Denetimsiz Piksel Tabanlı Sınıflandırma

Denetimsiz Piksel Tabanlı Sınıflandırma

Denetimsiz ya da kontrolsüz görüntü sınıflandırma dediğimiz sınıflandırma, kullanıcının görüntüde kaç tane arazi örtüsü bulunduğunu bilmediğinde kullanabileceği iyi bir yöntemdir. Denetimsiz sınıflandırma görüntüdeki pikselleri sadece sınıf sayısı vererek sınıflandırmayı sağlar ve sınıflandırma işlemleri bittikten sonra uygulayacağınız birkaç basit uygulamayla çıkan sonucu işimizin niteliğine göre çok daha uygun hale getirebiliriz. ArcGIS Pro bizim için sınıflandırmayı yaptıktan sonra biz de yeniden sınıflandırma yaparak çıktımızı işimize daha yararlı hale getirebiliriz.

Bu yazıda denetimsiz sınıflandırmaya değineceğiz ama başka bir yöntem olarak bunun dışında işinizin niteliğine göre denetimli sınıflandırma metotlarını da kullanabilirsiniz. Mesela arazi yapısındaki belirli bir konuya dikkat çekmek istiyorsak o zaman o konuya göre uygun sınıf sayısı belirleyerek bu sınıflara girecek detayları kendimiz örnekler toplayarak belirlememiz gerekebilir. Örneğin bir ormandaki farklı ağaçları farklı sınıflara ayırmak isteyebiliriz. Çam ağaçlarına odaklanarak, ormandaki geri kalan diğer ağaçlardan ayırabilirsiniz. Bunu yapmak için sınıfların içeriğini bizim belirlediğimiz denetimli bir sınıflandırma izlemek gereklidir.

Denetimsiz sınıflandırma yaparken kullanacağımız Iso Cluster Unsupervised Classification aracı girdi olarak kullandığınız raster’ın band’larına göre bizden bir müdahale beklemeden sınıflandırma yapan bir coğrafi işlem araıdır.

Denetimsiz piksel tabanlı görüntü sınıflandırma, geniş çalışma alanlarını analiz etme ve raster verilerindeki potansiyel sınıfları tanımlamak için bilgisayar işlemlerini kullanmanızı sağlar. Denetimsiz piksel tabanlı görüntü sınıflandırmayı kullanmak için bir iş akışı mevcuttur ve bu akışı kullanarak bu işlemi her defasında sorunsuzca gerçekleştirebilirsiniz.

*Denetimsiz piksel tabanlı sınıflandırma, bazı rasterlar için iyi çalışırken bazı rasterlarda ise istediğimiz sonucu vermeyebilir. Bunun için analizinizde bu yöntemi kullanmadan önce göz önünde bulundurmanız gereken bazı faydalar ve kısıtlar vardır. Bu teknik, kullanıcılara girdi raster içindeki detaylar hakkında bilgi veren tematik rasterlar oluşturur. Belirlediğiniz sınıf sayısına göre girdi rasterından daha basitleşmiş ve pikselleri kümelenmiş bu raster daha sonra siz tarafından yeni sınıfların neyi anlatığı bilgisiyle birlikte paylaşılabilir ve başka işlemler için girdi olarak kullanılabilir.

Denetimsiz piksel tabanlı görüntü sınıflandırma yöntemi, bir algoritmanın pikselleri spektral değerlerindeki benzerliklerine dayanarak kümeler halinde bir araya getirdiği ve kullanıcının müdahale etmediği bir teknik kullanarak sınıflandırır. Algoritma, spektral değerlerin nasıl kümelendiğine bağlı olarak her pikseli sınıflandırmaya çalışır.

Rasterın sınıflandırılması otomatik bir işlem olmasına rağmen daha sonra kullanıcıların sınıflandırılmış kümeleri, hangi özelliğin veya objenin sınıflandırıldığını belirtmek için dokümante etmesi yani tanımlaması gerekir.

