Mühendislik ve Teknoloji Tarihi İçin en önemli gelişmelerden biri olan uzaktan algılama kavramı yaklaşık yarım asırdır literatürde yer almaya başlamıştır.
Uzaktan algılama, nesnelerin yapısının onlarla doğrudan temas olmaksızın tanımlanmasını sağlayan bir araçtır. Dolayısıyla, Uzaktan Algılama belirli bir mesafeden (tipik olarak uydudan veya uçaktan) nesnelerden yansıyan ve yayılan radyasyonu ölçerek, onların fiziksel özelliklerini tespit etme ve izleme sürecidir.
Birleşmiş Milletler (95. Genel Kurul, 3 Aralık 1986)’e göre, Uzaktan Algılama, “algılanan nesneler tarafından yayılan, yansıtılan veya kırılan elektromanyetik dalganın özelliklerinden yararlanarak, doğal kaynak yönetimi, arazi kullanımı ve çevrenin korunmasının iyileştirilmesi amacıyla dünya yüzeyinin uzaydan algılanması” şeklinde tanıtılmıştır (Yadav ve diğ. 2013).
Uzaktan algılama verileri, hava ve iklim değişikliğini, makro ölçekte arazi kullanım değişikliklerini izlemek ve tahmin etmek ve sınırları izlemek ve korumak için kullanılan kritik bilgileri sağlar.
Uzaktan algılama, doğal kaynakları keşfetme ve kullanma şeklimizi devrimlendiren bir teknolojidir. Fiziksel temas olmadan yeryüzü hakkında bilgi edinme sürecidir. Bu teknoloji, yeryüzünün yansıyan ve yayılan radyasyonunu ölçmek için sensörler kullanır.
Uzaktan algılama ile bitki örtüsü, su kaynakları ve mineraller gibi yeryüzünün farklı yönleri hakkında bilgi toplayabiliriz. Uzaktan Algılamanın tarım, ormancılık, jeoloji ve çevre izleme gibi çeşitli kullanım alanlarına sahiptir. Kaynak keşfi alanında uzaktan algılama, mineral yataklarını, petrol ve gaz rezervlerini ve yeraltı su kaynaklarını tespit etmek için kullanılır. Uzaktan algılama ile, bu kaynakların varlığına işaret eden yeryüzünün özelliklerini belirleyebiliriz.
Kaynak Keşfinde Uzaktan Algılama, daha yüksek potansiyele sahip alanları belirlemek için kaynak keşfinde yaygın olarak kullanılır. Bu teknoloji, yeryüzü hakkında veri toplamak için kullanılır ve bu da jeologların ve madencilik şirketlerinin potansiyel mineral yataklarını belirlemelerine yardımcı olur. Uzaktan algılama aracılığıyla toplanan veriler, keşif faaliyetlerini planlamak ve yürütmek için kullanılabilir detaylı haritalar oluşturmak için büyük katkı sağlayabilmektedir.
Uzaktan Algılamanın Avantajları
Uzaktan algılama yöntemlerinin kullanım alanlarının giderek yaygınlık kazanmasındaki en önemli etken olarak, aşağıda özetlendiği gibi bu yöntemlerin sağladığı avantajlardan söz etmek gerekmektedir.
Geniş alan kapsamı: Uzaktan algılama araçlığıyla çok geniş araştırma alanların izleme ve inceleme fırsatı olmakla birlikte, çeşitli temalar üzerinde bölgesel araştırmalara ve son derece büyük yapıların
incelenmesine de olanak sağlanır.
Tekrarlanan alan kapsaması: Uzaktan algılama su, tarım alanları gibi dinamik temalar hakkında veri toplarken tekrarlana bilirlik fırsatı sunabilmektedir.
Ölçek ve çözünürlük çeşitliliği: Uzaktan algılama, giderek çoğalmakta olan birçok platform araçlığıyla, çeşitli ölçek ve çözünürlükler üzerinden verilerin kolayca toplanmasına imkân verir.
