Kazanimlar:
- Multispektral uydu verisi, bant kombinasyonları ve spektral indislerin (NDVI vb.) AI ile nasıl kullanıldığını açıklayabilme
- Denetimli/denetimsiz sınıflandırma ve arazi örtüsü haritalama iş akışını AI desteğiyle kurgulayabilme
- Sınıflandırma çıktısını arazi doğrulaması (ground truth) ve hata matrisi/doğruluk ölçütleriyle sınayabilme
Uzaktan algılama, yeryüzünü fiziksel temas olmadan, uydu veya hava platformlarındaki sensörlerle ölçme bilimidir. Bir uydu görüntüsü aslında bir fotoğraf değil, birden çok dalga boyunda kaydedilmiş ölçüm katmanları yığınıdır ve bu katmanların akıllıca birleştirilmesiyle arazi örtüsü (orman, su, tarım, yapılaşma) haritalanabilir. Bu ünitede yapay zekanın multispektral veriden arazi örtüsü sınıflandırmaya kadar bu iş akışını nasıl hızlandırdığını, nerede uzman kararının vazgeçilmez olduğunu işliyoruz. İlke: AI sınıflandırmayı üretir veya kodunu yazar; haritanın doğruluğu bağımsız yer gerçeğiyle ve hata matrisiyle mühendiste ölçülür.
Temel terimler. Multispektral görüntü, birkaç dalga boyu bandında (mavi, yeşil, kırmızı, yakın kızılötesi vb.) kaydedilen görüntüdür; her bant bir katmandır. Hiperspektral, onlarca-yüzlerce dar bant içeren, çok daha zengin ama işlenmesi zor veridir. Spektral indis, bantların matematiksel birleşimiyle bir olguyu vurgulayan sayıdır; en bilineni NDVI (Normalize Edilmiş Fark Bitki Örtüsü İndeksi), yakın kızılötesi ile kırmızı bandın farkını kullanarak yeşil bitki canlılığını ölçer. Denetimli sınıflandırma, önceden etiketlenmiş örnek alanlarla modeli eğitip tüm görüntüyü sınıflandırmaktır. Denetimsiz sınıflandırma, veriyi etiket olmadan benzerliğe göre kümeleyip sonradan yorumlamaktır.
AI'ın Uzaktan Algılamadaki Rolü
Yapay zeka bu alanda üç düzeyde katkı sağlar:
- İş akışı ve yöntem seçimi. "Hangi bantlar, hangi indis, hangi sınıflandırıcı bu soruya uygun?" kararında yol gösterir; kod iskeletini üretir.
- Sınıflandırmanın kendisi. Modern derin öğrenme modelleri, milyonlarca pikseli arazi örtüsü sınıflarına ayırır; bu, AI'ın asıl işi yaptığı orta-yüksek katkı alanıdır.
- Sonuç yorumu ve raporlama. Sınıf istatistiklerini, değişim analizini ve doğruluk raporunu okunur metne döker.
Kör nokta: model, eğitildiği veriye ve verdiğiniz örneklere bağımlıdır. Bulut gölgesi ile su, çıplak toprak ile hasat sonrası tarla, sığ su ile ıslak zemin kolayca karışır. Bu yüzden bir sınıflandırma haritası, güzel göründüğü için doğru değildir; doğruluğu ölçülmelidir.
Ipucu: Sınıflandırmaya başlamadan önce sorunuzu netleştirin. "Arazi örtüsünü sınıflandır" belirsizdir; "2020-2025 arası tarım alanı kaybını yapılaşma lehine haritala" hem sınıf setini hem doğrulama ölçütünü belirler.
Adım Adım: Bir Arazi Örtüsü Sınıflandırması
- Veriyi ve bantları hazırlayın. Görüntünün bulut örtüsünü, çekim tarihini, çözünürlüğünü (piksel boyutu) ve bant sırasını teyit edin. Farklı tarih/mevsim sınıfları değiştirir.
- Sınıf setini tanımlayın. Kaç sınıf, hangileri (su, orman, tarım, yapılaşma, çıplak zemin)? Az ve ayırt edilebilir sınıflar daha güvenilirdir.
- İndisleri hesaplayın. NDVI (bitki), NDWI (su) gibi indisler sınıfları belirginleştirir; sınıflandırıcıya girdi olur.
