QGIS Plugins: Semi-Automatic Classification Plugin (SCP) Nedir?

1. SCP Nedir ve Neden Önemlidir?

Semi-Automatic Classification Plugin (SCP), İtalyan araştırmacı Luca Congedo tarafından geliştirilen ve QGIS'i eksiksiz bir uzaktan algılama iş istasyonuna dönüştüren, tamamen ücretsiz ve açık kaynaklı bir eklentidir. Congedo, SCP'yi doktora tezi kapsamında geliştirmiş ve zamanla akademik camianın en çok kullandığı açık kaynak sınıflandırma araçlarından birine dönüştürmüştür. SCP'nin temel felsefesi şudur: ticari yazılımların (ENVI, ERDAS Imagine) sunduğu uçtan uca iş akışını — indirme, ön işleme, sınıflandırma, doğrulama, değişim tespiti — hiçbir lisans maliyeti olmadan tek bir ortamda sunmak.

"Yarı otomatik" (semi-automatic) adlandırması, sürecin bazı adımlarının (görüntü indirme, atmosferik düzeltme, band hesaplamaları) tam otomatik yürütülürken, sınıflandırmanın kalbindeki eğitim alanı (training area) seçiminin analistin uzmanlığına ve arazi bilgisine dayanmasından gelir — SCP bu insan girdisini sistematikleştirir, ortadan kaldırmaz.

2. Desteklenen Uydu ve Sensör Verileri

SCP'nin en güçlü yönlerinden biri, düzinelerce uydu/sensör ürününü doğrudan tanıması ve bunların band adlandırma, çözünürlük ve meta veri farklılıklarını otomatik yönetmesidir:

Sensör / Ürün	Çözünürlük	Tipik Kullanım
Landsat 5/7/8/9	30 m (15 m pankromatik)	Uzun dönemli (1984'ten günümüze) arazi örtüsü değişim analizi
Sentinel-2 (MSI)	10/20/60 m	Yüksek temporal frekans (5 gün), tarım ve orman izleme
Sentinel-1 (SAR)	10 m	Bulut örtüsünden etkilenmeyen radar tabanlı analiz, sel/nem tespiti
Sentinel-3	300 m–1 km	Okyanus rengi, kara yüzey sıcaklığı, geniş alan izleme
ASTER	15–90 m	Jeoloji, mineral haritalama (termal bantlar)
MODIS	250 m–1 km	Günlük küresel izleme, NDVI zaman serisi, yangın tespiti
GOES	0.5–2 km	Meteorolojik izleme, gerçek zamanlı hava durumu

Her sensör için SCP, hangi bandın hangi dalga boyu aralığına (mavi, yeşil, kırmızı, NIR, SWIR, termal) karşılık geldiğini önceden tanımlanmış "band setleri" içinde tutar; bu, kullanıcının hangi bandın "kırmızı" hangi bandın "NIR" olduğunu ezberlemesi gerekmeden band matematiği yapabilmesini sağlar.

3. Kurulum ve İlk Ayarlar

Kurulum sonrası SCP, kendi dock (yan panel) arayüzünü açar. İlk kullanımdan önce yapılması gereken temel ayarlar:

• Working Directory (Çalışma Dizini): SCP'nin ara ürünleri (geçici bantlar, maskeler, rapor dosyaları) buraya yazılır; büyük görüntülerle çalışırken yeterli disk alanı olan bir dizin seçilmelidir.
• RAM Ayarı: SCP Ayarlar sekmesinden işlem için ayrılacak bellek miktarı yapılandırılabilir; büyük mozaik veya çok bantlı görüntülerde bu değerin artırılması işlem hatalarını önler.
• Temp Directory: Geçici dosyalar için ayrı bir hızlı disk (SSD) belirtmek, büyük veri işlerken performansı artırır.

4. Uydu Görüntüsü İndirme

SCP'nin "Download Products" sekmesi, USGS EarthExplorer (Landsat) ve Copernicus Data Space Ecosystem (Sentinel) hesaplarınızla doğrudan kimlik doğrulama yaparak arama, önizleme ve indirme yapmanızı sağlar — tarayıcıdan manuel indirme ve dosya yönetimi gereksinimini ortadan kaldırır.

