Uzaktan algılama ve uydu görüntüsüyle değişim tespiti.

Uzaktan algılamanın temeli.

Uzaktan algılama, yeryüzü hakkında nesneye temas etmeden, yansıyan ya da yayılan enerjiyi ölçen algılayıcılarla bilgi toplamaktır. Uydu, uçak ve drone üzerindeki sensörler bu ölçümü farklı dalga boylarında yapar. Her yüzey türü, örneğin sağlıklı bitki, çıplak toprak, su ya da beton, dalga boyuna göre farklı oranda enerji yansıtır. Bu farklılık, görüntüden arazi örtüsü ve durum bilgisi çıkarmanın temelidir.

Algılayıcılar iki ana gruba ayrılır. Pasif sensörler güneş ışığının yansımasını ölçer; optik ve multispektral görüntüler bu gruptadır ve bulut ile gece koşullarından etkilenir. Aktif sensörler kendi sinyalini gönderip geri dönüşü ölçer; yapay açıklıklı radar (SAR) bunun en yaygın örneğidir ve bulut örtüsünden bağımsız çalışabilir. Bulutlu mevsimlerde düzenli izleme gerekiyorsa radar verisi optik veriyi tamamlar.

Görüntü türleri ve dört çözünürlük kavramı.

Bir görüntünün bir iş için uygun olup olmadığı tek bir “çözünürlük” değeriyle anlaşılmaz. Dört ayrı kavram birlikte değerlendirilir:

• Mekânsal çözünürlük: bir pikselin yerde kapladığı alan. Tek bir yapıyı ayırt etmek ile bir tarla parselinin genel durumunu izlemek çok farklı piksel boyutları ister.
• Spektral çözünürlük: sensörün kaç bantta ve hangi dalga boylarında ölçüm yaptığı. Yakın kızılötesi ve kısa dalga kızılötesi bantlar, bitki ve nem analizinde görünür ışığın veremediği bilgiyi sağlar.
• Zamansal çözünürlük: aynı alanın ne sıklıkla yeniden görüntülendiği. Hızlı değişen olaylarda sık tekrar, yıllık karşılaştırmalarda ise tutarlı mevsim önemlidir.
• Radyometrik çözünürlük: her pikselde kaydedilen değer aralığı (bit derinliği). Yüksek radyometrik çözünürlük, gölge ve parlak yüzeylerdeki ince farkları korur.

Açık erişimli uydu verisi ve ticari görüntüler.

Kamu kaynaklı açık erişimli uydu programları, geniş alanların düzenli izlenmesinde yaygın kullanılır. Avrupa Copernicus programındaki Sentinel-2, 13 spektral bantta 10, 20 ve 60 metre mekânsal çözünürlükte veri sağlar; uydular birlikte değerlendirildiğinde aynı alan ekvatorda yaklaşık beş günde bir yeniden görüntülenir. Landsat 8 ve 9, çoğu bantta 30 metre çözünürlük ve her uydu için 16 günlük tekrar ile uzun bir arşiv sunar. Uzun arşiv, geçmiş yıllarla karşılaştırma gereken işlerde önemli bir avantajdır.

Uydu verisi farklı işlem düzeylerinde dağıtılır. Sentinel-2 için Level-1C ürünü atmosfer üstü yansıtımı, Level-2A ürünü ise atmosfer etkisi giderilmiş yüzey yansıtımını içerir. Farklı tarihleri karşılaştıran çalışmalarda yüzey yansıtımı düzeyindeki ürünlerin kullanılması, atmosfer koşullarından doğan yapay farkları azaltır. ArcGIS Living Atlas, Sentinel-2 ve Landsat görüntülerine indirme gerektirmeden görüntü katmanı olarak erişim sağlar; bu katmanlar ön inceleme ve uygun tarih seçimi için pratik bir başlangıçtır.

