Kazanimlar:
- Uydu (geniş alan) ve sensör (yerel) verisini soruya göre seçip NDVI gibi indeksleri bulut maskesi uygulayarak analiz edebilme
- IoT sensör verisini kalibrasyon ve kalite kontrolünden geçirerek drift ve arızayı gerçek sinyalden ayırt edebilme
- Bir izleme bulgusunu tek tarihe değil trende dayandırıp yer gerçeği veya bağımsız veriyle doğrulama planı kurabilme
Çevreyi yönetmek için önce onu görmek gerekir. Bir ormanın ne kadar küçüldüğünü, bir nehrin ne kadar kirlendiğini ya da bir tesisin ne kadar metan sızdırdığını tahminle değil, veriyle bilmek gerekir. Çevresel izleme (environmental monitoring), çevrenin durumunu düzenli ve tekrarlanabilir biçimde ölçmektir. Bu ünitede iki büyük veri kaynağını — uzaydan bakan uydular ve sahadaki sensörler — ve YZ'nin bu devasa veriyi anlamlandırmadaki rolünü öğreneceksiniz.
Önce kavramlar. Uzaktan algılama (remote sensing), bir nesneye dokunmadan, uzaktan (uydu ya da uçaktan) yansıyan ışığı ölçerek bilgi toplamaktır. IoT sensörü (Internet of Things — nesnelerin interneti), sahaya yerleştirilen, ölçtüğü değeri (sıcaklık, hava kalitesi, su seviyesi) internet üzerinden otomatik gönderen küçük cihazdır. İkisi birlikte, çevrenin hem geniş (uydu) hem yerel (sensör) resmini verir.
Uydu verisi nasıl okunur?
Uydular yalnızca fotoğraf çekmez; farklı ışık dalga boylarını ("bant") ölçer. Bu bantların matematiksel birleşimi, çıplak gözle görünmeyeni gösterir. En bilinen örnek NDVI (Normalized Difference Vegetation Index — normalize bitki örtüsü farkı indeksi): sağlıklı bitkilerin kızılötesi ışığı çok yansıtması ilkesinden yola çıkarak bitki örtüsünün yoğunluğunu 0-1 arası bir sayıyla ölçer. NDVI'nin düşmesi ormansızlaşma, kuraklık ya da hasar demek olabilir.
Ücretsiz ve açık en yaygın uydu kaynakları Sentinel (Avrupa Kopernik programı) ve Landsat (ABD) uydularıdır. Bunlara Google Earth Engine gibi platformlarla ya da Python'da (rasterio, xarray gibi kütüphanelerle) erişilir.
İpucu: Uydu verisinin en büyük düşmanı buluttur. Bir NDVI düşüşü gerçek bir orman kaybı mı, yoksa o gün üzerinde bulut mu vardı? Analiz etmeden önce her zaman bulut maskesi (cloud mask) uygulayın ve birden çok tarihi karşılaştırın.
IoT sensör verisi ve kalibrasyon
Sensörler ucuz ve yaygındır ama kusursuz değildir. Bir düşük maliyetli hava kalitesi sensörü zamanla kayar (drift — ölçümün gerçek değerden giderek uzaklaşması), nemden etkilenir ya da arızalanır. Bu yüzden sensör verisi ham hâliyle güvenilmezdir; kalibrasyon (bilinen bir referans cihazla karşılaştırıp düzeltme) ve kalite kontrolü şarttır.
Burada YZ; büyük görüntü ve zaman serisi verisini işleyecek kod yazmada, anomali (beklenmedik sapma) taramada, sınıflandırma modeli kurmada ve bulguları özetlemede çok güçlüdür. Ama ölçümün fiziksel gerçekliği, kalibrasyon kararı ve "bu sinyal gerçek mi, gürültü mü?" yorumu uzmana aittir.
Adım adım: bir izleme analizi
1. Soruyu tanımla. "Bu 10.000 hektarlık alanda 2020-2024 arası bitki örtüsü nasıl değişti?" gibi net, alansal ve zamansal bir soru.
2. Veri kaynağını seç. Uydu mu (geniş alan), sensör mi (yerel, sürekli)? Çözünürlük ve sıklık soruya uygun mu?
3. Ön işle. Bulut maskele, kalibre et, eksik veriyi işaretle. Bu adım atlanırsa sonuç yanıltıcıdır.
4. İndeks/metrik hesapla. NDVI, sıcaklık ortalaması, kirletici konsantrasyonu.
5. Değişimi ve anomaliyi bul. Trend analizi, eşik aşımı, ani sıçrama.
6. Sahayla doğrula. Mümkünse yer gerçeği (ground truth) ile teyit et; bir uydu sinyalini saha ziyareti ya da bağımsız veriyle sağla.
Üç mini vaka
Vaka 1 — Buluta kanmak. Bir çevre STK'sı, bir bölgede NDVI'nin bir ayda %40 düştüğünü görüp "ani ormansızlaşma" alarmı vermek üzereydi. Analist bulut maskesi uygulayıp komşu tarihlere baktığında, o günkü görüntünün büyük kısmının bulutlu olduğunu, sonraki bulutsuz görüntüde NDVI'nin normale döndüğünü gördü. Yanlış alarm önlendi. Kaybedilen zaman: 20 dakika, kazanılan itibar: paha biçilmez.
Vaka 2 — Kalibrasyonsuz sensör. Bir belediye, düşük maliyetli PM2.5 (2,5 mikrondan küçük partikül — solunabilir ince toz) sensörlerinden gelen veriyle "hava çok kirli" raporu hazırlıyordu. Uzman, sensörleri bir referans istasyonla karşılaştırınca yüksek nemde değeri iki kata kadar abarttıklarını gördü. Nem düzeltmesi (kalibrasyon) uygulanınca gerçek değerler ortaya çıktı; panik önlendi.
