Landsat TM ve IRS Uydu Görüntülerinin Arazi Kullanımı ve Bitki Örtüsü Değişimlerini Belirleme Çalışmalarında Kullanımlarının Karşılaştırılması

Öz

Bu çalışmanın ana hedefi Landsat TM ve IRS görüntülerinin arazi sınıflaması sonuçlarının benzerlik gösterip göstermediği araştırmaktır. Kontrollü sınıflama yapmak için dijital hava fotoğrafları, çalışmada yer alan araştırmacıların önceki çalışmaları ve varolan arazi kulanım ve bitki örtüsü haritalarından faydalanılmıştır. Araştırma sonucunda, “ormanlık alanlarda”, “açık su alanlarında”, “meyve bahçelerinde” ve “palmetto ağaç” sınıflarında, her iki uydu görüntüsü (Landsat TM IRS) arasında benzerlikler olduğu gözlenmiştir. Buna karşın “açık alanlarda”, “sebze ve otlak alanlarda” ve “bataklıklarda” oldukça farklılıklar gözlenmiştir. Genel toplam doğruluk analiz sonuçlarına göre Landsat TM %86.3 ve IRS %88.4 doğrulukta kategorileri sınıflamıştır. Buna karşın golf alanı kategorilerindeki sınıflamada problem olduğu gözlenmiştir. Zamana bağlı çözünürlükte Landsat TM ve IRS görüntülerinin arasındaki 6 haftalık bir zaman diliminin bazı sorunların oluşmasına ve kategoriler arasında sınıflama hataların meydana gelmesine neden olduğu düşünülmüştür. Araştırmaya göre Landsat TM ve IRS görüntülerinin arazi kulanım ve bitki örtüsü değişim çalışmalarında birlikte kullanılmasının mümkün olduğu tespit edilmiştir.

Anahtar Kelimeler

• Doğruluk Analizi , Sınıflama, Indian Remote Sensing (IRS), Landsat TM

A COMPARISON OF LANDSAT THEMATIC MAPPER AND INDIAN REMOTE SENSING DATA FOR LAND USE AND LAND COVER CHANGE ASSESSMENT

Öz

The objective of this research focuses on comparing Landsat TM and IRS data and determining if similar classification can be achieved from datasets for certain land cover types. Supervised classification was performed using information from a combination of digital aerial photographs, a priori knowledge of the study site by the authors and existing Land Use Land Cover (LULC) maps. The “upland forest,” “open water,” “tree crops” and “palmetto prairie” categories show strong agreement in terms of percentage of LULC found in both Landsat TM+ and IRS classified images. Conversely, the “open land,” “cropland and pastureland” and “wetlands” categories display differences based on the land cover area. Based on the overall classification accuracies similar results were produced for both TM and IRS data of 86.3% and 88.4% respectively. On the other hand, certain LULC categories did not perform so well, such as the golf course. Temporal resolution between the TM and IRS images was six weeks, and this was considered a factor in the confusion between LULC category discrimination. This study showed that using Landsat TM and IRS in same study provide promising results for LULC studies.

Anahtar Kelimeler

• Accuracy, Classification, Indian Remote Sensing, Landsat TM

Kaynakça

1. 1. ANDERSON, J. R., HARDY, E. E., ROACH, J. T. AND WITMER, R. E., 1976. A Land Use and Land Cover Classification System for Use with Remote Sensor Data. U.S. Geological Survey, Professional Paper 964, p. 28, Reston, VA.
2. 2. CONGALTON, R. G. 1996. Accuracy Assessment: A Critical Component of Land Cover Mapping. GAP Analysis. ISBN 1-57083-03603 American Society for Photogrammetry and Remote Sensing. 1996.
3. 3. CONGALTON, R. G., AND K. GREEN. 1999. Assessing the Accuracy of Remotely Sensed Data. CRC Press, Boca Raton, FL. 137 pp
4. 4. ERDAS, 2001. ERDAS Field Guide. Earth Resources Data Analysis System. ERDAS Inc. Atlanta, Georgia.
5. 5. FOF, 2002. 1000 Friends of Florida. Building Better Communities. Source: http://www.1000friendsofflorida.org/PUBS/stmarksGreen/apend2.asp Assessed 05/01/2002.
6. 6. JENSEN, J.R., 1996. Introductory Digital Image Processing, A Remote Sensing Perspective. Prentice Hall. Upper Saddle River, New Jersey.
7. 7. JENSEN, J.R., 2000. Remote Sensing Of The Environment, An Earth Resource Perspective. Prentice Hall. Upper Saddle River, New Jersey, p.220.
8. 8. LILLESAND, T.M., AND KIEFER, R.W. 2000. Remote Sensing and Image Interpretation.4th Edition. John Wiley & Sons. New York, p.431.

9. 9. LUNETTA, R.S., AND BALOGH, M.E., 1999. Application of Multi-Temporal Landsat 5 TM Imagery for Wetland Identification. Photogrammetric Engineering and Remote Sensing. Vol.65. No.11, p.1303-1310.
10. 10. PRICE, K.P., PIKE, D.A., AND MENDES, L. 1992. Shrub Dieback in a Semiarid Ecosystem: The Integration of Remote Sensing and Geographic Information Systems for Detecting Vegetation Change. Photogrammetric Engineering and Remote Sensing. Vol.58. No.4, p.455-463.
11. 11. RAM, B., AND KOLARKAR, A.S. 1993. Remote Sensing Application in Monitoring Landuse Changes in Arid Rajasthan. International Journal of Remote Sensing. Vol.13, p.2783-2799.
12. 12. RICHARDS, J. A., AND JIA, X., 1999. Remote Sensing Digital Imaging Analysis: An Introduction. 3rd Edition. Springer-Verlag. New York, NY.
13. 13. ROBINOVE, C. J. 1981. The Logic of Multispectral Classification and Mapping of Land. Remote Sensing of Environment. Vol. 11, p.231-244.
14. 14. SMITH, K.G., DZUR, R.S., CATANZARO, D.G., GARNER, M.E., AND LIMP F.W. 1998. Statewide Biodiversity Mapping for Arkansas. The Arkansas GAP Analysis Final Report. Cooperative Agreement No.14-16-0009-1567. Source: http://www.cast.uark.edu/gap/preface.htm. Accessed 03/10/2002.
15. 15. SWAIN, P.H., AND DAVIS, S.M. 1978. Remote Sensing: The Quantitative Approach. McGraw-Hill. New York, NY.
16. 16. THOMAS, I.T., BENNING, V.M., AND CHING, N.P. 1987. Classification of Remotely Sensed Images. IOP Publishing Ltd. Bristol, England.
17. 17. USGS, U.S. Geological Survey, 2002. Digital Orthophoto QuadranglesSource: http://spatialnews.geocomm.com/education/tutorials/doq1/usgs_doq.html#doq16. Accessed 03/01/2002.
18. 18. WOLF, P.R., AND DEWITT, B.A., 2000. Elements of Photogrammetry with Applications in GIS. 3rd Edition. McGraw-Hill Companies Inc. New York