uzaktan algılama ve cbs teknolojđlerđ đle tsunamđ

TMMOB COĞRAFĐ BĐLGĐ SĐSTEMLERĐ KONGRESĐ 2009
02-06 Kasım 2009, Đzmir
UZAKTAN ALGILAMA VE CBS TEKNOLOJĐLERĐ ĐLE
TSUNAMĐ ĐNCĐNEBĐLĐRLĐĞĐN DEĞERLENDĐRĐLMESĐ
E. Alparslan1, C.Renou2, O. Lesne2, F.Rouffi2, A.Atillah3,
R.Guillande4, M.Koscielny4, B. Ranguelov5, G. Papadopoulos6
1
TUBITAK-MAM, Yer ve Deniz Bilimleri Enstitüsü, Gebze Kocaeli, Erhan.Alparslan@mam.gov.tr,
2
ACRI-ST, 260 Route du Pin Montard, Sophia-Antipolis, Fransa, oli@acri-st.fr
3
Centre Royal de Teledetection Spatiale,Rabat, Fas, atillah@crts.gov.ma
4
Geosciences Consultants, 157 Rue des Blains, 97220 Bagneux, Fransa, rg-gsc@wanadoo.fr
5
SRI-BAS, Moskovska Str. 6, 1000, Sofya, Bulgaristan, boyko.ranguelov@geophys.bas.bg
6
National Observatory of Athens, P.O. Box 20048, 11810 Atina, Yunanistan, papadop@gein.noa.gr
ÖZET
Bu bildiri, Avrupa Birliği 6. Çerçeve Programı tarafından desteklenen ve Fransa’nın koordinatörlüğünde, Fransa, Đtalya, Portekiz,
Fas, Đngiltere, Bulgaristan, Yunanistan, Avrupa Birliği ve Türkiye’den (TUBITAK Yer ve Deniz Bilimleri Enstitüsü) toplam 11
kuruluşun yer aldığı, Tehlike Nedenli Acil Yönetim Senaryoları veya kısa adıyla SCHEMA projesinde yapılan bir çalışmayı tanıtmayı
amaçlamaktadır. Bu çalışmada, uzaktan algılama ve CBS teknolojilerinin tsunami incinebilirlik değerlendirilmesinde
kullanılabilirliği araştırılmıştır. Tsunamiden incinebilecek unsurlar olarak binalar, hayat çizgileri, altyapılar ve çevresel unsurlar
ele alınmış, uzaktan algılanan verilerden otomatik işleme ve fotoğraf yorumlama teknikleri ile bilgi çıkartılmasına ve karşılaşılan
sınırlamalara değinilmiştir. Son olarak ta incinebilir unsurları belirlemede kullanılabilecek alternatif kaynaklar tanımlanmıştır.
Anahtar Sözcükler: Doğal afetler, tsunami, incinebilir unsurlar, uzaktan algılana, coğrafi bilgi sistemleri
ABSTRACT
TSUNAMI VULNERABILITY ASSESSMENT BY REMOTE SENSING AND GIS TECHNOLOGIES
This paper introduces a study carried out within the framework of SCHEMA (Scenarios for Hazard Induced Emergencies
Management) Project supported financially by European Community Sixth Frame Program under coordination of GSC, France and
participation of total 11 organizations from France, Italy, Portugal, Morocco, United Kingdom, Bulgaria, Greece, European
Community and Turkey (TUBITAK Earth and Marine Sciences Institute).In this study, vulnerability assessment is investigated by
remote sensing and GIS. Tsunami vulnerability factors are considered as buildings, lifelines, infrastructures and environmental
factors. Remote sensing data is processed by automatic processing and photo interpretation to extract information and limitations
are noted. Finally alternative sources are defined to determine vulnerability factors.
