Yüksek çözünürlüklü uydu verileri kullanılarak şehir alanlarının incelenmesi

Abstract

Hızlı bir şekilde değişen ve gelişen dünyada, artan bir nüfus ile birlikte şehirleşmenin süregelen artışı kaçınılmazdır. Bunun sebepleri arasında insanların sosyal yapısının ve bir arada yaşama isteklerinin oluşuyla beraber ekonomik etmenler de oldukça etkilidir. Sürekli yenilenme isteği içinde olan insanın, tıpkı dünyada olduğu gibi, Türkiye'de de özellikle kırsal alanlardan kent alanlarına göçü ile birlikte küçük şehirlerde bile büyüme meydana gelmekte ve bu durum günden güne devam etmektedir. Şehirleşmenin devam eden bu artışı ekonomik, sosyal ve hatta çevresel anlamda önemli etkiler yaratmaktadır. Bu etkiler arasında fakirlik, eksik kalan barınma ihtiyacı ile birlikte ortaya çıkan gecekondulaşma, peyzaj değişimi, sıcaklık artışı, gıda güvenliğinin azalması vb. yer almaktadır. Tüm bu etkilerin tespiti için, kentsel alanların belirlenmesi ve kentsel büyüme eğilimleri hakkında bilgi sahibi olmak, kent ve bölge planlayıcıları için faydalı bilgiler sağlar. Uzaktan Algılama teknolojileri kent alanlarının incelenmesi, haritalanması ve planlanması konularında hızlı ve güvenilir veri ve yöntemler sunmaktadır. Gelişen teknoloji ile birlikte fırlatılan yüksek ve çok yüksek mekânsal çözünürlüğe sahip uydulardan elde edilen görüntülerden, şehir alanlarının zamansal ve mekânsal değişimlerinin tespit edilebilmesi için hızlı, ekonomik ve doğruluğu yüksek Arazi örtüsü/kullanım (AÖ/AK) haritaları üretilebilir. Bu araştırma kapsamında, Türkiye için ekonomik ve sosyal açıdan önemli ve yüksek nüfusa sahip iki şehir olan İzmir ve İstanbul illerinin iki farklı ilçesi çalışılmıştır. İzmir ili için Gaziemir, Buca, İstanbul ili için ise Çekmeköy ve Arnavutköy ilçeleri, gelişim potansiyeli yüksek, AÖ/AK sınıf çeşitliliğinin fazla olduğu için tercih edilmiş, yaklaşık 10 yıllık değişimi için detaylı bir inceleme yapılmış, değişim sonuçları analiz edilen bu ilçeler için 2024 ve 2030 yıllarındaki olası durumları ortaya konulmuş ve yorumlanmıştır. Çalışma genel olarak 6 aşamadan oluşmaktadır. Bu aşamalar (1) Çalışma alanı olarak belirlenen ilçeler için SPOT görüntüleri içerisinden uygun veri setlerinin temin edilerek, 4 farklı ilçe sınırı için görüntülerin hazırlanması ve AÖ/AK sınıflarının irdelenmesi (2) İzmir için 2006-2012-2018, İstanbul ili için ise 2009-2013-2019 yılları olmak üzere belirlenen 3 farklı periyot için de uygun segmentasyon (bölütleme) parametrelerinin belirlenmesi ve çalışma alanları için üç farklı yıldaki görüntülerin nesne tabanlı sınıflandırma yöntemi uygulanarak sınıflandırılması suretiyle toplamda 12 farklı AÖ/AK haritalarının üretilmesi (3) AÖ/AK haritaları için doğruluk değerlendirmesinin yapılması (4) Her ilçe için farklı tarihlerdeki AÖ/AK haritalarının değişim analizinin yapılması ve bu değişim analizi sonuçları üzerinden AÖ/AK sınıflarının birbirine dönüşümünü özetlemeye yardımcı olan dönüşüm matrislerinin oluşturulması (5) İlçelerin yapısal değişiminin ayrıntılı analizi için öncelikle uyumlu sınıf ve peyzaj düzeyi peyzaj metrik gruplarının oluşturulması ve daha sonra bu xviii metriklerin hesaplanması ve bu sonuçların değişim analizi ile birlikte değerlendirilerek ilçelerin belirlenen periyotlardaki durumlarının analizi (6) İlçelerin 2024 ve 2030 yıllarındaki durumlarının model yardımı ile ortaya konularak, AÖ/AK sınıflarının nasıl değiştiğinin irdelenmesi. Bu amaç doğrultusunda, İzmir ili için 2006 ve 2012 yılları, İstanbul ilçesi için ise 2009 yılı SPOT-5 görüntüsü 10 m multispektral (MS) + 2.5 pankromatik (PAN) veri seti şeklinde, İzmir ilçesi 2018 yılı, İstanbul ilçesi için ise 2013 ve 2019 yılları SPOT 6&7 görüntüsü ortho ve pan-sharpened halde 1,5 m mekânsal çözünürlükte temin edilmiştir. Bu görüntülerin önişleme aşamasında ise 2018 ve 2019 yıllarına ait Pleaides görüntüsü kullanılmıştır. Ön işleme aşamaları tamamlanan uydu görüntülerine nesne tabanlı sınıflandırma yöntemi uygulanmıştır. İlk olarak en önemli işlem adımı olan segmentasyon aşaması için çok çözünürlüklü segmentasyon yöntemi kullanılarak her ilçenin her yılı için uygun parametreler belirlenmiştir. Sonrasında karar setleri (karar ağacı) oluşturulmuş, bu setler genel olarak sırasıyla Sulak alanlar alt sınıfları, Arazi kullanım sınıfları, kentsel doku alt sınıfları, Ormanlık alanlar alt sınıfları ve son olarak Tarım alanları alt sınıflarının tespitine odaklanarak oluşturulmuştur. Bu sıralamayla birlikte uygun segmentasyon parametrelerinin de belirlenebilmesiyle; Gaziemir ilçesi için 23, Buca ve Çekmeköy ilçeleri için 22 ve Arnavutköy ilçesi için ise 27 AÖ/AK sınıfı tespit edilmiştir. Her ilçenin 3 farklı yılda sınıflandırması tamamlanan toplamda 12 farklı AÖ/AK haritasının doğruluğunun tespiti için alan bazlı doğruluk değerlendirmesi yapılmıştır. Her sınıf için en az 5 en fazla 20 rastgele alan seçimi yapıldıktan sonra, her ilçenin güncel yılındaki alanlar ilgili ilçenin diğer yıllarının değerlendirilmesinde de kullanılmış ve hata matrisleri oluşturulmuştur. Gaziemir ilçesi için toplamda 204, Buca ilçesi için 216, Çekmeköy ilçesi için 227 ve Arnavutköy ilçesi için 270 rastgele alan üzerinden değerlendirme yapılmıştır ve bu alanlar yaklaşık olarak sırasıyla, 500, 560, 590 ve 700 bin pikseli kapsamaktadır. Doğruluk analizinin sonucunda elde edilen en yüksek toplam doğruluklar her ilçenin en güncel (2018 ve 2019) yılları AÖ/AK haritalarında olmuştur. Gaziemir ilçesi için %88,73, Buca ilçesi için %90,28, Arnavutköy ilçesi için %90,74 ve son olarak Çekmeköy ilçesi için %91,19 olarak bulunmuştur. Doğruluk değerlendirmesinden sonraki aşamada hangi sınıfın hangi sınıfa hangi sebeple, nasıl değiştiğinin belirlenebilmesi için değişim analizi işlem adımına geçilmiştir. Ortaya çıkan sonuçlar doğrultusunda da sınıfların değişiminin hangi sınıf yönünde olduğunu kolay yorumlayabilmek adına dönüşüm matrisleri oluşturulmuştur. Bu adımda görülmüştür ki, genel anlamda her ilçenin yaklaşık 10 yıl içerisinde kentsel alanlarında büyüme ve yeşil alan kayıpları ile büyümesi söz konusudur. Fakat Buca ilçesinde tarım alanları ve doğal alanlarda korunma mevcuttur. Değişim analizi işlem adımından sonraki aşamada ilçelerdeki değişimi daha ayrıntılı anlamak ve peyzajın formunun ne durumda olduğunu analiz edebilmek amacıyla, peyzaj ve sınıf düzeyinde metrik grupları oluşturulmuştur. Kullanılan metrikler; Ünite yoğunluğu (ÜY), Ünite Sayısı (ÜS), En Büyük Ünite İndeksi (EBÜİ), Kenar Yoğunluğu (KY), Toplam Merkez Alan (TMA), Alan Ağırlıklı Ortalama Şekil İndeksi (AAOŞİ), Peyzaj Şekil İndeksi (PŞİ), Ortalama En Yakın Komşunun Alan Ağırlıklı Mesafesi (OYKAAM), Alan Ağırlıklı Ortalama Ünite Büyüklüğü (AAOÜB) Shannon'nın Çeşitlilik İndeksi (SÇİ), Kümelenme İndeksi (Kİ), Parçalanma İndeksi (Pİ), olmak üzere toplamda 12 tanedir. Kullanılan bu metrikler 4 ilçenin AÖ/AK sınıflarının mekânsal değişimi hakkında oldukça yararlı bilgiler sağlamıştır. Sonuçları, değişim analiz sonuçları ile de karşılaştırılmıştır. Özellikle Arnavutköy ilçesinde son 10 yılda ormanlık alanlar, ekilebilir tarım alanları, meralar ve karasal su yüzeyleri sınıflarına ait ünitelerde önemli azalmaların görüldüğü, diğer ilçelerde de sulak alanlar dışındaki doğal alanlar sınıflarına ait ünitelerde parçalanma ve küçülmelerin etkili olduğu görülmektedir. Ünitelerdeki bu parçalanma ve küçülmelerin sebebinin şehirleşme odaklı kent alanlarındaki ve yapılaşmanın artması olarak yorumlanabilmektedir. Arnavutköy ilçesinde havalimanı inşası ve yine hem Çekmeköy ve Arnavutköy ilçelerindeki yeni yol güzergahlarının açılmış olması bunun en güzel ispatıdır. Son aşamada, ilçelerin 2024 ve 2030 yıllarındaki AÖ/AK haritaları modellenmiş, ilçelerin mevcut ve gelecekteki olası durumları hakkında yorumlamalar yapılmıştır. İleriye yönelik tahminleri gerçekleştirmek amacı ile ilçelerin AÖ/AK haritalarının üretilmesi aşamasında literatürde de sıkça kullanılan Hücresel Otomat-Markov Zincirleri Entegrasyonu yöntemi kullanılmıştır ve sonuçları analiz edilmiştir. Bu sonuçlara göre; hem 2024 hem de 2030 yılında her ilçe için genel anlamda kent alanları sınıflarının ve özellikle Endüstriyel, Ticari ve İlgili alanlar, Yollar ve İlgili alanlar arazi kullanım sınıflarının yıllarla doğru orantılı olarak artış göstermiş olduğu, Ormanlar alt sınıflarında ise azalmaların meydana çıktığı görülmüştür. Bu