Sığ kıyı sularının izlenmesi için insansız hava aracı hiperspektral ve uydu multispektral görüntülerini kullanarak uzaysal-spektral çözünürlük analizi

Bu kıyı çalışması neden önemli

Sığ kıyı suları, kıyıları koruyan, balıkçılığı destekleyen ve karbon depolayan deniz çayırları, resifler ve alg yataklarına ev sahipliği yapar. Yine de bu habitatleri yalnızca teknelerle sık sık haritalamak ve izlemek zordur. Bu çalışma, bir insansız hava aracına takılmış hiperspektral bir kamerayla uçmanın ve bunu uydu benzeri görüntülerle birleştirmenin, su derinliği ve deniz tabanı habitatlarının ayrıntılı, tekrarlanabilir haritalarını sağlayabileceğini; böylece artan insan ve iklim baskıları altında savunmasız kıyıların yönetilmesine yardımcı olabileceğini gösteriyor.

Denize yukarıdan bakmak

Araştırmacılar, zengin deniz yaşamı nedeniyle korunan fakat yerleşimciler ve turistler tarafından yoğun kullanılan Gran Canaria’daki Las Canteras plajına odaklandı. Doğal bir kaya seti suyu sakinleştiriyor ve deniz tabanını yukarıdan görünür kılıyor; bu da optik uzaktan algılama için ideal. Tarihsel olarak bölgede geniş deniz çayırı alanları vardı, ancak kıyı yapıları kum hareketini değiştirerek bunların büyük ölçüde kaybolmasına neden oldu. Bugün, yeşil, kahverengi ve kırmızı alg yamaçları ile kum ve kayanın bir mozaik oluşturduğu deniz tabanı, hem doğal değişimleri hem de insan etkisini yansıtıyor.

Suda farklı “gözleri” test etmek

Çalışmanın merkezinde zekice bir deney var: farklı zamanlarda uçurulmuş veya yörüngede olan farklı kameraları doğrudan karşılaştırmak yerine, ekip 97 dar bantlı renge sahip ve 10 santimetre çözünürlükte bir hiperspektral sensörle elde edilmiş tek bir çok detaylı drone görüntüsüyle başladı. Bu tek referanstan, veriyi ticari bir uyduyu taklit eden 8 daha geniş bantlı bir multispektral cihaz ve yalnızca 3 bandı olan basit bir RGB kamera gibi farklı sistemleri matematiksel olarak “düşürerek” çoğalttılar; her biri hem ince (10 cm) hem de daha kaba (2 m) piksel boyutlarında üretildi. Bu, hava, su berraklığı veya gelgit farklarından arındırılmış aynı sahnenin altı kontrollü versiyonunu oluşturdu. Ardından bu görüntüleri su derinliğini (bathymetri) tahmin etmek ve deniz tabanı tiplerini (bitki örtüsü, kum ve kaya) sınıflandırmak için hem yerleşik formüller hem de modern makine öğrenimi yöntemleriyle kullandılar.

Derinliği ve habitatları renkten okumak

Derinliği geri kazanmak için çalışma, iki renk bandındaki ışık ile derinlik arasındaki ilişkiyi kuran yerleşik matematiksel yaklaşımı, aynı anda birçok banttan örüntüleri öğrenen daha esnek bir makine öğrenimi modeliyle karşılaştırdı. Deniz tabanı habitatları için ise su içi anketler ve deniz tabanı fotoğraflarıyla yönlendirilen iki tür sınıflandırıcı eğitildi: destek vektör makineleri ve ileri beslemeli sinir ağları. Tüm testlerde drone temelli hiperspektral veri en doğru sonuçları verdi; su derinliği hataları yaklaşık 15 santimetreye kadar düştü ve habitat sınıflandırmasında yaklaşık %94 doğruluk elde edildi. Yaygın ticari uydulara benzer multispektral görüntüler hemen hemen aynı performansı göstererek ayrıntı, kapsama ve maliyet arasında güçlü bir denge sundu. Daha basit RGB versiyonu derinlik için kabul edilebilir bir iş çıkardı, ancak bu karmaşık habitatta benzer alg türlerini ayırt etmeye çalışırken farklı taban türlerini güvenilir şekilde ayıramadı.

Daha keskin mi yoksa daha zengin renk mi daha önemli?

Ana sorulardan biri, daha ince piksellerin mi yoksa daha zengin renk bilgisinin mi daha büyük fark yarattığıydı. Derinlik için cevap şaşırtıcı: piksel boyutunu 10 cm’den 2 m’ye değiştirmek doğruluğu neredeyse etkilemedi. Derinlik büyük ölçüde su içindeki ışığın nasıl sönümlendiğiyle kontrol edildiğinden, su yalnızca birkaç metre derinliğindeyse ve nispeten düzse çok yüksek mekansal ayrıntı fazla katkı sağlamıyor. Ancak habitat haritalamada hem mekansal hem de spektral zenginlik daha önemliydi. Daha ince pikseller kum, kaya ve bitkilerin her piksel içinde karışmasını azaltarak sınıfların ayrılmasını kolaylaştırdı. Ve amaç benzer alg türlerini ayırmak olduğunda daha fazla spektral bandın olması açıkça yardımcı oldu. Sinir ağı modeli bu ekstra bilgiden en iyi şekilde yararlanarak daha geleneksel sınıflandırıcıyı geride bıraktı.

Endişe verici bir deniz yeşilliği kaybını izlemek

Yöntem testi dışında ekip, 2016 tarihli gerçek bir uydu görüntüsünü 2023 drone verileriyle (uyduyun daha kaba çözünürlüğüne eşleştirilmiş olarak) karşılaştırdı. Yaklaşık 7.200 metrekarelik bir deniz bitki örtüsü kaybı tespit ettiler; bunun büyük bir kısmı muhtemelen yeşil alg Cymopolia barbata’nın kaybından kaynaklanıyor. Tarihsel deniz çayırlarının zaten belgelenmiş kayboluşu, deniz yüzeyi sıcaklığında yerel bir ısınma eğilimi ile ağır rekreasyon kullanımı ve dönemsel su kalitesi sorunlarıyla birleşince, sonuçlar bu kentsel resifin ciddi bir baskı altında olduğunu gösteriyor.

Kıyılar ve topluluklar için bunun anlamı

Uzman olmayanlar için mesaj iki yönlü. İlk olarak, dronlar ve uydulardan elde edilen modern görüntüleme, makine öğrenimi ile analiz edildiğinde, artık sürekli tekne çalışmalarına gerek kalmadan sığ su derinliği ve deniz tabanı yaşamına ilişkin doğru, tekrarlanabilir haritalar sunabiliyor. Bu, kıyı habitatlarının yıllar veya hatta mevsimler içinde nasıl değiştiğini izlemeyi pratik hale getiriyor. İkinci olarak, Las Canteras örneği neden böyle bir izlemenin acil olduğunu gösteriyor: değerli su altı “ormanları”, ısınan denizlerin ve yerel insan baskısının birleşik etkisi altında sessizce küçülebilir. Burada sunulan yaklaşım, şehirlerin ve koruma kurumlarının su altı mahallelerini daha yakından izlemesi ve ana habitatlar kaybolmadan önce harekete geçmesi için pratik bir araç seti sunuyor.

Atıf: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Anahtar kelimeler: kıyı haritalama, insansız hava aracı hiperspektral görüntüleme, sığ su bathymetrisi, bentik habitat izleme, deniz bitki örtüsü kaybı