zonguldak ormanlık alanlarındaki kaçak çıkarımı

ZONGULDAK ORMANLIK ALANLARINDAKİ KAÇAK
YAPILAŞMANIN UYDU GÖRÜNTÜLERİNDEN OTOMATİK NESNE
ÇIKARIMI YAPILARAK CBS İLE ANALİZİ
* H. Akçın, A. M. Marangoz, S. Karakış, H. Şahin
*Zonguldak Karaelmas Üniversitesi Müh. Fak. Jeodezi ve Fotogrametri Müh. Böl.
67100 Zonguldak (akcin, marangoz, karakis, sahin)@jeodezi.karaelmas.edu.tr
ÖZET
Zonguldak bölgesi ormanları, Türkiyenin tür çeşitliliği açısından en zengin ve önemli
ormanlarıdır. Bu bölge içinde kurulu olan Zonguldak Metropolitan Alanı’nda zaman içinde
madencilik endistürisinin getirdiği kısıtlamalar ve bozuk kentleşme sürecinde bölgede ormanlık
alanların bir bölümü tahrip olmuş bir bölümü içine de kaçak yapılaşma meydana gelmiştir.
Çalışmada; metropolitan alan içinde ki ormanlık alanlardaki açılmalar Landsat, Ikonos ve
KVR1000 uydu görüntüleri üzerinden otomatik nesne çıkarımı ve Fuzzy Logic sınıflama
teknikleri kullanılarak belirlenmiş ve GIS tabanlı analizler yapılarak belirlenen pilot alandaki
yapılaşmanın zamansal gelişimi incelenmiştir.
Anahtar Kelimeler: Zonguldak, otomatik nesne çıkarımı, Landsat TM5, Ikonos, KVR1000
uydu görüntüleri
ANALYSIS OF ILLEGAL CONSTRUCTIONS IN ZONGULDAK
FOREST REGIONS USING AUTOMATIC FEATURE EXTRACTION
AND GIS FROM SATELLITE IMAGES
Forest areas in Zonguldak region include many different types of species and high rich when
compared to others. Zonguldak Metropolitan Area located in the region has experienced many
problems related to urbanization due to the activities caused by mining industry. This also gave
rise to illegal housing in the region. In this study, damages and openings existed in the forest
areas have been localized by automatic feature extraction produce and fuzzy-logic classification
techniques by means of Landsat, Ikonos and KVR-1000 sattellite images. Finally, temporal
monitoring of illegal constructions in this pilot area has been realized by GIS-based analysis.
Keywords: Zonguldak, automatic feature extraction, Landsat 5 TM, Ikonos, KVR1000
sattellite images
1. GİRİŞ
Zonguldak Metropolitan Alanı (ZMA); Türkiye’nin Kuzeybatısında yeralan, Kuzeyinde
Karadeniz ve Güneyinde ormanlık alanlar arasında dar bir sahil bandına kurulmuş bir endüstri
şehridir (Şekil 1). Özellikle Osmanlı döneminin bitmesi ve Türkiye Cumhuriyetinin
kurulmasıyla birlikte bölge bir madencilik, demir-çelik ve orman endüstri merkezi haline
gelmiştir. Ancak, yıllar boyu maden sektörünün de getirdiği kısıtlamalar ile kentsel alan
açısından ve konut sayısı açısından fazlaca genişleyememiştir. Bu kısıtlamalarla birlikte
öncelikle ormanlık alanlar içine kaçak yapılaşmalar başlamış ve günümüze kadar bu yapılaşma
süreci özellikle 1988 yılında bu yasakların kalkması ile (maden sahaları üzerinde mülkiyet
edinim yasağı) hızlanmıştır.
Zonguldak ilinin yüzey oluşumu itibari ile %59’u ormanlık arazi olup, bunların %36’sı iğne
yapraklı ve %64’ü de yapraklı ağaçlardır. Bu ormanlık alanlar Türkiye ormanlarının yaklaşık
%5’ini oluşturmaktadır. ZMA ise bu oluşumun içinde yeralmaktadır. ZMA’nın toplam
yüzölçümü 38.81 km2 olup yüzey dağılımı açısından %30.7’si orman, %40.5’i yerleşim alanı ve
%6.7’si de tarım arazisidir. ZMA’da 1996 yılında yapılan tespitlere göre belirlenen konut sayısı
213301 olup bu sayı 2002 yılında %11 artış göstererek 223966’ya ulaşmıştır. ZMA’nın 2000
yılı itibarı ile nüfusu 176511 dir (Erkin, 1999).
