UZAKTAN ALGILAMA UYGULAMALARI

Signature Editor: Spectral sinyallerin toplanmasına, değerlendirilmesine ve güncellenmesine olanak sağlayan araçları içerir (Şekil 3.18).

Viewer1” penceresinde “AOI” menüsü altında “Tools” komut pen- ceresi açılır (Şekil 3.20).

Sınıflandırma işlemi hedeflenmiş bir çalışmada, piksel değerlerinin birbirine ya- kın olanları gruplandırılarak sınıflandırılmış sayısal harita üretirken, minimum ve maksimum piksel değerleri arasında kalan grup üyesi, tüm piksellere aynı yansıma değeri verilerek tüm pikseller için tek renk atanabilir. Grup içindeki tüm piksellerin tek değer alması “yeniden kodlama” (recode) işlem basamakları ile gerçekleştirilir.

Histogram Plots

Histogram plots, sinyal kalitelerinin değerlendirilmesini sağlar. Bu değerlendir- mede farklı sınıflara ait tayfsal karışıklıklarla (Spectrally confused) karşılaşılacak- tır. Tayfsal karışıklıklar, bir arazi örtüsü sınıfının birden daha fazla sinyali içerme- sinden kaynaklanır.

Bu grafiğin X ekseninde bandlar, Y ekseninde de sinyallerin ortalama (Mean) de- ğerleri bulunur (Şekil 3.35).

Parametric Rule: Bir sinyal setinin istatistiki bilgilerine dayanır.

Minimum Distance: Her bir sinta ortalamasından, (Mean) multispectral ara- lığında, her bir pikselin mesafesini hesaplar. Piksel kendine yakın olanın ortala- masına dayalı olarak sınıflanır.

Mahalanobis Distance: Bu eşitlik, sınıflandırma algoritmasını içeren para- metrelerdir. Her bir sınıfın her bir bandına ilişkin normal veri dağılımını içerir. Genellikle “Minimum Distance” seçeneğinden daha fazla ayırım sağlar.

Maximum Likelihood: Özel bir sınıfa ait pikselin olasılığına dayalı bir kural- dır. Özel sinyale ilişkin bir pikselin istatistiki olasılığını hesaplayan bir eşitliktir.

Parametric Rule: Bir sinyal setinin istatistiki bilgilerine dayanır.

Minimum Distance: Her bir sinta ortalamasından, (Mean) multispectral ara- lığında, her bir pikselin mesafesini hesaplar. Piksel kendine yakın olanın ortala- masına dayalı olarak sınıflanır.

Mahalanobis Distance: Bu eşitlik, sınıflandırma algoritmasını içeren para- metrelerdir. Her bir sınıfın her bir bandına ilişkin normal veri dağılımını içerir. Genellikle “Minimum Distance” seçeneğinden daha fazla ayırım sağlar.

Maximum Likelihood: Özel bir sınıfa ait pikselin olasılığına dayalı bir kural- dır. Özel sinyale ilişkin bir pikselin istatistiki olasılığını hesaplayan bir eşitliktir

Parametric Rule: Bir sinyal setinin istatistiki bilgilerine dayanır.

Minimum Distance: Her bir sinta ortalamasından, (Mean) multispectral ara- lığında, her bir pikselin mesafesini hesaplar. Piksel kendine yakın olanın ortala- masına dayalı olarak sınıflanır.

Mahalanobis Distance: Bu eşitlik, sınıflandırma algoritmasını içeren para- metrelerdir. Her bir sınıfın her bir bandına ilişkin normal veri dağılımını içerir. Genellikle “Minimum Distance” seçeneğinden daha fazla ayırım sağlar.

Maximum Likelihood: Özel bir sınıfa ait pikselin olasılığına dayalı bir kural- dır. Özel sinyale ilişkin bir pikselin istatistiki olasılığını hesaplayan bir eşitliktir.

Parametric Rule: Bir sinyal setinin istatistiki bilgilerine dayanır.

Minimum Distance: Her bir sinta ortalamasından, (Mean) multispectral ara- lığında, her bir pikselin mesafesini hesaplar. Piksel kendine yakın olanın ortala- masına dayalı olarak sınıflanır.

Mahalanobis Distance: Bu eşitlik, sınıflandırma algoritmasını içeren para- metrelerdir. Her bir sınıfın her bir bandına ilişkin normal veri dağılımını içerir. Genellikle “Minimum Distance” seçeneğinden daha fazla ayırım sağlar.

