TransSiamUNet tabanlı dönüştürücüyle desteklenmiş Siamese-U-Net ile uydu görüntülerinde hassas değişim tespiti

Yeryüzünün Yukarıdan Değişimini İzlemek

Her gün, uydu filoları gezegenimizin fotoğraflarını sessizce çekerek yeni yolları, binaları, selleri, yangınları ve daralan ormanları kaydediyor. Bu pikseller selini, yerde neyin değiştiğine dair net ve güvenilir haritalara dönüştürmek şehir planlamacıları, afet müdahale ekipleri ve çevre bilimciler için hayati önem taşıyor—ancak bu şaşırtıcı derecede zor. Bu makale, uydu görüntüsü çiftlerini ayıklayarak gerçekten neyin değiştiğini hassas biçimde vurgulayan, bulutlar, gölgeler ve değişen güneş ışığı gibi dikkat dağıtıcı unsurları görmezden gelen TransSiamUNet adlı bir yapay zeka sistemini sunuyor.

Gerçek Değişimi Bulmayı Bu Kadar Zorlaştıran Nedir?

İlk bakışta, iki görüntü arasındaki değişimi fark etmek bir resimden diğerini çıkarmak kadar basit görünebilir. Geleneksel yöntemler tam da bunu yapar: parlaklığı karşılaştırır, renk oranlarına bakar veya piksel değerleri arasındaki mesafeyi ölçer. Bu yaklaşımlar hızlı ve uygulanması kolaydır, ancak kolayca aldanırlar. Aydınlanma, pus, sensör gürültüsü veya hafif hizalanma farkları gerçek değişimmiş gibi görünebilirken, yeni bir ev veya dar bir yol gibi küçük ama önemli değişimler yalnızca birkaç pikseli kapsayabilir ve tamamen kaçabilir. Uydu görüntüleri daha fazla spektral bant ve geniş alanlar sundukça, bu eski araçlar anlamlı dönüşümleri arka plan karışıklığından ayırmakta zorlanır.

Derin Öğrenme Sürece Dahil Oluyor

Son yıllarda derin öğrenme, bilgisayarların elle hazırlanmış formüllere güvenmek yerine kalıpları doğrudan veriden öğrenmesine izin vererek uzaktan algılamayı yeniden şekillendirdi. Konvolüsyonel sinir ağları ve iki görüntüyü zaman içinde karşılaştırmak üzere eğitilen "Siamese" ağ çiftleri bu alanda kullanıldı. U-Net gibi mimariler bu öğrenilmiş özellikleri her pikseli "değişti" veya "değişmedi" olarak işaretleyen ayrıntılı haritalara dönüştürebilir. Daha yakın zamanda, dil için geliştirilen dönüştürücü (transformer) modeller görüntülere uyarlandı; bu modeller bir sahnedeki uzak ilişkileri—örneğin uzak binaların veya tarlaların birbirleriyle nasıl ilişkili olduğunu—yakalamada üstündür. Ancak her model ailesinin zayıf yönleri vardır: Siamese ağlar büyük resmi kaçırabilir, saf dönüştürücüler ince detayları bulanıklaştırabilir ve birçok melez parça birleştirirken güçlü yönlerini tam olarak birlikte değerlendiremez.

Yeni Model Değişimi Nasıl Görüyor?

TransSiamUNet bu fikirlerin en iyi özelliklerini tek, koordine bir sistemde harmanlamak üzere tasarlandı. Sistem, iki özdeş sinir dalının "önce" ve "sonra" görüntülerini aynı şekilde işlediği bir Siamese kodlayıcı ile başlar; bu sayede farklar modelin kendisinden kaynaklanmaz. Çıktıları daha sonra sahnede nerede değişiklik olabileceğini vurgulayan odaklanmış bir "fark haritası" üretmek için birbirinden çıkarılır. Ham görüntüleri doğrudan bir dönüştürücüye beslemek yerine, yazarlar yalnızca bu fark haritasını bir Görüntü Dönüştürücü (Vision Transformer) bloğuna gönderir. Bu, dönüştürücünün dikkat bütçesini statik arka plana değil, gerçekte değişen yapılara harcamasını teşvik ederek uzak değişen bölgelerin tüm görüntü boyunca nasıl ilişkili olduğunu daha iyi anlamasına yardımcı olur.

