Fotogrametri ve Hiperspektral: Görüntülerden Veri Madenciliği
- Gökçe Bal
- 25 Eyl
- 6 dakikada okunur
Bir insansız hava aracı (İHA), bir tarlanın veya ormanın üzerinde uçuyor. Kamerasıyla yüzlerce yüksek çözünürlüklü fotoğraf çekiyor ama aynı zamanda görünmeyen dalga boylarında renkler yakalıyor. Peki, böyle bir süpergörüş bize neler gösterir? Örneğin bitkinin yapraklarındaki kimyasal değişiklikler, toprağın nemi veya bir binanın çatısının malzemesi gibi bilgiler; bunlar sadece fotogrametrik (3B modelleme) ve hiperspektral (çok bantlı renk analizi) verilerin bir arada işlenmesiyle ortaya çıkarılabilir. Bu yazıda önce fotogrametri (3B harita çıkarma) ile hiperspektral görüntüleme (spektral analiz) tekniklerinin ne olduğunu, nasıl çalıştığını ve neden değerli olduğunu ele alacağız.
İçindekiler
Noktadan Modele: 3B Haritalamanın Temeli
Fotogrametri, iki boyutlu fotoğraflardan üç boyutlu modeller oluşturma bilimidir. Bir İHA veya uçağın üst üste çektiği fotoğraflar, özel yazılımlarla işlenerek yer yüzeyinin dijital yüzey modeli (DSM) veya nokta bulutu elde edilir. Drone veya uçak platformları, bir bölgeyi kapsayacak şekilde çok sayıda örtüşen fotoğraf çeker. Yazılım bu fotoğraflardaki ortak noktaları belirler (görsel tanıma), kameranın konumu/yonelimindeki küçük farkları hesaplar ve böylece her fotoğrafa göre nesnelerin uzaydaki yerini bulur. Bu işlem, Structure-from-Motion (hareketten yapı çıkarımı) ve çoklu görüntü geometrisi yöntemleriyle gerçekleştirilir.
Hiperspektral Görüntüleme: Renklerin Ötesindeki Spektrumu Görmek
Hiperspektral görüntüleme, her bir piksel için yüzlerce dar bantlı spektral veri yakalayan kameraları ifade eder. İnsan gözü kırmızı-yeşil-mavi (RGB) üç kanalı görürken, hiperspektral sensörler görüntüdeki her noktadan çok sayıda (örneğin 200–300) dar dalga boyunda yansıma değerini kaydeder. Bu veriler, uydu görüntülerinden veya İHA taşıyıcı kameralarından elde edilebilir. Sonuçta oluşan veri kümesi bir hiperspektral küp gibidir: Görüntünün iki uzaysal ekseni ve bir de spektral ekseni vardır. Güneş ışığından yansıyan spektrum, bitki klorofilinden toprak nemine kadar birçok özelliği yansıtır. Örneğin bir bitkinin fotoğraflar arasında hemen fark edilmeyen hastalık belirtisi, yaprak yansımalarında belirli dalga boylarında görülebilir.
Hiperspektral Sensörlerin Çalışma Mantığı
Uçak veya uydu tabanlı hiperspektral sistemler pushbroom (sürekli tarama) ya da snapshot (anlık çekim) şeklinde görüntü alır. Hibrit sistemlerde video benzeri ardışık görüntüler yakalanarak hem 3B hem spektral bilgi toplanabilir. Uçak üzerindeki bir hiperspektral kamera, her an bir spektral bant grubu kaydeder ve bu bantlar sıralı biçimde piksellerden bir uydu gibi taranan satır oluşturur. Böylece her konum için detaylı bir yansıma spektrumu elde edilir. Bu spektral imge işlenerek bitki sağlığı, mineral dağılımı veya kirlilik gibi etkenler araştırılır. Örneğin, çeşitli araştırmalarda sırasıyla tarla bitkileri, meyve ağaçları veya tropik orman örnekleri hiperspektral ile taranarak başarıyla sınıflandırılmıştır. Günümüzde alıcısal Fourier spektroskopisi, ağırlıklı çift girişli lazerler gibi yeni teknolojilerle mini hiperspektral kameralar IoT/İHA çözümlerine entegre edilmektedir.
Neden Hiperspektral?
