Object Analyst, yüksek doğrulukta ve obje bazlı tematik sınıflandırma gerçekleştirmeyi mümkün kılan bir arayüzdür. Object Analyst arayüzünün iş akışı aşağıdaki şekildedir:

• Segmentation
• Attribute Calculation
• Training Sites Editing
• Supervised Calculation
• Unsupervised Calculation
• Rule-Based Classification
• Post Classification Editing
• Accuracy Assesment

Bu uygulamada kullanılacak verilere https://pcigeomatics.sharefile.com/d-sda1a58e9e0b412b9 linkinden ulaşılabilir.

Segmentasyon ve obje bazlı sınıflandırma işlemlerinde girdi verisi olarak kullanılacak katmanlar aşağıdaki şekilde açılabilir ve görüntülenebilir.

• Focus penceresinde Open sembolüne tıklanır ve indirilen “input.pix” dosyası, bulunduğu yol seçilerek açılır. Veri, otomatik olarakRGB kompozisyonunda açılır (R: 1, G: 2, B: 3)
• Files sekmesine tıklanır ve .pix dosyasında bulunan raster görüntüler, Rasters katmanı genişletilerek görülebilir.

• Layer 4 (Surface Model) katmanının üzerine sağ tıklanır ve View > As Grayscale seçeneği normalize edilmiş yüzey modeli gösterilir.layer 5 (Greenness Index) katmanının üzerine sağ tıklanır ve View > Pseudocolor seçeneği ile pseudocolor bir görüntü görüntülenir. Görüntüdeki kırmızı bölgeler yüksek orandaki yeşilrengini ve yeşil bölgeler ise daha düşük orandaki yeşil rengini temsil eder. Son olarak, Ground Truth Point vektör katmanının üzerine sağ tıklanır ve View seçeneği ile görüntülenir. Busegment, Training Sites Editing – Import Ground-Truth Points işlemlerinde kullanılacaktır.

• RGB katmanının pencerede görüntülenmesi için Maps sekmesinde en üste taşınır.

Görüntülerin ve müteakip katmanların (feature heights layer, greenness index layer) segmentasyonun adımları aşağıdaki gibidir.

• Focus penceresinden Analysis penceresi altından Object Analyst açılır. “Operation” listesi açılır ve “Segmentation” seçilir.

• “Source Channels” bölümünde Select butonuna tıklanır.
• “File” listesindeki tek dosya olan pix seçilir.
• Dosyadaki ilk 4 katman (5. Katman hariç) seçilir ve OK butonuna tıklanır.
• Segmentasyon yapılması istenen belirli bir alan (Area of Interest – AOI) seçilebilir ve böylece segmentasyon işleminin hızı artırılabilir. Bunun için istenilen alana ait sınırları belirten poligonun olduğu PCIDSK dosyası eklenir. Object Analyst penceresinde “Use area of interest” tik kutusu işaretlenir ve AOI listesinden PCIDSK dosyası ve istenilen poligonuiçeren katman seçilir.
• Parameters bölümünden Scale değeri 35 olarak
• Output bölümünden Browse butonuna tıklanır ve açılan File Selector penceresinde dosya adı “seg” olarak girilir ve dosya belirtilenyola Save butonu ile kaydedilir.
• Layer listesinden “New Layer” seçilir ve adı “tutorial_seg” olarak

• Add and Run  butonuna tıklanır ve işlem başlar. İşlem sonunda, segmentasyon katmanı Focus penceresinde görüntülenir.

• Object Anayst penceresinde Operation listesinden “Attribute Calculation” seçilir.
• Source Channels bölümünde Select butonuna tıklanır ve 5 bandın tamamı seçilir.
• Band Alias sütunundaki isimler B01 > Red, B02 > Green, B03 > Blue, B04 > Heights ve B05 >Greenness olacak şekilde değiştirilir ve OK butonuna tıklanır.
• Attributes to Calculate bölümünde bulunan Statistical kısmı genişletilir ve “Mean” ifadesinin yanındaki tik kutusu işaretlenir. Geometrical kısmı genişletilir “Compactness”, “Elongation”, “Circularity” ve “Rectangularity” ifadelerinin yanındaki tik kutularıişaretlenir.
• Add and Run butonuna tıklanır ve işlem başlatılır.