Bu çözünürlükler tarım alanı, orman örtüsü, su yüzeyi ve geniş yapılaşma eğilimleri için uygundur; tek bir binanın ortaya çıkışını ya da küçük bir eklentiyi yakalamak için yeterli değildir. Yapı ölçeğinde değişim arandığında ticari yüksek çözünürlüklü uydu görüntüleri, hava fotoğrafı ya da drone görüntüsü gerekir. Ücretli veride lisans koşulları, görüntünün kurum içinde kimlerle paylaşılabileceğini ve türetilmiş ürünlerin nasıl kullanılabileceğini belirler; bu koşullar veri satın alınmadan önce okunmalıdır.

Spektral indeksler: NDVI ve diğerleri.

Spektral indeks, iki ya da daha fazla bandın matematiksel birleşimidir ve belirli bir yüzey özelliğini öne çıkarır. En bilineni NDVI (normalize fark bitki örtüsü indeksi) şu formülle hesaplanır: (NIR - Kırmızı) / (NIR + Kırmızı). Sağlıklı bitki yakın kızılötesini güçlü yansıtıp kırmızı ışığı soğurduğu için yoğun ve canlı bitki örtüsü yüksek, çıplak toprak, kaya ve kar düşük, su ise genellikle negatif değer verir. Değer aralığı -1 ile +1 arasındadır.

Benzer mantıkla su yüzeylerini ayırmak için yeşil ve yakın kızılötesi bantlarını kullanan NDWI, yanmış alanları belirlemek için yakın kızılötesi ile kısa dalga kızılötesini kullanan NBR gibi indeksler kullanılır. İki tarih arasında indeks farkı alındığında, örneğin yangın öncesi ve sonrası NBR farkı, değişimin yeri ve şiddeti hakkında hızlı bir ilk görüntü elde edilir.

İndeksler güçlüdür ama tek başına yorumlanmamalıdır. NDVI'daki düşüş hasat, kuraklık, hastalık ya da yeni yapılaşmadan kaynaklanabilir. Aynı düşüşün hangi nedene bağlı olduğu, mevsim bilgisi ve ek verilerle birlikte değerlendirilir.

Çok zamanlı karşılaştırma ve değişim tespiti yöntemleri.

Değişim tespitinin ön koşulu, karşılaştırılan görüntülerin gerçekten karşılaştırılabilir olmasıdır. İki görüntü aynı koordinat sistemine piksel altı hassasiyetle oturmalı (çakıştırma), atmosfer etkisi giderilmiş yüzey yansıtımı düzeyinde olmalı ve mümkünse aynı mevsimden seçilmelidir. Yaz ile kış görüntüsü arasındaki fark, aradığınız değişimden çok bitki döngüsünü gösterir.

Başlıca yaklaşımlar şunlardır:

• Piksel değeri ya da indeks farkı: iki tarih arasındaki sayısal farkın eşik değerle ayrılması. Hızlıdır, ancak eşik seçimi sonucu doğrudan etkiler.
• Sınıflandırma sonrası karşılaştırma: her tarih ayrı ayrı arazi örtüsü sınıflarına ayrılır, ardından sınıf geçişleri (örneğin tarım alanından yapılaşmış alana) çıkarılır. Sonuç yorumlanması kolay bir geçiş tablosudur; iki sınıflandırmanın hataları ise birbirine eklenir.
• Zaman serisi analizi: tek iki tarih yerine çok sayıda görüntü kullanılarak kalıcı değişim ile mevsimsel dalgalanma ayrılır.
• Derin öğrenme ile değişim tespiti: iki tarihli görüntü çiftleri üzerinde eğitilmiş bir model, doğrudan değişen alanları ya da değişim türlerini sınıflandırır.

Sınıflandırma ve derin öğrenme.

