HSICNet: uzak algılama ve çevresel izlemede hiperspektral görüntü sınıflandırması için yeni bir derin öğrenme mimarisi

Neden daha akıllı uydu görüntüleri önemli?

Mahsul sağlığını takip etmekten uzaydan kirliliği tespit etmeye kadar, modern uydular sadece kırmızı, yeşil ve maviyi görmekten çok daha fazlasını yapar. Hiperspektral kameralar, ışığı yüzlerce ince renk bandına ayırarak bitkiler, toprak, su ve beton gibi öğelerin ince parmak izlerini açığa çıkarır. Sorun şu ki bu veri çok büyük, gürültülü ve etiketlenmesi zor; bu da gerçek zamanlı kullanımını güçleştirir. Bu makale, hiperspektral görüntülerin tarım, şehirler ve çevresel izleme uygulamalarını daha güvenilir şekilde destekleyebilmesi için bu karmaşıklığı kontrol altına almaya yönelik HSICNet adlı yeni bir derin öğrenme sistemini tanıtıyor.

Olağan renklerin ötesini görmek

Hiperspektral görüntü sınıflandırma, bir görüntüdeki her pikselin hangi malzeme türünü gösterdiğini belirleme görevidir—örneğin mısır mı soya mı, asfalt mı çim mi veya sağlıklı mı hastalıklı bitki mi gibi. Hiperspektral sensörler yüzlerce dalga boyunu ölçtüğü için hem zengin “spektral” bilgi (bir materyalin renkler boyunca ışığı nasıl yansıttığı) hem de “uzamsal” bilgi (komşu piksellerin birbirleriyle nasıl ilişkili olduğu) sağlar. Geleneksel makine öğrenimi ve erken dönem sinir ağları bu tür verilerle zorlanır: çok fazla bant vardır, birçoğu gereksiz tekrar içerir ve yer doğrulama etiketleri görece azdır. Yeni dikkat (attention) ve transformatör tabanlı modeller doğruluğu artırabilir, ancak genellikle ağır, yavaş ve etiketler az olduğunda aşırı öğrenmeye (overfitting) eğilimlidirler.

Renk ve bağlam için iki yollu bir ağ

HSICNet, hiperspektral veri için amaçlı tasarlanmış çift dallı bir mimariyle bu zorlukların üstesinden gelir. Önce ham görüntü küpü, gürültülü bantlar çıkarılarak temizlenir ve boyut azaltmak için başlıca bileşenler analiziyle (PCA) sıkıştırılır; bu, kullanışlı varyasyonun çoğunu korurken boyutu düşürür. Ön işlenen veri sonra paralel iki yola beslenir. Bir yol, her piksel için ince taneli renk imzalarını öğrenmek amacıyla spektral eksen boyunca bir boyutlu konvolüsyonlar kullanır. Diğer yol ise küçük görüntü yamaları üzerinde iki boyutlu konvolüsyonlar kullanarak doku, şekil ve örüntüleri—örneğin tarla sınırları veya yol ağları gibi—yakalar ve uzamsal bağlam sağlar. Bu rollerin ayrılması, hesaplamayı azaltırken hem her pikselin ne olduğunun hem de çevresine nasıl uyduğunun öğrenilmesini sağlar.

Ağın önemlisine odaklanmasına izin vermek

Spektral ve uzamsal özellikler çıkarıldıktan sonra HSICNet bunları basitçe üst üste eklemez. Bunun yerine “sıkıştır-ve-uyar” (squeeze-and-excitation) tasarımlarından ilham alan dikkat tabanlı bir füzyon modülü uygular. Kanal başına küresel ortalamalar, her bir özellik kanalının ne kadar bilgilendirici olduğunu tahmin etmek için kullanılır ve ağ, yararlı kanalları güçlendiren, gereksiz veya gürültülü olanları bastıran bir ağırlık seti öğrenir. Bu, gerçekten ayırt edici spektral–uzamsal örüntülere vurgu yapan sıkıştırılmış, birleşik bir temsil üretir. Son olarak küçük bir tam bağlı sınıflayıcı bu birleşik özellikleri her piksel için arazi örtüsü etiketlerine dönüştürür ve sonuçlar genel doğruluk, sınıf dengesi ve yer doğrulama ile uyum gibi standart ölçülerle değerlendirilir.

Gerçek dünyada ne kadar iyi çalışıyor?

Yazarlar HSICNet’i gerçek uzak algılama görevlerini taklit eden üç yaygın kıyas veri kümesinde test ettiler: Indian Pines (karışık ekinler ve bitki örtüsü), Pavia University (kentsel yüzeyler ve bitki örtüsü) ve Salinas (yüksek çözünürlüklü tarım arazileri). Üçünde de HSICNet yaklaşık %99 genel doğruluğa ve referans etiketlerle neredeyse kusursuz uyuma ulaştı; destek vektör makineleri, rastgele ormanlar, 3B konvolüsyon ağları, rezidüel ağlar ve dikkat-ile güçlendirilmiş veya transformatör tabanlı melezler gibi güçlü temel yöntemleri geride bıraktı. Önemli olarak, bunu çok daha az parametre, daha düşük eğitim süresi ve daha hızlı görüntü başına tahminle başardı; bu da sınırlı hesaplama gücüne sahip cihazlarda veya uydu ve drone verilerinin gerçek-zamana yakın işlenmesinde daha cazip hale getiriyor.

Bu yaklaşım neden umut verici?

Uzman olmayan bir göz için HSICNet, gereksiz detaylara takılmadan dünyanın yüzeyinin hiperspektral “parmak izlerini” okumayı öğrenen dikkatle basitleştirilmiş bir boru hattı olarak görülebilir. Veriyi akılcı şekilde azaltarak, renk ve bağlamı ayrı yollara ayırarak ve ardından en önemli olana öğrenilmiş bir odakla yeniden birleştirerek model hem yüksek doğruluk hem de hız elde eder. Bu birleşim, gelecekteki uzak algılama sistemlerinin hiperspektral akışlardan doğrudan bitki türlerini sınıflandırabileceğini, kentsel malzemeleri haritalayabileceğini veya çevresel değişimi izleyeceğini; böylece çiftçilere, planlamacılara ve çevre bilimcilere daha hassas ve zamanında bilgiler sunabileceğini gösteriyor.

Atıf: Purnachand, K., Samrin, R., Guttikonda, J.B. et al. HSICNet a novel deep learning architecture for hyperspectral image classification in remote sensing and environmental monitoring. Sci Rep 16, 11166 (2026). https://doi.org/10.1038/s41598-026-40509-3

Anahtar kelimeler: hiperspektral görüntüleme, uzak algılama, derin öğrenme, arsa örtüsü haritalama, çevresel izleme