Çoklu kullanım: Uzaktan algılama yöntemleri ile elde edilen tek bir görüntü, çeşitli uygulamalarda ve amaçlarda kullanılmak üzere hızlı bir şekilde analiz edilebilir ve yorumlanabilir. Uzaktan algılanan görüntülerinden toplanabilecek bilgilerin kapsamı sınırsızdır.
Hasarsız: Uzaktan algılama yöntemleri özellikle pasif veri toplayan yöntemler, algıladığı nesnelere hasar vermeden, fenomenden yansıyan veya yayılan elektromanyetik enerjiyi kaydederek çalışır ve nesnelerin
yorumlanabilmesine imkan verirler.
İşlenme kolaylığı: Uzaktan algılanan verilerin analizi laboratuvar ortamında ve hızlı bir şekilde yapılabilmekte olup, saha çalışmalarını en aza düşürerek, zamansal ve ekonomik bakımdan büyük tasarruf sağlar.
Uzaktan Algılamanın Kullanım Alanları
Uzaktan algılama verilerinden elde edilen arazi örtüsü bilgileri, arazi kullanımı haritalaması ve değişkenlerin izlenmesi dahil olmak üzere çeşitli uygulamaların önemli bir parçasıdır. Son 30 yılda farklı uydu tabanlı AÖ/AK veri uygulamaları oluşturulmuştur. Bunlardan en önemlisi, doğal yaşam alanlarını önemli ölçüde etkileyen arazi örtüsü dinamiklerinin analizidir.
Bunun yanı sıra, sınıflandırma doğruluğunu ve hata oranını belirlemek için tümü istatistiksel analizler yapılabilecek çeşitli sınıflandırma yöntemlerini kullanan AÖ/AK haritalarının oluşturulmasına katkı sağlamaktadır. Arazi örtüsünün analizi ve sınıflandırma sonuçları dört ana özelliğe dayanmaktadır: zamansal, uzaysal, radyometrik ve spektral doğruluk. Günümüzün temel problemlerine ilişkin olarak Uzaktan Algılama (UA) teknolojisinin sağladığı faydalar ve kullanım alanları aşağıda özetlenmiştir.
| Alan | Çözümler |
| Haritacılık | Sayısal arazi modellerinin üretilmesi, Yeryüzü deformasyonlarının izlenmesi, Topoğrafı harita üretimi, |
| Hidroloji | Su kalitesi analizleri, Su kirliliği izleme, Sel haritalama ve izleme, Kar dağılım ve miktarını belirleme, Buz erimesi ve buz hareketi gözlem, Gemi atıklarını izleme, |
| Tarım | Arazi kullanımının belirlenmesi, Bitki tipini ayırma, Ürün çeşitliliğinin belirlenmesi, Bitki canlılığının izlenmesi, Bitki gelişimini izleme, Rekolte tahmini, Toprak nemi ve türünü belirleme, |
| Jeoloji ve Maden | Jeolojik yapı araştırmaları, Fay, çizgisellik ve kırıkların tanımlanması, Jeotermal araştırmalar, Deprem araştırmaları, Volkanik araştırma çalışmaları ve izleme, Maden ve yeryüzü kaynaklarının aranması, Petrol aramaları, Kayaç tiplerinin tespiti, Petrol sızıntılarının tespiti, |
| Ormancılık | Orman türlerinin haritalanması, Ağaç hastalıklarının izlenmesi, Ormansızlaşma ve çölleşme izleme, Kereste üretimi tahmini ve planlaması, Orman yangınlarının izlenmesi, |
| Çevre | Ekolojik gelişmelerin sürekli ve geniş ölçekte izlenmesi, Arazi örtüsü veya kullanımının haritalanması, Akarsu, deniz ve göl su kirliliklerinin belirlenmesi, Kıyı alanlarındaki değişimlerin izlenmesi, Sanayi alanları ve çevresindeki değişimlerin izlenmesi, Orman alanlarındaki değişimin izlenmesi, |
| Şehircilik Faaliyetleri | Arazi örtüsü ve kullanımının belirlenmesi, Şehirleşmedeki gelişimin izlenmesi, Zaman içinde meydana gelen değişimlerin belirlenmesi, Altyapı çalışmaları, Kaçak yapılaşmanın tespiti, Planlama çalışmaları, Sayısal yükseklik modeli üretimi, |
Multispectral vs Hyperspectral
Günümüzde yaygınlıkla kullanılan uydu görüntüleri ve Uzaktan Algılama yöntemleri esasen iki ana başlık altında sınıflandırılmaktadır. Multispektral ve hiperspektral görüntüler arasındaki temel fark, sahip oldukları bantların sayısı ve bant aralıklarıdır.