• Maps sekmesinde bulunan pix:2. Tutorial_seg katmanı üzerine tıklanır ve Attribute Manager açılır.
• Açılan öznitelik tablosunda, seçtiğimiz Mean_red, Mean_green, Mean_blue ve Rectangularity gibi başlıklara sahip yeni sütunlar görülebilir.

• Maps sekmesinde bulunan pix:2. Tutorial_seg katmanı üzerine tıklanır ve Attribute Manager açılır.
• Açılan öznitelik tablosunda, seçtiğimiz Mean_red, Mean_green, Mean_blue ve Rectangularity gibi başlıklara sahip yeni sütunlar görülebilir.

Bu adımda, supervised classification için gerekli olan eğitim alanları (training sites) belirlenir. Aynı zamanda, sınıflandırma işleminden sonra doğruluk değerlendirmesi için gerekli olacak doğrulama bölgeleri (validation sites) belirlenir.

• Object Analyst penceresinde Operation listesinden “Training Sites Editing” seçilir.
• Training Vector Layer olarak pix: 2[VEC]:tutorial_seg dosyasının seçili olduğuna emin olunur. Bu dosya, bir önceki segmentasyon uygulamasında üretilmiş dosyadır.

• “Edit…” butonuna tıklanır ve Training Sites Editing penceresinden manuel olarak eğitim alanı seçilir.
• Ground-Truth Points: Segmentasyon poligonları için eğitim sınıfı tanımlayacak ground-truth bilgisini içeren bir nokta katmanı kullanılır.

• “Edit…” butonuna tıklanır ve Training Sites Editing penceresi açılır. “Training Field” alanı Training olarak seçilir ve Add Class butonuna tıklanarak alttaki Class Name sütununa Class 1 adında yeni bir satır
• Class 1 satırının adı Buildings olarak değiştirilir. Color listesinden, sınıfı temsil edecek olan bir renk seçilir (örneğin dark grey – koyu gri)
• Bu şekilde 5 adet sınıf daha
  • Pavement (light grey – açık gri)
  • Soil (orange – turuncu)
  • Forest (dark green – koyu yeşil)
  • Field (yellow – sarı)
  • Grass (bright green – açık yeşil)

• Buildings sınıfına ve ardından Individual Select  aracına tıklanır.

• Focus penceresinde CTRL butonuna basılı tutulurken, binalar ile üst üste gelen segmentasyon poligonları seçilir (farklı şekilde verenkte olmak üzere en az 30 adet bina seçilir).
• Belirli bir sayıda farklı bina poligonu seçildikten sonra, bu poligonları Training Count sütunundaki Buildings sınıfına eklemek içinTraining Sites Editing penceresindeki Assign butonuna tıklanır.
• Individual Select yardımıyla tekrar 20 bina daha seçilir.
• Diğer 5 sınıf için, her birinde en az 25 şekil seçmek üzere, aynı adımlar tekrarlanır. Seçimde mümkün olduğunca birbirinden farklı vedoğru seçimler yapmaya dikkat edilir.

• Bu adımlar, Accuracy Count için aynı şekilde manuel olarak tekrarlanabilir, veya alt bölümde açıklandığı şekilde Ground Truth Pointsverisi yüklenir.

Import Ground-Truth Points

• Ana Object Analyst penceresinden Training Sites Editing seçildikten sonra Import butonuna tıklanarak sırasıyla pix dosyası, Ground Truth Points katmanı ve Class alanı seçilir. Buradaki noktalar, accuracy assessment (doğruluk değerlendirmesi) için kullanılacaktır.
• Segmentation katmanında ground-truth point içeren her poligon, Class alanındaki değere göre özel bir Accuracy Assessment sınıfına eklenecektir. Bu değerler, Ground-Truth Point segmentinin öznitelik tablosundan görülebilir.
• Conflict-resolution rule kısmı First olarak değiştirilir, Import butonuna tıklanarak noktalar çalışmaya eklenir ve bir rapor penceresi açılır.

