SFEL: radar geri saçılımına dayalı yer deformasyonunu tahmin etmek için bir makine öğrenimi çerçevesi

Hareket Etmeden Önce Tepeleri İzlemek

Dağ yolları ve köyler sağlam görünse de, Hindistan’ın Himalaya etekleri gibi yerlerde zemin ayaklarının altında yavaşça kayıyor. Ani heyelanlar rutinde yolları kesiyor, evlere zarar veriyor ve canları tehdit ediyor. Bu çalışma, uydulardan gelen radarı, toprak testlerini ve yerel bilgiyi kullanarak bu huzursuz yamaçları "dinlemenin" yeni bir yolunu araştırıyor ve bunların hepsini birkaç ay öncesine kadar ince zemin değişikliklerini tahmin edebilen bir makine öğrenimi sistemine besliyor.

Toprakta Gizlenen Bir Tehlike

Araştırmacılar, Himachal Pradesh’in Mandi bölgesindeki heyelan riski yüksek bir otoyol koridoruna odaklanıyor; burası orta Himalaya bölgesi olup dik yamaçlar, yoğun muson yağışları ve karmaşık jeolojiye sahip. Burada toprakta meydana gelen küçük değişimler bile stabilite ile çöküş arasındaki dengeyi bozabilir. Geleneksel saha incelemeleri sondaj, laboratuvar testleri ve uzman değerlendirmesine dayanır, ancak bu yöntemler pahalı, yavaş ve sadece birkaç konumla sınırlıdır. Aynı zamanda uydu radarı geçmiş yer hareketini algılamada çok iyi hale geldi, fakat genellikle bunun gelecekte ne olacağını tahmin etmek için kullanılmıyor. Zorluk, bu dağınık ipuçlarını pratik bir erken uyarı aracında birleştirmektir.

Uyduları, Laboratuvar Testlerini ve Yerel Bilgiyi Harmanlamak

Ekip, otoyol boyunca 55 bilinen heyelan noktası ve 55 nispeten stabil nokta dahil olmak üzere 110 sahadan veri topladı. Laboratuvarda, toprağın yapışkanlık veya plastisitesi, su tutma kapasitesi, yoğunluk ve gözenekliliği ile kum, silt ve kil bileşimi gibi standart geoteknik özellikler ölçüldü. Sahayıda ayrıca yerel halkın ve uzmanların nesiller boyu kullandığı ipuçları kaydedildi: toprak rengi, parmaklar arasındaki hissi, topraksı kokular, zeminin nemli veya sıkışık görünümü ve bitki örtüsünün sağlığı gibi. Bu "geleneksel" göstergeler, insan algısını kullanılabilir sayılara dönüştürmek için 12 eğitimli gözlemci tarafından beş puanlı bir ölçekle dikkatle puanlandı.

Radar Yankılarını Deformasyon Sinyallerine Dönüştürmek

Yamaçları zaman içinde izlemek için araştırmacılar, Google Earth Engine üzerinde işlenmiş Sentinel‑1 uydu radar verilerine erişti. Tam 3B zemin hareketini hesaplamak yerine, iki yıllık dönemde yüzeyden gelen radar yankısının gücü olan radar geri saçılımındaki değişimleri izlediler. Her ayın sinyalini önceki bir referansla karşılaştırarak, yüzeyin nasıl değiştiğini yansıtan ΔVV adlı basit bir ölçüm elde ettiler: sürekli düşüşler genellikle çöken veya sıkışan zemini, artışlar ise daha fazla nem veya bitki büyümesini gösterebilir. ΔVV doğrudan karaların kaç milimetre hareket ettiğini söylemese de, tüm 110 sitede aylık aralıklarla tutarlı biçimde ölçülebilen hassas bir deformasyon vekili görevi görüyor.

