Geri Dön

Determination and classification of impervious surfaces and their density levels with different techniques and data integrations

Su geçirmez yüzeylerin ve bunların yoğunluk derecelerinin farklı yöntem ve veri entegrasyonları ile belirlenmesi ve sınıflandırılması

PDF İndir

  1. Tez No: 637309
  2. Yazar: BERİL VAROL
  3. Danışmanlar: PROF. DR. MİTHAT DERYA MAKTAV
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 66

Özet

Arazi Örtüsü/Arazi Kullanımı (AÖ/AK) haritaları özellikle kentsel alanların incelenmesinde ve bunların değişimini, gelişimini belirlemede önemli coğrafi bilgi kaynaklarıdır. Günümüzde nüfus artışı, kentleşme, sosyo-ekonomik gelişmeler gibi değişimler sebebiyle kent alanlarının farklı seviye ve yoğunluklarda incelenebilmesi de büyük önem taşımaktadır. Bu AO/AK haritaları sınıflandırma yöntemleri ile oluşturulmaktadır. Sınıflandırma temel olarak piksel tabanlı/nesne tabanlı sınıflandırma olarak iki alt başlıga ayrılmaktadır. Son zamanlarda oldukça fazla kullanılmakta ve geliştirilmekte olan nesne tabanlı sınıflandırmada, geleneksel piksel tabanlı sınılandmada kullanılan parlaklık bilgilerine ek olarak görüntü elemanları (piksel) benzer kümeler halinde segmente edilip görüntü nesneleri oluşturulmaktadır ve bu görüntü nesnelerinin bilgileri ve birbirleri arasındaki ilişkileri de dikkate alınarak sınıflandırma yapılabilmektedir. Görüntü nesnelerinin farklı öznitelik ve özellikleri kullanılıp çeşitli indisler tanımlanabilmekte ve nesneler arasındaki komşuluk ilişkileri, hiyerarşik ilişkiler de sınıflandırma yöntemleri içerisinde kullanılabilmektedir. Sınıflandırma sonucunda oluşturulacak AÖ/AK haritaları için değişik sınıflandırma sistemleri bulunmaktadır. Amaca, kapsama ve kullanılan veriye göre bunların sınıfları ve sınıf detay seviyeleri değişiklik gösterebilmektedir. Kent alanlarının sınıflandırılmasında en çok detay seviyesine sahip sınıflandırma sistemlerinden biri Copernicus'un Şehir Atlası (Urban Atlas) sınıflandırma sistemidir. Burada kent alanları Sürekli Kentsel Doku, Süreksiz Çok Yoğun Kentsel Doku, Süreksiz Orta Yoğunluklu Kentsel Doku, Süreksiz Düşük Yoğunluklu Kentsel Doku, Süreksiz Çok Düşük Yoğunluklu Kentsel Doku olmak üzere beş farklı seviyede belirlenmiştir. Bu çalışmada da bu sistem kullanılmıştır. Kentsel alanları sınıflandırırken yardımcı vektör verilerden faydalanabileceği gibi, nesnelerin parlaklık, renk bilgileri ve çeşitli indisler de kullanılarak bu sınıflandırma geliştirilebilir. Bu sebeple sınıflandırmaya açık kaynaklı coğrafi bilgi kaynaklarından olan OpenStreetMap, Wikimapia verileri de entegre edilmiştir ve bunlar segmentasyon ve sınıflandırma aşamalarında kullanılmıştır. Aynı zamanda doku (texture) bilgisi, nesneler arasındaki topolojik ilişkiler ve çevre arazi tipleri de sınıflandırma detayının doğruluğunu artırmak için kullanılabilecek yöntemler arasındadır. Görüntü içerisinde ve nesne içerisinde incelenen yeryüzü nesnelerinin aralarındaki yoğunluklar bunların dokuları incelendiğinde kendini göstermektedir. Özellikle kent dokusu ve doğal bitki örtüsü arasında bulunan kontrast farkları kentsel yoğunluk derecelerinin belirlenmesinde kullanım potansiyeli olabilmektedir ve çalışmada bu da incelenmiştir. Burada kullanılan görüntü çözünürlüğü de önem taşımaktadır. Özellikle yüksek ve çok yüksek mekânsal çözünürlüğe sahip uydu görüntülerinde vektör veri kullanımı ve seçilen metod sınıflandırma doğruluğunu etkilemektedir. Örneğin kullanılan vektör verinin çözünürlüğü görüntünün mekânsal çözünürlüğünden daha kötü ise bu sınıflandırmada xxii sorunlara ve yanlış sınıflandırma sonuçları elde edilmesine sebep olabilir. Literatürde bulunan çalışmalar genellikle günümüzde orta ve düşük çözünürlük olarak değerlendirilen görüntüler ile yapılmıştır ve daha yüksek çözünürlüklü görüntüler ile kentsel detay seviyelerini inceleyen çalışmalar az sayıda bulunmaktadır. Bu çalışmada Bursa ili çalışma alanı olarak seçilmiş ve kent sınıfları farklı yöntemler ile sınıflandırılmıştır. Bursa ilinin çalışma alanı olarak seçilme sebebi, hem Türkiye'deki en büyük illerden biri olması, hem çalışmada ele alınmak istenen kentsel yoğunluk derecelerinin hepsinin burada görünür olmasıdır. Şehirdeki kentsel yoğunluk kadar farklı arazi örtüsü ve arazi kullanımı sınıflarının varlığı da çalışmada kentsel alan tespiti için tercih edilmiştir. Ayrıca, çok