Maximum Likelihood: Özel bir sınıfa ait pikselin olasılığına dayalı bir kural- dır. Özel sinyale ilişkin bir pikselin istatistiki olasılığını hesaplayan bir eşitliktir.

Kontrolsuz sınıflandırma (unsupervised classification) görüntü hakkında hiç
bir bilgi sahibi olunmadığı durumda, görüntüdeki spectral yansıma değerlerine
göre kümeler oluşturularak yapılan gruplamadır. Daha sonra bu kümeler sınıf
oluşturmak için kullanılır. Bu bağlamda doğru seçenek D seçeneğidir.

“Recode” komut penceresi, benzer sınıfların bir sınıf altında toplanmasına olanak sağlar. Görüntüde “Sulu Tarım 1”, “Sulu Tarım 2” olarak tanımlanmış sınıflar birleştirilerek “Sulu Tarım” isminde tek bir sınıf altında toplanır. Bu kapsamda doğru seçenek A seçeneğidir.

“Viewer2”de “Raster” menüsü altında “Attributes” seçilir. “Raster Attribute Editor” komut penceresinde birleştirilmiş olarak 5 ayrı sınıf görülür. “Class Names” alanı altındaki isimler “Sulu Tarım 1 = Sulu Tarım, Kuru Tarım 1 = Kuru Tarım, Orman 1 = Orman, Bos Arazi 1 = Bos Arazi” olarak isimleri yeniden düzenlenir. “Edit” menüsü altında “Add Area Clumn” ifadesi seçilerek “Area” alanının bir “field” olarak eklenmesi sağlanır. Bu kapsamda doğru seçenek B sçeneğidir.

Kontrollü sınıflardırmada, görüntünün hangi sınıflara ayrılacağı ve görüntüden hangi sınıfların elde edilmek istenildiği, önceden belirlenmektedir ve görüntüdeki piksellerin yansıma değerlerinin yeterli sayıda örneklenmesi ile oluşturulur. Bu kapsamda doğru seçenek C seçeneğidir.

Signature Editor: Spectral sinyallerin toplanmasına, değerlendirilmesine ve güncellenmesine olanak sağlayan araçları içerir. Bu kapsamda doğru seçenek B seçeneğidir.

AOI Tools-Area Of Interest Tools (İlgi Alanı Belirleme Araçları): Görüntü üzerinde sayılsallaştırma, tek ya da grup pikselleri belirlemek için kullanılacak araçları içerir. Bu kapsamda doğru seçenek E seçeneğidir.

Kontrollü sınıflandırma işleminde;
• En büyük benzerlik (Maximum Likelihood)
• Paralelyüz (Paralellepiped)
• En küçük uzaklık (Minimum Distance)
adı verilen çeşitli sınıflandırma yöntemleri kullanılır. Bu kapsamda doğru seçenek C seçeneğidir.

B seçeneğinde yer alan ifade dışında kalan seçenekler AOI menüsü altında yer alan diğer araçlara ait tanımlamaları içermektedir. B seçeneğindeki ifade soru kökünde yer alan ifadeye karşılık gelmektedir. Bu kapsamda doğru seçenek B seçeneğidir.

D seçeneğinde yer alan ifade dışında kalan seçenekler AOI menüsü altında yer alan diğer araçlara ait tanımlamaları içermektedir. D seçeneğindeki ifade soru kökünde yer alan ifadeye karşılık gelmektedir. Bu kapsamda doğru seçenek D seçeneğidir.

Görüntülerin sınıflandırılması “Maximum Likelihood Classification” ve “Merging Classes” (Aynı tipdeki sınıfları birleştirmek” olarak adlandırılan işlemler sonucunda yapılmaktadır. Bu kapsamda doğru seçenek B seçeneğidir.

Görüntü sınıflandırması uydu görüntülerinden tematik bilgi elde etmek için kullanılan yöntemlerden biridir. Görüntü sınıflandırması, arazi örtüsü çeşitleri (su, su, tahıl, orman, şehir alanları vs) spectral yansıma değelerinin bir spectral desen tanımlama teorisi ile analiz edilerek görüntünün benzer spectral sınıflara ayrılmasıdır. Bir görüntüyü oluşturan piksellerin niteliklerini belirtmektir.