Kazanimlar:
- CBS katmanları, NDVI ve uzaktan algılama bant/çözünürlük kavramlarını yorumlayabilme
- AI ile indeks yorumu, değişiklik analizi ve harita anlatısı taslağı hazırlayabilme
- AI'ın uydu/harita yorumunu yer gerçeği (ground truth) ve metaveriyle doğrulayabilme
Bir sulak alan koruma projesinde çalışan çevre mühendisisin. Belediye, göl kıyısındaki kamışlık alanın son beş yılda daraldığına dair şikayetleri araştırmanı istiyor. Sahaya gitmeden önce masabaşında bir ön değerlendirme yapman gerekiyor: elinde iki farklı yıla ait uydu görüntüsü, bir CBS (Coğrafi Bilgi Sistemi) projesi ve bir dil modeli var. LLM'e görüntülerin NDVI özetini yorumlatabilir, değişiklik anlatısının taslağını yazdırabilirsin. Ancak bir uydu pikseli 10 metrelik bir kareyi temsil eder ve o karede bulut gölgesi mi, kuruyan kamış mı, yoksa mevsimsel su seviyesi mi olduğunu ancak yer gerçeğiyle (ground truth) anlayabilirsin. Bu ünitede uzaktan algılama ve CBS kavramlarını, AI ile indeks/değişiklik yorumunu ve en önemlisi bu yorumun sınırlarını işliyoruz.
CBS katman mantığı ve uzaktan algılama temelleri
CBS, coğrafi veriyi üst üste bindirilen katmanlar halinde düzenler: her katman bir temayı (arazi kullanımı, su kütleleri, yükseklik, yollar) taşır ve ortak bir koordinat sisteminde hizalanır. Bir analiz, doğru katmanları doğru projeksiyonda çakıştırmakla başlar; yanlış koordinat sistemi, alanları ve mesafeleri sistematik olarak saptırır.
Uzaktan algılama görüntüsünü yorumlarken üç çözünürlük türünü ayırt etmelisin:
Çözünürlük türü
Ne anlatır
Örnek
Sınırlama
Uzamsal (spatial)
Bir pikselin yerdeki boyutu
10 m, 30 m
Küçük nesneler alt-piksel kalır
Spektral
Kaç ve hangi dalga boyu bandı
Kırmızı, NIR, SWIR
Az bant = az ayrım gücü
Zamansal
Aynı yerin ne sıklıkta görüntülendiği
5 gün, 16 gün
Bulutlu günlerde veri kaybı
Radyometrik
Parlaklık hassasiyeti (bit derinliği)
8-bit, 12-bit
Düşük derinlik = zayıf ayrım
NDVI: formül ve yorum
Bitki örtüsünün canlılığını ölçen en yaygın indeks NDVI'dır (Normalized Difference Vegetation Index). Sağlıklı bitki, yakın kızılötesini (NIR) güçlü yansıtır, kırmızıyı (RED) emer:
NDVI = (NIR − RED) / (NIR + RED)Değer aralığı: −1 ... +1 < 0 : su, kar, bulut 0,0 - 0,2 : çıplak toprak, kaya, yapılı alan 0,2 - 0,5 : seyrek/otsu bitki, stresli örtü 0,5 - 0,9 : yoğun, sağlıklı yeşil örtü
# Küçük bir örnek piksel bloğunun NDVI'siimport numpy as npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # yakın kızılötesi yansımared = np.array([[0.06, 0.09], [0.10, 0.05]]) # kırmızı yansımandvi = (nir - red) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Sol-alt piksel (0.05): bitki değil — çıplak zemin veya su/gölge olabilir
İpucu: NDVI mutlak bir "sağlık" ölçüsü değil, koşullara bağlı bir göstergedir. Aynı alanın iki tarihli NDVI'sini karşılaştırırken görüntülerin benzer mevsim, benzer güneş açısı ve bulutsuz koşullarda alınmış olmasına dikkat et. Yaz sonu ile ilkbahar görüntüsünü kıyaslamak, gerçek olmayan bir "bitki kaybı" üretir.
Değişiklik analizi (change detection)
İki tarih arasındaki farkı bulmanın basit yolu NDVI farkı almaktır, ama bu fark yalnızca görüntüler karşılaştırılabilirse anlamlıdır.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0 : örtü kaybı olası (kuruma, kesim, yapılaşma) ΔNDVI ≈ 0 : değişim yok ΔNDVI >> 0 : örtü artışı olası (yeşillenme, restorasyon)DİKKAT: Fark gerçek değişimi DE, mevsim/bulut/güneş açısı/kalibrasyonfarkını DA yansıtabilir. Fark = gerçek değişim + gürültü.
Dikkat: Bulut, bulut gölgesi ve mevsimsellik, değişiklik analizinin en büyük yanıltıcılarıdır. Bir bulut gölgesi altındaki alan düşük NDVI verir ve "bitki kaybı" gibi görünür. LLM'e görüntü yorumu yaptırdığında model bu artefaktları gerçek olay sanabilir. Görüntü metaverisini (tarih, bulut yüzdesi, güneş açısı) mutlaka kontrol et.
AI ile indeks yorumu ve harita anlatısı
LLM, sayısal indeks özetlerini düz anlatıya çevirmede ve rapor taslağı üretmede kullanışlıdır. Ona ham NDVI istatistiklerini ve metaveriyi ver, yorumu senin doğrulaman için üretmesini iste.
