Environmental Monitoring and Assessment dergisinde 5 Eylül 2026'da yayımlanan hakemli çalışma, tarım arazilerindeki bitkili akarsu tampon şeritlerinin kalitesini yüksek çözünürlüklü uydu görüntülerinden doğrudan tahmin eden çok görünümlü bir derin evrişimli sinir ağı sundu. Kanada'nın Quebec eyaletindeki L'Acadie Nehri havzasından toplanmış saha verisini kullanan araştırmacılar, en iyi RGB yapılandırmasında ortalama 7,35 hata ve 0,93 belirleme katsayısı bildirdi. Geleneksel nesne tabanlı sınıflandırma iş akışında karşılık gelen değerler 11,25 ve 0,87 oldu. Bu fark, modelin sahadaki ekolojik işlevi ölçtüğünü ya da başka havzalarda aynı başarıyı vereceğini kanıtlamıyor; belirli bir endeks, görüntü seti ve Kanada peyzajı için yapılan tahmin karşılaştırmasını gösteriyor.
3.489 şerit ve 75 bağımsız test örneği kullanıldı
Çalışmanın hedefi, Quebec'te kullanılan Akarsu Kıyısı Şeridi Kalite Endeksi'ni (RSQI) otomatik tahmin etmekti. Endeks; orman, çalılık, doğal çayır, tarımsal bitki, kesim alanı, çıplak toprak ve altyapı gibi arazi örtüsü bileşenlerini farklı ağırlıklarla birleştiriyor. Saha çalışmalarıyla hazırlanmış veri seti 3.489 kıyı şeridi içeriyordu. Araştırmacılar kalite aralığını dengeli temsil eden 75 şeridi model eğitiminden ve doğrulamadan ayırarak test seti yaptı.
Görüntüler 0,5 metre çözünürlüklü Pléiades verisinden üretildi. Her şerit için birden çok görüntü parçası aynı nesnenin farklı görünümleri gibi modele verildi. Yedi spektral bant kombinasyonu, farklı görünüm sayıları ve önceden eğitilmiş ağın yalnız son katmanlarını ya da tüm katmanlarını güncelleyen iki eğitim biçimi karşılaştırıldı. En iyi sonuç, dört RGB görünüm ve önceden eğitilmiş ağın tüm katmanlarının yeniden eğitildiği yapılandırmadan geldi.
Doku ve şekil bilgisi spektral çeşitlilikten daha belirleyici göründü
RGB dışındaki bant kombinasyonları benzer performans verdi. Yazarlar bu sonucu, şerit kalitesi tahmininde bitki türünden çok doku, şekil ve mekânsal düzen bilgisinin etkili olabileceği biçiminde yorumladı. Çok görünümlü yapı, uzun ve değişken bir kıyı şeridini tek küçük görüntüye sıkıştırmak yerine farklı kesitlerden ortak bir tahmin üretiyor.
Nesne tabanlı yöntem önce arazi örtüsünü sınıflandırıyor, ardından sınıf alanlarından endeksi hesaplıyor. Yeni yaklaşım ara sınıflandırmayı atlayarak görüntüden doğrudan RSQI değeri üretiyor. Bu sadeleşme, geniş alan taramasında foto-yorumlama işçiliğini azaltabilir. Buna karşılık doğrudan tahmin, hangi örtü bileşeninin skoru düşürdüğünü ayrıca açıklamadığı için saha müdahalesi tasarlarken açıklanabilirlik açığı bırakabilir.
Yüksek korelasyon saha denetiminin yerine geçmiyor
Veri seti güney Quebec'in tarımsal alçak ovalarını temsil ediyor. Türkiye'deki akarsu yatağı biçimi, sulama kanalları, mevsimsel kuruma, kıyı bitkisi, parsel deseni ve görüntü tarihi farklıdır. Modelin yerel uyarlama yapılmadan başka bir ülkede aynı hata düzeyini koruyacağı söylenemez. Bulut, gölge, farklı çözünürlük ve görüntü edinim mevsimi de tahmini değiştirebilir.
RSQI görsel arazi örtüsüne dayalı bir kalite göstergesidir; su numunesindeki azot, fosfor, pestisit veya mikrobiyolojik kaliteyi doğrudan ölçmez. Yüksek tahmin başarısı, tampon şeridin kirleticiyi gerçekten tuttuğu sonucuna eşit değildir. Akış yolu bir tekerlek iziyle şeridi yarabilir veya yeraltı drenajı yüzeyde görünmeden akarsuya ulaşabilir. Bu nedenle uzaktan algılama bir önceliklendirme katmanı, saha ve su analizi ise doğrulama katmanı olarak kullanılmalıdır.
Editoryal değerlendirme: model denetim kuyruğu üretmeli
Agro Gelecek'in değerlendirmesine göre bu yaklaşımın en gerçekçi kullanımı, otomatik 'uygun-uygunsuz' kararı vermek değil; binlerce kilometrelik kıyı şeridi içinde saha ekibinin önce bakacağı noktaları sıralamaktır. Belirsizlik puanı yüksek, hızlı değişen veya düşük kalite tahmini alan kesimler insan incelemesine yönlendirilebilir.
Türkiye'de pilot kurulacaksa yerel mevzuat ölçütü, saha puanı ve aynı tarihe yakın uydu görüntüsü birlikte toplanmalı; eğitim, doğrulama ve test çiftlikleri coğrafi olarak ayrılmalıdır. Model başarısı yalnız R² ile değil hata dağılımı, yanlış güven, sezonlar arası kararlılık ve saha ekibinin gerçekten kazandığı süreyle raporlanmalıdır.
Neden önemli?
Tarım kaynaklı yayılı kirliliğin izlenmesinde saha ekiplerinin her kıyı şeridini aynı sıklıkta gezmesi güçtür. Uydu tabanlı bir önceliklendirme sistemi, sınırlı denetim kapasitesini yüksek riskli kesimlere yöneltebilir.
Türkiye için ne ifade ediyor?
Türkiye'de havza yönetimi ve tarımsal sulak alan koruması için yöntem ancak yerel kıyı tipleriyle yeniden eğitilip su kalitesi ve saha verisiyle doğrulanarak kullanılabilir; Kanada'daki R² değeri doğrudan performans vaadi değildir.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
