Geliştirilmiş izolasyon ormanı algoritmasına dayalı hiperspektral görüntülerde anomali tespiti

Uydu Görüntülerinde Görünmeyeni Görmek

Modern uydular Dünyanın sadece güzel fotoğraflarını çekmez; gözlerimizin göremediği yüzlerce renk bantındaki ışığı kaydederler. Bu bilgi gökkuşağının içinde, maden çöküşleri, petrol sızıntıları veya askeri kamuflaj gibi erken uyarı işaretleri saklıdır. Burada özetlenen makale, bu hiperspektral görüntülerdeki küçük, alışılmadık desenleri otomatik olarak saptamanın yeni bir yolunu gösterir—bu sayede çok sayıda insan analistine ihtiyaç duymadan yerdeki küçük, riskli değişiklikleri bulmak kolaylaşır.

Neden Fazladan Renkler Gizli Hedefleri Ortaya Çıkarır

Geleneksel uydu fotoğrafları üç temel renk—kırmızı, yeşil ve mavi—bilgisi saklarken, hiperspektral görüntüler onlarca hatta yüzlerce dar bant kaydeder. Her piksel, toprağın, kayanın, bitki örtüsünün, metalin, suyun veya kirleticilerin ne olduğuna dair ayrıntılı bir “ışık parmak izi” taşır. Zorluk, bu veri küplerinin çok büyük, gürültülü ve atmosfer, sensörler ile karmaşık arazi kaynaklı gereksiz bilgilerle dolu olmasıdır. Bu ortamda anomali tespiti, önceden ne oldukları söylenmeden çevrelerinden belirgin şekilde farklı olan birkaç pikseli seçmek demektir. Bu nadir pikseller maden çökmesi, kirlenme bulutları veya kamufle edilmiş ekipmanı işaret edebilir; bu yüzden bunları güvenilir ve hızlı biçimde tespit etmek çevresel izleme ve güvenlik açısından hayati öneme sahiptir.

Basit Ağaçlardan Daha Akıllı Ormanlara

Çalışma, aykırı noktaları tespit etmek için tasarlanmış bir makine öğrenimi yöntemi olan izolasyon ormanına dayanır. Temel bir izolasyon ormanında veriler rasgele bölünerek bir dizi karar ağacı oluşturulur. Alışılmadık noktalar genellikle sadece birkaç bölünmede izole edilirken, normal arka plan piksellerinin izole olması daha çok bölünme gerektirir. Bu fikir orta ölçekli verilerde iyi çalışsa da, hiperspektral sahneler yüzlerce bant, önemli miktarda gürültü ve çok ince anormallikler içerir. Özellikleri rastgele seçmek gereksiz bantlarda işlem harcanmasına, hedef ile arka plan arasındaki kontrastın bulanıklaşmasına ve yanlış alarm oranının yükselmesine yol açabilir. Yazarlar bu yüzden ormanı veriyi daha temiz görür hale getirecek ve pikselleri sadece tüm görüntü genelinde değil, aynı zamanda kendi komşuluklarında da değerlendirecek şekilde yeniden tasarlarlar.

Çok Ölçekli Görüşle Görüntüyü Keskinleştirmek

Tespitten önce veriyi temizlemek ve sıkıştırmak için yöntem önce Godec olarak bilinen düşük rütbe ve seyrek ayrıştırma uygular. Basitçe söylemek gerekirse, bu işlem görüntüyü düzgün bir arka plan katmanına ve keskin, olağandışı sinyalleri içeren seyrek bir katmana ayırır. Bunun üzerine, ilginç hedeflerin sıklıkla sadece spektral olarak değil, aynı zamanda mekânda nasıl düzenlendikleri bakımından da öne çıktığı gerçeği kullanılır. Yöntem, hiperspektral küme boyunca kayan dokuya duyarlı mercek gibi davranan 3B Gabor filtrelerini kullanarak farklı boyut ve yönlerdeki desenleri vurgular. Ardından bir entropi-hız süperpiksel algoritması komşu pikselleri küçük, tutarlı bölgelere gruplar. Bu bölgelerin ne kadar ince ayarlandığına bağlı olarak yöntem rastgele gürültüyü bastırırken çukurlar, çatlaklar veya yapay nesneler gibi gerçek yapıları koruyabilir.

Global ve Lokal İpuçlarını Birleştirmek

Temizlenmiş spektral ve mekânsal özellikler çıkarıldıktan sonra, geliştirilmiş bir izolasyon ormanı her piksele bir anomali puanı atar. Bir pikselin yalnızca tüm veri kümesinde ne kadar hızlı izole edildiğine dayanmak yerine, yöntem aynı zamanda onun hemen çevresiyle ne kadar tutarlı olduğuna bakar. Küresel olarak normal görünen ama yerel komşuluğunda tuhaf olan veya tersine, yerelde normal ama küreselde anormal görünen pikseller ortak bir puanlama kuralı ile yeniden değerlendirilir. Bu iki seviyeli bakış hem kaçırılan tespiti hem de karmaşık arka planların neden olduğu sahte aykırılıkları azaltır. San Diego ve HYDICE gibi iki yaygın kullanılan hiperspektral veri kümesi üzerindeki testler, yeni yaklaşımın yüksek doğruluk skorları (AUC yaklaşık 0,97 ve F1 yaklaşık 0,94) elde ederken yanlış alarmları çok düşük tuttuğunu ve makul bellek kullanımı ile işlem hızını koruduğunu gösterir.

Laboratuvar Testlerinden Gerçek Dünya İzlemesine

Yazarlar yöntemlerini uydu ve havadan elde edilen verilerle gerçek maden çökmeleri ve ekolojik izleme görevlerinde de daha ileri test ederler. Maden alanlarında sistem, çöküşle ilişkili anomalilerin %95inden fazlasını doğru şekilde işaretlerken yalnızca yaklaşık %4 kadarını kaçırır. Çevresel gözetimde, bozulmuş bitki örtüsü veya olası kamuflaj gibi şüpheli bölgelerin neredeyse %94ünü tespit eder; burada da yalnızca birkaç yüzde kaçırma söz konusudur. Bir dizi yerleşik teknikle karşılaştırıldığında, geliştirilmiş orman hem daha duyarlı hem de senaryolar arasında daha kararlı olduğunu kanıtlar. Uzman olmayanlar için çıkarım şudur: veriyi dikkatle temizleyerek, çoklu ölçeklerde desenlere bakarak ve küresel ile yerel yargıları harmanlayarak hiperspektral görüntüleri yerdeki önemli değişiklikler için güçlü, otomatik bir “erken uyarı” aracına dönüştürebiliriz.

Atıf: Li, A. Anomaly detection of hyperspectral images based on improved isolation forest algorithm. Sci Rep 16, 6171 (2026). https://doi.org/10.1038/s41598-026-36548-5

Anahtar kelimeler: hiperspektral görüntüleme, anomali tespiti, uzaktan algılama, izolasyon ormanı, çevresel izleme