Özellikle ZMA’nın ormanlık alanlarındaki değişimlerin incelendiği bu çalışmada; öncelikle
1992 ve 2000 Landsat 5 TM görüntüleri üzerinden eCognition 4.0 yazılımı kullanılarak bir
fuzzy-logic sınıflandırma yapılmış ve bölgedeki ormanlık alanlar belirlenmiştir. ZMA içinde
yoğun konut talebinin olduğu İncivez ve Bahçelievler Bölgelerini içine alan bir alanın yüksek
çözünürlüklü Ikonos ve KVR-1000 uydu görüntüleri üzerinden otomatik nesne çıkarımı
yapılarak bu alandaki binalar saptanmış ve son olarak çeşitli zaman boyutlarında elde edilen bu
çıkarımlar CBS ortamında çakıştırılarak değişimler gözlenmiştir.
Şekil 1. Zonguldak’ ın konumu
Fig. 1. Location of Zonguldak
2. LANDSAT 5 TM UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
ZMA’ ya ilişkin 1992 ve 2000 yıllarına ait iki farklı görüntü, öncelikle GPS ölçüleri ve 1/25000
ölçekli haritalar kullanılarak georektifiye edilmiştir. İkinci aşamada Landsat görüntülerinin 1, 4
ve 7 bantları ile oluşturulan konbinasyon PCI Geomatica V9.1.1 yazılımı kullanılarak analiz
edilmiş ve en büyük benzerlik tekniği kullanılarak ön sınıflama çalışması yapılmıştır. Bu
sınıflandırmanın doğruluk istatistiği olarak toplam doğruluk %68.8 ve kappa istatistik ölçütü
0.618 bulunmuştur. Elde edilen sınıflandırılmış raster görüntü eCognition 4.0 yazılımı
kullanılarak segmentasyon yapılmış ve vektör görüntü haline getirilmiştir. Elde edilen
segmentlerin daha yüksek çözünürlüklü Ikonos görüntüsü ile kontrolü sağlanmıştır.
Segmentasyonda sırasıyla ölçek, renk, biçim, yumuşaklık ve bütünlük parametreleri 30, 0.8, 0.2,
0.9 ve 0.1 alınmıştır. Şekil 2 ve 3’ de segmentasyonu yapılmış görüntüler verilmiştir (Akçin ve
diğerleri, 2004).
Şekil 2. ZMA’nın 1992 Landsat-5 TM görüntüsüne ait segmentasyon sonucu.
Fig. 2. Segmentation result using 1992 Landsat-5 TM image of ZMA
Şekil 3. ZMA’nın 2000 Landsat-5 TM görüntüsüne ait segmentasyon sonucu.
Fig. 3. Segmentasyon result using 2000 Landsat-5 TM image of ZMA.
3. YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN NESNE
ÇIKARIMI
Yüksek çözünürlüklü uydu görüntülerinin otomatik olarak fuzzy logic segmentasyonu ve nesne
tabanlı detay çıkarımı aşamasında, aşağıdaki parametreler olabildiğince gerçeğe yakın
belirlenmelidir. Bunu sağlayabilmek için aşağıda belirtilen parametreler kullanılır.
•
•
•
Ölçek parametresi (Scale Parameter): Bu parametre, ortalama nesne boyutunu
dolaylı yoldan etkiler. Aslında bu parametre nesnelerin heterojenliğine izin veren
maksimum değeri belirler. Ölçek parametresi ne kadar büyürse nesneler de o kadar
büyür.
Renk / Biçim (Color / Shape): Bu parametrelerle renk ve biçim çatışmasının
homojenliğinin nesne üretimi etkisi düzeltilebilir. Biçim kriteri ne kadar yüksek olursa,
spektral homojenliğinin nesne üretimine etkisi daha az olacaktır.
Yumuşaklık / Bütünlük (Smoothness / Compactness): Biçim kriteri 0’ dan büyük
olduğunda kullanıcı, nesnelerin daha bütün (yoğun) veya daha yumuşatılmış olması
gerektiğine karar verebilir (Hofmann, 2001).
ZMA’ nın 2000 ve 2003 yıllarına ait yüksek çözünürlüklü Ikonos ve KVR-1000 uydu
görüntülerinın segmentasyonunda ise aşağıdaki adımlar izlenmiştir.
•
•
•
•
•
ZMA’ ya ilişkin Ikonos görüntüsü GPS ölçüleriyle georektifiye edilerek PCI Geomatica
9.0 yazılımında 1 m. çözünürlüklü renkli Pan-Sharpened Orto görünütü haline
dönüştürülmüştür.
Bölgeye ilişkin 1,6 m. çözünürlüklü KVR-1000 görüntüsü GPS ölçüleri ve büyük
ölçekli haritalar kullanılarak georektifiye edilmiştir.
