntüleri ve Sayısal Arazi Modeli Kullanılarak Kuzey
Anadolu Fayı Gelibolu-Işıklar Dağı Kesiminin Jeomorfolojik-Jeolojik
Kesiminin Đncelenmesi, Doktora Tezi, Đ.T.Ü. Fen Bilimleri Enstitüsü, Đstanbul.
Kurucu, Y., 2010, E.Ü. Zıraat Fakültesi Toprak Bilimi ve Bitki Besleme
Bölümü Lisans Ders Notları, 103-104 s.
Lillesand, T.M., Kiefer, R.W. and Chipman, J.W., 2004, Remote Sensing
and Image Interpretation, John Wiley & Sons Pres. New York
Laba, M., Gregory, S.K., Braden, J., Ogurcak, D., Hill, E., Fegraus, E.,
Fiore, J. and DeGloria, S.D., 2002, Conventional and fuzzy accuracy
assessment of the New York Gap Analysis Project land cover map, Remote
Sensing of Environment, 81, 443-455 pp.
61
KAYNAKLAR DĐZĐNĐ (devam)
Maden Tetkik ve Arama Genel Müdürlüğü,
(http://www.mta.gov.tr/v2.0/birimler/RSC_WEB/index.php?id=ua ) (Erişim
Tarihi : 12.08.2011)
Metternicht, G., 1999, Change detection assessment using fuzzy sets and
remotely sensed data: an application of topographic map revision, International
Journal of Photogrammetry and Remote Sensing, 54, 221-233 pp.
Musaoğlu, N., Tanık, A. ve Kocabaş, V., 2005, Identification of Land-Cover
Changes through Image Processing and Associated Impacts on Water
Reservoir Conditions, Environmental Management, 35, 220-230 pp.
Okeke, F. and Karnieli, A., 2006, Methods for fuzzy classification and
accuracy assessment of historical aerial photographs for vegetation change
analyses. Part I: Algorithm development, International Journal of Remote
Sensing, 27, 153-176 pp.
O’Hara, C.G., King, J.S., Cartwright, J.H. and King, R.L., 2003,
Multitemporal Land Use and Land Cover Classification of Urbanized Areas
Within Sensitive Coastal Environments, IEEE Transactions on Geoscience and
Remote Sensing, 41, 2005-2014 pp.
Örmeci, C., Müftüoğlu, O. Ve Sunar, F., 1992, Landsat Thematic Mapper
Verileri Kullanarak Hububat Ekim Alanlarının Sınıflandırılması. ĐTÜ, Đstanbul.
Ören, A., 2009, Doğal ve Yapay Nesne Tanımlamalarında Farklı Uydu
Görüntülerinin Kullanılabilirliği Üzerine Bir Araştırma, E.Ü. Fen Bilimleri
Enstitüsü Toprak ABD Yüksek Lisans Tezi, Đzmir
Örüklü, E., 1988, Uzaktan Algılama, Yıldız Üniversitesi Yayınları,198,
Đstanbul,1 p.
Özdarıcı, A., 2005, Comparison Of Different Spatial Resolution Images For
Polygon-Based Crop Mapping, ODTÜ Fen Bilimleri Enstitüsü Yüksek Lisans
Tezi
62
KAYNAKLAR DĐZĐNĐ (devam)
Pamukkale Üniversitesi, 2010
http://hkargi.pamukkale.edu.tr/B%C3%B6l%C3%BCm%201.pdf (Erişim
tarihi: 12.10.2010)
Sefer, S., 2005, Yüreğir Ovasında Seçilen Bir Alanda Pamuk, Soya Fasülyesi
Ve Mısır Ekim Alanlarının Landsat 5 TM Sayısal Uydu Verileriyle
Belirlenmesi Üzerine Bir Araştırma
Smith.G.M. and Fuller R. M., 2001, An integrated approach to land cover
classification: an example in the Island of Jersey, International Journal of
Remote Sensing, (22), 3123-3142 pp.
Streshta, A. K., 1998, Improvement of Image Classification Using Ancillary
Data, Master of Science Thesis. ITC, Enschede, The Netherlands, 66p.
Şencan, S., 2004, Decision Tree Classification of Multi-Temporal Images For
Field-Based Crop Mapping, ODTÜ Fen Bilimleri Enstitüsü Yüksek Lisans
Tezi
Türker, M., 2003, Çok Zamanlı Landsat 7 ETM+ Uydu Görüntülerinin Parsel-
Bazlı Sınıflandırması
Turker, M. and Arikan M., 2005, Sequential masking classification of
multi-temporal Landsat7 ETM+ images for field-based crop mapping in
Karacabey, Turkey, International Journal of Remote Sensing.
Türker, M. And Özdarıcı, A., 2005, Comparison Of Different Spatial
Resolution Images For Parcel-Based Crop Mapping
University of Virginia, 2011
http://www.astro.virginia.edu/class/oconnell/astr130/130s01/lec2-s01.html
(Erişim tarihi: 10.04.2011)
Yomralıoğlu, T. Ve Çete, M., 2002, “Kent Bilgi Sistemleri: Çağdaş Bilgi
Sistemleri: Çağdaş Yerel Yönetim Aracı”, Arkitekt Dergisi, Sayı: 02, Yıl 69,
34-39s.
Zhang, J. and Foody, G.M., 2001, Fully-fuzzy supervised classification of
sub-urban land cover from remotely sensed imagery: statistical and artificial
63
KAYNAKLAR DĐZĐNĐ (devam)
neural network approaches, International Journal of Remote Sensing, 22, 615-
628 pp.
Zhang, J. and Kirby, R.P., 1997, An evaluation of fuzzy approaches to
mapping land cover from aerial, International Journal of Photogrammetry and
Remote Sensing, 52, 193-201 pp.
Xiao, X., Boles, S., Liu, J., Zhuang, D. and Liu, M., 2002, Characterization
of forest types in Northeastern China, using multi-temporal SPOT-4
VEGETATION sensor data, Remote Sensing of Environment, 82, 335-348 pp.
http://www.mdacorporation.com/corporate/news/pr/backgrounder/RapidEye.
pdf. (Erişim tarihi: 14.02.2011)
http://www.mathworks.com (Erişim tarihi: 01.06.2010)
http://www.erdas.com/search.aspx?IndexCatalogue=Entire+Site&SearchQuery
=resolution (Erişim Tarihi : 12.08.2011)
http://www.rapideye.de/home/news/news-extra-page.html (Erişim Tarihi :
02.11.2010)
http://nik.com.tr (Erişim Tarihi : 02.11.2010)
http://www.foca.bel.tr/ (Erişim Tarihi : 23.06.2011)
http://www.ltrs.uri.edu/teaching/FieldGuide.pdf (Erişim Tarihi : 10.03.2010)
http://www.uyduharita.org/content/ege-haritasi-158/ (Erişim Tarihi :
01.06.2011)
64
ÖZGEÇMĐŞ
20.11.1979 yılında Bornova’da doğdu. Ortaokulu Đzmir Özel Türk
Kolejinde, liseyi Bornova Mustafa Kemal Lisesinde tamamladı. 2004 yılında
Celal Bayar Üniversitesi Matematik Bölümünden mezun olarak 2007 yılında
Ege Üniversitesi Fen ve Matematik Alanlar Eğitiminde tezsiz yüksek lisans
öğrenimini bitirdi. 2008 yılında Ege Üniversitesi Çevre Bilimleri Anabilim
Dalı’nda tezli yüksek lisans öğrenimine başladı. 2010 yılının Eylül ayında Fen
Bilimleri Enstitüsü Araştırma Görevlisi kadrosuna atandı.