Günümüzde yüksek çözünürlüklü uydu görüntüleri, geleneksel hava fotoğraflarının yerini alarak haritacılık ve coğrafi bilgi sistemleri (CBS) uygulamalarında devrim yaratmıştır. Ancak bu görüntülerin harita üretimi amaçlı kullanılabilmesi için geometrik bozulmaların doğru bir şekilde düzeltilmesi kritik öneme sahiptir. Hava koşulları, arazi eğimi, algılayıcı eğimi, platformun konumu ve yöneltmesi gibi birçok faktör, ham uydu görüntülerinde ciddi geometrik hatalara yol açar. 1970’lerdeki Landsat-MSS gibi nadir bakış açılı ve düşük çözünürlüklü görüntülerde bu bozulmaların etkisi ihmal edilebilirken, günümüzün milimetrenin altında çözünürlüklü, farklı bakış açılarından (off-nadir) alınan sayısal görüntüleri için durum değişmiştir. Bu nedenle, uydu görüntülerinin temel harita ürünleriyle veya diğer coğrafi verilerle birlikte kullanılabilmesi için ortogörüntü adı verilen, tüm bozulmaların, özellikle de arazi rölyefinin düzeltildiği ürünlere dönüştürülmesi gerekmektedir.

Bu blog yazısında, uydu görüntülerinin geometrik yöneltilmesinde kullanılan temel yöntemleri, özellikle “Fiziksel Algılayıcı Modeli-Rigorous Sensor Model (RSM)” ve “Rasyonel Fonksiyon Modeli-Rational Function Model (RFM)” yaklaşımlarını, bu modellerdeki sistematik hata (bias) tekniklerini ve elde edilen doğruluk seviyelerini ayrıntılı olarak inceleyeceğiz.

Algılayıcı Modelleri: Görüntüden Gerçek Dünyaya Köprü

Bir algılayıcı modeli, 3 boyutlu nesne koordinatları ile 2 boyutlu görüntü piksel koordinatları arasındaki geometrik ilişkiyi tanımlar. Temel olarak iki ana algılayıcı modeli bulunur: fiziksel algılayıcı modelleri ve genelleştirilmiş algılayıcı modelleri (Toutin (2004)).

1. Fiziksel Algılayıcı Modeli (RSM)

Fiziksel algılayıcı modeli, algılayıcının konum ve yöneltme bilgilerini kullanarak gerçek fiziksel görüntüleme sürecini temsil eder. Bu modeller, kolineerite (doğrusallık)  koşuluna dayanır ve bir görüntü noktasının, bir nesne noktasının ve izdüşüm merkezinin tek bir doğru üzerinde yer aldığını varsayar. Modern yüksek çözünürlüklü uydular (örneğin, Ikonos, QuickBird, WorldView-1/2, GeoEye-1 vb.) genellikle Doğrudan Yöneltme (Direct Georeferencing) yeteneğine sahiptir. Bu, uyduların GNSS alıcıları, ataletsel navigasyon sistemleri (INS) veya yıldız izleyiciler gibi dahili algılayıcılar aracılığıyla kendi konum ve yöneltme bilgilerini yüksek doğrulukla kaydettiği anlamına gelir. Bu on-board veriler, RSM’nin yöneltme parametrelerini doğrudan belirlemesine veya mevcut parametreleri iyileştirmesine olanak tanır ve böylece Yer Kontrol Noktası (YKN) ihtiyacını azaltır (Jacobsen (2008)).

2. Rasyonel Fonksiyon Modeli (RFM)

Rasyonel Fonksiyon Modeli (RFM), fiziksel algılayıcı modeline bir alternatif olarak hizmet veren genelleştirilmiş bir algılayıcı modelidir. Görüntü koordinatlarını nesne koordinatlarının (boylam, enlem, yükseklik) bir oranı olarak tanımlayan rasyonel fonksiyonlar, yani polinom oranları şeklinde ifade edilir. Genellikle “Rasyonel Polinom Katsayıları (RPC’ler)” olarak adlandırılan bu katsayılar, 3. derece polinomlarla tanımlanır ve her bir pay veya paydada yirmi terimli kübik bir form içerir. Bu polinomların katsayıları, algılayıcının yöneltmesini çok yüksek bir doğruluk seviyesinde yeniden ifade eder.

