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

1TUBITAK-MAM, Yer ve Deniz Bilimleri Enstitüsü, Gebze Kocaeli, Erhan.Alparslan@mam.gov.tr, 2ACRI-ST, 260 Route du Pin Montard, Sophia-Antipolis, Fransa, oli@acri-st.fr

3Centre Royal de Teledetection Spatiale,Rabat, Fas, atillah@crts.gov.ma 4Geosciences Consultants, 157 Rue des Blains, 97220 Bagneux, Fransa, rg-gsc@wanadoo.fr 5SRI-BAS, Moskovska Str. 6, 1000, Sofya, Bulgaristan, boyko.ranguelov@geophys.bas.bg

6National 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 TANIMLAYAN UNSURLARIN ÇIKARILMASI ĐÇĐN YÖNTEM GELĐŞTĐRME 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 Şekil 4 Quickbird görüntüsünün eğitimli sınıflandırılması kırmızı renkle bitki örtüsü belirlenmesi (SCHEMA D2.1, 8/30) (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 Şekil 6 Quickbird görüntüsünden yüksek yapılı alanın sınırlarının elde edilmesi (Lewinski vd., 2004) 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)

Spot 5 Landsat 7 QuickBird Ikonos Worldview-1 MERIS Süper mod pankromatik 2,5 m Pankromatik 5 m 15 m 0,61 m 0,82 m 0,46 m

K, Y, YKÖ, OKÖ 10 m 2,44 m 3,2 m 1,8 m

K, Y, YKÖ, OKÖ 30 m

Termal/uzak KÖ 60 m

Tam Çöz. (34 bant) 250 m http://www.satimagingcorp.com/satellite-sensors.html - 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

Çok-spektral

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 Semi-Automatic 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.