Yapay Zeka ile Uydu Görüntülerinde Otomatik Arazi Sınıflandırma (Derin Öğrenme)

Otomatik Sınıflandırma Neden Gerekli?

Bir il sınırındaki tüm araziyi elle sınıflandırmak, yüzlerce saatlik uzman emeği demektir. Oysa uydu görüntüsündeki her pikselin hangi sınıf (tarla, orman, yapı, su, çıplak toprak) ait olduğunu tespit etmek, tekrar eden ve kural tabanlı bir işlemdir. Derin öğrenme modelleri, binlerce örneği tek seferde öğrenerek bu işi dakikalara indirir. Sonuç; güncel, tutarlı ve tekrar üretilebilir arazi örtüsü haritalarıdır.

Bu rehberde, sıfırdan bir sınıflandırma iş akışının hangi adımlardan oluştuğunu, hangi noktalarda hata yapıldığını ve model çıktısının nasıl güvenilir hale getirileceğini anlatıyoruz.

1. Adım: Problem Tanımı ve Sınıf Listesi

Model kurmadan önce sınıflar netleşmelidir. Fazla detaylı sınıf listesi, veri ihtiyacını ve hata oranını artırır. Başlangıç için 4-6 sınıf genellikle yeterlidir: yoğun bitki örtüsü, seyrek bitki örtüsü, çıplak toprak, yapılaşma, su. Sınıf tanımları ölçülebilir olmalıdır; "yeşillik" gibi muğlak tanımlar modeli zayıflatır. Ayrıca her sınıf için hangi mevsimde nasıl göründüğü belirlenmelidir; aynı tarla Nisan'da yeşil, Ağustos'ta sarı olabilir ve model bunu sınıflandırma hatası sayabilir.

2. Adım: Veri Seti ve Etiketleme

Başarının belirleyicisi görüntü kadar etiket kalitesidir. Saha bilgisi varsa doğrudan onu kullanın; yoksa yüksek çözünürlüklü referans görüntülerden piksel/blok örnekleri çıkarın. Dikkat edilmesi gereken üç nokta vardır:

• Denge: Her sınıftan benzer örnek sayısı olmalıdır; %80 tarla, %2 orman gibi dengesiz dağılım modeli çoğunluk sınıfına kaydırır.
• Bölgesel çeşitlilik: Örnekler tek bir bölgeden toplanırsa model o bölgeye ezberlenir.
• Doğrulama ayrımı: Eğitim ve test örnekleri coğrafi olarak ayrılmalıdır; yan yana piksellerin paylaşımı başarayı olduğundan yüksek gösterir (ölçüm yanlılığı).

3. Adım: Model Seçimi ve Eğitimi

Uydu verisinde en yaygın mimari, bantları girdi alan 2B evrişim ağlarıdır (CNN). Hızlı başlangıç için hazır mimariler kullanılır; veri azsa önceden eğitilmiş modelin son katmanları eğitilerek transfer öğrenme yapılır. Eğitim sırasında dikkat edilecekler: bantların aynı ölçeğe normalize edilmesi, bulutlu piksellerin maskelenmesi ve her epoch'ta doğrulama setinin izlenmesi. Erken durdurma (early stopping), ezberlemeyi (overfitting) engellemenin en basit yöntemidir.

4. Adım: Değerlendirme: Doğruluk Yetmez

%95 doğruluk, dengesiz veri setinde anlamsız olabilir. Değerlendirmeyi şu metriklerle yapın:

Metrik	Ne Anlama Gelir?
Confusion Matrix	Hangi sınıf hangiyle karıştırılıyor?
F1-Score (sınıf bazlı)	Küçük ama kritik sınıfların başarısı (ör. su kenarı)
Kappa	Rastgele tahminden ne kadar iyi?
Alan bazlı hata	Haritada görünen parçalanma (salt gürültü) miktarı

Ayrıca sınıf bazlı hataları haritada görselleştirin; modelin hangi geçiş bölgelerinde zorlandığını görmek, yeni etiket toplamayı yönlendirir.

