18.05.2017, 16:56

Kentleşme Süreci ve Uluslararası Örneklerle Değerlendirilmesi- 4

Görüntüleme Prosesi

Bu tarz çalışmalar kapsamında ihtiyaç duyulan görüntü işlenmesi; görüntü toplanması, şerit seçimi ve kombinasyonunu içermektedir. Görüntü toplanması; çok şeritli uydu görüntülerinin çok şeritli bir görüntüye dönüştürülmesi prosesidir. Görüntü toplanırken, hem termal şerit ve hem de pankromatik şerit hariç tutulmuştur, çünkü onların bu tarz çalışmalar kapsamındaki bütün katkıları oldukça kısıtlıdır. Renk isimlendirme terkipleri 4, 3, 2 şeritleri için sırasıyla kırmızı, yeşil ve mavi olup bu tarz çalışmalar kapsamında farklı LU/LC türleri için farklılıkları belirginleştirmede kullanılmaktadır. Bu tarz çalışmalar kapsamında kentsel alanlar açık mavi, bitki örtüleri kırmızı gölgelendirmeli, su yapıları koyu maviden siyaha ve ekili olmayan (çıplak) toprak katmanları da beyazdan (kum, kil) kahverengiye lejantlandırılmıştır.

Bu tarz çalışmalar temelde kentsel yayılmaya ve bunun zirai alanlarla doğal alanlar üzerindeki etkilerine odaklanmaktadır. Dahası, tasnif sonuçları için 5 bilgi sınıfı belirlenmiş olup bunlar inşa alanları, zirai alanlar, su bölgeleri, ormanlar ve ağaçlıklar ile diğerleri olarak isimlendirilmiştir. Sınıflandırma detayları Tablo 2’de verilmiştir. Dijital tasnif; maksimum benzerlik görüntü tasnifleyicisi kullanılarak yapılmıştır. Maksimum benzerlik karar kuralı, olasılık temelli olarak sınıflandırmalara piksel atamasıdır.

Bu tasnifleyici, en genel tasnif algoritması olup bilgi tasniflerinin pratiğini de içerdiğinden aynı zamanda başarılıdır. Tasnifleyici; doğrudan kotla doğrulanarak elde edilen bilgi tasnifleri kullanmakta olup dolayısıyla, her bir uygulama sınıfına ait olan her bir pikselin benzerlik olasılığı temelinde bir sınıflandırma temin edilmektedir.

LU/LC Tasnifi
Tanımlamalar
      1. Kentsel arazi
Bütün suni özellikler (iskan, ticari ve sanayi alanları, yerleşimler, ulaştırma altyapısı ve karma kentleşme
       2. Zirai arazi
Tarlalar ve diğer zirai faaliyet türlerini kapsamaktadır
       3. Su bölgeleri
Göller, nehirler, akarsular ve kanallar gibi su yapıları
       4. Ormanlar ve ağaçlık alanlar
Yaprak döken ve yaprak dökmeyen ormanlar ve dönüşümsel ağaçlıklar
       5. Diğerleri
Karma piksel içerikliler: Zirai alanlarla yapılaşma alanlarının karması, kentsel alanlarla doğal alanların (ormanlar ve ağaçlıklar, doğal su yapıları, diğer arazi örtüsü türleri) karması
Tablo 2. LU/LC Tasnif Şeması

Pratik sahaları; Chicago Yeşil Alan Altyapısı-Arazi Kullanımı 2004, IKONOS ve Chicago’nun Illinois ilçesi arazi örtüsü haritaları gibi yardımcı veri ve referansların desteğiyle seçilmiştir. Her bir pratik sahası için eğitim poligonları dijitalleştirilmiş olup LU/LC kategorisi için spektral işaretlemeler, pikselleri kategorize eden istatistiklerin türetilmesi için geliştirilmiştir. Uygulama işaretlemelerinin ayrılabilirliklerinin değerlendirilmesi için çeşitli yöntemler kullanılmıştır. Tasnif değerlendirmesinde, sadece ayrılabilir işaretlemeli uygulama sahaları kullanılmıştır. Sınıf başına en az 30 uygulama sahası ve toplamda 360 uygulama sahası, denetlenen görüntü tasnifi ve sonrasındaki hassasiyet değerlemesi için seçilmiştir.
 
Düzeltilmiş görüntüler

Takip eden görüntü sınıflandırmasıyla, komşularından bağımsız olarak her bir piksel grubunun izole edilmiş etkileri tanımlanmıştır. Tasnif sonrası düzeltme; görüntünün son düzeltmesi ve bu gibi izole etkilerin saf dışı bırakılması için yürütülmektedir. Bu çalışma 3x3 boyutlu Majoroty filtresi ile yapılmakta olup söz konusu filtre, filtre penceresindeki en popüler değerlere göre izole piksellerin yerinin değiştirilmesinde kullanılmaktadır. Ardından düzeltilmiş görüntüler; çalışma alanının boyutlarına göre şekillendirilip ölçeklendirilmektedir.

