Geliştirilmiş doğruluk ve şeffaflık için açıklanabilir ViR-SC hibrit derin öğrenme topluluğu kullanan uydu tabanlı petrol sızıntısı tespiti

Uzaydan petrol tespit etmenin önemi

Bir petrol tankeri sızdırdığında veya bir kuyu patladığında, yoğun siyah yağ tabakaları saatler içinde okyanusun yüzeyine yayılabilir, yaban hayatını öldürebilir ve kıyıları yıllarca zarar görecek hale getirebilir. Bugün dünyanın erken uyarı sistemlerinin büyük bölümü, deniz yüzeyini gece gündüz tarayan uydulara dayanıyor. Ancak bu görüntüler gürültülü ve karmaşık; doğal olgular kolayca sızıntı taklidi yapabiliyor. Bu çalışma, ViR-SC adını taşıyan yeni bir uydu analizi sistemi sunuyor; bu sistem önceki yöntemlerden daha doğru şekilde petrol sızıntılarını tespit etmekle kalmıyor, aynı zamanda insan operatörlere her kararı neden verdiğini de gösteriyor.

Gürültülü bir okyanusta sızıntıları görmek

Çalışma, denizin mikrodalga yansımalarını ölçen bir radar uydusu olan Sentinel-1’in görüntülerine odaklanıyor. Gerçek petrol tabakaları genellikle küçük yüzey dalgalarını yatıştırdıkları için koyu şeritler halinde görünür ve radar sinyalini azaltır. Ne var ki çok pürüzsüz su yüzeyleri, alglerden kaynaklanan doğal ince filmler veya rüzgâr değişimleri gibi zararsız birçok durum da koyu görünür. Buna ek olarak, radar görüntüleri taneli gürültüyle lekelenmiş olduğundan sızıntıları gizleyebilir veya taklit edebilir. Önceki sistemler bu gürültüyü temizlemeye ve koyu lekeleri el yapımı kurallar veya tek bir makine öğrenmesi modeliyle sınıflandırmaya çalıştı, ancak koşullar değiştiğinde genellikle zorlandılar.

Şüpheli bölgeleri temizleme ve çevreleme

ViR-SC yaklaşımı önce görüntüleri iyileştirmekle başlıyor. Gürültülü görüntülerden temiz görüntüler yeniden inşa etmeyi öğrenen bir tür yapay sinir ağı olan “gürültü giderici otoenkoder”, gerçek deniz desenlerinin nasıl göründüğünü öğrenir ve rastgele taneli gürültüyü yok ederken ince veya zayıf sızıntıları silmemeye çalışır. Ardından U-Net++ adlı ikinci bir ağ, su yüzeyinde olağandışı bir şey olan bölgeleri vurgulayan kaba maskeler üretir. Veri kümesinde mükemmel, elle çizilmiş sızıntı sınırları olmasa da model, zayıf denetimli bir şekilde düşük yansıtma bölgelerini öne çıkaracak şekilde eğitilir; bu da sonraki karar aşamaları için bir tür odak noktası sağlar.

Birçok zekânın birlikte karar vermesi

Gürültü giderme ve kaba konumlandırmadan sonra ViR-SC her küçük görüntü yaması üzerinde birkaç farklı sınıflandırıcıyı devreye sokar. Üçü derin öğrenme modelleridir: yerel dokuları yakalayan geleneksel bir konvolüsyonel sinir ağı, daha derin katmanlı desenleri öğrenen bir ResNet18 modeli ve tüm yama boyunca uzun menzilli yapıları yakalamada üstün olan bir Vision Transformer. İki diğeri klasik makine öğrenmesi algoritmalarıdır: birçok yüzeysel karar ağacına dayanan kararlar veren Random Forest ve sınıflar arasında keskin sınırlar çizen Support Vector Machine. Her model bir yamanın yağ içerip içermediği konusunda oy verir ve çoğunluk kararı nihai cevap olur. 5.600’den fazla etiketli radar yamasından oluşan halka açık bir veri kümesinde test edildiğinde en iyi tek model (Vision Transformer) %98,0 doğruluğa ulaşırken, birleşik ViR-SC topluluğu %98,45’e kadar yükselmiş ve yanlış alarm ile kaçırma oranlarını çok düşük tutmuştur.

Siyah kutuyu açmak

Sadece doğruluk, maliyetli temizleme çalışmalarını gerekçelendirmek zorunda olan kurumlar için yeterli değildir. Bu nedenle yazarlar açıklanabilirliği doğrudan ViR-SC’ye entegre ettiler. Derin ağlar için, bir “sızıntı” tahmini üzerinde en çok etkiye sahip pikselleri gösteren renkli ısı haritaları oluşturmak üzere Grad-CAM adlı bir teknik kullanıyorlar. Başarılı örneklerde, en parlak bölgeler rastgele arka plana değil gerçek koyu yağ şeridine sıkı sıkıya hizalanıyor. Random Forest sınıflandırıcısı için ekip, nihai karara her pikselin pozitif veya negatif katkısını atayan SHAP yöntemini uyguluyor. Bu araçlar birlikte, insan analistlerin sistemin makul sızıntı yapılarına mı odaklandığını yoksa alakasız desenler tarafından mı kandırıldığını görmesini sağlıyor; bu da güveni artırır ve uzman incelemesini kolaylaştırır.

Okyanus koruması için anlamı

Uzman olmayan biri için ana çıkarım, ViR-SC’nin petrol sızıntıları konusunda daha güvenilir ve şeffaf bir “gökyüzündeki gözler” olduğudur. Önce radar görüntülerini temizleyerek, sonra şüpheli yamaları tasvirottan geçirerek ve nihayetinde birbirini tamamlayan birçok modelin yargılarını birleştirerek, tek bir yönteme göre biraz daha iyi sızıntı tespiti yapıyor. Aynı derecede önemli olarak, gizemli bir evet-hayır cevabı vermek yerine görsel bindirmelerle gerekçesini açıklayabiliyor. Hız açısından daha fazla ayarlama yapılması ve farklı denizler ile mevsimler üzerine daha geniş testler gerçekleştirildiğinde, ViR-SC benzeri sistemler yetkililerin gerçek sızıntıları daha hızlı görmesine, zararsız benzer görüntüleri gözardı etmesine ve deniz ekosistemlerini ile kıyı topluluklarını korumak için daha emin adımlarla müdahale etmesine yardımcı olabilir.

Atıf: Murugan, J.S., Ramkumar, K., Kshirsagar, P.R. et al. Satellite-based oil spill detection using an explainable ViR-SC hybrid deep learning ensemble for improved accuracy and transparency. Sci Rep 16, 6637 (2026). https://doi.org/10.1038/s41598-026-37081-1

Anahtar kelimeler: petrol sızıntısı tespiti, uydu radar, derin öğrenme, topluluk yöntemleri, açıklanabilir yapay zeka