Bu teknik rahatlıkla Landsat 8 uydusundan elde edilen görüntülerde kullanılabilir. İlk olarak belirlediğiniz değer sınıfların sayısı için önemli olan şey, spektral çeşitliliği sağlamak için görünür band’lardan daha fazla olması gerektiğidir. Genellikle, elde edeceğiniz birçok sınıf bir objeyi ya da sınıfı oluşturacaktır, yani denetimsiz olarak oluşturulan birçok sınıfı birleştirip tek bir sınıf haline getirmeniz gerekecektir. Örneğin çeşitli ağaç türleri için birden çok farklı piksel değerine/rengine sahip ağaç sınıflarını birleştirerek Orman sınıfını oluşturmanız gerekecektir. Buna reclassification yani yeniden sınıflandırma denir. Bu işlemi sınıflandırmayı neden yaptığını bilen kullanıcı yapmalıdır.

Denetimsiz piksel tabanlı görüntü sınıflandırma tekniği, her bir pikselin spektral özelliklerini değerlendirir ve bunları kümeler halinde gruplar, bu gruplar spektral olarak benzer piksellere dayanmaktadır. Yukarıda da bahsettiğimiz gibi tüm piksellerin sınıflandırılmasından sonra, kümeleri başka bir rasterda birleştirerek sınıflandırma sonuçları rapor edilir.

Landsat 8 uydusundan elde edilmiş görüntüler Dünya’nın geniş bölümünü kapsar ve ilgilendiğiniz herhangi bir bölgedeki değişimi tespit edebilmeniz için ideal olan aynı noktaya ait birden çok zaman aralığında veriyi de barındırır. Bunun yanında Landsat görüntüleri binalar, ağaçlar ve kaldırımlar gibi ayrık detayları tanımayı zorlaştıran mevcut 11 bandının çoğu için 30 metrelik bir mekânsal çözünürlüğü sahiptir. Görünür bandların dışındaki ek bandlarla da elektromanyetik spektrumun görünür kısmının dışındaki alan hakkında da bilgi içermesini sağlar.

30 x 30 metrelik çözünürlüğe sahip raster verilerinde küçük detayların tanınması zordur. Düşük mekânsal çözünürlüğe rağmen görüntüler sınıflandırmada değerlendirilecek çok sayıda spektral veri içerir.

Bir görüntüden denetimsiz piksel tabanlı sınıflandırma yoluyla elde edilen yeni görüntü birbirinden ayırt edilebilir farklı sınıflardan oluşabilir. Bunları da yukarıda bahsettiğimiz gibi bilinçli bir şekilde tekrardan sınıflandırmamız gerekebilir.

Denetimsiz sınıflandırma, Landsat’dan gelen nispeten kaba çözünürlüğe sahip raster verilerle iyi iş görür çünkü spektral olarak benzer hücreleri benzer spektral özelliklere sahip sınıflara kümeler. Görsel değerlendirme sayesinde, hangi arazi örtüsünün kümeleri tanımladığını yorumlayabilirsiniz.

Analizinizde kullanmadan önce denetimsiz piksel tabanlı görüntü sınıflandırmasının faydalarını ve eksiklerini de göz önünde bulundurmalısınız.

Faydaları:

  • Kullanıcı tarafından belirlenmiş örnek sınıfları gerektirmez.
  • Girdi olarak kullanılan raster’ın spektral özelliklerine göre sınıf sayısını uyarlar
  • Hızlı bir işlemdir.

Eksikleri:

  • İlk çıktı raster’ın yorumlaması zor olabilir.
  • Algoritma tarafından bulunan sınıfları tanımlamak için manuel bir çaba gerekir.
  • Bitişik pikselleri dikkate almaz.

Denetimsiz piksel tabanlı görüntü sınıflandırma uygulama aşamaları, eğer tek tek yapacaksanız bir dizi coğrafi işlem (Geoprocess) aracıyla tamamlanabilir. ArcGIS Pro bu işlemler için size Görüntü Sınıflandırma Sihirbazı’yla (Image Classification Wizard) kılavuzluk eder. Sihirbazda kullanılan tüm araçları araç kutusundan bulabilmenize rağmen, sihirbaz size adımları tek tek tamamlamak için bir yol gösterici gibi çalışarak işinizi oldukça kolaylaştıracaktır. Denetimsiz sınıflandırmalar için yol gösterdiği gibi denetimli sınıflandırma iş adımlarını da bu sihirbazla kolaylıkla gerçekleştirebilirsiniz.