yoğun kentsel alanlar olduğu gibi şehir merkezinden uzak, seyrek yerleşimler de şehirde görülebilmektedir. Yapılan sınıflandırmalarda, Copernicus tarafından sunulan Su Geçirmezlik Haritaları (IMD), Normalize Edilmiş Bitki Endeksi (NDVI), Parlaklık ve Haralick doku bilgileri kullanılmıştır. Her kentsel yoğunluk sınıfı için 10 ila 20 kontrol alanı seçilmiştir ve buradaki görüntü nesnelerinin bantlardaki istatistiksel değerleri hesaplanmıştır. Bu değerlerden yola çıkarak her yöntem için sınıfların ayrı ayrı tespit edilebilmesine sebep olabilecek sınıf bazında minimum ve maksimum eşik değerleri belirlenmiştir. Nesne tabanlı sınıflandırmada faydalanılan özellik ve fonksiyonlar ile görüntü nesneleri belirlenmiş ve bunlar belirlenen eşik değerleri kullanılarak sınıflandırılmıştır. Her yöntem ile nesne tabanlı sınıflandırma yapılarak üretilen haritalar üzerinde doğruluk analizi yapılmıştır ve bunların sonuçları karşılaştırılmıştır. Kullanılan veri pan-keskinleştirilmiş 1,5 metre mekânsal çözünürlüğe sahip SPOT görüntüsüdür. Bu görüntünün seçilme sebebi kentsel alanların incelenmesi için gerekli geometrik detay seviyesini sağlayabilmesidir. Kentsel alan yoğunluk seviyelerini en doğru şekilde belirlemek üzere farklı yardımcı veri ve farklı yöntemler sonucunda üretilen sınıflandırma sonuçları birbirleri ile karşılaştırılmıştır. Doğruluk analizinde yine bu görüntü kullanılmış, ek olarak Google Earth, Yandex Maps gibi yüksek çözünürlüklü ve güncel görüntü içeren çevrimiçi kaynaklardan da yararlanılmıştır. Sonuçlar sınıf bazında ve genel doğrulukları ele alınarak değerlendirilmiştir. Doğruluk analizi sonuçlarında genel doğruluk bazında en iyi sonuç%79,09 ile NDVI eşik değerleri kullanılarak elde edilmiştir. Ardından GLDV, GLCM, IMD, Brightness yöntemleri sırasıyla %75,68, %73,64, %68,57, %64,64 genel doğrulukta tespit edilmiştir. Her sınıflandırma için sınıf bazında üretici ve kullanıcı doğrulukları araştırıldığı zaman IMD ile yapılan sınıflandırmada Sürekli Kentse Doku sınıfının en başarılı sınıflandırma yapılan sınıf olduğu görülmektedir. Fakat Süreksiz Yoğun Kentsel Doku sınıfı büyük oranda Sürekli Kentsel Doku sınıfı ile karışmıştır. Süreksiz Orta Yoğunluklu Kentsel Doku sınıfında da Süreksiz Çok Düşük Yoğunluklu Kentsel Doku sınıfı ile karışmalar görülmüştür. Yani, IMD verisinde Süreksiz Çok Düşük Yoğunluklu Kentsel Doku sınıfında olduğundan fazla değer tahminleri bulunmaktadır. Manuel NDVI eşikleri ile yapılan sınıflandırma sonucunda ise Sürekli Kentsel Doku sınıfında tüm kontrol noktalarının doğru sınıflandırılması ile oldukça iyi sonuç elde edilmiştir. Fakat yoğunluk derecesi azaldıkça hatalı nokta sayılarında artış görülmüştür. Parlaklık değerleri ile yapılan sınıflandırmada Sürekli Kentsel Doku sınıfı yüksek doğrulukla sınıflandırılmıştır fakat Süreksiz Yoğun Kentsel Doku sınıfında bir üst sınıf ile parlaklık değerleri yakın olduğundan ve binalar arasındaki dokunun tespiti için uygun bir parametre olmadığı için karışmalar görülmüştür. Çalışmada Haralick doku bilgisinin de kentsel alanların tespitinde kullanılabilirliği araştırılmıştır. Sonuçların gösterdiğine göre GLCM değerleri kentsel alanların tespitinde kullanılmak için uygun olabilir. Bu doku bilgisi en çok Süreksiz Düşük Yoğunluklu Kentsel Doku ve Süreksiz Çok Düşük Yoğunluklu Kentsel Doku sınıfında xxiii başarılı sonuç vermiştir. Bunun sebebi belirtilen sınıflarda binalar ile çevresinde fazla bulunan doğal alanların arasında görülen belirgin kontrast farkı olduğu düşünülmektedir. Bu metodun doğruluğu daha yoğun kentsel yoğunluk sınıflarında düşmektedir. Son olarak GLDV değerlerinin de özellikle orta yoğunlukta sınıf için iyi sonuç verdiği görülmüştür. Bu sonuç GLDV değerlerinin genelde sınıf karışan bölgelerde ek bir doğrulama yöntemi olarak kullanılabilirliğini gösterdiği şeklinde yorumlanmıştır. Tüm bu sonuçlar göstermektedir ki yüm yöntemler ayrı ayrı kabul edilebilir genel doğruluk sonuçları verseler de her metodun kendi içinde avantaj ve dezavantajları bulunmaktadır. Bu çalışma bazında sonuçlar özellikle daha yoğun kentsel alanlarda NDVI, Parlaklık ve IMD değerlerinin, daha az yoğun alanlarda ise GLCM ve GLDV yöntemlerinin daha iyi sonuç verdiği yönündedir. Gelecek çalışmalarda tüm metodların birlikte kullanımı ile hem sınıf bazında hem de genel doğruluk sonuçlarının gelişimi gözlemlenebilir.