Keywords: Natural hazards, tsunami, vulnerability factors, remote sensing, geographic information systems
1. GĐRĐŞ
Fransa, Đtalya, Đngiltere, Portekiz, Fas, Yunanistan, Bulgaristan ve Türkiye’den (TUBITAK Marmara Araştırma
Merkezi, Yer ve Deniz Bilimleri Enstitüsü) 11 uluslar arası kuruluş, Avrupa Birliği 6. Çerçeve programı tarafından
desteklenen SCHEMA kısa adlı, Tehlike Nedenli Acil Yönetim Senaryoları projesinde bir araya geldi. Projenin hedefi,
yeryüzü gözlem verileri kullanarak, uzmanlara, tsunamilere ilişkin incinebilirlik ve tehlike tesir haritaları yapmalarına
yardımcı olacak genel bir yöntem geliştirmektir. Projenin koordinasyonunu Fransız Geosciences Consultants kuruluşu
üstlendi. Projede bina tipleri, oturanlar gibi tehlikeye maruz sistemlerin iç incinebilirlik değişkenleri, eski alanlardaki
binaların yeri, erişim koşulları gibi ikinci dereceli çevresel incinebilirlik değişkenleri ve etkin kurtarma işlemlerini
şekillendiren, etkilenen alanlarda faaliyetleri ya artıran ya önleyen kriz örgütleri incinebilirlik değişkenleri göz önüne
alınarak incinebilirlik haritası yapılması tekniği tasarlanmakta ve geliştirilmektedir. Birbirini tetikleyen deprem/tsunami
olaylarından etkilenmiş ülkelerdeki (Türkiye’nin içinde olduğu) son kullanıcılar ve oyuncularla tehlike senaryoları
tekrar ziyaret edilmektedir. Đlgili incinebilirlik, tehlike ve kriz yönetim unsurlarını ve yeryüzü gözlem verileri
göstergelerini çıkarmak için Asya tsunamisinden yararlanılmaktadır. Önce, Asya verilerine ayarlanan yöntem, daha
sonra Portekiz, Fas, Fransa, Đtalya ve Bulgaristan’da beş test yöresine uygulanmıştır. Yöntemin sonuçları farklı son
kullanıcıların ana veri tabanını sorgulayabilmeleri için, Coğrafi Bilgi Sitemlerinde sunulmaktadır. Böylece kıyısal alan
neresi olursa olsun incinebilirliğin uzamsal ve zamansal biçimlerinin daha gerçekçi bir portresi ortaya çıkmaktadır.
Ortaya çıkan iş akışı mevcut tehlike/maruz kalma analiz teknikleri içine gömülerek, tsunami ve ilgili olayların risk
değerlendirmesinde kullanılmaktadır (SCHEMA DOW, sayfa: 7/100). Bu projenin önemli iş paketlerinden birisi de
yeryüzü gözlem verilerinin tsunamiden incinebilir unsurların çıkarılmasında kullanılabilirliğinin araştırılmasıdır.
Bu bildiride, önce uzaktan algılanan verilerden incinebilirliği tanımlayan unsurların çıkarılması için geliştirilen yöntem
tanıtılmakta, daha sonra uydu verilerinden incinebilir unsurlar bilgisini çıkarırken karşılaşılan sınırlamalara ve son
olarak ta bu bilgileri elde etmek için kullanılabilecek alternatif kaynaklara değinilmektedir.
Uzaktan Algılama ve CBS Teknolojileri ile Tsunami Đncinebilirliğin Değerlendirilmesi
2. UZAKTAN ALGILANAN VERĐLERDEN ĐNCĐNEBĐLĐRLĐĞĐ
UNSURLARIN ÇIKARILMASI ĐÇĐN YÖNTEM GELĐŞTĐRME
TANIMLAYAN
Yeryüzü gözlem verilerinin analizi ile tsunami olduğunda potansiyel olarak incinebilir unsurları tanımlamak için bir
yöntem geliştirmek hedeflenmiştir. Tsunami tehlikesi için yeryüzü gözlem verilerinden incinebilirliğin tanımlanması
incelenen farklı tipte incinebilir unsurlara bağlıdır. Đncinebilirlik aşağıdaki farklı kategorilerde değerlendirilebilir:
-Bina
-Hayat çizgileri ve altyapılar
-Kıyıdan uzaktaki alanlar
-Çevresel unsurlar
Đncinebilirlik kategorisine ve aranacak bilgi tipine göre, tek renkli (pankromatik), çoklu-spektral bantlı veya radar uydu
görüntüleri kullanılabilir.
Uzaktan algılama teknolojisi yüksek çözünürlüklü uydu görüntüleri ile afet yönetimi için gereken yeterli ve güncel
veriyi sağlar. Uydu görüntüleri ve hava fotoğrafları ile bitki örtüsü, su, jeoloji gibi çeşitli arazi özelliklerini haritalamak,
yerleşim alanlarındaki binaların farklı özelliklerini analiz etmek, sokak ağının taşıma kapasitesini ve açık alanları
saptamak mümkündür.
Uzaktan algılanan veriler, sayısal yükseklik modeli ile birlikte analiz edildiğinde, su taşkını tehlikesini şiddetlendiren
potansiyel heyelan alanları belirlenebilir.
Şekil 1: a. Casablanca şehrinin bir kısmı (SPOT 20m 3,2,1;), b. Kent alanı: Yüksek yansımalı binalar alçak yansımalı
yollardan ayrılıyor (Spot Pan. 2,5m) , c. IKONOS Pankromatik (1m) Agadir şehrinin bir kısmı (SCHEMA D2.1,
Sayfa: 6/30).
Alparslan vd.