- Eğitim örnekleri toplayın (denetimli için). Her sınıf için arazi doğrulamasıyla teyitli örnek poligonlar. Örnek kalitesi doğruluğu belirler.
- Sınıflandırın ve doğrulayın. Modeli çalıştırın, sonra bağımsız (eğitime girmemiş) örneklerle hata matrisi kurup genel doğruluk ve Kappa hesaplayın.
Yer Gerçeği ve Hata Matrisi
Bir sınıflandırmanın doğruluğu göz kararı ölçülmez. Yer gerçeği (ground truth), arazide veya güvenilir yüksek çözünürlüklü kaynakta gerçek sınıfı bilinen bağımsız örneklerdir. Bu örneklerle hata matrisi (confusion matrix) kurulur: her sınıfın kaç kez doğru, kaç kez hangi sınıfla karıştırıldığı sayılır. Bundan genel doğruluk (doğru sınıflanan oran) ve Kappa (şansın etkisini düzelten uyum ölçütü) hesaplanır. Ayrıca sınıf bazında üretici doğruluğu (o sınıf ne kadar yakalandı) ve kullanıcı doğruluğu (o sınıf ne kadar güvenilir) raporlanır.
Dikkat: Eğitim için kullandığınız örneklerle doğruluğu ölçmeyin. Aynı örnekler hem eğitir hem test ederse doğruluk yapay olarak yüksek çıkar; bu bir yanılsamadır. Doğrulama örnekleri bağımsız olmalıdır.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Bulut gölgesi su sanıldı. Bir sınıflandırmada model, bulut gölgelerini "su" olarak etiketleyince göl alanı gerçekte olmadığı yerlerde büyüdü; su sınıfının kullanıcı doğruluğu %70'e düştü. NDWI indisi ve bulut maskesi eklenince gölge/su karışması azaldı ve su doğruluğu %90'ın üzerine çıktı.
Vaka 2 — Yer gerçeğiyle kurtarılan rapor. Bir tarım envanteri çalışmasında ilk sınıflandırmanın genel doğruluğu %82 raporlandı ama bu eğitim örnekleriyle ölçülmüştü. Bağımsız 120 yer gerçeği noktasıyla yeniden ölçülünce gerçek genel doğruluk %71 çıktı; tarım ile çıplak zemin ciddi karışıyordu. Ek eğitim örnekleriyle sınıflandırma iyileştirilip doğruluk %84'e taşındı. Ders: doğruluk bağımsız örnekle ölçülür.
Vaka 3 — Mevsim tuzağı. İki farklı tarihte (ilkbahar ve yaz sonu) çekilen görüntüler karıştırılınca, hasat edilmiş tarlalar "çıplak zemin" sınıfına kaydı ve tarım alanı %15 eksik göründü. Görüntüler aynı mevsimden seçilip fenolojik tutarlılık sağlanınca sonuç düzeldi.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu uydu görüntüsünü sınıflandır.
Güçlü prompt:
Görev: bir arazi örtüsü sınıflandırma iş akışı kurgula (Python/rasterio +scikit-learn kod iskeleti dahil).Bağlam:- Sensör: 4 bant (mavi, yeşil, kırmızı, NIR), 10 m çözünürlük- Sınıflar: su, orman, tarim, yapilasma, ciplak_zemin- Amaç: güncel arazi örtüsü haritası + doğruluk raporuİstekler:1) Hangi spektral indisleri (NDVI, NDWI) ve neden ekleyeceğini yaz.2) Denetimli sınıflandırma adımlarını sırala; eğitim ve DOĞRULAMA örneklerinin AYRI olması gerektiğini vurgula.3) Hata matrisi + genel doğruluk + Kappa hesabını kod iskeletine koy.4) Bulut/gölge ve mevsim karışması risklerini not düş.
Güçlü prompt sınıf setini, çözünürlüğü, indis gerekçesini ve doğrulama ayrımını belirtir; çıktı ölçülebilir olur.
Dört Kopyalanabilir Şablon
1) Yöntem/indis seçimi:
Amaç [hedef] ve sensör [bantlar/çözünürlük] için hangi spektral indis vesınıflandırma yöntemini önerirsin? Her seçim için gerekçe ve olasıkarışma riskini (hangi sınıflar birbirine benzer) yaz.
