Page 105 - Çevre Şehir ve İklim Dergisi - Özel Sayı

Mustafa Sert - Abdullah Emin Akay - Ayhan Ateşoğlu

Çalışma sonuçları yersel ölçümün ihtiyaçları karşılamadığı durumlarda
meteorolojik uydu görüntülerinden elde edilen verilerin önemli katkı
sağlayacağını göstermektedir.
“Monitoring Desertification Using Machine-Learning Techniques with
Multiple Indicators Derived from MODIS Images in Mu Us Sandy Land, China”
başlıklı çalışmada Feng vd. (2022) yüksek hassasiyetli, verimli izleme sistemi
olan birden çok gösterge kombinasyonu ve makine öğrenme yöntemlerini
(Sınıflandırma Ağaçları ve Regresyon Ağacı (CART)-Karar Ağacı (DT), Rastgele
Orman (RF), Evrişimsel Sinir Ağları (CNN)) kullanarak çölleşmenin mekânsal
model analizini yapmışlardır. İklim ölçümleri için kullanılan Orta Çözünürlüklü
Görüntüleme Spektrometresi (MODIS) uydu verileri, çölleşmenin izlenmesi
için kullanılan indekslerle (bitki örtüsü indeksi (MOD13A1), yüzey yansıması
(MCD43A4), kara yüzey sıcaklığı (MOD11A2) ve albedo (MCD43A3)) kombine
edilerek kullanılmıştır. Ayrıca makine öğrenimine ilişkin örnek bir veri tabanının
görsel olarak oluşturulması ve analiz edilmesi için Landsat 8 OLI uzaktan
algılama görüntüleri kullanılmıştır.
NDVI elde etmek için MOD13A1 vejetasyon indeksi; sıcaklık durum indeksi
hesabında kullanmak için MOD11A2 arazi yüzey sıcaklığı verisi; üst toprak tane
boyutu indeksi (TGSI) elde etmek için MCD43A4 yüzey yansıma verisi; yer yüzeyinin
yansıma özelliklerinin ölçülmesi için MCD43A3 albedo verisi kullanılmıştır.
Özellikle arazi bozulumunun izlenmesinde ve toprağın fiziksel özelliklerinin
belirlenmesinde kullanılan TGSIkırmızı, mavi, yeşil bantlar için albedo
ölçümlerinden elde edilmiştir(Liu vd., 2018; Xiao vd., 2006).
TGSI = (ρred – ρblue) / (ρred + ρblue + ρgreen) (12)
Çalışmada kullanılan model örneklerinin doğrulanması için CART-DT, RF ve
CNN modelleri kullanılmıştır.
• CART-DT: Karar ağacı algoritması verileri daha küçük parçalara ayırarak
karar verme sürecini modelleyen bir özelliği ve değişkeni simgeleyen
düğümlerden oluşan sınıflandırma yöntemidir (Quinlan, 1986). Bu
model, ‘Python’ yazılımı kullanılarak çalıştırılmıştır (Lamrini, 2020).
• RF: Uzaktan algılama görüntülerini işlemek için yaygın olarak kullanılan
ve birçok karar ağacının birleşiminden oluşan, regresyon ağaçları
üzerinden bir yanıt değişkenine bir değer atayan makine öğrenme
yöntemidir. Bu çalışmada ağaç sayısı 100 alınmıştır. Bu model, ‘Python’
yazılımı kullanılarak çalıştırılmıştır (Chen vd., 2019)
• CNN: Görüntü analiz etme ve sınıflandırma maksadıyla tasarlanmış,
beyindeki nöronlara benzeyen derin öğrenme modelidir. Görüntüdeki
özellikleri katmanlar halinde öğrenir. Bu model, ‘Python’ yazılımı
kullanılarak çalıştırılmıştır (Guirado vd., 2020).

104 Çevre, Şehir ve Çölleşme ve Erozyon