Arazi kullanımı ve arazi örtüsü sınıflandırması dışında, bu incinebilirlik tiplerini tanımlamak için otomatik işlemler
kolaylıkla kullanılamaz. Fakat uzaktan algılanan veri konusunda uzmanlaşmış operatörler sayesinde foto yorumlama ile
bu işlem gerçekleştirilir. Spektral bantların oranlanmasına dayanan NDVI (normalize fark bitki indisi) gibi yöntemler
bitki indeksini ve arazi kullanımını tanımlayamaya izin verir.
Yüksek çözünürlüklü hava fotoğrafları veya uydu görüntüleri ile atık su arıtma tesisi, servis istasyonu, kirletici
depolama bölgeleri, enerji merkezleri, elektrik, gaz, su ağları, kara yolu ve demiryolu ağları, köprüler, hava alanları, ilk
yardım merkezleri, hastaneler, itfaiye, dalga kıran veya diğer korunma tesisleri, altyapılar ve çevresel incinebilirlik
belirlenebilir. (SCHEMA D2.1, Sayfa: 5/30)
Bina incinebilirliğini tanımlamak için kullanılan yöntem, tsunami su taşkınına maruz yapılı alan düzenini kullanan
nüfus yoğunluğunun özelikleri ile ilgilidir. Ayrıca şiddetlendirme etkenlerini oluşturan, kıyı yolundaki arabaları,
denizde veya limandaki tekneleri, tsunami esnasında potansiyel yüzen eleman olarak göz önüne almak gereklidir.
2.1. Bina Đncinebilirliği
Yeni nesil uydular, 1 metrenin altındaki uzamsal çözünürlüğü ile kentsel alan elemanlarının teşhis ve haritalanmasına
izin verir. Gerçekten de çatı kaplama malzemesine bağlı olarak Şekil 1a’da görüldüğü gibi binalar tamamen veya
kısmen teşhis edilebilir, ayrıca alçak radyometrik değerlere sahip gölgeleri ile de tanımlanabilir. Elektromanyetik
spektrumun mavi ve yeşil pencerelerindeki nispeten yüksek yansımaları sayesinde gerçek renkli bir görüntüde binalar
cam göbeği renginde görünür. Yüksek çözünürlü uydu görüntülerinde, her bina, Şekil 1b,c’ de görüldüğü gibi bina şekli
kriterleri ile belirlenir. (SCHEMA D2.1, Sayfa: 6/30).
2.2. Hayat Çizgileri ve Altyapıların Đncinebilirliği
Bina blokları Şekil 1’de görüldüğü gibi açık mavi renkli yollar ve geniş sokaklarla ayrılır. Yollar nispeten uydu
görüntülerinde genellikle eksenleri boyunca düzenli radyometreleri ve çevreleri veya arka planla kontrastları ile ayırt
edilir. Pankromatik spektrumdaki alçak yansımalarından ötürü Şekil 1b ve 2’de görüldüğü gibi görüntüyü geçen siyah
ince çizgi olarak görülür. Yol genişliğinin ve kavisinin yavaşça değişmesi, yol ağının birleştirmesi varsayılmaktadır
(Pieri vd.). Standart uydu görüntüsünün alçak çözünürlüğü (SPOT 20 m, 10 m; Landsat TM 30 m) otoyol ağının
belirlenmesini kısıtlıyorsa, yüksek çözünürlüklü görüntülerden ince yollar ve sokaklar kolaylıkla Şekil 2’de görüldüğü
gibi belirlenir. (SCHEMA D2.1, Sayfa: 7/30).
Şekil 2 Quickbird görüntüsünden yol ağının ve sarkan ağaçların belirlenmesi (SCHEMA D2.1, Sayfa: 7/30).
Yine de tek tür radyometre bazen ağaçlar, binalar ve araçlar gibi arka plandaki nesnelerin yollara gölgelerini düşürmesi
ile bazen karışır ve görüntüdeki gürültü, diğer nesnelerle yolların spektral benzerliği Şekil 2’de görüldüğü gibi yol
piksellerinin birleştirilmesi işlemini çok karmaşıklaştırır ve yol parçalarını izlemek zorlaşır.
Uzaktan Algılama ve CBS Teknolojileri ile Tsunami Đncinebilirliğin Değerlendirilmesi
Şekil 3. 2.5 m çözünürlüklü SPOT çoklu spekral görüntüsünde
kırmızı renkle bitki örtüsü belirlenmesi (SCHEMA D2.1, 8/30)
Şekil 4 Quickbird görüntüsünün eğitimli sınıflandırılması
(Lewinski vd., 2004) (SCHEMA D2.1, 9/30)
2.3 Çevresel Đncinebilirlik/Arazi Kullanımı
Kızılötesi spektrumdaki yüksek spektral yansıması sayesinde bitki örtüsü (otlak, ağaçlık, orman, ….) kolaylıkla uydu
görüntüsünden belirlenir. Bitki örtüsü yakın kızılötesindeki belirgin rengiyle Şekil 3’de görüldüğü gibi yakın kızılötesi
spektral bandın kırmızı renk bileşenine atandığı yapay renkli spektral kanal bileşimi görüntüsünde ayırt edilmektedir.