çalışma, Uzaktan Algılama, Peyzaj Mimarlığı ve kentsel ve bölgesel planlamanın disiplinler arası bir yaklaşımını uygulamıştır. AÖ/AK iklimi, hidrolojik kaynakları, hava kalitesini ve çevremizi doğrudan etkilediği için AÖ/AK değişimlerini ve eğilimlerini doğru bir şekilde analiz etmek oldukça önemlidir. Bu araştırmanın metodolojisi ve sonuçları küresel değişim, kentleşme ve sanayileşme gibi çeşitli kullanılabilir. Ayrıca, zengin tematik sınıflara sahip çok yüksek çözünürlüklü uydu görüntülerinin kullanılması, daha büyük ölçeklerde (1/10000 veya daha büyük) karar vermeye, şehir planlamasına ve yönetimine kapsamlı bir şekilde katkıda bulunabilecek peyzajın daha iyi analiz edilmesine ve gelecekteki koşulların modellenmesine olanak tanır.

In a rapidly changing and developing world, progressive urbanization with a growing population is inevitable. Among the reasons for this are the social structure of people and their desire to live together, as well as economic factors. With the migration of people from rural areas to urban areas, both in Turkey and in the world, growth is continuously occurring even in small cities. The steady increase in urbanization has significant impacts economically, socially, and even environmentally, such as poverty, slums, landscape changes, temperature increases, decreases in food security, etc. To better understand all these effects, identifying urban areas and knowing urban growth trends provide useful information for the urban and regional planners. Remote Sensing technologies provide fast and reliable data and methods for examination, mapping, and planning. Evolving technology allows imagery acquired from satellites at high and very high spatial resolutions to produce rapid, inexpensive, and highly accurate Land use/ land cover (LU /LC) maps to detect the temporal and spatial changes in urban areas. In this study, two different districts of Izmir and Istanbul, two metropolitan cities with high populations and economically and socially important cities for Turkey, were studied. The districts of Gaziemir and Buca for İzmir city and Çekmeköy and Arnavutköy districts for Istanbul city were selected due to their high development potential and high LU /LC class diversity. The future projection of LU/LC conditions for 2024 and 2030 has been predicted and interpreted. This study consists of 6 stages. These stages are (1) Obtaining the appropriate data sets from the SPOT images for the selected study areas, preparing the images for 4 different district borders, and examining the LU/LC classes (2) Determining the appropriate segmentation and classifying the images in three different years by applying the object-based classification method, resulting in a total of 12 different LU /LC maps (3) Accuracy assessment for LU /LC maps (4) Performing the change analysis of the LU /LC maps for three different periods and creating transformation matrices, which can be used to summarize the transformation of the LU /LC classes based on the results of this change analysis, (5) For the detailed analysis of the structural changes of the districts, firstly, metric groups at the class and landscape levels were selected and calculated then landscape conditions for the determined periods were analyzed (6) Examination of how the LU /LC classes have changed by of the districts in 2024 and 2030 with the help of a model. xxii For this purpose, SPOT-5 images (10m multispectral (MS) + 2.5 panchromatic (PAN) modes) obtained in 2006, 2012 for İzmir, and 2009 for Istanbul were used. The 6&7 images obtained in 2018 for İzmir and 2019 for İstanbul were used as ortho and pan-sharped forms with a spatial resolution of 1.5 m. In the preprocessing stage of these images, ortho-rectified Pleaides images of 2018 and 2019 were used. After the preprocessing stages, an Object-based classification method was applied to generate LU/LC maps. Firstly, appropriate segmentation parameters were determined for each class and year using the multiresolution segmentation method, and then decision sets were created for each district and year. These sets were generally created by focusing on the determination of