• Training Sites Editing penceresi açılıp Training Sites olarak Class seçildikten sonra, eklenen noktalardan sonra oluşan yeni Accuracy Assessment poligonları görüntülenebilir. Her bir Accuracy Assessment sınıfı için en az 15 training sites Her bir sınıfı doğruluk değerlendirmesi için ekstradan eğitim alanları seçilebilir. Seçimden önce, Sample Type olarak Accuracy Assessment ifadesinin seçili olduğuna emin olunur.

• “Edit…” butonuna tıklanır ve Training Sites Editing penceresinden manuel olarak eğitim alanı seçilir.
• Ground-Truth Points: Segmentasyon poligonları için eğitim sınıfı tanımlayacak ground-truth bilgisini içeren bir nokta katmanı kullanılır.

• Object Analyst penceresinde Operation kısmından Supervised Classification seçilir. Vector Layers and Fields bölümündeki “Select…” butonuna tıklanır ve açılan Vector Layer and Field Selector penceresinde Layer alanında “tutorial_seg” katmanının seçili olduğuna ve “Area”, “Perimeter”, “PixelValue” ve “Class_Count” haricindeki diğer tüm alanların (Fields) yanındaki tik işaretlerinin seçiliolduğuna emin
• OK butonuna tıklanır, Training Field listesinden Training seçilir.
• Output Class Field kısmının ismi Supervised olarak girilir. Classifier bölümündeki SVM kernel kısmı Radial-Basis Function seçili olarak bırakılır. “Normalize data” ifadesinin seçili olduğuna emin olunur ve ardından Add and Run  butonuna tıklanır.

• İşlemin sonunda, Maps sekmesindeki Training layer katmanının tik işareti kaldırılarak sonuçlar gözlemlenebilir. Post-Classification >Class Edit ile sınıflandırmanın temsil şeklinde değişiklik yapılabilir.

Supervised classification işlemine alternatif olarak unsupervised classification (referanssız sınıflandırma) uygulanabilir. Referanssız sınıflandırma uygularken eğitim alanı seçmeye gerek duyulmaz. Bu sınıflandırma, seçili niteliklerde veri kümeleri bulmak üzere uygulanır. Object Analyst, k-means clustering algoritmasını kullanarak referanssız sınıflandırma uygular.

• Object Analyst penceresinde Operation kısmından Unsupervised Classfication seçilir. Select butonuna tıklanır, segmentation dosyası ve tutorial_seg katmanı seçilir. “Area”, “PixelValue”, “Class_Count” ve “Supervised_classlabel” haricinceki diğer alanların tikkutuları işaretlenir.
• Output Class Field kısmının ismi Unupervised olarak değiştirilir, Clusters değeri olarak 7 girilir ve Add and Run butonuna tıklanır.

• Unsupervised classification işleminin sonucu Maps sekmesinde görüntülenir. Supervised classification işleminin sonucu da yüklenerekiki sınıflandırma türünün verdiği sonuçlar karşılaştırılabilir.

• Referanssız sınıflandırmada, oluşturulan sınıflardan hangisinin yersel elemanlarla en iyi örtüştüğünün belirlenmesi gerekir. Oluşturulmuş sınıflardan birinde, birden çok sınıfa ait olması gereken yersel elemanlar mevcut ise, Rule-Based Classification yardımıile ekstra sınıflar

Bu bölümde, doğruluk değerlendirmesi yapmak için uygulanması gereken adımlar gösterilecektir.

Accuracy assessment işlemi, sınıflandırma sonuçları Rule-Based Classification işlemi ile düzeltilmeden önce veya sonrauygulanabilir. Fakat düzeltmeden önce değerlendirme yapmak, hangi sınıflarda düzeltme yapılması gerektiğini öğrenmemizi sağlar.

• Error (Confusion) Matrix – eğitim ve doğruluk alanlarından hangilerinin farklı sınıflara atandığı hakkında detay verir
• Accuracy Statistics – elemanların ne kadar iyi sınıflandırıldığına dair kullanışlı istatistikler sunar

Supervised ve Unsupervised Classification algoritmalarına ek olarak, sınıflandırma için özel kurallar tanımlanabilir. Böylece arazi veveri hakkındaki bilinenlere dayanarak, bir örneğin (sample) bir sınıfa üyeliğini belirleyen kriter seçilebilir. Tanımlanacak olan kural ile, alanlara bir sınıf atanabilir veya bir alan sınıftan çıkarılabilir.