Esri Türkiye, 2019

ArcGIS’te Mesafe Analizlerine Genel Bir Bakış

ArcGIS’te Mesafe Analizlerine Genel Bir Bakış

CBS analizlerinin en önemlilerinden ve en çok kullanılanlarından biri yakınlık analizleridir. Çoğu zaman ArcGIS kullanıcıları bu tür analizleri, en bilindik yöntemler olan ve vektör verileri üzerinden uygulanan Buffer ve Near araçlarını kullanarak yaparlar. Bu blog yazımızda vektör verilere uygulanan yakınlık analizlerinden farklı bir yöntem olarak, mesafeleri raster veriler üzerinden hesaplama yöntemlerine değineceğiz.

İşlem sonucu raster bir çıktı katmanı veren Öklidyen Mesafe (Euclidean Distance) analiziyle araçlarımızı tanımaya başlayalım:

Euclidean (Öklidyen) Mesafe Analizi

ArcGIS kullanarak birçok farklı yöntemle mesafe analizi yapabilirsiniz. Bunlardan en yaygın kullanılanlarından biri iki nokta arası mesafeyi doğrusal bir çizgi şeklinde hesaplayan Öklidyen mesafe analizidir. Öklidyen mesafe analizine kuş uçuşu mesafe de denir ve bu analizle Pisagor teoremine göre iki nokta arası en kısa mesafe hesaplanabilir. İki raster hücresi arası kuş uçuşu mesafeyi bulur, bunu bir kağıttaki iki nokta arasını cetvelle ölçmek gibi düşünebilirsiniz. Bunu yaparken rasterda belirlediğiniz hücrenin merkez noktasından hedef hücrenin merkez noktasına doğru hesaplama yapar.

Bu analizi geoprocessing (coğrafi işlem) araçlarından Euclidean Distance’ı kullanarak yapabilirsiniz.

Euclidean Distance, vektör verilerle veya raster verilerle yaptığınız analiz sonucunda, elinizdeki detaylara olan uzaklığı ölçüp çıktı olarak, her bir hücresinde (diğer bir adıyla pikselinde) sizin kaynak verinize olan uzaklığı değer olarak saklayan bir raster katman oluşturur.

Her hücre değeri kaynağa olan mesafeyi gösterir. A hücresinin değeri olarak görünen x A hücresiyle kaynak hücre arasındaki mesafedir.

Birden fazla kaynak hücreye uygulama yaptığınız yüzeylerde, çıktı katmanındaki her hücre değeri, bir kaynak hücreye yakınlığı verir ve bu da kendine en yakın olan kaynak hücredir.

Her hücre değeri en yakın kaynağa olan uzaklığı gösterir. Hücre A Kaynak 1’e en yakındır ve değeri arasındaki mesafeyi verir. Euclidean Distance aracı yatay ve dikey olarak hesaplamalar yapabilir.

Euclidean Distance aracı sonucu kuş uçuşu düz bir çizgi için verir ama yüzeyde dosdoğru şekilde ilerlemek her zaman mümkün olmayabilir, bu çizgi üzerinde ırmaklar ya da dik eğimler gibi çeşitli engeller olabilir. Bu gibi durumlarda maliyet ağırlıklı mesafe araçlarını kullanmak gerçekçi sonuçlar açısından daha doğru olur.

Euclidean Allocation

Euclidean Allocation aracı ise her hücrenin en yakın kaynağa olan kuş uçuşu mesafeye göre belirlendiği bölümlenmiş bir raster oluşturur. Eğer sadece bir kaynak varsa oluşacak rasterdaki bütün hücreler bu kaynak noktaya göre tahsis edilir.

Eğer birden çok kaynak nokta varsa oluşacak rasterdaki hücreler en yakındaki kaynağa göre belirlenerek tahsis edilir. Bu hücrelerin oluşturduğu alanları detayların bölümleri olarak düşünebilirsiniz. Bu bölümlerin şekli ve boyutu hücrelerin kaynağa olan mesafesi tarafından belirlenecektir.