2.4 Bilgi Çıkartma Yöntemleri
Binalar, yollar, köprüler gibi kent elemanları karmaşık olmasına rağmen uzaktan algılanan görüntülerden bu bilgilerin
çıkarılması görüntü işleme alanında yapılan pek çok çalışmanın nedenidir. Görüntü analiz ve işleme yöntemleri
nesnelerin hem yapısal hem de spektral özelliklerini kullanarak piksel düzeyinden daha çok nesne düzeyinde
geliştirilmiştir. Gerçekten de alçak çözünürlüklü görüntülerde nesneler kaybolarak dokunun bir parçası olur; yüksek
çözünürlüklü görüntülerde ise biçim özellikleri ve nesneler arasındaki uzamsal ilişkiler kullanılır (Guray vd., 2007).
Uydu görüntülerinden binalar, yollar, köprüler ve çevre elemanlarını çıkartmak için çeşitli yöntemler bulunmaktadır.
Bunlar, yarı otomatik ve otomatik yöntemler ve manüel yöntemler olarak iki sınıfa ayrılır: (SCHEMA D2.1, Sayfa: 8/30).
2.4.1 Otomatik Yöntemler
• Sınıflandırma yöntemi
Sınıflandırma yöntemi spektral analize dayalı klasik bir teknik olup N boyutlu uzayda tek türlü radyometrik değerlere
sahip piksel gruplarını tematik sınıflara toplayabilir. Sınıflandırma yöntemi nicesel bir karar işlemi ile sınıf modellerini
ayırt ederek tematik görüntüler yapar. Çoklu spektral veri kullanarak Her pikseli sınıflandırmak için bir veya birkaç
spektral bandın piksel değerlerinin spektral bilgisi kullanılır. Girdi görüntü işlenmemiş görüntü olabildiği gibi Bitki
Đndisi, Ana Bileşen veya Oran görüntüsü olabilir.
Sınıflandırma işlemi aşağıdaki adımlardan oluşur.
- Spektral kanalların seçimi: ham görüntü, Ana Bileşen, Oran, Bitki Đndisi, …
- Spektral imza sınıflarının oluşturulması: spektral eğitim
- Spektral uzayın kesilmesi ve sınıfların sınırlarını belirlemek için imza uzaklık yönteminin seçilmesi: dairesel
uzaklık (Öklit uzaklığı….), eliptik uzaklık, konik uzaklık
- Piksellerin spektral imzalarına göre sınıflandırılması
- Sınıflandırılmanın değerlendirilmesi ve sonuçların iyileştirilmesi
Sınıflandırmada iki yöntem kullanılır: Eğitimsiz sınıflandırma (tam otomatik yaklaşım) ve Şekil 4’de örneği verilen
eğitimli sınıflandırma (operatörün devreye girerek, analistin eğitim örneklerini belirlediği veya farklı yüzey tiplerini
(bilgi sınıfları) temsil eden deneme çizimlerinden yararlandığı yöntemdir.
Eğer sınıflandırma yöntemi çabucak yeterli sonuçlar elde edebiliyorsa ve farklı temaları sınıflayabiliyorsa, arazi
örtüsünün sınıflandırılmasında özellikle kullanılır ve alçak çözünürlüklü verilere daha iyi uygulanır Sonuçlara bakılırsa
Alparslan vd.
tematik haritalarda bitki örtüsü alt sınıflarını (orman, ağaçlık, tarım alanları, otlak.,,,) ayırt etme güçlüğü nedeniyle
karışıklık olur. Karışma bina alanında da olur, özellikle yapısız binalarla örtüsüz açık arazi karışır ve sonuçların analist
tarafından geçerlenmesi gerekir. Ayrıca, sınıflandırma yöntemini yüksek çözünürlü görüntülerden yapmak her zaman
yeterli sonuç vermez. (SCHEMA D2.1, Sayfa: 8 - 9/30).
