Sen2GF3Floods: Çift-Zamanlı ve Etkin Öğrenme Etiketlemesine Sahip Çok Kaynaklı Bir Sel Veri Kümesi Kıyaslaması

Daha Akıllı Sel Haritalarının Neden Önemli Olduğu

Seller en yıkıcı doğal afetlerden biridir; nehirler taşınca veya şehirler ani yağışlarla su altında kaldığında, kurtarma ekipleri yine de suyun nerelere yayıldığını doğru şekilde görmekte zorlanır. Bu makale, yapay zekânın (YZ) sel sularını hızlı ve güvenilir biçimde izlemesine yardımcı olmak üzere tasarlanmış, büyük ölçekli bir uydu görüntüleri ve bilgisayar tarafından işlenebilir sel haritaları koleksiyonu olan Sen2GF3Floods'u sunar. Farklı türdeki uydu görüntülerini afet öncesi ve sonrası halinde harmanlayarak ve sularla kaplı alanları etiketlemek için akıllı, maliyeti düşüren bir yöntem kullanarak amaç, gerçek zamanlı ve yüksek kaliteli sel haritalarını çok daha yaygın hale getirmektir.

Uzaydan Su Görmeyi Yeniden Tanımlamak

Uzaydan sel haritalaması uzun süredir iki ana uydu veri türüne dayanıyor. Çok ayrıntılı fotoğraflara benzeyen optik görüntüler nehirleri, tarlaları ve şehir bloklarını net şekilde gösterebilir—ancak bulutlar ve yoğun yağış, sellerin meydana geldiği anda görüşü engelleyebilir. Mikrodalga sinyallerin yere geri yansıtılmasıyla oluşturulan radar görüntüleri ise bulutların içinden görebilir ve gece-gündüz çalışır, fakat daha gürültülüdür ve insanların yorumlaması daha zordur. Sen2GF3Floods'un arkasındaki araştırmacılar her iki türün güçlü yönlerini birleştiriyor: sel öncesi çekilmiş net optik görüntüler ve sel sırasında elde edilmiş radar görüntüleri. Optik fotoğraflar manzaranın normal görünümüne dair ayrıntılı bir anlık görüntü sunarken, radar görüntüleri afet sırasında suyun nerelere yayıldığını ortaya koyar.

Zengin Bir Sel Olayları Kütüphanesi Oluşturmak

Modern YZ teknikleri için kullanışlı olmak üzere bir sel veri kümesinin büyük, çeşitli ve dikkatlice etiketlenmiş olması gerekir—ve Sen2GF3Floods tam da bunu sunar. Çin genelindeki dokuz büyük sel olayından uydu yamaçlarını toplar; nehirleri, tarım arazilerini, şehirleri ve dağlık bölgeleri kapsar. Her konum için ekip, Avrupa’nın Sentinel-2 optik uydularından dört renk bantı ve Çin’in Gaofen-3 görevinden iki radar bandı olmak üzere, tümünü 10 metrelik çözünürlükte topladı. Bu görüntüler makine öğrenmesi modellerinin işleyebileceği 21.000’den fazla küçük karoya bölündü. Her karo, hangi piksellerin sularla kaplı olduğunu ve hangilerinin kaplı olmadığını gösteren basit bir harita ile birlikte gelir; böylece algoritmalar normal su, geçici sel, gölge ve kuru arazi arasındaki ince farkları öğrenebilir.