Klasik sınıflandırmada analist, her sınıf için örnek alanlar seçer ve algoritma geri kalan pikselleri bu örneklere göre atar (kontrollü sınıflandırma). Rastgele orman ve destek vektör makinesi gibi yöntemler bu amaçla yaygın kullanılır. Nesne tabanlı yaklaşımda görüntü önce benzer piksellerden oluşan bölgelere ayrılır, sınıflandırma bu bölgeler üzerinden yapılır; yüksek çözünürlüklü görüntüde tuz biber görünümlü dağınık sonuçları azaltır.

Derin öğrenme modelleri, bina ayak izi, yol, araç ya da güneş paneli gibi nesneleri çıkarmada ve piksel bazlı sınıflandırmada klasik yöntemlerin zorlandığı karmaşık desenleri öğrenebilir. ArcGIS Pro'da ArcGIS Image Analyst eklentisi; model eğitimi, nesne tespiti, piksel sınıflandırması ve iki tarihli görüntüden değişim tespiti (Detect Change Using Deep Learning) araçlarını içerir. ArcGIS Living Atlas üzerinde bazı nesneler için önceden eğitilmiş modeller bulunur; ancak bu modellerin yerel yapı tiplerinde ve farklı görüntü çözünürlüklerinde ek eğitim olmadan beklenen başarıyı vermeyebileceği unutulmamalıdır.

ArcGIS Pro'daki Change Detection Wizard ise kategorik değişim, piksel değeri değişimi, spektral değişim ve zaman serisi (CCDC ya da LandTrendr) iş akışlarını adım adım yürütür.

Belediye, tarım ve orman kullanımları.

Belediyelerde değişim tespitinin en yaygın kullanımı, yeni yapılaşmanın ve arazi kullanımındaki değişikliklerin erken fark edilmesidir. Tespit edilen alanlar, ruhsat ve yapı kayıtlarıyla karşılaştırılarak saha kontrolü için öncelikli bir liste oluşturulur. Hafriyat döküm alanları, kıyı ve dere yatağı değişimleri ile yeşil alan kayıpları da aynı yöntemle izlenebilir.

Tarım ve ormancılıkta indeks zaman serileri; ürün gelişiminin izlenmesi, kuraklık ya da zararlı etkisinin fark edilmesi, yanmış alanların haritalanması ve orman örtüsü kaybının belgelenmesi için kullanılır. Parsel düzeyinde sonuç isteniyorsa görüntü çözünürlüğünün parsel boyutuna uygun olması gerekir; küçük ve parçalı parsellerde orta çözünürlüklü görüntünün bir pikseli birden fazla parseli kapsayabilir.

Doğruluk sınırları ve sonuçların doğru okunması.

Değişim haritası bir karar aracıdır; tek başına hukuki bir tespit değildir. Görüntüden çıkarılan her değişim, doğrulanması gereken bir adaydır. Bulut ve bulut gölgesi, farklı güneş açılarından doğan gölge farkları, çakıştırma hataları ve mevsimsel bitki döngüsü yanlış alarm üretebilir. Görüntünün çözünürlüğünden küçük değişimler ise hiç görünmez.

Doğruluk, referans veriyle ölçülür. Sonuç haritası üzerinde rastgele ya da tabakalı örnekleme ile seçilen noktalar, daha yüksek çözünürlüklü görüntü ya da saha kontrolüyle doğrulanır ve bir hata matrisi (confusion matrix) oluşturulur. Bu matristen genel doğruluk ile her sınıf için kullanıcı ve üretici doğruluğu hesaplanır. Yalnızca genel doğruluğu raporlamak yanıltıcı olabilir: değişim alanları toplam alanın küçük bir kısmıysa, hiçbir şeyi değişmiş saymayan bir harita bile yüksek genel doğruluk verebilir.

Rodosto Teknoloji, değişim tespiti iş akışlarını ArcGIS Pro ve ArcGIS Image Analyst ile kurumların kendi görüntü arşivi üzerinde kurar; yöntemin bir örneği vitrin çalışmaları arasında yer alır.

Sık sorulanlar