Tasnif edilmiş haritaların hassasiyet değerlendirmesi, hata matrisleri kullanılarak yapılmaktadır. Hata matrisi; toplam hassasiyet, üretici hassasiyeti, kullanıcı hassasiyeti, Kappa endeksi gibi parametreleri kullanarak hassasiyet değerlendirmesi yapmaktadır. Toplam hassasiyet; toplam düzeltilerek tasnif edilmiş pikselleri belirlemekte ve düzeltilerek tasnif edilmiş piksellerin toplam sayısının, hata matrisindeki piksellerin toplam sayısına bölünmesiyle bulunmaktadır. Üretici hassasiyeti; düzeltilerek tasnif edilmiş bir pikselin referans alınma olasılığını belirtirken kullanıcı hassasiyeti ise güncel olarak arazi durumuna göre bir kategoriyi ifade eden bir harita üzerinde tasnif edilmiş bir pikselin olasılığını göstermektedir. Diğer taraftan Kappa endeksi ise tasnif haritası ile referans verilerinin örtüşme düzeyini ölçmektedir. Bütün hassasiyet verileri 0 ila 1 arasındaki endeks değerlerine sahip iken 0 zayıf, 1 ise güçlü hassasiyeti/örtüşmeyi sembolize etmektedir.

Değişim tespiti analizleri için uygun görüntülerin seçilmesinde, bir dizi uzaktan algılama sistem ve çevresel kabul yapılmıştır. Örneğin sistem kabulleri ile bağlantılı olarak, yıl dönümü tarihleri ya da yakın tarihlerde bilgi edinimi ile ilgili teşebbüslerde bulunulmuştur. Bu yüzden; yıldönümleri ya da yıldönümlerine yakın tarihlerde, örneğin 10/04/1989, 09/12/2010 gibi tarihli görüntüler elde edilmiştir. Buna ilave olarak; aynı yersel ve radyometrik çözünürlük ile görüntü seçimleri için girişimlerde bulunulmuştur. Diğer kabullere; atmosfer koşulları, toprak nemlilik koşulları ve görüntülerin kaydedildiği anların bitkisel fonolojik döngüleri de dahildir. Seçili görüntüler bulutsuz atmosfer koşullarında kaydedilmiş olup hava benzer nemlilik koşullarında ve zemin benzer bitkisel gelişim mevsimindedir.
 
Değişim algoritmaları

Birçok değişim tespiti algoritması söz konusudur. Tasnif sonrası değişim tespitleri ve örneğin, görüntü farklılaştırması, görüntü oranlaması, çok tarihli terkipli görüntü gibi cebir temelli görüntü değişim tespitleri bulunmaktadır. Görüntüye dayalı cebirsel bazlı değişim tespiti, özellikle de görüntü farklılaşması sadece değişen ya da değişmeyen bilgi sağlarken, tasnif sonrası teknikler uçtan uca değişim matrisleri temin etmektedir. Diğer taraftan tasnif sonrası teknik en genel değim tespit yöntemi olup kentsel yayılma ile kentsel alanda meydana gelen değişimlerin tespiti ve izlemesinde de başarı ile uygulanmaktadır. Dahası tasnif sonrası yöntem, 1989-1999, 1999-2010 ve 1989-2010 yılları arasında LU/LC değişimlerinin hesaplanması için IDRISI’de Arazi Değişimi Modelleyicisi’nin (LCM) değişim tablosunda kullanılmaktadır. Arazi değişim tablosu aynı zamanda değişim grafikleri ve haritalarında çeşitlilik oluşturmak için geliştirilmiş olup uçtan uca haritalarındaki değişim ile arazi örtüsü kazanım ve kayıplarının geçerliliğinin anlaşılmasında yardımcı olmaktadır. Kentsel yayılmanın mekansal-zamansal değişimleri aynı zamanda yapılaşan ve yapılaşmayan arazilerin yeniden tasnif haritalarında üç zaman periyodu için (1989, 1999, 2010) LU/LC haritalarının oluşturulmasıyla değerlendirilmiştir.

Kentsel gelişim ve arazi kullanımı

Kentsel gelişim ve arazi kullanımı değişiminin modellenmesi amacıyla farklı modeller geliştirilmiştir. Bunlar; Markov zinciri, Geomod, CA-Markov ve Arazi Değişimi Modelleyicisidir (LCM). Değişimi Modelleyicisi (LCM) aynı zamanda bazı durumlarda çok katmanlı algılayıcısı (MLP)-Markov olarak adlandırılmaktadır çünkü Markov ve çok katmanlı algılayıcısı (MLP) tekniklerinin bir terkibini ifade etmekte ve çalışma alanında kentsel gelişimin hesabı için seçilmektedir. Yöntem; yakın dönem çalışmalarında LU/LC değişimlerindeki karmaşık bağıntıların bir simülasyonu için en uygun olanı olarak görülmektedir. LU/LC haritasındaki geçmiş dönem değişimler bazlı olarak gelecek LU/LC değerlerini hesaplayan Arazi Değişimi Modelleyicisi (LCM) üç ana adımdan oluşmaktadır. Bunlar; değişim analizleri, dönüşüm potansiyeli modellemesi ve değişim hesaplamalarıdır.