1. İlgili servis için ücretsiz hesap oluşturun (USGS veya Copernicus Data Space Ecosystem).
2. SCP'nin ilgili sekmesine kullanıcı adı/şifrenizi girin.
3. Çalışma alanınızı harita üzerinde bir dikdörtgenle veya mevcut bir vektör katmanla tanımlayın.
4. Tarih aralığı ve maksimum bulut örtüsü yüzdesi gibi filtreleri ayarlayın.
5. Sonuç listesinden sahneleri önizleyip seçin ve indirin; SCP dosyaları otomatik olarak sensöre özgü klasör yapısında düzenler.

5. Radyometrik ve Atmosferik Düzeltme

Ham uydu verisi, sensörün ölçtüğü ham sayısal değerleri (DN — Digital Number) içerir; bu değerler doğrudan karşılaştırılabilir fiziksel büyüklükler değildir. Sınıflandırma ve çok-zamanlı karşılaştırma öncesi iki aşamalı bir düzeltme gerekir:

Radyometrik Kalibrasyon: DN → TOA Reflektans/Radyans

Her sensörün meta verisinde bulunan kazanç (gain) ve ofset (offset) katsayıları kullanılarak DN değerleri, atmosfer üstü (Top of Atmosphere — TOA) reflektans veya radyans değerlerine dönüştürülür. SCP bu dönüşümü meta veri dosyasından (MTL.txt Landsat için, MTD*.xml Sentinel-2 için) otomatik okuyarak gerçekleştirir.

Atmosferik Düzeltme: TOA → Yüzey Reflektansı

TOA reflektans, atmosferdeki su buharı, aerosol ve gaz moleküllerinin saçılma/soğurma etkisini hâlâ içerir. SCP, en yaygın kullanılan basit ama etkili yöntemlerden birini sunar:

• DOS1 (Dark Object Subtraction): Görüntüdeki en koyu pikselin (derin gölge, temiz su gibi) teorik olarak sıfıra yakın reflektans taşıması gerektiği varsayımına dayanır; bu karanlık nesnenin gözlenen değeri, atmosferik saçılma katkısı olarak kabul edilip tüm görüntüden çıkarılır. Hesaplama yükü düşük, çok sahne için pratik bir çözümdür.
• 6S Modeli entegrasyonu: Daha fiziksel temelli, atmosfer parametrelerini (aerosol optik derinliği, su buharı) modelleyen gelişmiş bir yöntemdir; SCP'nin bazı sürümlerinde harici 6SV kütüphanesiyle entegrasyon desteklenir. Daha doğru ama hesaplama açısından daha maliyetlidir.

6. Bulut Maskeleme

Bulut ve bulut gölgesi pikselleri, sınıflandırma sonuçlarını ciddi biçimde bozar (bulutlar genellikle "kentsel alan" veya "kar" ile karışabilir). SCP iki yaklaşım sunar:

• Sentinel-2 SCL (Scene Classification Layer) bandı: Copernicus'un kendi sağladığı ön-sınıflandırılmış maske bandı; bulut, bulut gölgesi, kar, su gibi sınıfları doğrudan içerir ve SCP bu bandı okuyarak otomatik maskeleme yapabilir.
• Landsat QA/Fmask benzeri bant tabanlı maskeleme: Landsat ürünlerindeki kalite değerlendirme (QA) bandı üzerinden bulut/gölge/kar bitleri okunarak maske üretilir.

Üretilen maske, sınıflandırma öncesi ilgisiz pikselleri NoData olarak işaretlemek veya mozaikleme sırasında en temiz pikseli seçmek için kullanılır.

7. Band Set Oluşturma ve Band Calc

Band Set, SCP'nin farklı bantları (aynı sahnenin ayrı dosyalar halindeki B2, B3, B4, B8 gibi bantları) tek bir sanal çok bantlı görüntü olarak ele almasını sağlayan temel veri yapısıdır. Bir kez oluşturulduğunda, sonraki tüm işlemler (sınıflandırma, band matematiği, ROI toplama) bu Band Set üzerinden yürütülür.