Attribute Visualization

Attribute Visualization penceresinde, vektör katmanındaki objeler (poligon segmentleri), bir niteliğe (alan) veya değer aralığına (filtre) göre seçilebilir. Referanslı sınıflandırmada, gölgelik alanlar orman (forest) olarak sınıflandırılmıştır. Rule-based classification kullanılarak, gölgelik alanlar yeni bir Shadow sınıfına atanacaktır.

• Object Analyst penceresinde Operation listesinden Rule-Based Classification seçilir. “tutorial_seg” katman olarak ve “Assign” ClassEdit olarak seçilir.
• Class Field, Supervised olarak değiştirilir. Class filter kısmı Forest olarak ve New class kısmı Shadow olarak girilir.
• Specify condition kısmındaki tik kutusu işaretlenir ve Attribute Visualization butonuna tıklanır.

• Açılan Attribute Visualization penceresinde, Class Field kısmı Supervised olarak ve Class Filter kısmı Forest olarak girilir.
• Range Field kısmı Mean_Greenness olarak değiştirilir. Greenness bandındaki gölgelik alanlar, asıl ormandan çok daha koyu olacaktır. Kaydırma butonları ile ayar yapıldıkça, farklı alanların seçildiği görülebilir. Bu ayar, yeteri kadar gölgelik alan seçilinceye kadar yapılır. Eğer maksimum değer (maximum value) çok yüksek ayarlanırsa, ormanlık alanların çoğunun gölgelik olarak sınıflandırılmasına sebep olunur.

• OK butonuna tıklanır ve Object Analyst penceresinde condition box kısmının, yapılan ayara göre doldurulduğu görülebilir. Add and Run butonuna tıklanır.

• Maps sekmesinde, referanslı sınıflandırmaya ait Representation Editor açılır. Burada yeni bir sınıf olduğu görülebilir. Bu sınıf için yeni bir renk atanır ve OK butonuna tıklanır. Böylece oluşturulan Shadow sınıfı sınıflandırmaya dahil edilir.

Sınıflandırma sona erdikten sonra; merge, split, dissolve polygons gibi işlemlerin yanında add new classes, remove existing classes veya reassign objects of a class gibi işlemler uygulanabilir.

Automatic Dissolve
Automatic dissolve, birbirine komşu iki poligonu sınıflarına göre birleştirir ve birleştikten sonra oluşan alanın ortasında kalan sınırlar kaldırılır.

• Object Analyst penceresindeki Operations listesinden Post-classification Editing seçilir.
• Type bölümünden Automatic Dissolve seçilir, Vector Layer kısmında Select butonuna tıklanır ve “tutorial_seg” seçilir.
• Class filter listesinden istenilen alan seçilir. Burada Supervised seçilecektir.
• Çıktı dosyası ve katman adı Output kısmında belirtilir, ardından Add and Run butonuna tıklanarak birleştirme işlemi gerçekleştirilir.Birleştirilen katman, Focus penceresine yüklenip açılabilir.

Interactive Edits
Automatic dissolve ile yapılan birleştirme işlemine bir alternatif de Interactive Edits işlemidir. Bunun için, sınıf bilgisi olan bir veya daha fazla poligon içeren bir katman seçilmelidir.

• Object Analyst penceresindeki Operation listesinden Post-classification Editing seçilir. Type bölümünden Interactive Edits ve Vector Layer bölümünden “tutorial_seg” seçilir. Poligonları birleştirmek için,
  • Merge Polygon  butonuna tıklanır.
  • Bir poligon seçilir. Ardından bu poligonu çevreleyen her poligon seçilerek orijinal poligon ile birleştirilir.
• Poligonlar, Split Polygon  aracı ile bölünebilir.
  • Bölünmek istenen poligon seçilir.
  • Seçildikten sonra Split Polygon butonuna tıklanır ve poligonun üzerinden bir çizgi çizilerek bölünür.

Class Edit
Gerektikçe, sınıflar üzerinde değişiklikler yapılabilir ve sınıflar silinebilir. Aynı zamanda sınıflara belirli objeler atanabilir ve sınıflarınnasıl gösterileceğini belirlemek için stilleri değiştirilebilir.