ZAYIF PROMPT:"Bu uydu görüntüsünde sulak alan küçülmüş mü?"GÜÇLÜ PROMPT:"İki tarihli NDVI istatistiği veriyorum (aynı alan, aynı sensör):2020-07-15 ort NDVI=0,61 bulut=%3 güneş açısı=58°2025-07-12 ort NDVI=0,42 bulut=%22 güneş açısı=55°İlgi alanı: göl kıyısı kamışlık, ~40 hektar.Görevin:1) ΔNDVI'yi hesapla ve olası yorumları sırala.2) Bu düşüşün GERÇEK örtü kaybı DIŞINDA hangi nedenlerden (bulut, gölge, su seviyesi, mevsim, kalibrasyon) kaynaklanabileceğini listele.3) Her olası neden için bunu ayırt edecek bir DOĞRULAMA adımı öner (ör. bulutsuz görüntü seçimi, saha ziyareti, su seviyesi kaydı).4) Kesin 'kamışlık %X küçüldü' iddiası KURMA; bunu ancak yer gerçeği doğrularsa söylenebileceğini belirt."
Güçlü prompt, modeli tek bir kesin sonuca değil, alternatif açıklamalar ve doğrulama planına yönlendirir. 2025 görüntüsünün %22 bulut içermesi başlı başına düşüşü şüpheli kılar.
Yer gerçeği (ground truth) doğrulaması
Uzaktan algılama yorumunun altın standardı, sahada yapılan gözlem ve ölçümlerle doğrulama noktalarıdır. Birkaç referans noktasında GPS ile gerçek arazi örtüsünü kaydedip görüntü sınıflamasıyla karşılaştırırsın. AI veya algoritma "su" dediği pikselde saha "kuru sazlık" diyorsa, sınıflama güvenilmezdir.
Mini vaka
Bir maden sahasının çevresel etki izlemesinde ekip, uydu görüntüsünden hesaplanan NDVI düşüşüne dayanarak "maden faaliyeti nedeniyle 15 hektar orman kaybı" taslağı hazırladı ve yorumu bir LLM'e genişlettirdi; model akıcı, ikna edici bir anlatı üretti. Ancak rapor sahaya inen ekipçe kontrol edildiğinde, düşük NDVI'li alanın bir kısmının aslında hasat edilmiş tarım parseli ve bir kısmının da görüntü çekim gününe denk gelen bulut gölgesi olduğu görüldü. Gerçek orman kaybı 15 değil, yaklaşık 4 hektardı. Metaveri (bulut maskesi) ve arazi kullanımı katmanı önceden kontrol edilseydi hata baştan önlenirdi. LLM'in düzgün cümleleri, yanlış girdiyi doğru yapmadı.
Yaygın hatalar
- Farklı mevsim/güneş açısı görüntülerini karşılaştırıp mevsimsel farkı "değişim" sanmak.
- Bulut ve bulut gölgesini gerçek örtü kaybı olarak yorumlamak; bulut maskesini atlamak.
- Uzamsal çözünürlüğü aşan küçük nesneler hakkında piksel verisinden kesin hüküm vermek.
- Koordinat sistemi / projeksiyon uyumsuzluğu yüzünden alanları ve mesafeleri yanlış hesaplamak.
- NDVI'yi mutlak sağlık ölçüsü sanıp su ve gölge piksellerini bitki gibi değerlendirmek.
- LLM'in akıcı harita anlatısını yer gerçeği olmadan nihai bulgu gibi rapora koymak.
- Metaveriyi (tarih, sensör, bulut %, işleme seviyesi) belgelemeden sonuç raporlamak.
Özetle
- CBS analizleri ortak koordinat sisteminde hizalanmış katmanlar üzerine kurulur; projeksiyon hatası sonucu bozar.
- Uzamsal, spektral, zamansal ve radyometrik çözünürlük, bir görüntünün neyi gösterebileceğinin sınırını çizer.
- NDVI = (NIR−RED)/(NIR+RED) bitki canlılığının koşullu bir göstergesidir, mutlak sağlık ölçüsü değildir.
- Değişiklik analizinde fark = gerçek değişim + gürültü; bulut, gölge ve mevsim en büyük yanıltıcılardır.
- LLM indeks yorumu ve harita anlatısı taslağı üretir, ama uydu görüntüsünü "görmez"; verdiğin sayıya göre yorumlar.
- AI yorumu ve otomatik sınıflama, yer gerçeği ve metaveriyle doğrulanmadan nihai çevresel bulguya dönüştürülemez.
Uygulama görevi
Bir alan için (kendi seçtiğin ya da örnek) iki tarihli NDVI özeti oluştur veya varsay; her tarihin metaverisini (tarih, bulut yüzdesi, güneş açısı, sensör) not et. ΔNDVI'yi hesapla. Güçlü bir prompt yazıp LLM'den yalnızca gerçek örtü değişimini değil, alternatif açıklamaları (bulut, gölge, mevsim, su seviyesi, kalibrasyon) ve her biri için bir doğrulama adımı istemesini sağla. Ardından bir "yer gerçeği doğrulama planı" taslağı hazırla: en az üç referans noktası, sahada ne ölçüleceği ve görüntü yorumuyla nasıl karşılaştırılacağı. Son olarak, LLM'in ürettiği anlatıda hangi ifadenin "doğrulanmadan rapora giremez" olduğunu işaretle ve gerekçesini yaz.