Vaka 3 — Kod otomasyonu. Bir araştırma ekibi, 200 uydu görüntüsünden NDVI trendi çıkarmak için haftalarca elle çalışmayı planlıyordu. YZ'ye Google Earth Engine ve Python koduyla otomatik bir iş akışı yazdırdılar (bulut maskesi + aylık NDVI ortalaması + trend grafiği). Analiz 200 görüntü için birkaç dakikaya indi; ekip zamanını sonucu yorumlamaya ayırdı. Kodun her adımını yine de kontrol ettiler.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Uydu verisinden ormansızlaşmayı bul.
Neden zayıf: Alan, tarih aralığı, veri kaynağı, çözünürlük ve bulut işlemesi yok. YZ genel bir metin döker, çalıştırılabilir bir analiz vermez.
Güçlü prompt:
Rolün: uzaktan algılama analisti. Sentinel-2 verisiyle, [ALAN sınırı]için 2020-2024 aylık NDVI trendini hesaplayan Python (Earth Engine)kodu yaz. Adımlar: (1) bulut maskesi uygula, (2) aylık NDVI ortalamasıal, (3) trend grafiği çiz, (4) %20'den fazla düşüş olan aylarıişaretle. Kod çalıştırılabilir olsun; her adımı yorumla. Verininsınırlarını (çözünürlük, bulut) da not et.
Dört kopyalanabilir şablon
1) Uydu indeks analizi (kod ile):
Rolün: uzaktan algılama analisti. [Sentinel-2/Landsat] verisiyle[ALAN] için [TARİH aralığı] boyunca [NDVI/NDWI/başka indeks]hesaplayan çalıştırılabilir Python kodu yaz. Mutlaka bulut maskesiekle. Trendi ve anomalileri işaretle. Verinin çözünürlük ve bulutsınırlarını yorumda belirt.
2) Sensör zaman serisi kalite kontrolü:
Aşağıdaki sensör zaman serisinde kalite sorunlarını Python ile ara:eksik veri, takılı (sabit) değer, ani sıçrama, drift (yavaş kayma),aşırı uç. Her sorunu zaman damgasıyla işaretle. Veriyi değiştirme,sadece raporla. Mümkünse basit bir kalibrasyon önerisi ekle.Veri: [buraya]
3) Yer gerçeği doğrulama planı:
Aşağıdaki uydu tabanlı bulguyu (ör. NDVI düşüşü) sahada nasıldoğrulayabileceğime dair bir plan öner: hangi noktalar, hangiölçüm, hangi bağımsız veri kaynağı. Bulgunun yalancı olabileceği(bulut, mevsim, gölge) durumları da say. Bulgu: [buraya]
4) Anomali özeti:
Aşağıdaki izleme verisinden bulunan anomalileri, bir çevre yöneticisiiçin sade bir dille özetle. Her anomali için: nerede, ne zaman, nekadar sapma, olası nedenler ve "doğrulanması gereken" notu. Kesinneden UYDURMA; olasılık olarak sun. Veri: [buraya]
Sık yapılan hatalar
- Bulut maskesi uygulamamak. Bulut, en sık rastlanan sahte sinyaldir.
- Sensörü kalibre etmeden güvenmek. Düşük maliyetli sensörler kayar ve nemden etkilenir.
- Tek tarihe bakmak. Değişim iddiası için birden çok tarih ve trend gerekir.
- Yer gerçeğini atlamak. Uydu sinyali mümkünse sahayla ya da bağımsız veriyle teyit edilmeli.
- YZ'nin "kesin neden" iddiasına kanmak. İzleme verisi korelasyon gösterir; nedeni doğrulamak ayrı iştir.
Dikkat: Yüksek çözünürlüklü uydu ve drone görüntüleri, özel mülk, kişi ya da hassas tesis içerebilir. İzleme verisini paylaşırken gizlilik ve yasal kısıtlamaları (özellikle kişisel veri ve güvenlik) gözetin.
Özetle
Çevresel izleme, uydu (geniş) ve sensör (yerel) verisini birleştirir. YZ; devasa görüntü ve zaman serisi verisini işleyen kod yazmada, anomali taramada ve özetlemede güçlü bir hızlandırıcıdır. Ama bulut maskesi, sensör kalibrasyonu, çok tarihli karşılaştırma ve yer gerçeğiyle doğrulama uzmana aittir. Ham sinyale değil, temizlenmiş ve teyit edilmiş sinyale güvenin.
Uygulama görevi
Bir alan ve tarih aralığı seçin (gerçek ya da varsayımsal). 1. şablonla YZ'ye bir NDVI analiz iş akışının kodunu yazdırın ve bulut maskesi adımının olduğunu doğrulayın. Ardından elinizdeki (ya da örnek) bir sensör zaman serisini 2. şablonla kalite kontrolünden geçirtin. Son olarak 3. şablonla, bulduğunuz bir değişimi sahada nasıl doğrulayacağınıza dair bir plan çıkarın.
Kontrol listesi
- [ ] Analizi net bir alansal ve zamansal soruyla tanımladım.
- [ ] Uydu verisinde bulut maskesi uyguladım.
- [ ] Sensör verisini kalibrasyon ve kalite kontrolünden geçirdim.
- [ ] Değişim iddiasını tek tarihe değil, trende dayandırdım.
- [ ] Bulguyu yer gerçeği ya da bağımsız veriyle doğrulama planı yaptım.
- [ ] Gizlilik ve yasal kısıtlamaları gözettim.