• Object Analyst penceresindeki Operation listesinden Post-classification Editing seçilir. Type bölümünden Class Edit seçilir ve Vector Layer bölümünde Select butonuna tıklanarak “tutorial_seg” seçilir.
• Class Field listesinden Supervised sınıfı seçilir.

• Edit butonuna tıklanır ve Class Editing penceresi açılır. Buradan sınıf eklenebilir, kaldırılabilir veya güncellenebilir. Sınıfların gösterileceği renk ve stiller de bu pencere üzerinden belirlenebilir ve değiştirilebilir.
• Bir sınıf eklemek için, Class Editing penceresindeki Add butonuna tıklanır, sınıf yeniden isimlendirilir. Bu yeni sınıf listede seçildikten sonra, Selection Tool yardımıyla Focus penceresi üzerinden bu sınıfa atanmak istenen alan seçilir ve Assign butonuna tıklanarak alan seçili sınıfa atanır.
• Bir sınıfa atanmış alanları yeniden başka bir sınıfa atamak için, atama yapılacak sınıf listede seçildikten sonra yeniden atanacak alan seçilir. Birden çok alan tek seferde seçilebilir. Seçilen alanlar Assign butonu ile seçilen yeni sınıfa atanır.

• Varolan bir sınıfı kaldırmak için, kaldırılmak istenen sınıf listeden seçilir ve Remove butonuna tıklanarak kaldırılır. Bir sınıfın kaldırılabilmesi için, kendisine atanmış bütün alanların başka sınıflara atanmış olması Sınıf, ancak boş olduğu zaman kaldırılabilir.

• Maps sekmesinde, referanslı sınıflandırmaya ait Representation Editor açılır. Burada yeni bir sınıf olduğu görülebilir. Bu sınıf için yeni bir renk atanır ve OK butonuna tıklanır. Böylece oluşturulan Shadow sınıfı sınıflandırmaya dahil edilir.

Object Analyst – Batch Classification (toplu sınıflandırma) işlemi ile birden fazla veri setinde kolaylıkla obje bazlı sınıflandırma gerçekleştirilebilir. Bu iş akışına göre, sınıflandırma ilk önce tek bir görüntü üzerinde yapılır. Bu görüntüde yapılan sınıflandırmanın sonucu kabul edilebilir ise, aynı sınıflandırma işlemi birkaç görüntü üzerinde toplu olarak uygulanabilir. Batch Classification ile sırasıyla Segmentation, Attribute Calculation, SVM Classification ve istenirse Rule-Based Classification adımları uygulanır.

Uygulanacak toplu sınıflandırmada her bir görüntüden iyi sonuç alabilmek için, kullanılacak görüntülerdeki arazi örtüleri birbirinebenzer olmalıdır. Bu uygulamada kullanılacak görüntülerden ikisinde bulutlu bölgeler varken, sınıflandırmanın uygulanacağı ilk görüntüde bulut yoktur. Bunun sonucunda, bulut içeren görüntülerdeki bulutlu kısımlar, ilk görüntüde oluşturulan bir bulut sınıfı olmayacağı için yanlış olarak sınıflandırılacaktır. Batch Classification ardından, bulut içeren iki görüntüde Rule-Based Classification uygulanarak yeni bir bulut sınıfı oluşturulacaktır.

Bu uygulamada kullanılacak verilere https://pcigeomatics.sharefile.com/d-s34d5345eb8441d6a linkinden ulaşılabilir.

İlk Görüntüde Object Analyst Classification Uygulanması

LC08_L1TP_018030_20150603_20170226_01_T1 isimli 3 Haziran 2015 tarihinde ait görüntü sınıflandırmanın yapılacağı ilk görüntü olarak kullanılacaktır. Tek bir görüntü üzerinde yapılan sınıflandırmanın adımları bir önceki bölümde detaylı bir şekilde anlatılmıştır.

Aşağıda belirtilecek adımların tamamı uygulanmalı ve uygulanan adımların hepsi Process Canvas bölümünde bulunmalıdır. Batch Classification uygularken, uygulanacak her adım için referans gösterilmesi gerekecektir.

Object Analyst ile çalışırken, Focus projesinin sürekli kaydedilmesi önemlidir. Bu sayede, uygulanan adımlar Process Canvas bölümünde de kayıtlı olacaktır. İlk adım olarak Segmentation uygulanır.