- Multispektral Uzaktan Algılama: Birkaç geniş dalga boyu bandında görünür, yakın kızılötesi ve kısa dalga kızılötesi görüntülerin elde edilmesini içerir. Farklı bileşenlerin farklı dalga boylarındaki farklı yansımalarından yararlanarak onların tespit edilmesini ve ayrışmasını sağlar. Multispektral görüntülerine bir örnek, 11 bant içeren Landsat 8‘dir. Bu görüntülerde 8, 10 ve 11 numaralı bantlar hariç bantların çözünürlüğü 30 metredir. 8. bant 15 metre çözünürlüğünde pankromatik, 10 ve 11. bantlar ise 100 metre çözünürlüğündedir.
- Hiperspektral Uzaktan Algılama: Her görüntü yüzlerce dar bant (10 ila 20 nm) içerir. Hiperspektral görüntülemeye bir örnek, 220 bantta 30 metrelik bir uzamsal çözünürlüğe sahip olan Hyperion‘dur. AVIRIS, 0,4 ila 2,5 µm dalga boyunda 224 kanallı başka bir örnektir.
Multispektral Uzaktan Algılama, yüzey komplikasyonlarının sınıflandırılmasında başarılı performans sergilemiş olsa da uydu görüntülerinin piksellerinde bulunan bileşenlerin daha detaylı incelenmesi, az sayıda spektral bant ile sınırlılık içermektedir.
Ancak, gelişmiş Hiperspektral Uzaktan Algılama yer yüzündeki bileşenlerin spektral imzasını yüzlerce spektral bant aralığında kaydederek, birçok araştırma alanında daha güçlü çözüm olanakları sunabilmektedir. Hiperspektral görüntülerin işlenmesi, çoklu bant sayısından dolayı işlemsel zorluk taşımakta olsa da, Multispektral görüntülerinin sınırlı bant aralığından dolayı, kimi zaman yeryüzü bileşenlerinin ayrışmasında yetersiz kalabilmektedir.
Hiperspektral Uzaktan Algılama, yer yüzeyinden ayrıntılı spektral bilgi sağlayarak ve görüntü işleme yöntemlerindeki sürekli artan gelişmeler nedeniyle, özellikle erişimi zor araştırma sahalarında mineral kaynaklarının dağılım haritasının oluşturulması gibi çeşitli bilim dallarında yaygın olarak kullanılmaktadır.
Multispektral görüntüleme ve hiperspektral görüntülemenin karşılaştırılması. Ayrık ışık yansıtma verileri multispektral sesörlerden üretilir. Sürekli ışık yansıtma verileri ise hiperspektral sensörlerden üretilir (Vines ve Zhang, 2022).
Karışık (Mixed) Piksel Problemi
Uydu görüntülerinin düşük uzamsal doğruluğu nedeniyle, piksellerde kaydedilen spektral imza, pikseli oluşturan temel bileşenlerin spektral davranışının bir kombinasyonudur,. Dolayısıyla, görüntülerin etkili bir şekilde sınıflandırılması yalnızca karışık piksellerin analiz edilmesi ve ayrılmasıyla mümkün olacaktır. Karışık piksellerin varlığı, hiperspektral verilerde yaygın ve dikkate değer bir sorun olarak karşımıza çıkmaktadır. Karışık piksel sorunu iki ana sebepten kaynaklanabilmektedir (Konstantinos, 2009; Chang, 2007).
- Sensörlerin düşük uzamsal doğruluğu ve bunun sonucunda görüntüde tamamen katışıksız (pure) piksellerin olmaması, özellikle mineraloji çalışmalarında
- Sensörün uzamsal doğruluğundan bağımsız olarak farklı bileşenlerin mikroskobik bir karışımda kombinasyonu.
