Kurak bölgelerde aktarım öğrenmesi kullanarak spektral olarak benzer arazi kullanım/örtüsü sınıflarının sınıflandırmasının geliştirilmesi

Değişen peyzajlarımız için bunun önemi

Genişleyen şehirlerden küçülen tarlalara kadar, özellikle kuru bölgelerde arazi kullanım şekilleri hızla değişiyor. Devletler ve planlamacılar bu değişimleri izlemek için uydu görüntülerine güvenir, ancak çöl ve yarı çöl alanlarında şehirler ile çıplak toprak uzaydan şaşırtıcı derecede benzer görünebilir. Bu çalışma, aktarım öğrenmesi adı verilen gelişmiş bir yapay zeka tekniğinin, Mısır’ın Nil Deltası’nda insanların nerede yaşadığı ve yapılaşmanın nerede yoğunlaştığı bilgisini nasıl keskinleştirebileceğini gösteriyor—bu bilgi gıda güvenliği, çevre koruma ve daha güvenli kentsel büyümenin temelini oluşturur.

Şehri çölden ayırmanın zorluğu

Arazi kullanımı, insanların araziyi nasıl kullandığını tanımlar—örneğin çiftlikler, kasabalar veya sanayi bölgeleri—arazi örtüsü ise yerde fiziksel olarak ne bulunduğunu gösterir; örneğin bitki örtüsü, su veya çıplak toprak. Dünya genelinde bu desenler nüfus baskısı, ekonomik büyüme ve insan kaynaklı çevresel değişim nedeniyle kayıyor. Verimli ama hassas alanlarda, örneğin Nil Deltası gibi yerlerde kentsel yayılma tarım arazilerini yiyor. Bunu yönetmek için uydu görüntülerine dayanan doğru haritalara ihtiyacımız var. Yine de kurak ve yarı-kurak peyzajlarda, beton ve kuru çıplak toprak ışığı benzer biçimde yansıttığından geleneksel bilgisayar yöntemlerinin bunları birbirinden ayırması çok zordur.

Klasik haritacılıktan derin öğrenmeye

Uzun süredir kullanılan Maksimum Olabilirlik (Maximum Likelihood) sınıflayıcısı gibi geleneksel haritalama araçları, esasen uydu görüntülerindeki piksellerin farklı renk (veya bant) kanallarındaki parlaklıklarını karşılaştırır. Bu araçlar yeşil bitki örtüsü veya su açıkça ayırt edilebilir olduğunda makul derecede iyi çalışır, ancak iki arazi türü neredeyse aynı “spektral imzayı” paylaştığında—kurak bölgelerde yapılaşmış alanlar ile çıplak zemin arasında olduğu gibi—zorlanırlar. Önceki gelişmeler, uydu verisini daha iyi kullanmak için makine öğrenmesi ve özel indeksler ekledi, ancak bu yaklaşımlar bile arazi düz, kuru ve seyrek bitkili olduğunda şehirleri çıplak arazi olarak veya tersini yanlış etiketleme eğilimindeydi.

Bir bölgeden öğrenip diğerine uyum sağlayacak şekilde bir yapay zekâyı eğitmek

Yazarlar bu sorunu Nil Deltası’nda, tarım arazileri, kasabalar, sulak alanlar, su kütleleri ve çıplak zeminin sıkı örüntüler oluşturduğu karmaşık kuzey kıyı şeridine odaklanarak ele aldılar. Google Earth Engine üzerinden işlenen Landsat 8 uydusundan elde edilen ücretsiz, orta çözünürlüklü (30 metrelik pikseller) görüntüleri kullandılar. Bu alandaki arazi sınıfları dengesiz olduğundan—bazı türlerin pikselleri diğerlerine göre çok daha fazla olduğundan—önce deltada başka bir bölümden daha dengeli bir “önişleme” (pretraining) veri seti oluşturdular. Resnet50-Unet, Resnet50-FPN, Resnet50-PSPNet ve Unet++ olmak üzere dört modern görüntü-segmentation modeli, tarlalar, su, şehirler ve çıplak zemin gibi genel desenleri öğrenmek için önce bu dengeli sette eğitildi. Aynı modeller daha sonra dengesiz kuzey verisi üzerinde ince ayarlandı; bu yaklaşıma aktarım öğrenmesi (transfer learning) denir.

Daha akıllı modellerle daha keskin haritalar

Ekip, her bir modeli öngörülen arazi türlerinin uzman denetimli referans haritalarla ne kadar iyi eşleştiğine bakan ölçütlerle değerlendirdi; kaçırılan alanlarla yanlış alarmlar arasındaki dengeye özel önem verdiler. Tüm derin öğrenme modelleri, geleneksel Maksimum Olabilirlik yöntemini açıkça geride bıraktı. Genel en iyi performansı Resnet50-FPN modeli gösterdi; bu model yüksek bir F1-skoru (0.877) ve Intersection over Union (0.792) elde ederek referans haritalarla güçlü bir uyum gösterdi. Gücü, sahneyi çok ölçekli olarak inceleyen “piramit” tasarımını kullanmasında yatıyor; bu sayede hem geniş desenleri hem de ince ayrıntıları yakalayıp nesnelerin biçimlerini koruyabiliyor. Eklenen karmaşıklığa rağmen, yapay zekâ modelleri görüntü yaması başına saniyenin kesirleri içinde sonuç üretti; bu, geleneksel yöntemin saatler alan süresinden çok daha hızlıdır.

İnsanlar ve gezegen için anlamı

Uzman olmayanlar için mesaj basit: daha akıllı yapay zekâ, ücretsiz erişilebilen uydu görüntülerini, yerleşimin nerede büyüdüğüne ve tarım arazisinin nerede çekildiğine dair çok daha güvenilir haritalara dönüştürebilir; hem de zeminin uzaydan aldatıcı şekilde benzer göründüğü zor, tozlu peyzajlarda bile. Aktarım öğrenmesi ve Resnet50-FPN gibi çok ölçekli derin ağların Nil Deltası’nda yapılaşmış alanları çıplak topraktan güvenilir biçimde ayırabildiğini göstererek, bu çalışma kentsel yayılmanın daha iyi izlenmesine, daha bilgili arazi kullanımı planlamasına ve kurak bölgelerde hayati tarım arazilerinin daha iyi korunmasına giden yolu işaret ediyor.

Atıf: Farag, N.H., Abdelhafiz, D., Abdrabo, M.A. et al. Enhancing the classification of spectrally similar land use/land cover classes using transfer learning in arid regions. Sci Rep 16, 7729 (2026). https://doi.org/10.1038/s41598-026-38540-5

Anahtar kelimeler: arazi kullanımı ve arazi örtüsü, uzaktan algılama, derin öğrenme, Nil Deltası, kentsel yayılma