1 August 2018 in Geomatik
Çevrenin korunması ve sürdürülebilir kıyı geliştirme hedeflerine ulaşmak için kıyı alanlarının izlenmesi gerekmektedir. Doğal çevre yönetimi, afet yönetimi, kıyı erozyonu incelemeleri, katı madde taşınımı ve kıyı morfodinamiklerinin modellemesi gibi farklı alanlarda kıyı çizgisi yaygın olarak kullanıldığından, kıyı çizgilerinin özellikle uydu görüntülerinden çıkarılması için çeşitli teknikler geliştirilmiştir. Rastgele Orman algoritması geliştirilen bu tekniklerden bir tanesidir. Rastgele Orman Algoritması, karar ağaçlarına dayanan bir makine öğrenme metodudur. Karar ağaçları, eğitim verilerinin sınıflarını analiz eder ve test verilerinin hangi sınıfa ait olduğunu eğitim verilerinden çıkarttığı kurallara göre belirler. Sunulan çalışmada Terkos bölgesi, “Sürdürülebilir Kıyı Alanı İzleme Modeli İçin İnsansız Hava Araçları-LIDAR Teknolojilerinin Entegrasyonu- Üç Boyutlu Otomatik Kıyı Çizgisi Çıkartılması ve Analizi: İstanbul-Terkos Örneği” başlıklı TÜBİTAK Projesi (Proje No: 115Y718) kapsamında önerilen yöntemin kullanılması amacıyla çalışma alanı olarak seçilmiştir. Bu çalışmada, Terkos Gölü ve gölün hemen yakınında yer aldığı bölgedeki Karadeniz sahilindeki kıyı çizgileri, 22 Temmuz 2016 tarihinde alınan Landsat-8 uydu görüntüsüne Rastgele Orman sınıflandırma yöntemi kullanılarak çıkarılmıştır. Uygulamada öncelikle uydu görüntüsüne ön işleme uygulanmıştır. Rastgele Orman algoritması ile sınıflandırma işlemi için MATLAB platformu kullanılmıştır. Rastgele Orman algoritması çalışma bölgelerine ait görüntülerin farklı bant setlerine uygulanarak, sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma sonucunda kara ve su sınıfları olmak üzere ikili görüntüler elde edilmiştir. Uygulanan bant setleri NIR, R-G-B ve R-G-B-NIR'dir. Terkos Gölü’ne ait elde edilen kıyı çizgilerinin doğruluklarını analiz etmek için elle sayısallaştırılan kıyı çizgileri referans alınarak alansal ve kıyı çizgisi bazında karşılaştırılmıştır. Sonuçlara bakıldığında, kıyı çizgisi çıkarımında yakın kızıl ötesi bandını içeren görüntülerin en az hatalı sonucu verdiği görülmüştür.
7 September 2006 in Environmental Monitoring and Assessment
16 May 2018 in Proceedings of the ICA
Keywords: Tree segmentation, tea garden classification, normalized difference vegetation index, morphological processing, region growing The advancements in the photogrammetry and remote sensing technologies has made it possible to extract useful tangible information from data which plays a pivotal role in various application such as management and monitoring of forests and agricultural lands etc. This study aimed to evaluate the effectiveness of spectral signatures for extraction of tea gardens from 1 : 5000 scaled digital orthophoto maps obtained from Rize city in Turkey. First, the normalized difference vegetation index (NDVI) was derived from the input images to suppress the non-vegetation areas. NDVI values less than zero were discarded and the output images was normalized in the range 0–255. Individual pixels were then mapped into meaningful objects using global region growing technique. The resulting image was filtered and smoothed to reduce the impact of noise. Furthermore, geometrical constraints were applied to remove small objects (less than 500 pixels) followed by morphological opening operator to enhance the results. These objects served as building blocks for further image analysis. Finally, for the classification stage, a range of spectral values were empirically calculated for each band and applied on candidate objects to extract tea gardens. For accuracy assessment, we employed an area based similarity metric by overlapping obtained tea garden boundaries with the manually digitized tea garden boundaries created by experts of photogrammetry. The overall accuracy of the proposed method scored 89 % for tea gardens from 10 sample orthophoto maps. We concluded that exploiting the spectral signatures using object based analysis is an effective technique for extraction of dominant tree species from digital orthophoto maps.