Dikkati yönlendiren derin konvolüsyonel ağ ile optimize öğrenme: doğru heyelan tespiti ve izleme

Tepe ve yamaçları uzaydan izlemenin neden hayat kurtarabileceği

Heyelanlar yolları, köyleri ve hayati altyapıyı saniyeler içinde, çoğu zaman az uyarıyla silebilir. Birçok dağ topluluğu hâlâ saha personeline eğimli arazilerdeki erken çöküş belirtilerini tespit etme görevine bel bağlıyor; bu iş yavaş, tehlikeli ve kolayca yanlış yapılabiliyor. Bu çalışma, dünya çapından uydu görüntüleriyle eğitilmiş modern bir yapay zekâ türünün, geniş alanları otomatik olarak tarayıp kararsız yamaçları tespit edebileceğini ve bunu geleneksel yöntemlerle rekabet eden — çoğu zaman daha başarılı — doğrulukla yapabildiğini gösteriyor.

Saha defterlerinden yörüngedeki kameralara

Geleneksel heyelan izlemesi saha incelemelerine, görsel denetimlere ve sismik araçlara dayanıyor. Bu araçlar güçlü olsa da sınırlılıkları var: yalnızca küçük alanları kapsıyor, erken ve ince değişiklikleri kaçırabiliyor ve uzak, engebeli arazide bakım maliyetleri yüksek oluyor. Son yıllarda uydu görevleri farklı bir bakış sunmaya başladı. Yörüngedeki sensörler aynı yamaçları yüksek çözünürlükte tekrarlı olarak fotoğraflayarak çökme öncesinde eğim üzerindeki doku, parlaklık ve bitki örtüsündeki küçük kaymaları yakalayabiliyor. Sorun hacim: insanlar için gözle taranabilecekten çok daha fazla görüntü var.

Bir makineye manzarayı okumayı öğretmek

Yazarlar bu zorluğu, başlangıçta gündelik nesneleri tanımak üzere eğitilmiş iyi bilinen bir görüntü tanıma modeli olan VGG16 tabanlı bir derin öğrenme sistemiyle ele alıyor. Modeli, iki açık kaynak kaynaktan alınan binlerce etiketli uydu görüntüsü kullanarak yeniden eğitip uyarlıyorlar: bir Kaggle heyelan koleksiyonu ve NASA’nın küresel heyelan envanteri. Her görüntü “heyelan” veya “heyelan değil” olarak etiketleniyor; bu modelin ne araması gerektiğine dair net örnekler sağlıyor. Ağ, yaralı, moloz kaplı bir yamaç ile stabil, bitki örtüsüyle kaplı bir tepeyi ayırt eden renk, gölgeleme ve şekil desenlerini öğrenirken, neredeyse gerçek zamanlı izleme için pratik kalacak kadar hızlı çalışmayı sürdürüyor.

Yapay zekânın tehlike bölgelerine odaklanmasını sağlamak

Ham görüntüleri tek başına vermek yerine ekip her sahnenin daha zengin bir tanımını oluşturuyor. Yüzeydeki genel değişiklikleri yakalayan piksel parlaklığı istatistiklerini ve kayma alanlarına tipik kaba, bozulmuş arazileri vurgulayan doku ölçümlerini hesaplıyorlar. Ayrıca sistemin yemyeşil yamaçların aniden çıplak toprağa döndüğü durumları fark edebilmesi için bir bitki sağlığı endeksi ekliyorlar. Bir “uzamsal dikkat” mekanizması ise ağı en bilgilendirici alanlara — örneğin dik bir yamaçtaki dar bir yara izi — odaklanmaya öğretiyor; her pikseli eşit işlememek daha verimli oluyor. Bu dikkat haritası modeli hem daha doğru hem de daha yorumlanabilir kılıyor çünkü hangi bölgelerin kararını etkilediği açıkça görülüyor.

Doğruluk, hız ve güvenilirlik arasında denge kurmak

Sistemin birçok ortamda güvenilir kalması için araştırmacılar modelin öğrenme biçimini dikkatle ayarlıyor. Farklı öğrenme hızları, parti (batch) boyutları ve katmanlarla deneyler yapıyor ve eğitimi kararlı hale getirirken daha iyi çözümler keşfetmeyi sağlayan bir optimize edici kullanıyorlar. Ayrıca ResNet ve DenseNet gibi alternatif derin ağları test ediyor ve her birinin heyelan görüntülerini doğru işaretleme sıklığını yalancı alarmlarla karşılaştırıyorlar. Hem Kaggle hem NASA veri setlerinde geliştirilmiş VGG16 modeli tutarlı şekilde üstün çıkıyor; yaklaşık %95–96 doğruluğa ulaşırken sıklıkla karmaşık sinir ağlarını etkileyen aşırı uyumdan kaçınıyor. Hatta küçük bir tek kartlı bilgisayarda bile çalışabiliyor; bu da düşük kaynaklı bölgelerde gelecekteki saha konuşlandırmalarına işaret ediyor.

Sonuçların sahadaki insanlar için anlamı

Basitçe söylemek gerekirse, bu çalışma özenle tasarlanmış bir yapay zekânın farklı kıtalar ve iklimlerden toplanan uydu görüntülerinde riskli yamaçları güvenilir şekilde güvenli olanlardan ayırabildiğini gösteriyor. Parlaklık, doku, bitki örtüsü ve görüntüde nereye bakılacağı gibi birden çok ipucunu birleştirerek sistem heyelanları ve heyelana yatkın alanları yalnızca elle yapılan incelemelere kıyasla çok daha etkili biçimde tespit ediyor. Hâlâ iyi kalite görüntülere ve sağlam hesaplama gücüne bağımlı olsa da yaklaşım, otomatik, geniş alanlı erken uyarı sistemlerine doğru bir yön gösteriyor. Ölçekli konuşlandırıldığında bu tür araçlar yetkililere yolları kapatma, evleri tahliye etme ve dünyanın en kararsız bazı bölgelerinde daha güvenli yerleşim planları yapma konusunda değerli ek zaman sağlayabilir.

Atıf: S.K.B, S., N, K., M R, P. et al. Attention driven deep convolutional network with optimized learning for accurate landslide detection and monitoring. Sci Rep 16, 6759 (2026). https://doi.org/10.1038/s41598-026-36737-2

Anahtar kelimeler: heyelanlar, uydu görüntüleri, derin öğrenme, afet izleme, uzaktan algılama