Bu resimde yeşil hücrelerden birinin 1 ve 2. kaynak arasında eşit mesafede olduğunu görebilirsiniz. İki kaynağa da aynı mesafede olan bu hücreler program tarafından otomatik olarak bir kaynağa atanır. Burada bu 2. kaynak olmuştur. Euclidean Allocation’ı rasterdaki her hücrenin en yakın olan kaynağa göre bölümlenmesini istediğinizde kullanabilirsiniz. Araç sonuç olarak her hücrenin en yakın olduğu kaynağa göre değerini verecektir.

Euclidean Direction

Öklidyen yönelim her hücreden kaynak hücreye kuş uçuşu en kısa doğrunun yönelimi derece cinsinden verir. Euclidean direction’ın verdiği raster verideki her hücre değerleri en yakın kaynağa olan yolun açısını gösterir. Bunu aşağıdaki resimdeki gibi bir pusulanın, yüzeydeki her hücre için olduğunu düşünebilirsiniz. Her hücre içindeki değerler 1 ile 360 derece arasındadır ve 360 derece kuzeyi ifade eder.

Euclidean direction rasterında hücre değerleri azimuth derecelerine dayanmaktadır. Bu resimdeki örnekte hücrenin yönelim değeri 45 derecedir.

Bu resimde kaynak 1 noktası, A hücresine en yakın noktadır. İki nokta arasındaki doğru çizgi hattı A noktasından 1. kaynağa 15 derecelik bir açıdadır. A noktasının hücre değerine baktığımızda 15 yazdığını görürüz. Kaynak 2 ise B hücresinden 135 derecelik bir açıdadır.3. kaynak ise C noktasına en yakındır ve 320 derecelik bir açıya sahiptir. Gri hücreler ise 0 derecedir yani bir yönü yoktur.

Euclidean Direction sayesinde, “En yakın şehre ulaşmak için hangi yöne doğru seyahat etmeliyim?” gibi sorulara cevap bulabilirsiniz.

Euclidean Distance 

Bu resim yüzeydeki her konumdan kamp alanlarına olan mesafeleri simgelemektedir. Açık renklerde daha yakın koyu renkler daha uzaktadır.

 

 

 

 

 

 

Euclidean Allocation

Bu yüzey resmi her iki kamp alanı için lokasyon tahsisini göstermektedir. Yeşil alan A kampına yakındaki pikselleri (raster hücreleri), mavi ise B kamp alanına yakın olan pikselleri göstermektedir.

 

 

 

 

 

 

Euclidean Direction

Bu resim ise yüzeydeki her yerin kamp alanlarına olan pusula yönlerini göstermektedir. Oklar Euclidean Direction aracının çıktısı değildir, otomatik olarak yönleri göstermez. Bunu yapmak için çıktı raster katmanına Vector Field semboloji özelliğini uygulayarak haritanızda görüntülenmesini sağlayabilirsiniz.

 

 

 

 

 

Ağırlıklandırılmış Mesafe analizi:

Weighted distance analysis yani ağırlıklı mesafe analizi ArcGIS’deki başka bir mesafe analiz türüdür. Bir noktadan diğerine doğru bir çizgi çizmenin işinizi görmediği durumlar vardır. Bazı durumlarda analiziniz, birden çok mesafe sonucunu karşılaştırmanızı gerektirebilir. Örneğin A ve B noktaları arasında üç tane yol varsa bu yolları hız limiti, hava durumu, yol tipi gibi faktörlere göre ağırlıklandırarak en iyi rotayı belirleyebilirsiniz. En kısa yol her zaman en kısa yolculuk zamanını vermeyebilir. Eğim fazla olabilir veya hız limitlerinden dolayı şehir içinden geçen bir yol daha kısa olmasına rağmen çevre yolundan daha uzun bir yolculuk zamanı verebilir.

Bu resimde 2 kamp noktası arası 2 yol çıkarılmıştır. Sarı çizgi kuş uçuşu mesafeyi simgelerken siyah çizgi iki kamp noktası arası en hızlı yolu simgeler. Çünkü kuş uçuşu mesafe dağlık arazi yüzünden daha yavaş ilerlenecek ve ulaşım sürenizi uzatacak bir yoldur.