• Nesne uyumlu sınıflandırma
Piksel tabanlı sınıflandırma yaklaşımı görüntü analizinde yetersiz kalmaktadır. Yüksek çözünürlüklü görüntülerin
zengin bilgi içeriği karşısında oldukça zorlanmakta ve ilgilenilen nesneleri çıkartmakta bazen yetersiz kalmaktadır Bu
sorunu çözmek için nesne uyumlu sınıflandırma adlı yeni bir içeriksel sınıflandırma yöntemi geliştirilmiştir. Bu
yöntemin arkasındaki kavram bir görüntüyü yorumlamak için gerekli semantik bilginin piksel birimleri yerine anlamlı
görüntü nesnelerinde ve karşılıklı ilişkilerinde bulunduğudur. Alçak uzamsal çözünürlüklü bazı nesnelerin önemli
miktarda karışık pikseller yaratmasından ötürü, sınıflandırma nesnenin biçimi, konumu ve yönünü göz önüne alır (Gay
M., 2003). Görüntü bölümlenmesine dayanan nesne uyumlu sınıflandırma tekniği çeşitli bilgiler çıkarmak için yüksek
çözünürlüklü görüntülerin yorumlanmasında kullanılmaktadır Piksele dayalı sınıflandırma tekniğinin aksine, nesne
uyumlu yöntemde sınıflandırma işlemi görüntü nesnesine veya bölümüne dayanır. Piksel kavramından karmaşık
nesneler kavramına geçilir. Bölüşmeme ve sınıflandırma işlemlerini birleştiren aynı soydan bir yaklaşımdır (Ziyu
W.vd., 2004; Gay M., 2003). (SCHEMA D2.1, Sayfa: 9-10/30).
Görünümün bölümlenmesi: görüntü bölümlenme sürecinde spektral ve uzamsal farklılığına göre görüntü farklı
bölgelere ayrılır. Bölümlenme görüntüdeki radyometrik aynı nesneleri çıkarabilir. Prensip olarak çok çözünürlüklü
bölümlenmeyi kullanır veya çok seviyeli ölçekleme uygulayarak bölümleme yapar. Sonuçta, görüntü bölümlenerek
görünüm birimlerini temsil eden poligonlara dönüşür. Topolojilerini kurarak bu poligonlar şekil ve uzamsal düzen
cinsinden analiz edilebilir.
Sınıflandırma: Görüntü sınıflandırma sürecindeki sınıfın ayrıntılı tanımına göre nesneler belirli bir sınıfa atanır.
Eğitimli sınıflandırma tekniği ile aynı yol izlenir (eğitim örneklerinin yaratılması, uzaklık…) Sınıflandırma süreci
bulanık mantık algoritması kullanır.
Nesne uyumlu sınıflandırmada Erdas/Imagine yazılımı kullanılmıştır (SCHEMA D2.1, Sayfa 10-11/30).
Şekil 5.Quickbird görüntüsünü bölümleyerek nesne
sınırlarının elde edilmesi (Lewinski vd., 2004)
Şekil 6 Quickbird görüntüsünden yüksek yapılı alanın
nesne uyumlu sınıflandırması (Lewinski vd., 2004)
• Bitki indisi tekniği
Uzaktan algılamada bitki örtüsünü çıkartmak için bitki örtüsünün yakın kızılötesi (YKÖ) spektrumda radyometrik
işareti kuvvetli yansıtmasından ve görünür kırmızı (K) spektrumda ise emme özelliğinden yararlanılır. Çıplak toprak ve
su gibi diğer yüzey tipleri spektrumun her iki penceresinde de hemen hemen aynı yansıma değeri verirler. Böylece bitki
örtüsü pikselleri YKÖ/K bant oranlamasında 1 den yüksek, toprak ve su için 1 civarında değerler verir ve bu spektral
dönüşüm kullanılarak bitki örtüsü diğer arazi örtüsünden ayırt edilir. (YKÖ-K) farkı küresel aydınlanma farkına çok
duyarlıdır. Farklı arazi yükseklikleri, gölgelenmeden ötürü oluşan aydınlanma farklılıkları hatasını azaltmak için
normalize farkın sabit olduğu Normalize Fark Bitki Đndisi, NDVI = (YKÖ-K)/(YKÖ+K) formülü önerilmiştir.
Uzaktan Algılama ve CBS Teknolojileri ile Tsunami Đncinebilirliğin Değerlendirilmesi
Şekil 7. Brüksel bölgesinde NDVI yöntemiyle Landsat TM görüntüsünden bitki örtüsü haritalama (SCHEMA D2.1 sayfa:13/30)
• Dokusal işleme
Doku analizi bölümleme yöntemleriyle aynı teoriye dayanır. Görüntü işlemenin genel araçlarına dayanarak kentsel
elemanları çıkarmak için doğrusal süzme, matematiksel morfoloji, Markov alanları kullanan özel araçlar, sinir ağları,
dinamik programlama, çok çözünürlü analiz, radon dönüşümü gibi pek çok özel yöntem önerilmiştir (Wang ve
Newkirk, 1988; Coulolgner vd., 2000; Xiaoying ve Davis, 2005; Shreen vd., 2007; SCHEMA D2.1, 13/30).