Uzmanların Ne Etiketlemesi Gerektiğine Bilgisayarın Karar Vermesine İzin Vermek

Böyle veri kümeleri oluşturmanın başlıca darboğazı, sel sınırlarını elle doğru şekilde çizme işidir. Bu yükü azaltmak için yazarlar üç aşamalı, çift-zamanlı bir açıklama (annotation) yaklaşımı tasarladılar. Önce, otomatik olarak sel öncesi optik görüntüden kalıcı suyun kaba bir haritasını ve sel sonrası radar görüntüsünden başka bir kaba harita ürettiler, sonra yeni suyun nerede ortaya çıktığını tahmin etmek için ikisini karşılaştırdılar. Ardından insan uzmanlar, yüksek çözünürlüklü arka plan görüntülerini kullanarak bu kaba haritaları düzelttiler; pirinç tarlaları ve dar kanallar gibi karmaşık alanlar özellikle elden geçirildi. Son olarak, bir segmentasyon ağı—gelişmiş bir örüntü tanıma modeli—etiketlenmemiş karolar üzerinde sel tahmini yapacak şekilde eğitildi ve nerede en belirsiz olduğu ölçüldü. Sadece modelin zorlandığı bu “zor” karolar dikkatli etiketleme için uzmanlara geri gönderildi. Bu eğitim, belirsizliği ölçme ve hedefli düzeltme döngüsü, ekibin veri kümesini büyütmesine olanak verirken manuel çalışmayı makul düzeyde tuttu.

Makinelerin Veriden Ne Kadar İyi Öğrendiğini Test Etmek

Veri kümesi toplandıktan sonra araştırmacılar U-Net, U-Net++, DeepLabV3+, DANet ve SegFormer gibi önde gelen birkaç görüntü segmentasyon modelini değerlendirdiler. Genel olarak modeller çok iyi performans gösterdi; piksellerin büyük çoğunluğunu doğru sınıflandırdılar ve hem geniş sel ovalarını hem de ince nehir kollarını yakaladılar. U-Net++ doğruluk ve eksiksizlik bakımından en iyi genel dengeyi sağladı. Deneyler ayrıca daha derin soruları da araştırdı: Gerçekten ne kadar etiketli karoya ihtiyaç var; doğruluk önemli ölçüde ne zaman duraklıyor? Hangi optik ve radar bant kombinasyonları en iyi sonucu veriyor? Ve Gaofen-3 radarında eğitilmiş bir model, baştan eğitmeden başka bir radar uydusu olan Sentinel-1’e transfer edilebilir mi? Sonuçlar, renkli ve yakın-kızılötesi optik bantların çift radar kanallarıyla birlikte kullanılmasının en güçlü sel haritalarını verdiğini, doğruluğun yaklaşık bin etiketli karodan sonra plato yaptığı ve Gaofen-3’te eğitilen modellerin umut verici şekilde Sentinel-1’e uygulanabileceğini gösteriyor.

Geleceğin Sel Müdahalesi İçin Anlamı

Basitçe söylemek gerekirse, Sen2GF3Floods projesi sel tespit eden YZ için yüksek kaliteli bir "eğitim salonu" sunuyor. Bir sel öncesi manzaranın net görüntülerini afet sırasında alınan radar anlık görüntüleriyle birleştirerek ve uzman çabasını en çok işe yaradığı yerde yoğunlaştıran bir aktif öğrenme şeması kullanarak yazarlar, bilgisayarların birçok arazi türünde selleri hızlı ve güvenilir şekilde tanımasına olanak veren bir veri kümesi oluşturdu. Bu temel, acil durum yöneticilerinin ve bilim insanlarının geniş alanlarda hızlı sel haritaları üretmelerine, bulutların gökyüzünü kapattığı veya verilerin farklı uydulardan gelmesi gerektiği durumlarda bile daha az manuel emekle yardımcı olmalıdır. Zamanla, bu yaklaşım daha fazla şehir ve tarım bölgesine yayılırsa, uydu akışlarını insanları ve altyapıyı yükselen sulardan korumaya yönelik pratik, neredeyse gerçek zamanlı araçlara dönüştürebilir.

Atıf: Chen, W., Zhu, Y., Han, W. et al. Sen2GF3Floods: A Benchmark Multi-Source Flood Dataset with Dual-Temporal and Active Learning Annotation. Sci Data 13, 540 (2026). https://doi.org/10.1038/s41597-026-06929-6

Anahtar kelimeler: sel haritalama, uzaktan algılama, uydu görüntüleri, derin öğrenme, afet müdahalesi