Bir konumdan diğerine potansiyel olarak çok sayıda yol olduğunda ve genellikle zaman gibi belirli bir kaynağı maliyet olarak kabul ettiğimiz durumlarda ağırlıklandırılmış mesafe kullanabilirsiniz.

Reclassification (Yeniden Sınıflandırma) ve Cost (Maliyet) Yüzeyleri

Genelde veriler doğrudan maliyetleri iletmez, bunu yapabilmeleri için dönüştürülmeleri lazımdır. Örneğin dik bir arazi yol yapım masraflarını arttırabilir yani arazinin eğimi bir maliyet faktörü olabilir. Eğim yüzdeleri yolun yapım maliyetlerinin az mı çok mu olduğu bilgisini bize direk vermez. Maliyetleri göstermenin yolu eğim değerlerini maliyet değerlerine TL cinsinden çevirmek daha iyi şekilde maliyetleri yansıtacaktır. Ya da ağırlıklandırarak göreceli bir değer sıralaması belirleyerek de bunu yapabilirsiniz.

Ağırlıklandırılmış mesafe analizlerinde maliyet faktörlerine bir sıralama yaparsınız ya da bir alanda yolculuğun verimliliğini belirleyen faktörlere değer vererek sıralama yaparsınız. Yüksek verimlilik gösteren değerlere sahip hücreler düşük bir değer alır ve düşük verimlilikle değerleri olan hücreler yüksek bir değer alır. Örneğin, hücre değerlerinde sürüş zamanlarını içeren bir rasterınız varsa ve yeniden sınıflayacaksanız, sürüş zamanı değeri 25 dakika olan bir hücreye 1 değeri verebilir ve sürüş zamanı 65 dakika olan bir hücre değerine 3 değerini verebilirsiniz. 25 dakikada kat edilen bir hücre 1 değerini alarak daha düşük bir değer alacaktır ama sıralama yaptığımızda 1. olduğu anlamına gelecektir. Böyle bir veri dönüşümünden sonra 25 dakikalık sürüş zamanına sahip raster hücreleri daha tercih edilen hücreler olacaktır. Bu dönüşümü yaptığımız işleme Reclassification yani yeniden sınıflandırma denir. Yeniden sınıflandırılmış bu rasterlara da maliyet yüzeyi denir.

Bir öznitelik tablosundaki sütunlarındaki değerler kar derinliklerinden hız sınırlarına ya da herhangi bir arazi özelliğinin sayısal değeri gibi herhangi bir değeri ağırlıklandırma yapmak için seçebilirsiniz. Bunu yaparken hangi özniteliklerin maliyeti etkilediğini belirlemek ve sonra bu özniteliklerin değerlerini sıralamak çok zaman alıcı bir işlem olabilir. Bunu belirlemek için uzmanlara ya da akademisyenlerin çalışmalarına başvurmanız gerekebilir.

Ağırlıklama ölçeğinizi bir aralık içinde belirleyebilirsiniz. Ağırlık ölçeği, en yüksek ve en düşük maliyeti kolayca ayırt edebilme konusunda yönetilebilir bir değer aralığı olacaktır. Örneğin 1 ila 9 arasında rakamlar verebilirsiniz. Burada 9 değeri 1 değerinden 9 kat maliyetlidir anlamına gelmez. En az masraflı hücreler 1 en çok masraflı hücreler de 9 değerine sahiptir anlamına gelir. Analizinizde birden çok maliyet faktörünü ele almak istediğinizde maliyet yüzeylerini aynı ağırlıklandırma ölçeğine göre yapmanız gerekir, bu sayede bütün maliyet yüzeylerini birbirleriyle işleme sokarak toplam maliyet yüzeyini elde edebilirsiniz. Buna ağırlıklı bindirme analizi de denir.

Kar derinliği hücre değerleri raster verisinden 1-9 ağırlık ölçeği kullanarak yeniden sınıflandırılarak maliyet yüzeyi oluşturulur. Karın en derin olduğu yerlerde zaman ve kaynaklar açısından daha masraflı olduğunu varsayarak, en yüksek kar derinliği değerleri 9 değerine atanır ve en düşük kar derinliği değerleri 1 değeri ile belirlenir.

