LİDAR Verileri İle Desteklenmiş Ortofoto Görüntülerinden Bina Tespiti Performans Değerlendirilmesi: İstanbul, Küçükçekmece Örneği

Son yıllarda lazer tarama teknolojisi (LIDAR), yeryüzüne ilişkin otomatik olarak 3B (X,Y,Z) veri elde etmede geniş bir kullanım alanı bulmuştur. LIDAR verileri arazi koordinatları yanında arazi üzerindeki nesnelerin de koordinatlarını içermekte ve kısa sürede araziye ait Sayısal Arazi Modelinin (SAM) ve Sayısal Yükseklik Modelinin (SYM) oluşturulmasına imkân vermektedir. Bu modellerin oluşturulmasında LIDAR nokta bulutu verilerinin ilk dönüş ve son dönüş geri yansıma ölçümlerinden faydalanılmaktadır. İlk dönüş objenin altındaki zemine ait olmayıp, objenin kenar ya da yüzeyine çarpıp dönen yansımalardır. Son dönüş ise daha çok zemine ait dönüş yansımalarıdır. Bu çalışma kapsamında ise İstanbul, Küçükçekmece bölgesinde bulunan binaların tespiti için ortofoto görüntüsü ve LIDAR verileri kullanılmıştır. Çalışma kapsamında ilk olarak CBS ortamında alana ait LIDAR nokta bulutu kullanılarak SYM ve SAM elde edilmiş, daha sonra bu model farklarından Normalize Edilmiş Sayısal Yüzey Modeli (nSYM) oluşturulmuştur. Alana ait ortofoto görüntüsü, bina izi alanlarının tespiti için öncelikle En Büyük Olasılık Sınıflandırma (EBOS) yöntemine göre sınıflandırılmıştır. Daha sonra sınıflandırma işlemi nSYM modeli ortofoto görüntü verisine ek bant olarak eklenerek tekrar edilmiştir. nSYM’nin ek bant olarak eklenmesi ile sınıflandırma analizi performansının nasıl etkilendiği ve LIDAR verilerinin binaların tespit edilmesindeki etkisi, elde edilen doğruluk parametrelerinin karşılaştırılması ile değerlendirilmiştir. Elde edilen bina tespiti çalışma sonuçlarına göre, LIDAR verileri ile desteklenmiş ortofoto görüntülerinden, sınıflandırma performansının arttığı görülmüştür.
Anahtar Kelimeler:

Bina Tespiti, CBS, SAM, SYM, nSYM, LIDAR

___

  • Yılmaz M., 2015. Hava LIDAR nokta bulutunun sayısal yüksek modeli doğruluğunda etkisi. Harita Teknolojileri Elektronik Dergisi, 7(3), 15-20.
  • Lee D. S., 2003. Class-Guided Building Extraction from Ikonos Imagery. Fotogrametrik Engineering and Remote Sensing Dergisi, 69(2), 143-150.
  • Erener A., 2013. Classification Method, Spectral Diversity, Band Combination and Accuracy Assessment Evaluation for Urban Feature Detection. International Journal of Applied Earth Observation and Geoinformation, 21, 397–408.
  • Inglada J., 2007. Automatic recognition of man-made objects in high resolution optical remote sensing images by SVM classification of geometric image features. ISPRS Journal of Photogrammetry and Remote Sensing, 62(3), 236-248.
  • Yastıklı N., 2011. LIDAR ve hava fotoğraflarının füzyonu ile otomatik bina çıkarımı. 13 üncü Türkiye Harita, Bilimsel ve Teknik Kurultayı Poster Sunumu. Shereton Oteli, Ankara, 18-22 Nisan 2011, s. 14.
  • Sefercik U. G., Karakış S., Bayık Ç., Alkan M., Yastıklı N., 2014. Yüksek Çözünürlüklü Optik Uydu Görüntülerinden Otomatik Bina Çıkarımı Performansının Arttırılmasına Yönelik Yeni Bir Yaklaşım-Quıcbırd Örneği. 5 inci Uzaktan Algılama-CBS Sempozyumu, İstanbul, 14-17 Ekim 2014.
  • Humboldt Devlet Üniversitesi web sitesi 2014, http://gsp.humboldt.edu/olm_2015/Courses/GSP_216_Online/lesson6-1/supervised.html.
  • Congalton R. G., 1991. A review of assessing the accuracy of classification of remotely sensed data. Remote Sensing of Environment, 37, 35-46.