2) Sınıflandırma kod iskeleti:
Rasterio + scikit-learn ile denetimli sınıflandırma iskeleti yaz:bant okuma, indis hesaplama, eğitim/doğrulama örneklerini AYIRMA,sınıflandırma, hata matrisi ve doğruluk çıktısı. CRS'i koru; açıkla.
3) Doğruluk değerlendirme kurgusu:
Bir sınıflandırma doğruluğunu değerlendirme planı yaz: bağımsız yergerçeği örneklem tasarımı, hata matrisi, genel doğruluk, Kappa, sınıfbazında üretici/kullanıcı doğruluğu. Her metriğin ne anlattığını açıkla.
4) Karışma teşhisi:
Aşağıdaki hata matrisini yorumla: hangi sınıflar birbirine karışıyor,olası spektral/mevsimsel nedeni ne, hangi ek veri (indis, maske, tarih)karışmayı azaltır? Matris: [hata matrisi]
Sınıflandırma Kavramları Karşılaştırması
Kavram
Anlamı
Ne zaman
Denetimli
Etiketli örnekle eğitim
Sınıflar önceden belli
Denetimsiz
Etiketsiz kümeleme
Keşif, örnek yok
NDVI
Bitki canlılığı indisi
Bitki/çıplak/su ayrımı
NDWI
Su indisi
Su gövdesi ayırma
Hata matrisi
Doğru/yanlış sayımı
Doğruluk ölçümü
Kappa
Şans düzeltmeli uyum
Standart doğruluk raporu
Sık yapılan hatalar
- Doğruluğu eğitim örnekleriyle ölçmek. Bağımsız olmayan test yapay yüksek doğruluk verir.
- Doğruluğu hiç ölçmeden haritayı teslim etmek. "Güzel görünüyor" doğruluk kanıtı değildir.
- Bulut/gölge maskesini atlamak. Gölge suyla, bulut karla/yapılaşmayla karışır.
- Farklı mevsim/tarih görüntülerini karıştırmak. Fenolojik farklar sınıfları kaydırır.
- Çok fazla ve benzer sınıf tanımlamak. Ayırt edilemeyen sınıflar doğruluğu düşürür.
- Çözünürlüğü göz ardı etmek. Küçük nesneler tek pikselden küçükse sınıflandırılamaz.
Özetle
Uzaktan algılamada yapay zeka, multispektral veriden arazi örtüsü haritalamaya kadar iş akışını hızlandırır ve sınıflandırmanın büyük kısmını üstlenebilir. Ama bir sınıflandırma haritası ancak doğruluğu ölçüldüğünde işe yarar: bağımsız yer gerçeği örnekleriyle hata matrisi kurup genel doğruluk ve Kappa hesaplamak standarttır. Bulut/gölge, mevsim farkı ve benzer sınıflar tipik karışma kaynaklarıdır; bunları indis, maske ve tarih tutarlılığıyla yönetin. Eğitim ve doğrulama örneklerini asla karıştırmayın.
Uygulama görevi
Bir arazi örtüsü sorusu seçin (örneğin "kentsel yeşil alan haritası"). Sınıf setini, kullanacağınız bantları ve indisleri (en az NDVI) yazın. AI'a denetimli sınıflandırma iş akışını ürettirin; çıktıda eğitim ve doğrulama örneklerinin ayrı olduğundan ve hata matrisi + Kappa hesabının bulunduğundan emin olun. Ardından bir "karışma riski" listesi çıkarın: hangi iki sınıf birbirine benzer ve nasıl ayırırsınız.
Kontrol listesi
- [ ] Sınıf setini az ve ayırt edilebilir tuttum.
- [ ] Amaca uygun spektral indisleri (NDVI/NDWI) ekledim.
- [ ] Eğitim ve doğrulama örneklerini ayırdım.
- [ ] Bulut/gölge maskesi ve mevsim tutarlılığını kontrol ettim.
- [ ] Doğruluğu bağımsız yer gerçeğiyle ölçtüm.
- [ ] Hata matrisi, genel doğruluk ve Kappa raporladım.
- [ ] Sınıf karışmalarını teşhis edip iyileştirdim.
- [ ] Haritanın kullanım amacına uygun doğrulukta olduğunu mühendis onayına bağladım.