• Focus penceresindeki Analysis sekmesinden Object Analyst seçilir ve açılan Object Analyst penceresindeki Operation listesinden Segmentation seçilir.
• Source Channels bölümündeki Select butonuna tıklanır ve uygulama yapılacak ilk görüntü June2015.pix seçilerek görüntüdeki 2 ila 6 numaralı bantlar seçilir. Ardından OK butonuna tıklanır.
• Scale (ölçek) değeri 35 olarak değiştirilir. Böylece, varsayılan ayara göre daha büyük alanlar oluşturulacaktır.
• Çıktı dosyası ve katman adı belirtildikten sonra Add and Run butonuna tıklanır ve yeni Segmentation katmanı Focus penceresinde açılır.

Ardından Attribute Calculation adımına geçilir.

• Operation listesinden Attribute Calculation seçilir. Source Channels listesinde, Segmentation adımında kullanılan bantların aynısı seçilir.
• Attributes to Calculate bölümünde Statictical kısmındaki Mean and Vegetation Indices: NDVI seçilir. Ardından Add and Run butonuna tıklanarak işlem gerçekleştirilir.

Training Sites Editing işlemi işe sınıflandırmada kullanılacak eğitim alanları belirlenir.

• Operation listesinden Training Sites Editing seçilir. Training Vector Layer kısmında Segmentation katmanının seçili olduğuna emin olunur.
• Edit… butonuna tıklanır ve açılan Training Sites Editing penceresinde Training Field kısmında Training ifadesinin seçili olduğuna emin
• Add class butonuna tıklanarak, istenilen sayıda sınıf eklenir ve sınıfların isimleri ekran görüntüsündekine benzer bir şekildedeğiştirilebilir.

Seçim yapılacak sınıf listede seçildikten sonra, Individual Select Tool  butonuna tıklanır ve Focus penceresinde CTRL butonuna basılı tutularak, segmentation ile oluşturulan ve seçili sınıfa ait olan poligonlar seçilir. Seçim bittikten sonra Assign butonuna tıklanarak seçim kaydedilir. Aynı işlem, oluşturulan diğer sınıflar için de gerçekleştirilir.

Eğitim alanları seçiminin ardından, Supervised Classification adımına geçilir.

• Operation listesinden Supervised Classification seçilir.
• Vector Layer and Fields bölümündeki Select… butonuna tıklanır, açılan pencerede Layer bölümünde pix katmanının seçili olduğuna emin olunur. Fields listesindeki Mean ve NDVI alanlarının seçili olduğuna emin olunur ve OK butonuna tıklanır.
• Training Field listesinden Training seçilir, Output Class Field kısmı SupClass olarak değiştirilir ve Classifier olarak SVM – Support Vector Machine seçilir.
• Save Training Model ifadesinin yanıdaki tik kutusu işaretlenir ve modelin kaydedileceği yol ve adı Bu adımda, Segmentationnitelik tablosunda bulunan training sample’lar ve obje nitelikleri kullanılarak bir dizi hiperdüzlem (hyperplanes) oluşturulur ve bunlar Support Vector Machine (SVM) training modelini içeren bir çıktı dosyasına yazdırılır. Ardından Add and Run butonuna tıklanır.

• Sınıflandırma sonuçları Focus penceresinde görülebilir.

Eğer istenirse, önceki bölümde anlatıldığı üzere Post Classification Editing yardımıyla sınıfların renk ve opaklık gibi ayarları düzenlenebilir. Bu ayarların aynı şekilde farklı dosyalarda kullanılabilmesi için, bu temsil (representation) ayarlarının kaydedilmesi gerekir. Bunun için,

• Focus penceresinde Maps sekmesinde new vector layer’a sağ tıklanarak Representation Editor açılır.
• Yapılan ayarlar, Save butonuna tıklanarak

Bu aşamadan sonra, üzerinde çalışılan Focus projesi kaydedilir. Uygulanan ilk sınıflandırmada daha fazla iyileştirme yapmakistenirse, önceki bölümde açıklanan şekilde Rule-Based Classification yapılabilir.

Batch Classification
İlk görüntünün başarılı şekilde sınıflandırılmasının ardından, sınıflandırma diğer görüntüler üzerinde de uygulanabilir.