Elde edilen Ikonos ve KVR-1000 raster yapıdaki orto görüntülerinin eCognition 4.0
yazılımı kullanılarak segmentasyon işlemi yapılmış ve bu görüntüler üzerinden yalnızca
binalara ilişkin otomatik nesne çıkarımı yapılmıştır.
Ikonos orto görüntüsü üzerinde farklı nesnelere ilişkin 5 ayrı segmentasyon katmanı ele
alınmıştır. Bu katmanların oluşturulmasında Tablo 1’ de verilen parametreler
kullanılmış ve segmentasyon gerçekleştirilmiştir. Segmentasyon üzerinden belirlenen
pilot alandaki bina yapıları otomatik olarak çıkartılmış ve sonuçlar Şekil 4’ de
verilmiştir.
KVR-1000 orto görüntüsü pankromatik bir görüntü olduğu için ve radyometrik
yapısındaki yetersizlikten dolayı sadece gri değerleri üzerinde inceleme yapılmıştır.
Bunun sonucu binalar çıkarılmak istense de sonuç ürün tüm yapay nesnelere
yönelmiştir. Bunun anlamı binalarla birlikte yol ve bahçelerde otomatik olarak
çıkmaktadır (Şahin ve diğerleri, 2004). Görüntünün bu özelliğinden dolayı
segmentasyon parametresi olarak sadece ölçek: 4 ve renk: 1 olarak alınmış ve sonuç
görüntü Şekil 5’ de verilmiştir.
Katman
Ölçek par.
Renk
Biçim
Yumuşaklık
Bütünlük
Seg. modu
A
5
0.7
0.3
0.9
0.1
Normal
B
10
0.5
0.5
0.9
0.1
Normal
C
16
D
25
Spektral Farkl.
E
250
0.4
0.6
0
1
Normal
Tablo 1. Görüntü İçin Kullanılan Segmentasyon Parametreleri (Marangoz ve diğerleri, 2004)
Table 1. Segmentation parameters used for image (Marangoz et.al., 2004)
Şekil 4. ZMA’ nın Ikonos Pan-Sharpened görüntüsü ve oluşturulan segmentasyon sonucu
(Marangoz ve diğerleri, 2004)
Fig. 4. Ikonos pan-sharpened image of ZMA and it’ s segmentation result
(Marangoz et.al., 2004)
Şekil 5. ZMA’ nın KVR-1000 orto görüntüsü ve oluşturulan segmentasyon sonucu
Fig. 5. KVR-1000 ortho image of ZMA and it’ s segmentation result
4. CBS TABANLI ANALİZLER
CBS tabanlı analizler iki aşamalı olarak gerçekleştirilmiştir. Bunlardan ilki segmentasyonu
yapılmış Landsat 5 TM görüntüleri üzerinden ormanlık alanlar üzerindeki değişimlerin
izlenmesine yöneliktir. İkincisi ise, 2000 ve 2003 yılları arasındaki yapılaşmanın takibine
yönelik analizlerdir.
Otomatik olarak sınıflandırılmış ve segmentasyonu yapılmış Landsat 5 TM görüntüleri;
MapInfo 7.0 yazılımı kullanılarak yapılan işlemlerle, 1992 ve 2000 yılı görüntülerine ait
segmentasyon katmanları üst üste açılarak, ormanlık alanlardaki değişim gözlenmiş ve 8 yıllık
zaman diliminde 12.6 km2 alanda orman açılımının yapıldığı saptanmıştır. Buna ilişkin analiz
görüntüleri Şekil 6’ da verilmiştir (Gri bölgeler 1992 yılı sonrası açılımları göstermektedir).
Ayrıca bu görüntülerin üzerine KVR-1000 görüntüsünden elde edilen bina yapılarına ilişkin
segmentasyon katmanı da açılarak, ormanlık alanların içine düşen yapılar belirlenerek Şekil 7’
de verilmiştir.
Şekil 6. ZMA’ daki ormanlık alanlardaki değişimler
Fig. 6. Changes in forest regions of ZMA
Şekil 7. Ormanlık alanlardaki yapılaşmalar
Fig. 7. Constructions in forest regions
2000 ve 2003 yılları arasındaki gelişmeleri takip etmek amacıyla 2003 yılı Ikonos görüntüsü
üzerine 2000 yılı KVR-1000 görüntüsünden çıkarımı yapılan nesneler CBS ortamında entegre
edilerek gözlemlenmiştir. Bu incelemeler ormanlık alanlardaki yapılaşmaların artarak devam
ettiğini ortaya çıkarmıştır (Şekil 8).