wetlands subclasses, land use classes, urban subclasses, forest subclasses, and agricultural land subclasses, respectively. This study is based on Urban Atlas and Corine nomenclature 23 LU/LC classes were determined for Gaziemir, 22 LU/LC classes for Buca and Çekmeköy, and 27 LU/LC classes for Arnavutköy district. An area-based accuracy assessment was performed to evaluate the accuracy of 12 different LU/LC maps classified in 3 different years for each district. After choosing at least 5 and at most 20 random areas for each class were selected and the same areas were used for the accuracy assessment of different years to generate error matrices. The overall accuracy values for 2018 and 2019 LU/LC maps were found as 88.73% for Gaziemir, 90.28% for Buca, 90.74% for Arnavutköy, and 91.19% for Çekmeköy district. In the next step, the change analysis process step was conducted to determine the type of changes (from which class to which class) and the rate of these changes. Transformation matrices were created from the results to easily interpret the direction of change in the classes. It was observed that there were significant increases in urban areas whereas decreases in green areas for all these districts. However agricultural and natural areas in Buca experienced only some slight changes resulting in partial protection of these areas. As the next step, metric groups at the landscape and class level were created to further understand the changes in the districts and analyze the landscape structure. The metrics used are; Patch Density (PD), Number of the patch (NP), Largest Patch Index (LPI), Edge Density (ED), Total Core Area (TCA), Area-Weighted Mean Shape Index ( SHAPE_AM ), Landscape Shape Index (LSI), Euclidean Nearest Neighbor Distance Area-Weighted Mean (ENN_AM), Area-Weighted Mean Patch Size ( AREA_AM ), Shannon's Diversity Index (SHDI), Aggregation Index (AI), Splitting Index (SPLIT), for a total of 12. These metrics provided very useful information about the spatial variation of the LU /LC classes of the 4 districts. Metric results were also compared with the results of the change analysis. Especially in Arnavutköy district, a significant decrease of the units belonging to the classes of forest areas, arable agricultural lands, pastures, and water areas is observed in the last 10 years, while in the other districts a fragmentation and shrinkage of the units belonging to the subclasses of natural areas except wetlands is observed. The reason for this fragmentation and shrinkage of units can be interpreted as an increase in urbanization-oriented areas and structures such as the construction of the airport in Arnavutköy and the opening of new road connections in both Çekmeköy and Arnavutköy districts. In the last stage of this study, projections of LU /LC maps for 2024 and 2030 were modeled, and interpretations were made about the current and possible future state of the districts. The Cellular Automata (CA)-Markov Chain integration analysis method, which is frequently used in the literature, was used in the production of the future LU/LC maps, and the results were analyzed. It has been observed that the classes of urban areas in general, and in particular the land use classes of industrial, commercial, and related areas, roads, and related areas increased in direct proportion to the years for each district, while the decreases in the subclasses of forests began in both 2024 and 2030. This study implemented an interdisciplinary approach of Remote Sensing, Landscape Architecture, and urban and regional planning. It is important to accurately analyze LULC changes and trends since LULC directly impacts the climate, hydrologic resources, air quality, and our envirınment. The methodology and results of this research could be useful in various applications such as global change, urbanization, and industrialization. Moreover, using very high-resolution satellite images with rich thematic classes allows to better analyze the landscape and model future conditions which can extensively contribute to the decision making, urban planning, and management at larger scales (1/10000 or larger).