RPC’ler genellikle görüntü sağlayıcıları (örneğin Space Imaging, Digital Globe) tarafından “topoğrafya bağımsız” (terrain-independent) bir yaklaşımla sağlanır. Bu yaklaşımda, algılayıcının fiziksel modeli kullanılarak bir görüntü gridi ve buna karşılık gelen bir nesne gridi oluşturulur. RPC’ler daha sonra bu grid noktaları kullanılarak bir en küçük kareler çözümüyle tahmin edilir. Bu yöntem, RPC’lerin orijinal fiziksel algılayıcı modellerine çok yüksek bir yaklaşıklık doğruluğu elde etmesini sağlar. Örneğin, Ikonos görüntüleri için RPC modelinin katı algılayıcı modeline göre 0.04 pikselden daha düşük bir hata verdiği bildirilmiştir. Bu, RFM’nin, fotogrametrik uygulamalarda fiziksel algılayıcı modellerinin güvenli ve tam teşekküllü bir ikamesi olabileceği anlamına gelir.

Bununla birlikte, RPC’lerin belirlenmesinde “topoğrafya bağımlı” (terrain-dependent) bir yaklaşım da mevcuttur. Bu senaryoda, RFM, gridler oluşturulmadan doğrudan YKN’ler kullanılarak karmaşık görüntüleme geometrisini yaklaşık olarak belirlemeye çalışır. Bu yöntem, yeterli sayıda ve iyi dağıtılmış YKN’ler mevcutsa yüksek doğruluk sağlayabilir. Ancak, yeterli kontrol bilgisi sağlanmadığında topoğrafya bağımlı yaklaşım, yüksek doğruluk gerektiren uygulamalar için yeterince sağlam bir çözüm sunmayabilir ve sayısal kararsızlıklara yol açabilir.

RFM’nin en önemli özelliklerinden biri “algılayıcı bağımsızlığı”dır. Bu, son kullanıcıların veya yazılım geliştiricilerinin, belirli algılayıcının karmaşık fiziksel modelini bilmek zorunda kalmadan farklı algılayıcılardan gelen görüntüler üzerinde fotogrametrik işlem yapabilmesini sağlar. Bu durum, çok sayıda farklı uydu ve algılayıcıdan gelen görüntülerin bir arada işlenmesini gerektiren uygulamalar için fotogrametrik birlikte çalışabilirliği (photogrammetric interoperability) büyük ölçüde artırır.

Sistematik Hata giderme ve RPC İyileştirmesi: Doğruluğu Artırmak

Uydu görüntüleme sistemlerinin üzerindeki verileri ne kadar hassas olursa olsun, üreticiler tarafından sağlanan RPC’lerde dış yöneltme hataları bulunabilir. Bu hatalar, özellikle konum belirlemedeki hatalardan kaynaklanır ve haritacılıkta kabul edilemez seviyelerde (örneğin Ikonos Geo görüntü ürünü için RMS 1-sigma 25 m) yöneltme hatalarına yol açabilir. Bu nedenle, mevcut RPC’leri YKN’ler yardımıyla iyileştirmek veya sistematik hataları telafi etmek mutlak doğruluğu metre veya santimetre seviyesine çekmek için çok önemlidir.

Sistematik hata giderme, genellikle iki ana yöntemle gerçekleştirilebilir:

1. Doğrudan İyileştirme Yöntemleri (Direct Refining Methods)

Bu yöntemler, orijinal RPC’leri doğrudan günceller. Mevcut RPC’leri hesaplamak için kullanılan orijinal YKN’ler ve ek yeni YKN’ler mevcutsa, RPC’ler bir toplu işlem ile yeniden hesaplanabilir. Sadece yeni YKN’ler mevcutsa, mevcut RPC’ler Kalman filtrelemesi veya sıralı en küçük kareler gibi artımlı yöntemlerle düzeltilebilir.

2. Dolaylı İyileştirme Yöntemleri (Indirect Refining Methods)

Bu yaklaşım, orijinal RPC’leri değiştirmeden, görüntü veya nesne uzayında tamamlayıcı veya birleştirilmiş dönüşümler ekler. En basit durumda, bu bir öteleme (translation) veya daha karmaşık durumlarda bir afin dönüşüm (affine transformation) olabilir.