2000 yılı
sonrasında
gerçekleşen
yapılaşmalar
Şekil 8. ZMA’ nın ormanlık alanlarında 2000 yılı sonrası yapılaşmalar
Fig. 8. Constructions after 2000 in forest regions of ZMA
5. SONUÇ VE ÖNERİLER
Uydu görüntüleri ve CBS kullanılarak yapılan bu çalışmada, Türkiye’ nin Kuzey Batısındaki
ormanlık alanlara sahip Zonguldak Metropolitan Alanı’ nda özellikle madenciliğe ilişkin
kısıtlamaların 90’ lı yıllardan sonra kalkmasıyla ve yeterli sayıda imarlı konut alanlarının
üretilmemesi sonucu kaçak yapılaşmanın artış gösterdiği gözlenmiştir. Özellikle ormanlık
alanlarda 1992’ den 2000 yılına kadar yaklaşık 13 km2’lik alanda ormanlık alanın açılarak
değişime uğradığı belirlenmiştir. Bu alanlar içerisine ayrıca yol ve bina yapımında da artış
gözlenmiştir. Kaçak yapılaşmanın 2000 yılından sonra da ormanlık alanlar içine doğru artarak
devam ettiği de saptanmıştır.
Ormanlık alanlardaki bu tür kaçak yapılaşmaların takibinde bakanlık, kamu kurumları ve yerel
yönetimlerin işbirliği ve üniversitelerin bilimsel katkısıyla bu tür illegal oluşumların takip
edilerek önlemlerin alınması gerekmektedir. Özellikle ülkemizin Kuzey ve Güneyindeki dağlık
ve ormanlık alanlar sahil şeridine yakın ve paralel bir coğrafi yapıda oluşum göstermiş ve
ülkemizin bir çok önemli kentleri de deniz ve dağları arasındaki dar alanda konumlanmaktadır.
Bu nedenle kentlerin potansiyel gelişim alanlarının saptanmasında, yönlendirilmesinde ve imarlı
yapıya açılmasında uzaktan algılama ve CBS kullanılarak planlama yapılması gerekmektedir.
Aksi taktirde, ormanlık alanlarının cazibe merkezi olması nedeniyle, bu alanlardaki düzensiz
açılmalar ve kaçak yapılaşmalar devam edecektir.
Bu tür uygulamalarda raster yapıdaki uydu görüntülerinden nesne çıkarımı ve
segmentasyonunun manuel olarak yapılması oldukça fazla zaman almaktadır. Ancak zamana
dayalı bu tür analizlerde bu işlemin en kısa sürede gerçekleştirilmesi için otomatik nesne
çıkarımı ve segmentasyonunun yapılması gerekmektedir.
Yüksek çözünürlüklü uydu görüntülerinin otomatik segmentasyonunda, özellikle Ikonos için
stereo görüntü kullanılması otomatik nesne çıkarımını kolaylaştırmakta ve doğruluğu
arttırmaktadır. KVR-1000 görüntüsü için ise iki farklı edinim söz konusudur. Bunlardan
birincisi, satıcı firması tarafından SYM kullanılarak elde edilerek piyasaya sürülen orto
görüntü, ikincisi ise ham görüntüdür. Orto görüntü ucuz olmasına ve 1.6 m. çözünürlüğe sahip
olmasına karşın görüntüde nesnelere ilişkin bir takım konumsal kayıklıklar ve parlaklık söz
konusudur. Bu nedenle daha pahalı olan ham görüntü alınarak çalışmalar yapılabilir. Ayrıca
KVR-1000 görüntüsünün pankromatik olması nesne çıkarımı açısından bir takım sorunlar da
çıkartmaktadır.
6. KAYNAKLAR
Akçın, H., Topan, H., Karakış, S. ve Marangoz, A. M., 2004. “Gis-Based Analysis of
Landcover Changes Arising From Coal Pruduction Wastes in Zonguldak Metropolitan Area –
Turkey”, XX ISPRS Kongresi, İstanbul
eCognition Kullanım Klavuzu 3, 2003. Definiens Imaging, sf.3.2-108
Erkin, E., 1999. “Dört Maden Kentinin Değişim Öyküsü 1973-96 Karşılaştırmalı Bir Analiz:
Zonguldak-Kozlu-Kilimli-Çatalağzı”, İstanbul, ISBN 975-7634-42-5
Hofmann, P., 2001. “Detecting urban features from IKONOS data using an object-oriented
approach”, RSPS 2001, Geomatics, Earth Observation and the Information Society
Marangoz, A. M., Oruç, M. ve Büyüksalih, G., 2004. “Object-oriented Image Analysis and
Semantic Network for Extracting The Roads and Buildings from Ikonos Pan-sharpened
Images”, XX ISPRS Kongresi, İstanbul
Şahin, H., Topan, H., Karakış, S. ve Marangoz, A. M., 2004. “Comparison of Object
Oriented Image Analysis and Manual Digitizing for Feature Extraction” XX ISPRS Kongresi,
İstanbul