Bu skalada eğim yüzdeleri kar derinliklerinde olduğu gibi 1-9 ağırlık ölçeğine göre sınıflandırılmıştır. Daha dik eğimler daha fazla zaman ve kaynağa mal olacağından eğimi en yüksek olan yerler 9 ve eğimi düz ve düze yakın olan yerler 1 değeriyle yeniden sınıflandırılmıştır.

Kar derinliği raster’ı ve eğim raster’ı aynı ağırlıklandırma ölçeğine göre yeniden sınıflandırıldığı için beraber işleme sokularak toplam maliyet yüzeyini elde edebiliriz. Maliyet yüzeylerini aynı ağırlık ölçeğinde yeniden sınıflandırdıktan sonra birleştirerek her hücre için toplam maliyeti belirleyebiliriz. Örneğin, eğim maliyeti 2 olan bir hücreyle kar derinliği maliyeti 1 olan bir hücre birleştirildiğinde toplam masraf 3 olur. Nihai maliyet yüzeyi en az maliyetli yol analizi (Least-Cost Path Analysis) için gereklidir.

Least-cost Path Analysis (En az maliyetli yol analizi)

Elde ettiğiniz toplam maliyet yüzeyiyle ArcGIS analiz araçlarını kullanarak maliyet ağırlıklı mesafe analizi yapabilirsiniz. En az maliyetli yol, maliyetin zaman, mesafe veya kullanıcı tarafından tanımlanan diğer ölçütlerin bir işlevi olduğu ve iki konum arasındaki en düşük maliyetli yoldur.

Least-cost path analizi bu yüzeyleri kullanarak iki nokta arasındaki en uygun maliyetli yolu belirlemenize yardımcı olur. Bu aracı kullanarak en ucuz şekilde bir boru hattını nasıl yapabileceğinizi belirleyebilirsiniz.

En az maliyetli yol analizi, kaynak hücreyi çevreleyen sekiz komşu hücreyi değerlendirir ve yolu en düşük değere sahip hücreye yönlendirir. Kaynak ve hedef birbirine bağlanana kadar bu işlem kendisini yineler. Tamamlanan yol, iki nokta arasındaki hücre değerlerinin en küçük toplamını temsil eder.

Bu örnekte analiz sonucu ulaşılan yol kaynaktan hedefe en kısa yolu vermemiştir ama en masrafsız yolu hücrelerdeki değerlere göre karşılaştırarak çıkarmıştır.

Kaynak ve hedef noktalardan oluşan herhangi bir kombinasyon least-cost path analizinin bir parçası olabilir, bir kaynaktan bir çok hedefe en düşük masraflı yolu hesaplayabileceğiniz gibi birçok kaynak noktadan da bir hedef noktaya en masrafsız yolu belirleyebilirsiniz.

Bu resimde en düşük maliyetli yol analiziyle kaynaktan hedeflere en uygun yollar çıkarılmıştır.

Least-cost path (En az maliyetli yol) analizi iş akışı

Aşağıdaki liste bu analizi yaparken izlemeniz gereken iş akışının bir özetidir.

  1. Ortak bir ağırlıklandırma ölçeği oluşturmak için rasterlarınızı yeniden sınıflandırma.
  2. Yeniden sınıflandırılmış rasterları birleştirerek toplam maliyet yüzeyinin oluşturulması.
  3. Toplam maliyet yüzeyini kullanarak maliyet mesafeleri ve yönelimleri yüzeylerinin oluşturulması.
  4. Maliyet mesafesi ve maliyet yönü yüzeylerini kullanarak en az maliyetli yolun belirlenmesi.

Aşağıdaki diyagram arazi kullanımı ve eğim katmanları kullanılarak en az maliyetli yolun oluşturulmasını gösterir.

Yakınlık/Mesafe analizleri hakkında daha fazla bilgi almak ve uygulamalarını öğrenmek için ArcGIS 3: Mekansal Analiz Uygulamaları eğitimimize katılabilirsiniz.

Daha fazla bilgi için: egitim.esriturkey.com.tr

Esri Türkiye 2018