Dolayısıyla, karışık bir pikseldeki yansıma, pikseli oluşturan maddelerin spektral yansımalarının bir kombinasyonu olacaktır. Bu durum ise, Spektral ayırıştırma algoritmalarının (spectral unmising) kullanım gerekliliğini ortaya koymaktadır. Böylelikle, pikseldeki yansımayı oluşturan uç elemanların spektral imzaları ve bağıl yüzdeliklerini belirlemek, bölgede güçlü bir sınıflandırma ve tanımlama için gerekmektedir. Uç elemanlar ise, bölgede bulunan mineraller, taşlar, su, bitki örtüsü vb. gibi bilinen makroskopik bileşenlere karşılık gelmektedir.
Karışık Piksel Problemi (Zhang ve diğ. 2014)
Spektral Ayrıştırma (Spectral Unmixing)
Hiperspektral sensörler, görünür, yakın kızılötesi ve orta kızılötesi dalga boyları (0.3-2.5 μm) aralığında yüksek spektral doğrulukla (10 nm) yüzlerce spektral bantla yer yüzeyindeki objelerin spektral özelliklerini kaydeder. Hiperspektral sensörlerin düşük uzamsal doğruluğu nedeniyle, pikselin kaydedilen yansıması, pikseli oluşturan uç bileşenlerin spektral imzasının bir karışımı olacaktır. Spektral ayrıştırma algoritmalarının kullanılması ise görüntülerin asıl bileşenlerin tespit edilmesi ve bu bileşenlerin dağılım haritasının oluşturulması için gereklidir. Hiperspektral ayrıştırma, karışık piksellerden kaydedilen spektral imzayı, pikseli oluşturan bileşenlerin veya yer yüzündeki objelerin spektral imzası ve onların pikseldeki yüzdelik oranına dönüştürülmesini ifade etmektedir (Lennon ve diğ 2001).
Spektral Ayrıştırma Aşamaları (Keshava, 2003)
Hiperspektral Verilerinin Karışım Modeli
Piksellerdeki karışıma düzeyi ve görüntü geometrisine bağlı olarak, gözlemlenen veri karışımı lineer olabilir veya olmayabilir. Lineer modellerde, yansıyan ışının yalnızca bir maddeden sağlandığı varsayılırken, Lineer olmayan modellerde ise farklı yüzey bileşenlerinin çoklu dağılımı olduğunda ortaya çıkar ve ışın yansıma modeli oldukça karmaşıktır. Lineer model basitliği nedeniyle araştırmalarda daha yaygınlıkla kullanılmaktadır. Bahsedilen iki karıştırma modelinin bir görüntüsü Şekilde gösterilmiştir (Bioucas-Dias & Plaza, 2011; Keshava, 2003).
Hiperspektral Verilerinin Karışım Modeli (Keshava, 2003)
Lineer Karışım Modeli (Linear Mixture Model (LMM))
Birçok çalışma alanlarında geçerli varsayılabilir yansıyan ışın saçılma mekanizmasının basitliği ve kabul edilebilir yaklaşımı nedeniyle, Lineer Karışım Modeli, Ayrıştırma algoritmalarının geliştirilmesinde ciddi ilgi görmüştür [Keshava, 2003, Hu ve diğ., 1999; Petrou, & Foschi, 1999; Heinz, ve diğ., 1999; Plaza ve diğ., 2004; Parente & Plaza, 2010; Plaza ve diğ., 2011).
Görüntüdeki spektral değişkenliğin çoğu, farklı yüzde oranlarına sahip elemanlardan kaynaklandığı varsayılırsa, uç elemanların (endmembers) spektral imzalarının bir lineer kombinasyonu, uzaktan algılama sistemlerinde kaydedilen spektral değişkenliğin modellenmesine yol açacaktır.