Manüel Yöntemler: Foto yorumlama
Bugünlerde uzaktan algılanan görüntülerden kentsel alanlar hakkındaki bilgiler arazi gezileri ve mahallinde
dokümanlarla foto yorumlama ile yapılmaktadır. Çeşitli nesneleri temsil eden aynı cinsten birimlerin sayısallaştırılması
yüksek çözünürlüklü görüntülerden kentsel bilgileri çıkartmak için en uygun tekniktir. Foto yorumlama görüntünün bir
yorumcu tarafından görsel analizi ve nesnelerin yerinin belirlenmesidir. .Sonuç yorumcunun amacı ve aranan temaya
(bitki örtüsü, kentsel elemanlar, doğrusal özellikler, jeoloji, …) göre değişir. Uydu görüntülerinden foto yorumlama ile
vektör örtüyü oluşturmak için gerekli adımlar, tema seçimi: arazi kullanımı, kentsel planlama (nehir, yollar,…), yeterli
görüntü verisi seçimi: Uzamsal çözünürlük (ölçek), spektral bantlar, gözlem mevsimi, görüntünün radyometrik
kalitesinin iyileştirilmesi: radyometrik zenginleştirme, uzamsal süzme, …, geometrik düzeltme, orto düzeltme, görüntü
coğrafik koordinatlandırma, …, topografik haritalar, kent haritaları, orman, tarım gibi tematik haritaların
kaynaştırılması, ton, doku, yapı, biçim, ölçü, gölge gibi foto yorumlama anahtarları ile aynı cinsten birimlerin
sayısallaştırılması (raster’dan vektöre), nokta, doğru ve yüzey gibi yeterli grafik sunumlar, arazi gezileri ile sonuçların
doğrulanması ve iyileştirilmesi. (SCHEMA D2.1; 17, 22/30).
3. UZAKTAN ALGILAMA VERĐLERĐNDEN ÇIKARTILAN BĐLGĐDE SINIRLAMALAR
Bu projenin amacı dünyanın neresinde olursa olsun uygulanabilecek bir yöntem geliştirmektir. Ne yazık ki, yerel olarak
(örneğin, sivil örgütler vs.) elde edilen veriler her yerde aynı doğruluğa sahip değildir. Projenin amacı dünyanın diğer
bölgelerinde tsunami simulasyonu yapmak olup bir tsunami sonrası zarar tespiti değildir. Bu bakımdan kriz öncesi
uzaktan algılama verilerine ihtiyaç bulunmaktadır Uzaktan algılama verilerindeki sınırlamalar şunlardır:
-Veri güncelleme sıklığı ve bulunabilirliği
Uzaktan algılama verilerine dünyanın her yerinden ulaşılabilir. Güncelleme sıklığı uydunun dönüşüne ve taşıdığı
algılayıcıya bağlıdır. Google Earth deki görüntüleri kullanmak her zaman mümkündür, fakat dünyanın her yerinde
çözünürlük aynı değildir ve görüntüler düzenli olarak güncellenmemektedir. Fakat bunlar dünyanın her yerinde her
uydu veri çeşidinde genel yöntemler uygulandığında karşılaşılan sorunlardır.
-Veri doğruluğu
Veri doğruluğu, uzamsal çözünürlük ve analiz edilen konu ile ilgilidir. Alçak uzamsal çözünürlükte pek çok nesne
tanımlanamaz ve kent altyapıları, bitki tipleri vb. ayırt etmek çok yüksek çözünürlük ister.
Uzaktan algılanan verilerin çözünürlüğü, Tablo 1’de görüldüğü gibi 0.5 m ile 250 -300 m arasında değişir.
Alparslan vd.
Tablo 1: Farklı uydular ve uzamsal çözünürlükleri (SCHEMA, D2.1, 23/30)
Süper mod pankromatik
Pankromatik
Çok-spektral
K, Y, YKÖ, OKÖ
Spot 5
2,5 m
5m
Landsat 7
15 m
10 m
K, Y, YKÖ, OKÖ
30 m
Termal/uzak KÖ
60 m
Tam Çöz. (34 bant)
http://www.satimagingcorp.com/satellite-sensors.html
QuickBird
Ikonos
Worldview-1
0,61 m
0,82 m
0,46 m
2,44 m
3,2 m
1,8 m
MERIS
250 m
- Otomatik bilgi çıkarma yönteminin sınırlamaları
Kentsel görünümün karmaşıklığı nedeniyle, uzaktan algılanan görüntüden sayısal yöntemlerle yolların çıkarılması
zordur. Çeşitli nedenlerden ötürü tam otomatik çıkarma yöntemleri hala sorunlarla karşılaşmakta ve basit düzeyde
çalışmaktadır
• Artan çözünürlük kentsel elemanların yerini daha doğru belirtse de görüntüde daha yüksek karmaşıklık yaratır
çünkü kentsel alanları oluşturan elemanların tipi, ölçeği ve ayrıntı düzeyi değişmektedir.
• Gölge sorunu bina ana hatlarının, yolların ve/veya köprü bölümlerinin tanımlanmasında karışıklığa yol açar.
• Aydınlanma koşulları, gölgelenme ve kentsel alanlardaki bina yoğunluğu değişimlerinden ötürü binaları
çevresinden ayırt etmek zorlaşır.
