Makine öğrenme yöntemleriyle uydu görüntülerinin sınıflandırılması ve zamansal değişiminin izlenmesi

Abstract

Gümüzde, hızlı nüfus artışı ve kentleşmenin ivme kazandığı dünya kapsamında görünmektedir. Bu sürecin bir doğal sonucu olarak ise sürecin gereksinimlerini karşılamak için Arazi Örtüsü ve Arazi Kullanımı (AÖ/AK) sınflarında değişiklikler meydana gelmektedir. Öte yandan, karşılaştığımız küresel ısınma ve iklim değişiklikleri nedeni ile AÖ/AK sınıflarının değişimi daha sıklıkla rastalanabilmektedir. Dolayısıyla, bu değişikliklerin kontrol altında tutulmasında ve özellikle yeşil alanların korunmasını sağlamak, ileri yıllarda yaşanabilecek doğal afetleri öngörebilmek ve tedbir amaçlı uygulamaların ele alınması bakımından önemli olacaktır. Bu çalışmada, Türkiye'de Bursa ili bölgesi ele alınmış ve AÖ/AK sınıflarındaki bölgesel değişiklikler 2001 yılı itibari ve yaklaşık 10'er yıllık aralıklar ile değerlendirilmiştir. Bu değerlendirmelerde, Makine Öğrenme yöntemleri yardımıyla bölgeye ait Lansat uydu görüntülerinin AÖ/AK sınıflandırılması ve zamansal değişiminin incelenmesi yapılmıştır. Doğal ve tarihi güzelliklerinin yanı sıra termal turizm açısından da ülkemizden önde gelen bölgelerinden biri olan Bursa ilinde kentleşme süreci hızla yaşanmaktadır. Dolayısıyla bölgede, yıllar itibariyle uygulanan politikaların AÖ/AK sınıflarının değişiminde olan etkisini incelemek ve yapılan değerlendirmelere dayalı olarak, bölgede yeşil alanların korunmasına odaklı bir politika yürütmek ve sürdürebilir bir kentsel gelişim sağlamak oldukça büyük önem taşımaktadır. Bu çalışmada, uydu verilerinin analiz edilmesinde ve bölgesel kullanım arazi değişimlerinin tespit edilmesi için ücretsiz olarak uydu görüntülerine ulaşmayı ve çevrimiçi incelenmesine imkan sağlayan Google Eath Engine platformuu kullanılmıştır. Çalışmada Makine Öğrenme yöntemlerinden Destek Vektör Makineleri (DVM) ve Rastgele Orman (RO) algoritmaları kullaılmıştır. Bu doğrultuda iki uygulama gerçekleşmiştir. İlk uygulamada, yıllara ait Landsat görüntülerinin görünür ve yakın kızıl ötesi bantları üzerinde Makine Öğrenme sınıflandırıcıları uygulanmıtşr. İkinci uygulamada ise, sınıflandırmalarda daha güçlü performans elde edebilmek ve farklı bileşenlerin etkisini değerlendirmek hedefiyle, indikatör faktör haritaları sınıflandırma için kullanılmıştır. Bu amaçla görüntü iyileştirme yöntemlerinden Bant Oranlaması ve Temel Bileşenler Analizi (TBA) farklı AK/AÖ sınıflarının ayrışmasını kolaylaştırmak için kullanılmıştır. Çalışmada, Bant Oranlaması yöntemleri bölgede litolojik, bitki örtüsü ve kentsel alan bileşenlerin haritalanması amacıyla uygulanmıştır. Böylelikle, en büyük pay sahibi olan ilk temel bileşen görüntüsü, Normalleştirilmiş Fark Bitki İndeksi, Kentsel Alan İndeksi kullanılmıştır. Aynı zamanda, çorak alanların ve kayaçların ayrışmasını güçlendirmek amacıyla, farklı bant oranlaması yöntemleri kullanılmıştır. Bu doğrultuda, 5/7 Landsat görüntü bant oranlaması kil minerallerini görüntülemek, 5/4 Landsat görüntü bant oranlaması demirli mineralleri (Fe2+) haritalamak ve 3/1 Landsat görüntü bant oranlaması demir oksitlerin haritalanması için hesalanmıştır. Çalışmada, CORINE sınıflandırma sisteminden ilham alınarak ve bölgesel değerlendirmeler dikkate alınarak, altı AÖ/AK sınıfı incelenmeye alınmıştır. Bu sınıflar bölgedeki Su kütlesi, Orman alanı, Tarım alanı, Çorak alan, Kentsel alan ve Maden ocaklarından oluşturulmuştur. Çalışma bölgesi olan Bursa ilinin zamasal süreçte AÖ/AK sınıflarında meydaa gelen değişiklikleri incelenmek için, yaklaşık on yıllık periyotlarda alınan Landsat 5 TM ve Landsat 8 OLI/TIRS uydu görüntüleri kullanılmıştır. Arazi sınıflandırmasının zamansal değişimiyle ilgili kullanılan uygulama ve yöntemler ele alındığında, sonuçların bir biri ile örtüştüğü görünmektedir. Aynı zamanda, doğruluk oranları değerlendirildiğinde, ikinci uygulama olan indikatör faktör haritalarına dayalı sınıflandırma yönteminin daha iyi performans sergilediği ortaya konulmuştur. Sınıflandırma sonuçlarında ortak sonuç olarak ise, Bursa ili bölgesinde 2001 – 2022 yılları arasında çorak alanlarda azlma tespit edilirken, maden ocaklarında, tarımsal ve kentsel alanlarda genişleme olduğu dikkat çekmektedir. Doğru ve gerçek zamanlı AÖ/AK haritaları, Dünya'nın dinamiklerinin izlenmesi, planlanması ve yönetimi için kesin bilgiler sağlayabilecek niteliktedir. Bulut bilişim platformları, zaman serisi öznitelik çıkarma teknikleri ve makine öğrenme sınıflandırıcılarının ortaya çıkmasıyla, daha doğru ve büyük ölçekli AÖ/AK haritaları üretilebilmek doğrultusunda önemli gelişmelere yol açmıştır.