• Operation listesinden Batch Classification seçilir. Input Images bölümünde diğer görüntülerin bulunduğu klasör Browse butonu iletanıtılır.
• Output bölümünde Browse butonu yardımıyla, sınıflandırma bilgilerini içeren segmentasyon dosyalarının kaydedileceği yol belirtilir.
• Supervised Classification adımında kaydedilen model, Training Model bölümünden seçilir.
• Batch Classification işlemini Process Canvas penceresine eklemek için Add butonuna tıklanır. Eklenen Batch Classification işlemi dahilinde bulunan Segmentation, Attribute Calculation ve SVM Classification adımlarının kırmızı renkte olduğu görülebilir. Toplu sınıflandırma işlemine başlamadan önce, bu adımların her birinin tanımlanması gerekir. Bunun için, Process Canvas penceresinin üst kısmında bulunan adımların her birine sağ tıklanır ve Add > Batch Classification seçilerek her biri toplu sınıflandırma işleminetanıtılır.

• Batch Classification işlemini uygulamak için Process Canvas penceresinde Batch Classification üzerine sağ tıklanır ve Run seçeneği ile toplu sınıflandırma işlemine başlatılır.

• Input Images klasöründeki her görüntünün Segmentation, Attribute Calculation ve Classification adımlarına ait işlemlerini gösteren bir pencere açılır. Oluşturulan her yeni segmentasyon dosyası, belirtilen çıktı klasörüne kaydedilir.

• İşlemin tamamlanmasının ardından, oluşturulan dosyalar Focus penceresinde açılarak sonuçlar görüntülenebilir.

Daha önce kaydedilen RST dosyası kullanılarak, yeni oluşturulan sınıflandırma haritalarının ilk oluşturulan sınıflandırma haritası ile aynı şekilde temsil edilmesi sağlanır. Bunun için,

• Focus’ta Maps sekmesindeki Unnamed Map üzerine sağ tıklanır ve Representation > Load seçeneği ile yüklemek istenen RST dosyası seçilir ve Open butonuna tıklanarak açılır. Açılan RST dosyası Maps sekmesindegörülebilir.
• Ek segmentasyon dosyaları Focus’ta açılır ve Maps sekmesinde, dosyanın üzerine sağ tıklanarak Representation Editor açılır. Buradaki Attribute listesinden SupClass seçilir, OK butonuna tıklanır ve RST dosyasındaki ayarlar bu dosya için uygulanır. Aynıişlem diğer iki dosya için de uygulanır.

Batch Classification ardından, 2016 yılında çekilmiş görüntüde yanlış sınıflandırılmış bulutlu bölgeleri

yeniden sınıflandırmak için, Rule-Based Classification uygulanacaktır. Benzer işlem, 2019 yılında çekilmiş görüntüdeki bulutlu bölgeleri yeniden sınıflandırmak için de uygulanabilir.

Bulutlar ile diğer alanların ayrımını daha iyi yapabilmek için, 2016 tarihli görüntüde Attribute Calculation işlemi tekrar uygulanarak, Landsat-8’deki Cirrus bandında bulunan maksimum değer Max_CIR adıyla hesaplanmış ve kaydedilmiştir.

• Operation listesinden Rule-based Classification seçilir. Pix dosyasındaki Segmentation katmanının seçili olduğuna emin
• Class Edit kısmı Assign olarak bırakılır. Class Field kısmı SupClass, Class Filter kısmı Urban_Bright, New Class kısmı Clouds olarak değiştirilir. Specify Condition yanındaki tik kutusu işaretlenir ve Attribute Visualization penceresi açılır.
• Açılan pencerede Class Field kısmı SupClass olarak, Class Filter kısmı Urban_Bright olarak ve Range_field kısmı MAX_CIR olarak değiştirilir.
• Minimum ve maksimum değer ayar barları kullanılarak, bulutlu alanlar seçilir. Seçilen aralıkta MAX_CIR değerleri içeren alanlar, sarı renkte gösterilir. Bulutlu alanlar seçildikten sonra OK butonuna tıklanır, ardından Rule-based Classification işlemi başlatılarak seçili alanlar Clouds sınıfında olmak üzere yeniden sınıflandırılır.