Lineer modelde, piksellerde kaydedilen spektral imza, bu pikselde bulunan uç elemanların ilgili yüzde oranları ile doğrusal bir kombinasyonu sonucu elde edilir (Shi & Wang, 2016):
r=Mf +e
Burada,
– r, pikseldeki yansımayı temsil eden bir L×1 sütun vektörüdür (L, toplam bant sayısıdır),
– M, her sütunun bir uç elemanın spektral imzasının karşılık geldiği bir L×P matrisidir (P, görüntüdeki uç eleman sayısıdır),
– f, uç elemanların pikseldeki yüzde oranlarını içeren bir P×1 sütun vektörüdür,
– e, görüntüleme zincirindeki herhangi bir gürültüyü ve diğer model yetersizliklerini açıklayan bir L×1 hata terimidir.
Yukarıdaki denklemde uç elemanların pikseldeki yüzde oranlarını yöneten fiziki limitler bulunmaktadır. Birincisi, pikseli oluşturan uç elemanların yüzde oranları negatif olamaz. İkincisi ise, pikseli oluşturan uç elemanların toplam yüzde oranı 100% olmak zorundadır.
Bağımlı Bileşen Analizi (DCA) ve Bağımsız Bileşen Analizi (ICA)
Spectral Ayrıştırma kapsamında, çeşitli araştırma alanlarına farklı algoritmalar geliştirilmiştir. Bu algoritmaların büyük çoğunluğu, piksellerin uç elemanlarının birbirinden bağımsız olduğunu var saymaktadır. Spectral Ayrıştırma probleminin daha basit hale indirgemesini amaçlayan bu yöntemlerin başında Bağımsız Bileşen Analizi (ICA) gelmektedir. Ancak özellikle, jeolojik ve mineralojik değerlendirme araştırmalarında, söz konusu bileşenlerin birbirinden bağımsız olduğunu var saymak biraz gerçekten uzak kalmaktadır.
Uç elemanların bağımlılığını hesaba katarak Spekral Ayrıştırmayı amaçlayan yöntemler arasında DECA algoritmasından bahsetmek gerekmektedir. LMM konseptine dayalı DECA algoritması başarıyla bağımlı değişkenlerin Spektral Ayrıştırmasında kullanılmıştır. DECA algoritmasında, uç elemanların yüzde oranları, Dirichlet yoğunluğunun karışımları (Mixtures of Dirichlet Densities) ile modellenir. Dolayısıyla, otomatik olarak bu modelin özelliklerine göre, elemanların yüzde oranlarına negatif olmama ve toplam bir sınırlılıkları (sabit toplam özelliği) uygulanır. DECA algoritmasında, parametrelerin tahmininde Beklenti Maksimizasyon (Expectation Maximization EM) yaklaşımı kullanılması nedeniyle, parametre tahmin süreci, Ayrıştırma işleminin etkinliğini etkiler (Nascimento & Dias, 2005).
Bağımlı değişkenlerin Spektral Ayrışımının daha etkili şekilde gerçekleştirebilme amacıyla, DECA yöntemine bir güncelleme olarak DECAGibbs algoritmasını 2016’da tamamladığın Doktora tezimin kapsamında geliştirdim.
DECAGibbs algoritmasında, DECA algoritmasında EM ile kullanılan parametre tahmin süreci, güçlü Bayes yaklaşımlarından Gibbs örneklemesi (Gibbs Sampling) yaklaşımı ile gerçekleşmiştir. Bayes yaklaşımlarını parametre tahmin sürecine dahil ederek ve böylece EM’nin genel dezavantajlarının önüne geçerek, Dirichlet Karışım Modelinin (DMM) daha doğru hiperspektral Ayrıştırma etkinliğinde kullanılabildiği gözlemlenebilmektedir.
DECAGibbs Spektral Ayrıştırma Modeli
DECA algoritması, hiperspektral Ayrıştırma amacıyla bağımlı değişkenlerin ayrıştırılmasıyla başa çıkmak için geliştirilmiştir. DECA algoritması, negatif olmayan ve sabit toplam özelliklerini kapsadığı için Spektral Ayrıştırma problemleri ile daha fazla uyumluluk göstermektedir. DECA Modeli uç bileşenlerin yüzde oranlarını modellemek için Dirichlet Karışım Modelini (DMM) kullanır. Sinyal kaynakları arasındaki istatistiksel bağımlılık göz önüne alındığında, DECA, Hiperspektral Ayrıştırma çalışmalarında başarıyla uygulanmıştır.