Bir ve Altı Ay Sonrayı Gören Katmanlı Bir Öğrenici

Onlarca toprak ve radarla ilişkili değişkeni bir modele beslemek kolayca gürültüye ve aşırı uyuma yol açabilir. Bunu önlemek için yazarlar, doğrusal korelasyonlar ile daha karmaşık ilişkiler arasında denge kurarak en bilgilendirici 16 özelliği tutmak için istatistiksel filtreler kullandılar. Ardından Karıştırılmış Tahmin Topluluk Öğrenicileri (SFEL) adlı yaklaşımlarını sundular; bu yapı karar ağaçları, rastgele ormanlar, gradyan artırma, destek vektör makineleri ve en yakın komşu yöntemi gibi çeşitli regresyon algoritmalarını iki katmanlı bir yapıda birleştiriyor. Birinci katman toprağa ve geleneksel göstergelere dayanarak kendi ΔVV tahminlerini yapmayı öğreniyor; ikinci bir "meta-öğrenici" ise bu tahminleri en iyi nasıl harmanlayacağını öğreniyor. Titiz çapraz doğrulama ile eğitilip test edilen SFEL, gözlemlenen değerlerin dar aralığı içinde küçük hatalarla radar tabanlı deformasyon vekilini bir ve altı ay öncesine doğru tahmin edebildi ve verideki değişimin yaklaşık %97–99’unu açıkladı.

Özellik Önemliliğiyle Kara Kutuyu Açmak

Heyelan kararlarının yolları, evleri ve bütçeleri etkilemesi nedeniyle bir model yalnızca doğru olmakla kalmamalı, anlaşılabilir olmalıdır. Ekip, her bir özelliğin tahminleri nasıl yukarı veya aşağı ittiğini göstermek için SHAP adlı popüler bir açıklama aracını kullandı. Kısa, bir aylık zaman diliminde özgül ağırlık, plastisite indeksi ve bitki örtüsü gibi mekanik dayanımla ilişkili özellikler en büyük dengeleyici veya denge bozucu rolleri oynadı. Altı aylık dönemde ise doğal su içeriği, silt içeriği ve toprağın ne kadar su tuttuğu gibi nemle ilgili özellikler daha etkili hale geldi; bu durum uzun, nemli muson mevsimlerinin artan etkisini vurguluyor. Önemli olarak, bitki canlılığı, toprak rengi ve topraksı koku gibi geleneksel göstergeler sürekli olarak faydalı öngörücüler arasında yer aldı; bu da yerel deneyimsel bilginin nicelenebildiğini ve laboratuvar verileriyle anlamlı biçimde birleştirilebildiğini gösteriyor.

Bu, Yamaç Altında Yaşayan İnsanlar İçin Ne Anlama Geliyor?

Uzman olmayanlar için çıkarım, görünür çatlaklar veya başarısızlıklar ortaya çıkmadan önce tehlikeli yamaçların nasıl evrileceğini öngörmenin mümkün hale gelmekte olduğudur. Uydu radarı, ayrıntılı toprak testleri ve çiftçilerin ve mühendislerin halihazırda sahada fark ettiği ince işaretleri birleştirerek SFEL çerçevesi, koşulların sessizce kötüleştiği yol veya yamaç kesimlerini işaretlemek için hızlı, ölçeklenebilir bir yol sunar. Kesin zemin hareketini santimetre cinsinden ölçmese de bir ve altı aylık dönemlerde riskle ilişkili yüzey davranışı değişimlerini güvenilir şekilde izler. Diğer dağlık bölgelerde ek testler ve yağış ile deprem verilerinin eklenmesiyle, bu tür yaklaşımlar daha hedefli denetimleri, daha iyi yamaç yönetimini ve daha erken uyarıları destekleyebilir—toplulukların çevrelerindeki hareketli dağlarla daha güvenli yaşamalarına yardımcı olabilir.

Atıf: Sankhyan, S., Sharma, S., pohal, S. et al. SFEL a machine learning framework for forecasting radar backscatter based ground deformation. Sci Rep 16, 7626 (2026). https://doi.org/10.1038/s41598-026-37619-3

Anahtar kelimeler: heyelan tahmini, uydu radarı, toprak deformasyonu, makine öğrenimi, Himalaya yamaçları