Makine öğrenmesi modelleri ile sentinel ürünleri ve topoğrafik bilgiler kullanılarak Sudan Savanı’nda toprak sınıflandırması

Altımızdaki Toprağı Bilmenin Neden Önemi Var

Batı Afrika’nın yarı‑kurak merkezinde çiftçiler, yağışların düzensiz olduğu ve toprakların sadece birkaç yüz metre içinde dramatik biçimde değişebildiği bir arazide yetiştirilen sorgum ve diğer temel ürünlere bağımlıdır. Oysa hangi bitkilerin ekileceğine ve nasıl yönetileceklerine karar vermek için gerekli ayrıntılı toprak haritaları sıklıkla eksiktir. Bu çalışma, Burkina Faso’nun Sudan Savanı için ücretsiz uydu görüntüleri ile modern bilgisayar öğrenimini birleştirerek çok daha keskin toprak haritaları oluşturulabileceğini gösteriyor; bu da daha iyi ürün ve arazi yönetimi için pratik bir araç sunuyor.

Açıkta Gizlenen Desenleri Barındıran Bir Peyzaj

Araştırma, merkezi Burkina Faso’daki Doulou havzasına odaklandı; küçük tepeler, sığ vadiler ve kısa ama yoğun bir yağış mevsimi olan hafifçe dalgalı bir plato. Önceki saha çalışmaları, bu bölgedeki ana toprak tiplerinin yamaç üzerindeki konumla yakından ilişkili olduğunu göstermişti: üst platoda sığ, çakıllı topraklar; orta yamaçlarda orta derinlikte topraklar; aşağıya doğru daha derin, daha verimli topraklar; ve dere yataklarında suyla doymuş topraklar. Bu farklılıklar bitki kökleri, su depolama ve verimlilik açısından önem taşıyor. Ancak şimdiye kadar çiftçiler ve planlamacılar, bu ince ölçekli değişimi düzleştiren çok kaba ulusal ve kıtasal toprak haritalarından başka bir şeye sahip değildi.

Uzaydan Toprağı İzlemek

Bu gizli deseni yakalamak için ekip üç tür bilgiyi birleştirdi. Birincisi, toprak mineralleri ve nemine duyarlı dalga boylarını da kaydeden birkaç renkte yansıyan güneş ışığını görüntüleyen Avrupa Sentinel‑2 uydusunun görüntülerini kullandılar. İkincisi, bulutlar arasından bile yüzey pürüzlülüğünü ve nemi algılayabilen Sentinel‑1 radar verilerini eklediler. Üçüncüsü, temelde arazinin üç boyutlu bir resmi olan yüksek çözünürlüklü bir sayısal yükseklik modelinden bir “ıslaklık” indeksi hesapladılar. Bu indeks, yağmur suyunun nerede birikme veya akma eğiliminde olduğunu tahmin ederek yamaç boyunca toprakların oluşumuyla doğrudan ilişki kuruyor. Saha bilimcileri daha önce 141 toprak profilini kazmış veya örneklemiş ve bunları dört ana toprak grubuna sınıflandırmıştı; bu, bilgisayar modellerini eğitmek ve test etmek için gerekli yer doğruluğunu sağladı.

Makinelere Araziyi Okutmak

Araştırmacılar daha sonra, uydu kaynaklı özellikleri bilinen toprak türleriyle en iyi eşleştirebilen yöntemi görmek için üç popüler makine öğrenmesi yöntemini—Random Forest, Extreme Gradient Boosting (XGBoost) ve Support Vector Machines—test ettiler. Sadece radar verisi, sadece optik veri veya bunların arazi temelli ıslaklık indeksiyle karışımları gibi çeşitli girdi kombinasyonları denediler. Açık kazanan, Sentinel‑2 optik bilgisi artı ıslaklık indeksi ile beslenen XGBoost oldu ve genel doğrulukta yaklaşık beş tahminden dördünü doğru bildi. Random Forest biraz daha düşük performans gösterirken, Support Vector Machine daha geride kaldı. Ekip hangi girdilerin en çok etkili olduğunu incelediğinde, ıslaklık indeksi en öne çıktı; bu, su akışı ve birikiminin bu savanna peyzajında toprak desenlerini ne kadar güçlü biçimde kontrol ettiğini vurguluyor. Sentinel‑2’nin bazı kısa dalga kızılötesi bantları da toprak dokusu ve nemini algıladıkları için yüksek öncelikte yer aldı.

Çiftçiler İçin Daha Keskin Bir Harita Çizmek

En iyi performans gösteren modelle donanmış olarak bilim insanları havzanın ayrıntılı bir toprak haritasını üretti. Ortaya çıkan görüntü, üst platoda sığ, çakıllı toprakların; orta yamaçlarda orta derinlikte toprakların; nehre daha yakın yerlerde daha derin ve daha verimli toprakların; ve alçak kanallarla sınırlı ıslak, kötü drene olmuş toprakların egemen olduğunu gösteriyor. Kıta çapındaki ürünler ve küresel toprak ızgaralarıyla karşılaştırıldığında bu harita, toprak zonları arasındaki sınırları netleştiriyor ve geniş yanlış sınıflandırmaları düzeltiyor. Bu daha ince ayrıntılar saha anketleri ve yerel bilginin öne sürdükleriyle daha uyumlu ve yoğun yağış sırasında su ve sedimentin yamaç boyunca nasıl hareket ettiğini yansıtıyor. Bu tür bilgiler, sorgum veya diğer ürünlerin nerede ekileceği, suyla doygunluğun nerede bekleneceği ve toprak koruma ya da ağaçlandırmanın nerede acil olabileceğini yönlendirebilir.

Bu, Gıda ve Gelecek Planlaması İçin Ne Anlama Geliyor

Uzman olmayanlar için temel mesaj, yıllarca süren pahalı anketlere gerek kalmadan veri açısından zayıf bölgelerde artık uygulamaya uygun, saha ölçeğinde toprak haritaları oluşturmanın mümkün olduğudur. Uydulara arazinin “okutulmasına” ve eğim, nem ve toprak arasındaki desenleri tanımak için makine öğrenmesine izin vererek bu çalışma, çiftçilerin daha akıllıca ürün seçmesine, gübrelemeyi hedeflemesine ve hassas alanları erozyondan korumasına yardımcı olabilecek bir araç sunuyor. Yaklaşım hâlâ bazı yerinde örneklemeye bağlı olmakta ve daha geniş alanlarda doğrulanmaya ihtiyaç duymakta olsa da, toprak bilgisine—bir zamanlar dağınık çukurlarda ve uzman raporlarında kilitlenmiş olan—Sudan Savanı ve benzeri kurak arazi bölgelerinde yaygın erişim sağlanabileceği bir geleceğe işaret ediyor.

Atıf: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

Anahtar kelimeler: dijital toprak haritalama, uzaktan algılama, makine öğrenmesi, Sudan Savanı, tarımsal planlama