Karışım modellerinde (Mixture Models) parametre tahminlerindeki zorluklar, genellikle DECA algoritmasında da olduğu gibi, EM yaklaşımı ile çözümlenmeye çalışılır. En büyük Olabilirlik Kestirimi (Maximum Likelihood Estimation) yaklaşımındaki büyük popülariteye rağmen, özellikle Sonlu Karışım Modellerinde (Finite Mixture Models), EM yaklaşımının bazı dezavantajları bulunmaktadır. Ancak, Bayes parametre tahmin yaklaşımları, EM yetersizliklerinin üstesinden gelmek için uygun çözümlerdir.
Doktora Tezimin kapsamında geliştirdiğim DECAGibbs algoritması, Karışım Modeli parametre tahmin sürecinde daha verimli bir Gibbs örnekleme (Gibbs Sampling) yöntemi kullanılmıştır. EM yaklaşımının yetersizliklerinin önüne geçerek Gibbs örneklemesi yöntemini kullanarak, doğrudan (DECAGibbsDir) ve dolaylı (DECAGibbsBeta) olarak uç minerallerin yüzde oranlarının modellenmesinde Hiperspektral Ayrıştırma işlemlerinde başarılı bir şekilde kullanılmıştır.
Uydu Görüntüsünde bulunan uç elemanları ayrıştırmak için DECAGibbs bir MATLAB koduyla başlar. Yüzde oranları daha sonra, r=Mf denklemine göre elde edilir. Ardından, DMM parametrelerini tahmin etmek için ve Bayes çıkarımını uygulamak için R ortamına otomatik geçiş sağlanır. R platformunda ise, Başka bir Gibbs örnekleyici (Just another Gibbs sampler-JAGS) yazılımı kullanılarak model parametreleri Gibbs örnekleme yöntemi ile elde edilerek tekrar sonuçlar MATLAB ortamına aktarılır ve döngü optimum sonuçlar elde edilene kadar ve hata oranı belirlenen düzeye inene kadar devam eder. DECAGibbs Model’ine bağlı detaylı bilgiler, Journal of Applied Remote Sensing dergisinde yayınlanan makalemde yer almıştır.
DECAGibbs modelinde geliştirilen bu iki farklı yaklaşım (DECAGibbsDir, DECAGibbsBeta) çok sayıda yapay veri seti, standart Cuprite, Nevada‘nın bir AVIRIS görüntüsü ve bir bölgesel araştırmada Hyperion veri seti ile değerlendirilmiştir. Elde edilen sonyuçlar göz önünde bulununca, DECEGibbs Modeli‘nin Spektral Ayrıştırma çalışmalarında gözlemlerin daha iyi ayrıştığını ortaya koyduğu saptanmıştır.
DECA algoritması ve yeni geliştirilen DECAGibbs algoritmalarının performans değerlendirmesi 13 yapay veri seti üzerinde aşağıdaki resimde özetlenmiştir.
Kaynaklar
Babakan, S. (2022). Makine Öğrenme Yöntemleriyle Uydu Görüntülerinin Siniflandirilmasi ve Zamansal Değişiminin Izlenmesi, Yüksek Lisans Tezi, Istanbul Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, Iletişim Sistemleri Anabilim Dalı, Uydu Haberleşmesi Ve Uzaktan Algılama Programı.
Babakan, S. & Oskouei, M. M. (2015). Application of Gibbs sampling in efficient hyperspectral unmixing based on the mixtures of Dirichlet components. Journal of Applied Remote Sensing, 9 (1), p. 095045. SPIE-Intl Soc Optical Eng., doi: 10.1117/1.jrs.9.095045
Bioucas-Dias J. M. & Plaza, A. (2011). An overview on hyperspectral unmixing: Geometrical, statistical, and sparse regression based approaches, IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Vancouver, BC, July 24-29, pp. 1135 – 1138 doi: 10.1109/IGARSS.2011.6049397.
Chang C.I. (Eds.) (2007), Hyperspectral Data Exploitation: Theory and Applications, Hoboken, NJ: Wiley.