Hiperspektral görüntüler, klasik multispektral kameralardan çok daha fazla ayrıntı taşır. Multispektral sistemler 5–10 geniş bantla çalışırken, hiperspektral sistemler yüzlerce dar bant yakalar ve çok benzer spektral özellikleri bile ayırt eder. Örneğin aynı renkte görünen iki bitki türü, belirli dalga boylarındaki küçük yansıma farklarıyla ayrılabilir. Bu zengin bilgi, malzeme tanımlama, kimyasal bileşim ya da bitki sağlığı analizinde kritik rol oynar. İHA’lara entegre hiperspektral kameralar, yapraklardaki kimyasal değişimleri erken yakalayarak tarım, ormancılık ve şehir izleme gibi alanlarda yeni olanaklar sunar.
Sensör Çeşitleri: Multispektral, Hiperspektral ve Termal Arasındaki Farklar
Uzaktan algılamada birbiriyle ilişkili ama farklı üç sensör kategorisi vardır. Multispektral, hiperspektral ve termal. Aralarındaki farklar, izlenen elektromanyetik spektrum aralığı, bant sayısı ve kullanım amaçları üzerinden anlaşılabilir.
Multispektral Sensörler: Sınırlı sayıdaki geniş bantta görüntü alır (genelde 3–12 bant). Örneğin uydu platformlarında RGB (kırmızı-yeşil-mavi) kanallarına ek olarak yakın-IR bantları da bulunur. Landsat veya Sentinel-2 gibi uydular multispektral verileri standart olarak sağlar. Çıktısı görece basittir, boyutları küçük ve işlem yükü azdır. Bu sensörlerle nüfus haritalama, bitki örtüsü sınıflandırma, genel arazi kullanımı gibi işlemler yapılır. Çözünürlükleri genelde yüksek (3–30 m) olup, geniş alan taramalarına uygundur.
Hiperspektral Sensörler: Çok sayıda (100–1000) dar bantla çalışır. Her bant sadece birkaç nanometre genişliğindedir ve bu bantlar genellikle birbirine ardışık (sürekli) dizilidir. Bu sayede bir spektrometreden farksız her piksel, tam bir yansıma spektrumu verir. Hiperspektral veriler, malzeme karakterizasyonu, tarımsal hastalık tespiti, mineraloji gibi kimyasal bilgi gerektiren uygulamalarda tercih edilir. Dezavantajı, toplanan veri miktarının çok büyük olması ve işleme maliyetinin yüksek olmasıdır. Ayrıca veri hacmi yüksek olduğu için ağ ile gerçek zamanlı iletimi zor olabilir.
Termal Sensörler: Nesnelerden yayılan kızılötesi radyasyonu (yaklaşık 8–14 µm uzun dalga boyu) ölçerler. İnsan gözünin göremeyeceği bu aralıkta, nesnelerin sıcaklık haritasını çıkarır. Temel prensip, sıcak cisimlerin daha fazla termal radyasyon yaymasıdır. Termal görüntü her piksele bir sıcaklık değeri atar. Bu sensörler özellikle su stresi, yangın algılama, gece izleme gibi sıcaklık bazlı uygulamalarda kullanılır. Örneğin, hasar görmüş güneş panelindeki sıcak nokta veya su kıtlığındaki bitki ısısı termal kamerayla görülür.
Birlikte Kullanımı: Bu üç sensör türü birbirini tamamlar. Mesela bir tarla fotogrametrik modelle 3B haritalanır, multispektral veya hiperspektral görüntüyle bitki sağlığı analiz edilir, termal görüntüyle sulama ihtiyacı belirlenir. Kısacası multispektral genel renk ve doku, hiperspektral ayrıntılı kimyasal imza, termal ise sıcaklık bilgisi sağlar. Bu zengin verileri birleştirince tarımda verim optimizasyonu, ormancılıkta sağlıklı ağaç seçimi veya şehircilikte yeşil alan planlaması gibi görevler çok daha etkin bir şekilde yapılabilir.
Co-Registration ve CNN ile Güçlü Görseller
Birden fazla sensörden gelen görüntülerin aynı coğrafi koordinatlara oturtulması için co-registration (eşleme) şarttır. Farklı çözünürlük ve perspektifteki veriler hizalanır; GPS/IMU kaba uyum sağlasa da yüksek doğruluk için yazılımsal ek ayar gerekir. Örneğin, HSI ile DSM hizalamasında bina kenarları gibi ortak objeler kullanılarak dönüşüm parametreleri çıkarılır.
Bu aşamadan sonra veri füzyonu devreye girer: Düşük çözünürlüklü ama spektral açıdan zengin HSI, yüksek çözünürlüklü multispektral ile birleşip yüksek çözünürlüklü HSI üretir (MS/HS füzyon).