Band Calc aracı, bantlar arası matematiksel ifadelerle yeni indeksler türetmenizi sağlar. En yaygın örnek NDVI (Normalized Difference Vegetation Index) hesabıdır:

8. Eğitim Alanları (ROI) ve Spektral İmza Toplama

Denetimli sınıflandırmanın kalbi, analistin haritada bildiği arazi örtüsü tiplerini (orman, su, tarım, kentsel, çıplak toprak vb.) temsil eden eğitim alanları (Region of Interest — ROI) çizmesidir. SCP'de bu süreç:

1. Her arazi örtüsü sınıfı için bir Macroclass ID ve Class ID tanımlanır (örn. Macroclass 1 = Bitki Örtüsü, Class 1.1 = Orman, Class 1.2 = Tarım).
2. Görüntü üzerinde, o sınıfa ait olduğunu bildiğiniz homojen alanlarda çokgen ROI'ler çizilir.
3. Her ROI çizildiğinde SCP, o alanın spektral imzasını (spectral signature) — her bantta ortalama reflektans değerini — otomatik hesaplayıp "Training Input" dosyasına (.scp uzantılı) kaydeder.
4. Spektral imza grafiği penceresinden, farklı sınıfların bantlar arası ayrışıp ayrışmadığı görsel olarak kontrol edilir.

9. Sınıflandırma Algoritmaları

ROI'ler ve spektral imzalar hazır olduğunda, SCP birkaç farklı sınıflandırma algoritması sunar:

Algoritma	Çalışma Mantığı	Avantaj	Dezavantaj
Minimum Distance	Her pikseli, spektral imza ortalamasına Öklid mesafesi en yakın sınıfa atar	Basit, hızlı	Sınıf varyansını dikkate almaz, örtüşen sınıflarda zayıf
Maximum Likelihood (ML)	Her sınıfın çok değişkenli normal dağılım varsayımıyla olasılık yoğunluğunu hesaplar, en yüksek olasılıklı sınıfı atar	İstatistiksel temeli güçlü, klasik uzaktan algılamada standart	Normal dağılım varsayımı her zaman geçerli değil, yeterli ROI örneklemi gerektirir
Spectral Angle Mapping (SAM)	Piksel spektrumu ile referans spektrum arasındaki açısal farkı ölçer; parlaklık farkına duyarsızdır	Aydınlanma/gölge farklarına dayanıklı	Yalnızca spektral şekli dikkate alır, genlik bilgisini göz ardı eder
Random Forest (scikit-learn entegrasyonu)	Çok sayıda karar ağacının oylamasıyla sınıf ataması yapan topluluk (ensemble) yöntemi	Yüksek doğruluk, karmaşık/doğrusal olmayan sınıf sınırlarında güçlü, aşırı öğrenmeye (overfitting) görece dayanıklı	Kara kutu niteliği, hiperparametre ayarı gerektirir

10. Doğruluk Değerlendirmesi (Accuracy Assessment)

Bir sınıflandırmanın "iyi" olduğunu iddia etmek için sayısal kanıt gerekir. SCP, sınıflandırma sonucunu eğitim alanlarından bağımsız referans (doğrulama) noktalarıyla karşılaştırarak bir karışıklık matrisi (confusion matrix) üretir.

Bu matristen türetilen dört temel metrik:

• Genel Doğruluk (Overall Accuracy): Doğru sınıflandırılan piksellerin toplam piksellere oranı — yukarıdaki örnekte (85+78+91)/280 ≈ %90.
• Üretici Doğruluğu (Producer's Accuracy): Gerçekte o sınıfa ait olan piksellerin ne kadarının doğru tespit edildiği (ihmal hatası — omission error'ın tersi).
• Kullanıcı Doğruluğu (User's Accuracy): Bir sınıf olarak etiketlenen piksellerin ne kadarının gerçekten o sınıfa ait olduğu (yanlış dahil etme hatası — commission error'ın tersi).
• Kappa Katsayısı: Rastgele şansla elde edilebilecek uyumu dışlayarak düzeltilmiş bir uyum ölçüsüdür; 0 (rastgele) ile 1 (mükemmel) arasında değişir; >0.80 genellikle "mükemmel uyum" olarak yorumlanır.