Modelleme

Modelleme; 1989 ve 2010 olmak üzere iki farklı tarih için, proje parametreleri olarak iki LU/LC haritasını gerektirmektedir. LU/LC haritaları; çalışma alanındaki değişimin yapısının anlaşılması ve modellenmesi gereken dönüşüm örneklerinin tesisi için bir referans olarak kullanılmaktadır. Dönüşüm potansiyeli haritası; çok katmanlı algılayıcılı (MLP) sinir ağı algoritmasının bir ürünü olup lineer olmayan bağıntıların optimize edilebilirliği dolayısıyla seçilmiştir. Çok katmanlı algılayıcılı (MLP) çalışma istatistikleri Tablo 3’te gösterilmektedir. Uygulama değişkenlerinin bütün kombinasyonlarıher birisinin ilgili etkilerinin değerlendirilmesi için sınanmıştır. Çok katmanlı algılayıcılı (MLP) uygulamalı değişkenler ve yapılaşma alanlarından mesafeleri kullanmak suretiyle iyi bir hassasiyet oranı (örneğin yüzde 79,15) vermekte olup tekraren yüksek değerler, bağıntının karmaşıklığı ve kullanılan modelleme yaklaşımının matematiksel gereksinimlerini bütünüyle hesaba katamadığından, güçlü bir performansı garanti etmemekte, dahası birçok faktör, çok katmanlı algılayıcıda (MLP) yüksek doğruluk oranlarına ulaşmak için hariç tutulmuştur. 1989-2012 arasında dönüşüme uğrayan minimum hücre sayısı 361 bin 45 olup ayrıca bu sayı maksimum numune boyutunu da ifade etmektedir. İdealde RMS hata eğrisi pürüzsüz ve iniş eğimli olmalıdır. Bu tarz çalışmalarda RMS hata eğrisi, hem uygulamalı RMS ve hem de sınamalı RMS eğrileri, doğruluk oranında artış anlamına gelen, düşüş eğiliminde olmaktadır.
 
Maksimum Numune Boyutu
360.045
İterasyonlar
10.000
Uygulamalı RMS
0,2373
Sınamalı RMS
0,2386
Doğruluk Oranı (%)
%79,15
Tablo 3. Çok Katmanlı Algılayıcılı (MLP) Sinir Ağları İstatistikleri
Yorumlar (0)
banner117
15
açık
banner159
banner153
Puan Durumu
Takımlar O P
1. Galatasaray 10 28
2. Samsunspor 11 25
3. Fenerbahçe 10 23
4. Beşiktaş 10 20
5. Eyüpspor 11 19
6. Sivasspor 11 17
7. Göztepe 10 15
8. Başakşehir 10 15
9. Kasımpasa 11 14
10. Konyaspor 11 14
11. Trabzonspor 10 12
12. Gaziantep FK 10 12
13. Bodrumspor 11 11
14. Antalyaspor 11 11
15. Alanyaspor 11 10
16. Rizespor 10 10
17. Kayserispor 10 9
18. Hatayspor 10 3
19. A.Demirspor 10 2
Takımlar O P
1. Erzurumspor 11 22
2. Kocaelispor 11 22
3. Bandırmaspor 11 21
4. Karagümrük 11 18
5. Igdir FK 11 18
6. Boluspor 11 18
7. Esenler Erokspor 11 17
8. Ümraniye 11 17
9. Pendikspor 11 17
10. Ankaragücü 11 16
11. Ahlatçı Çorum FK 11 16
12. Şanlıurfaspor 11 15
13. Gençlerbirliği 11 15
14. Manisa FK 11 14
15. Keçiörengücü 11 14
16. İstanbulspor 11 13
17. Sakaryaspor 11 13
18. Amed Sportif 11 13
19. Adanaspor 11 6
20. Yeni Malatyaspor 11 -3
Takımlar O P
1. Liverpool 10 25
2. M.City 10 23
3. Nottingham Forest 10 19
4. Chelsea 10 18
5. Arsenal 10 18
6. Aston Villa 10 18
7. Tottenham 10 16
8. Brighton 10 16
9. Fulham 10 15
10. Bournemouth 10 15
11. Newcastle 10 15
12. Brentford 10 13
13. M. United 10 12
14. West Ham United 10 11
15. Leicester City 10 10
16. Everton 10 9
17. Crystal Palace 10 7
18. Ipswich Town 10 5
19. Southampton 10 4
20. Wolves 10 3
Takımlar O P
1. Barcelona 12 33
2. Real Madrid 11 24
3. Atletico Madrid 12 23
4. Villarreal 11 21
5. Osasuna 12 21
6. Athletic Bilbao 12 19
7. Real Betis 12 19
8. Mallorca 12 18
9. Rayo Vallecano 11 16
10. Celta Vigo 12 16
11. Real Sociedad 12 15
12. Girona 12 15
13. Sevilla 12 15
14. Deportivo Alaves 12 13
15. Leganes 12 11
16. Getafe 12 10
17. Espanyol 12 10
18. Las Palmas 12 9
19. Real Valladolid 12 8
20. Valencia 11 7