Tepelek alanlar için gözetimli sınıflandırma ve yapay sinir ağları kullanarak morfodiversite modelinin geliştirilmesi ve optimizasyonu

Neden Dağların Şekli Önem Taşır

Doğayı korumayı düşündüğümüzde genellikle nadir bitki ve hayvanları hayal ederiz. Ancak onların üzerinde yaşadığı zemin—uçurumlar, vadiler, sırtlar ve nehir kanyonları—sessizce yaşamın nerede gelişebileceğini belirler. Bu makale, morfodiversite adı verilen bu fiziksel çeşitliliği hassas ve otomatik bir şekilde ölçmenin yollarını inceliyor. Polonya’daki Pieniny Dağları üzerine odaklanarak, yazar ayrıntılı yükselti verilerini güvenilir haritalara dönüştürebilen modern bilgisayar tekniklerinin, özellikle yapay sinir ağlarının, koruma ve arazi kullanımı planlamasını nasıl yönlendirebileceğini gösteriyor.

Manzara Çeşitliliği İçin Bir Dağ Laboratuvarı

Polonya–Slovakya sınırında yer alan Pieniny Dağları, küçük ama şaşırtıcı derecede çeşitli bir sıradadır. Dik kalkerli uçurumlar, ünlü Dunajec Nehri Kanyonu gibi derin boğazlar, daha yumuşak flyş yamaçları, volkanik kayaçlar ve düz havza tabanları yan yana bulunur. Bu kaya türleri ve arazi biçimlerinin karışımı, güneşli kayalıkların gölgeli vadilerle yan yana geldiği bir habitat yaması oluşturur ve sonuçta zengin bir biyolojik çeşitliliği destekler. Bölge ayrıntılı olarak haritalandığı ve incelendiği için, manzaranın haritadan veya bir bakış açısından kolayca anlaşılabileceklerin çok ötesinde ne kadar değişken olduğunu nicelendirmenin yeni yollarını test etmek için ideal bir “laboratuvar” görevi görür.

Ham Yükseltilerden Ölçülebilir Arazi Çeşitliliğine

Çalışma yüksek çözünürlüklü bir sayısal yükseklik modelinden başlar; yüzeyin ayrıntılı bir 3B tanımı. Buradan yazar yedi temel arazi bileşeni türetir: yükseklik, eğim, aspekt (eğim yüzünün yönü), iki tür eğrilik (yüzeylerin nasıl büküldüğü), yerel yükseklik farkları ve kaya çıkıntılarının varlığı. Bölge daha sonra binlerce düzenli boyutlu altıgen hücre ile örtülür. Her hücre içinde bilgisayar bu arazi özelliklerinin pikselden piksele ne kadar değiştiğini ölçer. Kaç “arazi türü” olduğu saymak yerine yöntem, değişkenliği kendisi bir sinyal olarak ele alır: bir hücre içindeki yükseklik, eğim veya yön değişikliği ne kadar fazlaysa, o kadar morfodiverse olma olasılığı yüksektir.

Karmaşık Arazileri Tanımayı Öğrenen Dijital Bir Sınıflandırıcı Eğitmek

Bu sayıların anlamlı bir haritaya dönüşmesi için çalışma gözetimli sınıflandırma ve yapay sinir ağları kullanır—beyinlerin kalıpları nasıl öğrendiğinden esinlenmiş bilgisayar modelleri. İnsan uzmanlar önce örnek hücreleri açıkça “morfodiverse” (engebeli zirveler, kayalık sırtlar, derin vadiler, etkileyici kanyon duvarları) veya “morfodiverse olmayan” (düz vadi tabanları, göl yüzeyleri, geniş yumuşak yamaçlar) olarak işaretler. Bu etiketli örnekler sinir ağına hangi yükseklik, eğim ve diğer özellik kombinasyonlarının tipik olarak karmaşık araziye karşılık geldiğini öğretir. Eğitildikten sonra ağ, bölgedeki her hücreye morfodiverse sınıfına ait olma olasılığını gösteren bir olasılık atar. Sonuç, daha sonra çok düşük ile çok yüksek morfodiversite arasında sezgisel kategorilere ayrılabilecek sürekli bir haritadır.

Sadece Önemli Olanı Tutmak İçin Veriyi Budamak

Eski yöntemler genellikle birçok arazi göstergesini toplar, istemeden aynı bilgiyi birden çok kez sayar ve resmi bulanıklaştırırdı. Bu çalışma, sinir ağlarını küresel duyarlılık analizi ile birleştirerek bu sorunu ele alır; bu teknik her bir girdinin tahmin doğruluğuna ne kadar katkıda bulunduğunu test eder. Değişkenleri kademeli olarak “kapatarak” ve model hatasındaki değişiklikleri izleyerek yazar hangi özelliklerin gerçek bilgi taşıdığını, hangilerinin büyük ölçüde gereksiz olduğunu belirler. Optimum modeller, bir hücre içindeki yükseklik farkları, genel yükseklik, eğim, eğim yönlerinin desenleri ve kaya çıkıntılarının varlığı gibi sadece birkaç faktörün morfodiversitenin temel yapısını yakalamaya yeterli olduğunu gösterir. Düşük değere sahip girdiler çıkarıldıktan sonra bile basitleştirilmiş modeller tam versiyonlarla son derece yakın bir uyum sağlar; korelasyon değerleri 0.96–0.98 kadar yüksek çıkmıştır.

Sonuçların Doğa Koruma Açısından Anlamı

Özellikle RCMSC–ANN–M versiyonu olan rafine model, Pieniny manzarasını tanıyan jeomorfologların anlayışıyla iyi örtüşen haritalar üretir. Sadece etkileyici yüksek sırıtları ve kanyon duvarlarını vurgulamakla kalmaz, aynı zamanda vadı yanları ve eteklerde gözden kaçabilecek morfolojik açıdan karmaşık alanları da ortaya çıkarır. Yöntem yaygın olarak erişilebilir yükselti verilerine ve kompakt bir dizi ana değişkene dayandığı için dünyanın diğer dağlık bölgelerine uyarlanabilir. Koruma planlamacıları için bu, biyolojik çeşitliliği ve görsel değeri destekleyen “jeolojik açıdan zengin” alanları nesnel bir şekilde bulma ve karşılaştırma olanağı sunar; böylece koruma, turizm yönetimi veya ayrıntılı saha incelemelerinin önceliklendirilmesine yardımcı olur.

Atıf: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Anahtar kelimeler: jeodiversite, morfodiversite, dağ manzaraları, sinir ağları, jeokoruma