• Yasa dışı yerleşim alanlarındaki yapılarda, yapılı binalara kıyasla, yapı malzeme cinsindeki farklılıklar, komşu
binalar arasındaki farklı uzaklık ve bina yönleri, bina çıkartma yöntemlerini olumsuz etkiler.
• Görüntüde gürültü olması, yol pikselleri arasında araçlar ve sarkan ağaçlar nedeniyle oluşan boşluklar otomatik
süreci çok karmaşık duruma getirir.
- Manüel çıkartma yöntemindeki sınırlamalar
Manüel fotoğraf yorumlama yöntemleri yorumcunun yorumuna dayalı incinebilirlik etkenlerini bulmaya ayarlanır
Objektif foto yorumlama foto yorumcusunun deneyimine bağlı olarak nesnelerin sorunlu spektral imzalarını ve analiz
edilen alanı bilmesine (ürün tipleri, ürün ekim takvimi, …) dayanır.
- Uydu verilerinin aşağıda listelenen incinebilirlik etkenlerinin tanımlanamaması:
• Sosyo-ekonomik incinebilirlik etkenleri: fakirlik, ulaşım sistemi (yoğunluk, erişim, trafik, …)
• Demografik veri: Nüfus yoğunluğu, yaş, nüfus artışı, …
• Mevsimsellik: Limanlardaki yat sayısı, yollardaki arabalar veya araba parkları, insan yoğunluğu (plaj, sokaklar,
stat, …) mevsimlere göre hatta günün saatine göre değişir. Uydu verisi belirli bir yerin belirli bir zamandaki
görüntüsü olduğu için farklı zamanlardaki değişimi göstermez.
• Bina doluluk oranı: evler, ticari yerler, hizmet binaları, acil servisler, …
• Binaların yüksekliğini belirlemedeki güçlükler
• Bina tipi (yapı malzemesi, …); yüksek çözünürlüklü uydu görüntüsünden sadece çatı örtüsü belirlenir.
• Bütün yeraltı incinebilirlik elemanları: su dağıtım, elektrik veya telefon hatları, kanalizasyon sistemi, tüneller, yer
altı metro yolları
• Sayısal Yükseklik Modeli veya batimetre.
Genel bir sonuç, uzaktan algılanan verilerden incinebilir nesneleri çıkartmak henüz sınırlıdır ve yöntemleri iyileştirmek
için ek araştırma gerekir. Gerçekten de bina sınıfı ve açıktaki hayat çizgisi elemanları dışında çok az nesne ve
incinebilirlik kriteri uzaktan algılama verilerinden çıkarılabilir. Bu bilgiler esasen foto yorumlama ile mümkün olur ki
bu işlem yüksek düzeyde hata ve belirsizlik içerir. (SCHEMA D2.1, 23-24/30)
4. ĐNCĐNEBĐLĐR UNSURLARI ÇIKARTMAK ĐÇĐN ALTERNATĐF KAYNAKLAR
Uzaktan algılama verilerinin yeterince yüksek çözünürlükte olmaması veya bulunamaması gibi nedenlerle tsunamiden
incinebilir nesneler belirlenemez. Uzaktan algılanan verilerinden kalan bilgi boşluklarını doldurmak için başka alternatif
veya tamamlayıcı verilere gereksinim duyulur ve bunları elde etmek amacıyla diğer kaynaklara yöneliriz. Bunlar:
- Şehir veya kadastro planları: Yapı tipleri, bina doluluğu ve bina yüksekliği (kat sayısı) gibi önemli bilgiler sağlar ve
bir tsunami esnasında su ile yapıların sürtünme katsayısını belirlemede faydalı olabilir.
- Đstatistiksel dokümanlar ve olaylar: Mevsimsel, yıllık istatistik, demografik veri ve ekonomik veri vs. başka
bilgilerden yararlanılarak bir tsunami esnasında su üstünde yüzme potansiyeli olan elemanlar sayılabilir. Sivil örgütler,
mevsimsel aktivite programını ve yapılacağı yer bilgisini tedarik ederek mevsimsel oturan yoğunluğu gibi diğer bilgiler
sınıfını tanımlayabilir.
- CBS Tematik haritalar
Uzaktan Algılama ve CBS Teknolojileri ile Tsunami Đncinebilirliğin Değerlendirilmesi
• Arazi Kullanımı:
Fransa’da IGN (Ulusal Coğrafya Enstitüsü) ‘in arazi kullanım veritabanı bulunmaktadır. Corine Arazi Örtüsü veritabanı
Avrupa ve bazı Kuzey Afrika ülkelerinde 100m çözünürlüklü arazi kullanım kaynağıdır. Bu veri tabanı 2000 yılı
Landsat (ETM+) uydu görüntülerinden türetilmiştir. USGS gibi bazı kurumlarda daha düşük çözünürlüklü olarak bütün
dünyanın arazi kullanımı bulunmaktadır.