5. Adım: Üretim ve Güncelleme

Model doğrulandıktan sonra tam sahneye uygulanır ve sınıf haritası üretilir. Çıktıyı doğrudan karar vermek için kullanmadan önce iki iyileştirme yapın: küçük adaları (tek pikseller) temizleyin ve bilinen saha noktalarıyla karşılaştırın. Model, yeni sezon verisiyle periyodik olarak yeniden eğitilmelidir; arazi kullanımı değiştikçe eski model zamanla zayıflar.

Pratik Başlangıç Yolu

İlk projede hazır uydu bantlarını (Sentinel-2 gibi) kullanın, sınıfları az tutun ve mutlaka bağımsız bir test bölgesi ayırın. İndirme akışını Sentinel-2 rehberimizde bulabilirsiniz; modeli kodlamadan önce mantığı harita üzerinde denemek isterseniz Google Earth Engine başlangıç rehberimiz faydalıdır.

Sonuç

Otomatik sınıflandırma, insan uzmanlığına rakip değil; onu tekrarlayan işten kurtaran bir araçtır. Doğru problem tanımı, dengeli etiket ve dürüst değerlendirme üçlüsü olmadan en gelişmiş mimari bile güvenilir harita üretmez. Kurumsal ölçekte doğrulanmış sınıflandırma çıktıları için analiz süreçlerimize göz atabilirsiniz.

6. Adım: Coğrafi Geçerlilik Doğrulaması (Ground Truth)

Model, test setinde yüksek skor verse bile haritaya döküldüğünde gerçekçilik farklı bir sorudur. Saha noktaları, saha ekibi gözlemleri veya yüksek çözünürlüklü referans görüntülerle harita noktasal olarak karşılaştırılır. Karşılaştırma rastgele değil, geçiş bölgelerinde yoğunlaştırılmalıdır: orman-tarla sınırı, kent-çevresi, nehir kenarı. Çünkü model en çok bu sınırlarda hata yapar. Doğrulama sonuçları, bir sonraki etiket turunu da planlar: hangi sınıf ve hangi bölgede eksik örneğe ihtiyaç olduğu görünür.

7. Adım: Zaman Serisi ile Değişim İzleme

Tek tarihli sınıflandırma, anlık durumu verir. Arazi kullanımını izlemek için sezonluk veya yıllık seriler birleştirilir: her dönem için ayrı harita üretip piksel bazında sınıf geçiş matrisi çıkarılır. Örneğin tarla-çevresi-çıplak-toprak geçişleri hızlı kentleşme sinyali olabilir. Değişim analizinde dikkat edilmesi gereken, modelin dönemler arası tutarlılığıdır: her dönem farklı model kullanılırsa görülen değişim gerçek değil, model farkı olabilir. Aynı mimari ve aynı etiket şemasıyla eğitim, bu tuzakdan korur.

8. Adım: Üretim Ortamına Alırken Dikkat

Model, bir defalık deney olarak kalmamalıdır. Üretim ortamında üç şey standardize edilmelidir: girdi ön işleme (normalizasyon, maske), çıktı formatı (GeoTIFF/vektör) ve hata günlüğü. Hangi görüntüyle, hangi model sürümüyle üretiltiği kaydedilmelidir; aksi halde altı ay sonra haritanın neden değiştiği açıklanamaz. Kurumsal ölçekte sürüm yönetimi, laboratuvar başarısından daha önemlidir.

Sık Sorulan Sorular

Derin öğrenme için programlama bilmek şart mı?

Başlangıç için hazır platformlar ve hazır modeller işi kolaylaştırır; ancak üretim kalitesi için en azından veri ön işleme ve değerlendirme mantığını bilmek gerekir.

Kaç piksel örnek gerekir?

Sınıf başına binlerce örnek hedeflenir; küçük alanlı sınıf bazlı projelerde yüzlerce iyi seçilmiş örnek de sonuç verebilir. Önemli olan çeşitlilik ve denge, mutlak sayıdan çoktur.

Bulutlu görüntülerde model eğitilir mi?

Bulut pikselleri maskelenmeli veya çıkarılmalıdır; aksi halde model bulutu ayrı bir sınıf öğrenir ve harita bozulur.