11. Sınıflandırma Sonrası İşleme

Ham sınıflandırma çıktısı genellikle "tuz-biber" (salt-and-pepper) gürültüsü içerir — tek piksellik yanlış sınıflandırılmış noktalar. SCP birkaç sonrası işleme aracı sunar:

• Sieve (Elekleme): Belirlenen bir piksel eşiğinin altındaki küçük, izole yamaları çevresindeki baskın sınıfla birleştirir; haritayı görsel ve istatistiksel olarak daha temiz hale getirir.
• Class Reclassification: Çok sayıda alt sınıfı (örn. "yaprak döken orman" ve "iğne yapraklı orman") daha genel bir üst sınıfa ("orman") birleştirme.
• Sınıflandırma Raporu: Her sınıfın kapladığı alan (hektar/km²) ve toplam görüntüye oranını özetleyen otomatik rapor üretimi.

12. Değişim Tespiti (Land Cover Change)

SCP'nin "Land Cover Change" modülü, iki farklı zaman dilimine ait sınıflandırma haritalarını karşılaştırarak bir geçiş matrisi (transition matrix) üretir: hangi sınıfın hangi sınıfa, ne kadar alanda dönüştüğünü gösterir (örn. "150 hektar tarım alanı kentsel alana dönüşmüş"). Bu analiz;

• Kentsel yayılma (urban sprawl) hızını ölçmek,
• Ormansızlaşma (deforestation) oranını nicelleştirmek,
• Tarım alanı kaybını izlemek

gibi çalışmalarda temel araçtır. Doğru bir değişim tespiti için her iki zaman dilimindeki görüntülerin aynı atmosferik düzeltme yöntemiyle işlenmiş, benzer mevsimsel koşullarda (aynı fenolojik dönem) alınmış ve aynı sınıflandırma şeması (aynı Macroclass/Class ID yapısı) kullanılarak üretilmiş olması gerekir.

13. Zaman Serisi ve Vejetasyon İndeksleri

Tek bir sınıflandırma anlık bir görüntü sunarken, çok-zamanlı NDVI serileri mevsimsel/yıllık dinamikleri ortaya çıkarır. SCP'nin Band Calc ve Band Set araçları, farklı tarihlerden NDVI rasterları üreterek bir zaman serisi oluşturmayı ve bunları bir "stack" (yığın) halinde birleştirmeyi destekler; bu yığın üzerinde piksel bazlı trend analizi (örn. yıllar içinde NDVI'de düşüş = bitki örtüsü stresi) yapılabilir.

14. Batch Processing ve Otomasyon

Çok sayıda sahneyi (örn. 10 yıllık yıllık Landsat serisi) tek tek işlemek yerine, SCP'nin batch (toplu işlem) araçları ve QGIS Processing Toolbox entegrasyonu ile iş akışları otomatikleştirilebilir. SCP'nin çekirdek işlevlerinin çoğu, Processing algoritmaları olarak da mevcuttur ve Python'dan tetiklenebilir:

15. SCP vs Diğer Araçlar ve Akademik Atıf

Araç	Maliyet	Güçlü Yön	Sınırlama
SCP (QGIS)	Ücretsiz	Uçtan uca iş akışı, QGIS entegrasyonu, akademik camiada yaygın kabul	Masaüstü kaynaklarıyla sınırlı, çok büyük alanlarda yavaşlayabilir
Google Earth Engine	Ücretsiz (araştırma/eğitim)	Petabayt ölçekli arşiv, bulut işlem gücü, JavaScript/Python API	Öğrenme eğrisi, internet bağımlılığı, sınırlı offline kullanım
ENVI	Ticari (yüksek)	Gelişmiş atmosferik düzeltme (FLAASH), hiperspektral analiz araçları	Lisans maliyeti, akademik bütçe kısıtı
eCognition	Ticari (yüksek)	Nesne tabanlı görüntü analizi (OBIA), segmentasyon	Piksel tabanlı SCP'den farklı bir paradigma, yüksek maliyet

Kaynaklar

• Congedo, L. (2021). Semi-Automatic Classification Plugin: A Python tool for the download and processing of remote sensing images in QGIS. Journal of Open Source Software, 6(64), 3172.
• Congedo, L. SCP Documentation. fromgistors.blogspot.com
• Chavez, P. S. (1996). Image-Based Atmospheric Corrections — Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62(9), 1025–1036. (DOS yöntemi)
• Congalton, R. G., & Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data: Principles and Practices (3rd ed.). CRC Press.
• Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
• Bkz. ayrıca: Uydu Görüntüsü Sınıflandırması yazımız — daha genel yöntem karşılaştırması için.