• SYM/SAM
Batma incinebilirliğini belirlemede Sayısal Arazi Modeli (SAM) ve batimetre kritik verilerdir. En incinir olan alçak
yükseklik bölgelerini bu veriler belirler ve bu verilerle kıta sahanlığının eğimi belirlenir/yorumlanır. Sayısal Yükseklik
Modeli (SYM)’ nin doğruluğu 20 ile 50 m arasındadır. Küçük alanlarda SYM 1m çözünürlü olabilir. SYM bina
yüksekliğini tanımlayabilir ve batma göstergesini ve modellerde kullanılacak sürtünme katsayısına eşdeğer çerçeve
yoğunluğunu iyileştirmede kullanılabilir.
• Diğer Katmanlar
Nelerin incinebileceğini çıkarmak için pek çok diğer veriler gerekebilir. Örneğin:
- Sağlık ve Sanayiyle Đlgili Unsurlar Kirletici potansiyelin ve depolama bölgelerinin yerinin belirlenmesiyle
tanımlanır (Güç Üretim merkezi / Atık su arıtma tesisi / hizmet istasyonu).
- Haberleşme ve Ulaşımla Đlgili Unsurlar Yol ağı, demiryolu ağı, hava alanları, gaz, elektrik şebekesi, ilk yardım
merkezi, hastaneler, itfaiye, karakol vb.
Yaşam alanı, caddeler (genişlik) çerçeve yoğunluğunu ve sürtünme katsayısını yaratmaya yardımcı olabilir.
- Arazi Çalışması: Uzaktan algılama sonuçlarını doğrulamak için, arazi çalışmaları çok önemlidir, Bina kat sayısı,
bina doluluğu ve yapılan aktivite, acil hizmet binalarının belirlenmesi (Hastane, itfaiye, polis, …), hassas alanlar,
sürekli veya mevsimsel insan doluluğu, batma göstergesini iyileştirmek için sahildeki ve sahil dışındaki kıyı
koruma yüksekliği (SCHEMA D2.1, 25/30)
KAYNAKLAR
Coulolgner I., Thierry R., 2000. Mapping of Urban Areas: A Multiresolution Modeling Approach for SemiAutomatic Extraction of Streets Photogrammetric Engineering and Remote Sensing, July 2000. pp. 867-874.
Gay M. 2003. Classification d’images satellites : méthodes avancées de classification. GDTA Courses, France.
Guray E., Nicolas L., 2007. Extraction of Cartographic Objects on High Resolution Satellite Images for Object Model
Generation. Hal-00136179, version 1 - 12 Mar 2007.
Jong-Hyeok J., Takagi M., 2002. Extraction of bridges positions, from IKONOS images for accuracy control of
bridge database. www.aars-acrs.org/acrs/proceeding/ACRS2002/Papers/VHR02-5.pdf.
Mansor S.B., Hong W.T., Shariff, A.R. , 2002. Object Oriented Classification For Land Cover Mapping, Map Asia,
7-9th August 2002, Bangkok, Thailand
http://www.gisdevelopment.net/application/environment/overview/envo0010.htm
SCHEMA DOW, 3008, Description of Work for SCHEMA, Scenarios for Hazard-induced Emergencies Management,
Project, Contract No. 030963, Coordinator: R. Guillande, Geosciences Consultants sarl, Bagneux, France
SCHEMA D2.1, 2009, Deliverable on Generic aspects and rules on vulnerability evaluation for WP2.4 Definition of
method for relevant factors extraction from Earth Observation and complementary data of SCHEMA Project
Shreen D., Lefèvre S., Weber, J.. 2007. La morphologie mathématique binaire pour l’extraction automatique des
bâtiments dans les images THRS. Revue internationale de Géomatique. Volume X , 2007. Pages 1-20
Stanisław L., Zaremski K., 2004. Examples of object oriented classification performed on high resolution satellite
images.
Xiaoying J,, Davis C.H., 2005. Automated Building Extraction from High-Resolution Satellite Imagery in Urban
Areas Using Structural, Contextual, and Spectral Information. EURASIP Journal on Applied Signal Processing
2005:14, 2196–2206.
Wang F., Newkirk R., 1988. A Knowledge Based System for Highway Network Extraction" IEEE conference, Sept.
1988, Geoscience and remote sensing, volume 26, issue 5, p 525-531.
Ziyu W., Wenxia W. , Zhao, S. , Chen X., 2004. Object-oriented classification and application in land use
classification using SPOT-5 PAN imagery. Geoscience and Remote Sensing Symposium, 2004. IGARSS '04.
Proceedings. 2004 IEEE International. Vol.5, p 3158-3160 Vol.5.