Özet (Çeviri)

Land Cover/Land Use (LC/LU) maps are important sources of geo-information on observing and investigating the changes, developments in urban cities. Today, with the increase in population, urbanization, social and economic developments make the understanding of different levels of urban fabric more important. LC/LU maps are produced by classification. Classification mainly is divided into two methods being pixel/object-based classification. Recently, object-based classification has been used frequently as it allows the user to use image objects, which are clusters of pixels with similar spectral characteristics, and their relationships. In addition to spectral values used in pixel-based classification, it is possible to include different kinds of functions, features, indices to the classification. Also, it is possible to define manual functions, and object-object as well as class-class relationships can be used. The resulted LC/LU maps can be produced by different classification systems. The nomenclatures and detail levels on class definitions can be changed according to the purpose, extent and the data going to be used. One of the nomenclatures that have the most detailed levels and explanations on urban fabric is Urban Atlas of Copernicus. The urban fabric is divided into five classes and it is selected for use in this study. While it is possible to use open-source supportive data sources in classification, it is also possible to make use of different functions, features, indices and band values. Additionally, texture can be used in classifying and identifying objects and classes in images. The spatial resolution of the image is also important in this case. In high and very high-resolution images, the method is shaped by the resolution and the vector data can impact the classification accuracy. In this study, Bursa city is selected as the study area and the urban fabric is classified in detailed sub-classes. SPOT image with 1,5-meter resolution is used. Different methods of classification and impacts of different data integrations is tested. After the application, a total of 5 Urban Fabric density maps are produced and their total and class accuracies are compared.

Benzer Tezler

  1. Tez No

    439693

    Impervious surface estimation and mapping via remotely sensed techniques

    Uzaktan algılama teknikleri ile geçirimsiz yüzey tahmini ve haritalanması

    KAVEH KHORSHID

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FİLİZ BEKTAŞ BALÇIK

  2. Tez No

    389393

    Spektral indekslerin arazi örtüsü/kullanımı sınıflandırmasına etkisi: İstanbul, Beylikdüzü ilçesi, arazi kullanımı değişimi

    Effect of spectral indices over land use/cover classification: İstanbul, Beylikduzu district, land use change

    ÖZGE KAYMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  3. Tez No

    561544

    Arazi örtüsü değişimlerinin kentsel ısı adalarına olan etkilerinin zamansal ve mekansal olarak araştırılması

    Spatio-temporal analyses of land cover changes and its impacts on urban heat islands

    BAHADIR ÇELİK

    Doktora

    Türkçe

    Türkçe

    2019

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞİNASİ KAYA

  4. Tez No

    584044

    Bitkilerde görülen hastalıkların derin öğrenme yöntemleriyle tespiti ve sınıflandırılması

    Determination and classification of diseases in plants with deep learning methods

    MELİKE SARDOĞAN DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ADEM TUNCER

  5. Tez No

    677884

    Beyin tümörlerinin MR görüntüleri üzerinden derin öğrenme yöntemiyle tespiti ve sınıflandırması

    Determination and classification of brain tumors on MR images by deep learning method

    MERVE KÖRDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    BiyomühendislikAkdeniz Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET BOZKURT

    DOÇ. DR. KERİM KÜRŞAT ÇEVİK

Geri Dön