Piksel Düzeyine Yeniden Yakınlaşmak

Dönüştürücü aday değişimler hakkında küresel bir anlayış oluşturduktan sonra, TransSiamUNet bu bilgiyi U şeklindeki bir kod çözücüye (decoder) aktarır. Bu kod çözücü sıkıştırılmış özellikleri tam çözünürlüğe kademeli olarak geri örneklerken, atlama bağlantıları aracılığıyla önceki katmanlardan ince detayları çeker. Etkili olarak model, tüm sahnenin geniş açılı bir görüntüsünü yerel, keskin yol, bina ve tarla konturlarına bağlar. Yazarlar ayrıca tespit edilen alanların sınırlarını düzeltmek için morfolojik filtreler ve olasılıksal düzleştirme gibi basit temizleme adımlarını da dener. Farklı şehirleri, çözünürlükleri ve arazi kullanım türlerini kapsayan üç kıyas veri seti üzerinde yapılan dikkatli testler, Siamese kodlayıcı, dönüştürücü boğaz katmanı ve U-Net kod çözücünün tam kombinasyonunun bu parçalardan herhangi biri eksik olduğunda daha zayıf performans gösteren versiyonları geride bıraktığını gösterir.

Bunu Gerçek Şehirlerde Kanıtlamak

Yazarlar OSCD adlı standart bir veri seti ile birlikte Teksas ve Yeni Zelanda odaklı iki büyük bina değişimi koleksiyonunu kullanarak TransSiamUNet'i hem geleneksel hem de son teknoloji derin öğrenme yöntemleriyle karşılaştırır. Aynı eğitim ve değerlendirme koşulları altında yeni model OSCD'de yaklaşık %94 doğruluk elde ederek saf konvolüsyonel ağlar, dönüştürücü tabanlı sistemler ve daha yeni sıra modelleri gibi güçlü rakipleri geride bırakır. Hızla büyüyen bir şehir olan Beyrut ve büyük ölçüde kararlı bir örnek olan Valencia üzerine yapılan ayrıntılı vaka incelemeleri, modelin yoğun inşaatları vurgulayabildiğini ve peyzaj sabit olduğunda güvenle "değişiklik yok" raporu verebildiğini gösterir. Bileşenlerin çıkarıldığı veya değiştirildiği ablation deneyleri, Siamese tasarım, dönüştürücü veya çok ölçekli kod çözücü olmadan performansın keskin şekilde düştüğünü göstererek, kazançların yalnızca model boyutundan değil bu bileşenlerin etkileşiminden kaynaklandığını doğrular.

Yeryüzü İçin Bunun Anlamı Nedir?

Uzman olmayanlar için ana sonuç, artık ham uydu görüntülerini hassas, piksel düzeyinde değişim haritalarına dönüştürmek için daha güvenilir bir yolumuzun olduğudur. TransSiamUNet yeni binaları, kaybolan yeşil alanları ve seller ya da diğer afetlerin izlerini daha yüksek güvenle ve daha az yanlış alarmla tespit edebilir. Bu da kentsel büyümenin, altyapının evriminin ve çevrenin iklim baskısına yanıtının zamanında ve güvenilir bilgisine ihtiyaç duyan ajanslar ve kuruluşlar için bu yaklaşımı umut verici bir araç haline getirir. Uydu takımyıldızları genişledikçe ve görüntü arşivleri derinleştikçe, yerel detay ile küresel bağlamı birleştiren bu tür yaklaşımlar değişen gezegenimizin net, güncel bir görünümünü korumada merkezi olacaktır.

Atıf: Ali, F., Labib, S.S., Mahmoud, A. et al. TransSiamUNet based transformer-augmented Siamese-U-Net for precise change detection in satellite imagery. Sci Rep 16, 11689 (2026). https://doi.org/10.1038/s41598-026-43164-w

Anahtar kelimeler: uydu değişim tespiti, uzaktan algılama AI, kentsel büyüme izleme, derin öğrenme modelleri, görsel dönüştürücüler