• Görüntü Uzayında Öteleme: Fraser ve Hanley (2001) tarafından Ikonos görüntüleri için geliştirilen bir yöntemdir. Bu yöntemde, dış yöneltme hatalarının görüntü koordinatlarında basit iki ek parametre (Δx, Δy) olarak tezahür ettiği varsayılır. Bu iki hata parametresi, algılayıcı platformunun iki ortogonal yönde yanal bir kaymasını, yani algılayıcı yöneltme hatalarını telafi eden bir dış yöneltme düzeltmesini etkiler. Tek bir YKN bile bu hata parametrelerini belirlemek için yeterli olabilir, ancak çok noktalı, çok görüntülü dengeleme kullanılarak daha güvenilir sonuçlar elde edilebilir. Bu modelin basitliği ve çok farklı önyargı özelliklerine sahip görüntüler için uygulanabilirliği, onu pratik bir çözüm haline getirir.
• Görüntü Uzayında Afin Dönüşüm: Daha karmaşık sistematik hataları modellemek için afin dönüşüm kullanılabilir. Grodecki ve Dial (2003) tarafından önerilen bu blok dengeleme matematiksel modeli (RPC-BA), uzay aracı telemetrisindeki belirsizlikler ve Ikonos algılayıcısının geometrik özelliklerinden kaynaklanan etkileri modellemek için iki tamamlayıcı polinom (Δl, Δs) kullanır. Bu polinomların katsayıları (a0, a1, as, b0, bl, bs) fiziksel anlamlara sahiptir. Örneğin, a0 ve b0 sabitleri, ephemeris hataları, uydu eğim (pitch) ve yuvarlanma (roll) yöneltme hataları gibi tüm iz boyunca (in-track) ve çapraz iz (cross-track) ofset hatalarını giderir.
• Yörünge Uzayında Hata Giderme: RSM için on-board veriler (kamera merkezinin konumu, dönüklük açıları, evrensel koordineli zaman) kullanılarak bir ön dönüşüm modeli oluşturulur. Ardından, dış yöneltme parametrelerindeki (yörünge ve tutum parametreleri) kalıntılar, sıfır veya birinci dereceden polinom fonksiyonları olarak örnekleme zamanının bir fonksiyonu olarak telafi edilir. Bu yaklaşım, on-board verilerin hassas konum ve yöneltme bilgisi sağladığı durumlarda özellikle etkilidir.

Fotogrametrik Kullanım ve Gelecek

RFM ve RSM gibi algılayıcı modelleri, ortorektifikasyon, 3B detay toplama ve sayısal yüzey modeli (DSM) üretimi gibi birçok önemli fotogrametrik uygulama için kullanılmaktadır. Özellikle RFM’nin algılayıcı bağımsızlığı, farklı algılayıcı ve platformlardan alınan görüntülerin tek bir yazılım ortamında işlenmesini kolaylaştırarak fotogrametrik birlikte çalışabilirliği destekler. Bu, haritacılıkta veri entegrasyonu ve farklı kaynaklardan gelen verilerin bir arada kullanılabilirliği için önemli bir adımdır.

Sonuç olarak, yüksek çözünürlüklü uydu görüntülerinin potansiyelini tam olarak kullanmak için geometrik yöneltme ve sistematik hataların giderilmesi kritik süreçlerdir. Görüntü tedarikçileri tarafından sağlanan RPC’ler veya on-board veriler, yüksek rölatif doğruluk sunsa da metre veya santimetre seviyesinde mutlak doğruluk elde etmek için YKN’ler ve gelişmiş sistematik hata giderici modelleri vazgeçilmezdir. Basit öteleme modellerinden afin dönüşümlere ve yörünge uzayında yapılan düzeltmelere kadar çeşitli yaklaşımlar, farklı senaryolar ve doğruluk gereksinimleri için uygun çözümler sunar. Bu gelişmeler, uydu görüntülerinin çok çeşitli haritacılık ve coğrafi uygulamalarda daha yaygın ve güvenilir bir şekilde kullanılmasının önünü açmaktadır.

Kaynaklar

Grodecki, J., and G. Dial, 2003. Block adjustment of high-resolution satellite images described by rational polynomials, Photogrammetric Engineering & Remote Sensing, 69(1):59–69.

Hanley, H.B., and C.S. Fraser, 2001. Geopositioning accuracy of Ikonos imagery: Indications from 2D transformations, Photogrammetric Record, 17(98):317–329.

Jacobsen, K., 2008. Satellite image orientation, International Archives of Photogrammetry and Remote Sensing, 37(B1):703–709.

Toutin, T., 2004. Geometric processing of remote sensing images: Models, algorithms and methods, International Journal of Remote Sensing, Review Article, 25(10):1893–1924.

Dr. Altan YILMAZ