Son yıllarda CNN tabanlı derin öğrenme, farklı sensör verilerini yeniden yapılandırarak klasik yöntemlerden daha iyi sonuç vermektedir. Böylece dokusal, spektral ve yapısal bilgiler tek çıktıda birleşir.
Özetle, uzaysal olarak keskin, spektral olarak zengin görseller ve çok daha güçlü analizler. Bu sistem, tek halkalardan değil, tüm zincirin toplamından oluşan bir görsel üstünlük sağlar.
Co-Registration ve CNN Uygulama Alanları: Tarım, Ormancılık ve Şehir Planlama
Tarım: Akıllı tarımda uzaktan algılamadan büyük beklenti var. Bir İHA, tarlanın şekliyle birlikte her bitkinin rengi ve sıcaklığını kaydedebilir. Hiperspektral ve termal sensörler birlikte kullanıldığında bitki sağlığı, sulama ihtiyacı ve hastalık aynı anda belirlenir. Örneğin hiperspektral veri ve CNN ile mısır tohum çeşitleri %96.65 başarıyla sınıflandırılmış, zeytin ve turunçgillerde ise zararlı böcek takibi yapılmıştır. Toprak besin azlığı, su stresi veya hastalık belirtileri küçük yansıma değişimleriyle erkenden fark edilir. Multispektral büyük alanlarda hızlı tarama, hiper ve termal ise özel sorunları yakalama için idealdir. Böylece verim artar, kimyasal kullanımı azalır.
Ormancılık: Ormanlarda tür ve sağlık envanteri için fotogrametri ve spektral analiz birlikte kullanılır. UAV’dan alınan DSM ve hiperspektral görüntülerle tür ve hastalıklar belirlenebilir. Bir çalışmada sadece hiperspektralle %62 olan doğruluk, fotogrametri+HSI ile %90.5, LiDAR+HSI ile %96’ya çıkmıştır. Yani spektral bilgi ile 3B yapı birleşince başarı artar. Çam kese böceği gibi zararlılar, yaprak kuruması görünmeden bile spektral sinyallerle tespit edilebilir. Sararma evreleri dahi dalga boylarında yakalanarak müdahale süresi kısalır. Böylece orman korunur ve stoklar doğru planlanır.
Şehir Planlaması: Şehirlerde fotogrametriyle 3B modeller (örn. CityGML) çıkarılır; hiper ve multispektral görüntülerle çatı, cephe ve bitki örtüsü ayırt edilir. Termal veriler enerji kaçaklarını, asfalt ısı birikimini ve yeşil çatıları gösterirken; hiperspektral veriler bitki türleri ve yüzey kaplamalarını tanımlar. Almanya’daki bir çalışmada LiDAR+HSI ile %96, fotogrametri+HSI ile %90 doğrulukla ağaç envanteri yapılmıştır. Bu veriler kentsel tarım, altyapı, kirlilik izleme ve yangın risk analizlerinde kullanılır. Şehir planlamacıları şekli (3B) ve maddeyi (spektral) birlikte görerek daha sürdürülebilir kararlar alır.
Sonuç: Geleceğin Uzaktan Algılaması
Fotogrametri ve hiperspektral görüntüleme, günümüzde gelişen işlem gücü ve yapay zekâ sayesinde iç içe geçiyor. 3B haritalar ile her pikselin renk tayfı birleştiğinde, tarımda verim artışı, ormanda erken uyarı sistemleri ve şehirde akıllı altyapı mümkün oluyor. Bu teknolojiler veri entegrasyonuyla daha da güçleniyor. Bu sayede ne olduğunu görüp, neden olduğunu anlamak mümkün hale geliyor. Örneğin yaprak rengi değişimi, 3B kuraklık haritası ve termal sıcaklık ölçümü beraber yorumlanarak bir bitkinin stres altındaki kimyası açığa çıkartılabiliyor.
Gelecekte daha küçük ve ucuz sensörler yaygınlaşacak, uzaydan İHA’ya çok modlu görüntü sağlayan sistemler çoğalacak. Gerçek zamanlı veri akışları ve bulut tabanlı analizler, çiftçiden ormancılık görevlilerine hiç olmadığı kadar elverişli bilgi sunacak. Ancak tüm bu büyük gelişmelerin gerçekleşebilmesi için veri entegrasyonu ve füzyon büyük önem taşıyacak. Akıllı algoritmalar insan gözünün göremediği ayrıntıları ortaya çıkaracak. Ve unutmayalım ki; topraktaki, yapraktaki, binadaki en küçük değişimi dahi yakalayabilmek, insanlığın doğal kaynakları daha etkin korumasına olanak tanıyacaktır.
Yorumlar