Swamp-AI: küresel düzeyde sulak alan değişimini izlemek için derin öğrenme modeli

Yeryüzünün suyla ıslanan kenarlarını izlemenin önemi

Sulak alanlar — bataklıklar, sazlıklar, deltalar ve taşkın ovaları — kıyılarımızı sessizce korur, karbon depolar, suyu filtreler ve yaban hayatına barınak sağlar. Buna karşın dünyada pek çok yerde, genellikle uzak veya erişilmesi zor bölgelerde, boyutları küçülmektedir. Bu çalışma, uydu görüntülerini tarayarak sulak alanları tespit eden ve izlerini zaman içinde takip eden bir bilgisayar görüsü sistemi olan “Swamp-AI”yi tanıtıyor; bu, bu tehdit altındaki manzaraları izlemek için daha hızlı ve daha ucuz bir yol sunuyor.

Uzaydan gizli suları görmek

Geleneksel sulak alan çalışmaları uzmanların sahayı ziyaret edip bitki, toprak ve su seviyelerini ölçmesine dayanır. Bu tür alan çalışmaları yavaş ve maliyetlidir; ayrıca birçok sulak alan yol olmayan tundra, tropikal taşkın ovaları veya siyasi olarak istikrarsız bölgelerde yer alır. Buna karşılık uydular birkaç günde bir dünya çevresinde döner ve yüzeyin tekrarlı görüntülerini yakalar. Zorluk, bu ham görüntüleri küçük bir insan ordusu olmadan güvenilir sulak alan haritalarına dönüştürmektir. Önceki haritalama yöntemleri, eşiklerin dikkatlice ayarlanmasını veya sınırların elle çizilmesini gerektiriyordu ve ortaya çıkan modeller genellikle sadece bir ülke veya bir sulak alan türü için işe yarıyordu. Swamp-AI, Louisiana’dan Mekong Deltası’na kadar dayanabilecek genel sulak alan “görsel imzalarını” öğrenerek bu darboğazı aşmayı hedefliyor.

Küresel bir eğitim atlası oluşturmak

Bir algoritmaya sulak alanın nasıl göründüğünü öğretmek için ekip önce etiketlenmiş uydu sahnelerinden oluşan bir eğitim atlası oluşturmak zorundaydı. 2019 görüntülerini kullanan Avrupa’nın Sentinel-2 uydusundan sağlanan, her beş günde bir orta çözünürlüklü renkli ve kızılötesi görüntüler sunan verilerle Global Swamp Annotated Database (GSADB) oluşturuldu. 21 kara içi ve 13 kıyı bölgesini kapsayan dünya çapında 34 konumdan, sulak alanların bulunduğu yerleri işaretleyen 102 ayrıntılı maske çizildi. Her siteyi tek tek ziyaret etmek yerine var olan birkaç küresel veri ürünü birleştirildi: mevcut bir 30 metrelik sulak alan haritası, alçak ve taşkına yatkın araziyi işaret eden bir dijital yükselti modeli ve yeşil, büyüyen bitkileri vurgulayan bir bitki örtüsü indeksi. Dört etiketleyici birbirlerinin çalışmalarını çapraz kontrol etti, anlaşmazlık çıktığında sahneler elendi ve etiketlerin Arktik sazlıklarından tropikal bataklıklara kadar tutarlı olması için tek bir geniş “sulak alan” sınıfı tanımlandı.

Makinaya ıslak zemini tanıtmayı öğretmek

Bu atlasla donanmış araştırmacılar, görüntüdeki her piksele sulak alan veya sulak alan olmayan olarak etiket atan “anlamsal segmentasyon” yapan 15 farklı derin öğrenme modelini eğitti. Tıbbi taramalarda ve diğer çevresel görüntülerde iyi çalışmış üç popüler ağ tasarımını test ettiler ve her birini beş farklı eğitim hata ölçüm yöntemi (kayıp fonksiyonu) ile eşleştirdiler. Sulak alanlar genellikle sahnede azınlık olduğundan, dengesiz verilere uygun kayıp fonksiyonlarıyla da denemeler yaptılar. Eğitim görüntüleri rastgele değil coğrafi olarak bölündü; böylece modeller her zaman daha önce görmedikleri yerlerde test edildi ve yerel özelliklere aşırı uyumlanma riski azaltıldı.