Heinz, D., Chang, C. I., & Althouse, M. L. G. (1999). Fully constrained least-squares based linear unmixing [hyperspectral image classification], IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2, Hamburg, Jun 28 – Jul 02, pp. 1401-1403, doi: 10.1109/IGARSS.1999.774644.
Hu, Y. H., Lee, H. B., & Scarpace, F. L. (1999). Optimal linear spectral unmixing, IEEE Transactions on Geoscience and Remote Sensing, 37 (1), pp. 639-644, doi: 10.1109/36.739139.
Keshava, N. (2003). A Survey of Spectral Unmixing Algorithms, Lincoln Laboratory Journal, 14 (1).
Konstantinos, T. (2009), Algorithms development and software implementation for supervised
hyperspectral signal unmixing, Technical report, Institute for Space Applications and Remote Sensing, National Observatory of Athens, Report-ISARS-2009-3.
Lennon, M., Mercier, G., Mouchot, M. C. & Hubert-Moy, L. (2001). Spectral unmixing of
hyperspectral images with the independent component analysis and wavelet packets,” in IEEE
International Geoscience and Remote Sensing Symposium (IGARSS), Australia, Sydney, NSW,
July 9-13, doi: 10.1109/IGARSS.2001.978198.
Nascimento, J. M. P., & Dias, J. M. B. (2005). Does independent component analysis play a role in unmixing hyperspectral data? In IEEE Transactions on Geoscience and Remote Sensing, 43 (1), pp. 175–187). Institute of Electrical and Electronics Engineers (IEEE), doi: 10.1109/tgrs.2004.839806
Petrou, M. & Foschi, P. G. (1999). Confidence in linear spectral unmixing of single pixels, IEEE Transactions on Geoscience and Remote Sensing, 37 (1), pp. 624-626, doi: 10.1109/36.739132.
Parente M., & Plaza, A. (2010), Survey of geometric and statistical unmixing algorithms for hyperspectral images, 2nd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Reykjavik, Iceland, June 14-16, pp. 1-4, doi: 10.1109/WHISPERS.2010.5594929.
Plaza, A., Martinez, P., Perez, R., & Plaza, J. (2004). A quantitative and comparative analysis of endmember extraction algorithms from hyperspectral data, IEEE Transactions on Geoscience and Remote Sensing, 42 (3): 650-663, doi: 10.1109/TGRS.2003.820314.
Plaza, A., Martin, G., Plaza, J., Zortea, M., & Sanchez, S. (2011). Recent developments in spectral unmixing and endmember extraction, Optical Remote Sensing, S. Prasad, L. M. Bruce, and J. Chanussot, Eds., Berlin, Germany: Springer, pp. 235-267, doi: 10.1007/978-3-642-14212-3_12.
Shi, C., & Wang, L. (2016). Linear Spatial Spectral Mixture Model. In IEEE Transactions on Geoscience and Remote Sensing (Vol. 54, Issue 6, pp. 3599–3611). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/tgrs.2016.2520399
Uça Avcı, Z. D., Uça Güneş, E. P., & Çabuk, A. (2015). Uzaktan eğitim ile ‘Uzaktan Algılama’ ve ‘Coğrafi Bilgi Sistemleri’ eğitimlerinin verilmesine dair bir değerlendirme, Harita Teknolojileri Elektronik Dergisi, 7 (3), 53-68.
Vines, P. L., & Zhang, J. (2022). High-throughput plant phenotyping for improved turfgrass breeding applications, Grass Research, 2 (1): 1–13, doi: 10.48130/GR-2022-0001
Yadav, S. K., Raj, S., & Roy, S. S. (2013). Remote sensing technology and its applications. International Journal of Advancements in Research & Technology 2 (10), 25-30
Zhang, L., Zhang, L., Tao, D., Huang, X., & Du, B. (2014). Hyperspectral Remote Sensing Image Subpixel Target Detection Based on Supervised Metric Learning. In IEEE Transactions on Geoscience and Remote Sensing (Vol. 52, Issue 8, pp. 4955–4965). Institute of Electrical and Electronics Engineers (IEEE). doi: 10.1109/tgrs.2013.2286195