Bir şampiyon seçmek ve gerçek dünyada doğrulamak

Eğitim sonrası en iyi performans gösteren modeller daha zorlu sınavlara sokuldu. Ekip, Amerika Birleşik Devletleri’ndeki üç yaban hayatı koruma alanının daha keskin, üç metrelik görüntülerini kullanarak bağımsız bir test seti oluşturdu ve elle çizilmiş sulak alan sınırlarını Sentinel-2’nin daha kaba çözünürlüğüne uyması için küçülttü. Şampiyon, ResUNet34 adlı bir ağ ile hibrit “focal-dice” kaybının birleşimi olarak ortaya çıktı. Swamp-AI’nin bu sürümü genel olarak piksel başına yaklaşık %94 doğrulukla etiketledi ve tahmin edilen ile gerçek sulak alanların örtüşmesini sertçe ölçen kesişim-bölüm-kümü puanında yaklaşık %75 elde etti. Görsel kontroller, test için kullanılan bölgelerin dışındaki sazlık ve bataklıkları da bulmayı sürdürdüğünü gösterdi. Yazarlar daha sonra Swamp-AI’yi dünyaca ünlü sulak alanlara uyguladı ve iç eşik değerinin hafif ayarı ile soğuk kuzey bataklıklarından tropikal taşkın ovalarına kadar yüksek doğruluğunu koruduğunu buldular.

New York’ta çekilen bir kıyı şeridinin daralışını izlemek

Swamp-AI’nin pratikte nasıl kullanılabileceğini göstermek için ekip, 2019–2024 yılları arasında New York’taki Jamaica Bay tuzcul sazlık adalarını izledi. Yıllık görüntü bileşimleri üzerinde modeli çalıştırarak koydaki adaların topluca yılda yaklaşık 18 hektar sulak alan kaybettiğini tahmin ettiler; bazı adalar nispeten sabit kalırken diğerleri belirgin geri çekilme belirtileri gösteriyordu. 2024’te yüksek ve alçak gelgitte çekilmiş görüntüleri karşılaştırmak başka bir nüansı ortaya koydu: su seviyeleri düşük olduğunda ve sazlık yüzeyler açığa çıktığında, Swamp-AI yüksek gelgit görüntüsüne göre neredeyse %30 daha fazla sulak alan buldu; bu da uydu tabanlı haritalamanın zamanlama ve su seviyesine ne kadar duyarlı olabileceğini vurguluyor.

Sulak alan kaybı için yeni bir erken uyarı sistemi

Uzman olmayanlar için ana mesaj şudur: Swamp-AI otomatik bir sulak alan denetçisi gibi davranır; küresel uydu beslemelerini tarar ve bitkili, suya doymuş alanların sabit kalıp kalmadığını veya yok olup olmadığını işaretler. Henüz bitki türleri veya sulak alan alt tipleri gibi ince ayrımları yapamıyor ve eğitimde kullanılan referans haritalardan bazı sınırlamaları miras alıyor. Yine de, birçok yerel çalışmayla karşılaştırılabilir doğrulukta hızlı, küresel tutarlılıktaki haritalar sunarak Swamp-AI korumacılara ve planlamacılara erken uyarı aracı sağlar. Pahalı saha çalışmalarını en riskli alanlara yönlendirmeye yardımcı olabilir ve restorasyon, kıyı savunması ve iklim dirençliliği konularında daha akıllı kararları destekleyebilir.

Atıf: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

Anahtar kelimeler: sulak alanlar, uzaktan algılama, derin öğrenme, çevresel izleme, uydu görüntüleri