Page 107 - Çevre Şehir ve İklim Dergisi - Özel Sayı

Mustafa Sert - Abdullah Emin Akay - Ayhan Ateşoğlu

Sayısal toprak haritalarının kaba mekânsal çözünürlükle karakterize edilmesi
ve güncel olmaması dolayısıyla gelişmiş tahminler yapabilmek için fiziksel
süreç tabanlı modeller (matematiksel ve bilgisayar tabanlı simülasyonlar)
desteklenmediğinden dolayı Samarinas vd. (2024) “Soil Loss Estimation
by Water Erosion in Agricultural Areas Introducing Artificial Intelligence
Geospatial Layers into the RUSLE Model” adlı çalışmayı yapmışlardır. Bu
çalışmanın amacı, 13 spektral banda sahip ve 10 metre uzamsal çözünürlüklü
Sentinel-2 uydu görüntülerinden yararlanarak yapay zekâ ve yerinde toprak
verilerini (fiziksel ölçümlerin yapıldığı veriler) kullanarak toprakla ilgili çeşitli
tematik haritaların yer aldığı veri küpü tabanlı araçlara (Toprak Veri Küpü)
yönelik olup RUSLE modeline gelişmiş coğrafi katmanlar sağlamaktır. Bu da
nihai haritanın hem mekânsal çözünürlüğünü hem de güvenilirliği artırmaktadır.
Çalışmada Avrupa Birliği tarafından yönetilen dünya yüzeyini inceleme
programı olan Copernicus tarafından üretilen mekânsal çözünürlüğü 30 metre
olan Avrupa Sayısal Yükseklik Modeli (EU-DEM) kullanılmıştır. Meteorolojik veri
olarak Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) tarafından üretilen
zamansal çözünürlüğü 1 saat olan ERA5-Land kullanılmıştır(Hersbach vd., 2020).
Vejetasyon örtüsü ve arazi kullanım verileri Copernicus Arazi İzleme Servisi
üzerinden CORINE Arazi Örtüsü veri setinden üretilmiştir. Bu set tam olarak
zirai alanlara karşılık gelmeyen Arazi Kullanımı Arazi Örtüsü (LULC) sınıflarını
filtrelemek için yapay zekâ (AI) akışında kullanılmıştır.
Yersel ölçümlerde kullanmak üzere tarım arazilerinden 84 adet toprak
numunesi alınmış ve bunlar laboratuvar ortamında Toprak Organik Karbon (SOC)
içeriği Walkley-Black metodu ile elde edilmiştir (Walkley ve Black, 1934). Ayrıca
Bouyoucos hidrometre metodu ile toprak tekstürleri tespit edilmiştir (Bouyoucos,
1962) Sayısal toprak haritası üzerinden toprak organik karbon ve toprak tekstürü
haritalarını üretmek için AI tabanlı bir yaklaşım kullanılmıştır(Wadoux vd., 2020).
Bunlar oluşturulurken modele girdi olarak Sentinel-2 uydu görüntüleri, AB-
DEM’den arazi verileri ve ERA5’ten iklim verileri kullanılmıştır. Modeli optimize
etmek için karar ağaçları (DT) kullanarak çalışan XGBoost (eXtreme Gradient
Boosting) algoritması kullanılmıştır (T. Chen ve Guestrin, 2016).
Yapay zekâ mimarisi, açık kaynak EO verisi ve RUSLE metoduyla üretilen
geliştirilmiş toprak tabakasına dayanan toprak erozyonu katmanı elde
edilmiştir. Yıllık toprak kaybı tahmini için RUSLE metodu kullanılmıştır. Metoda
göre R, K, C ve LS faktörlerinin etkileşimi, erozyon sonucu kaybedilen toprak
miktarını ortaya koymaktadır (Renard vd., 1997). Modellerin doğruluğu, AI
model performans ölçümleriyle yapılmıştır. Bunlar;
• R katsayısı (determinasyon katsayısı), ortaya koyulan ve model
2
tarafından tahmin edilen çıktı arasındaki herhangi bir doğrusal
korelasyon derecesini nicelleştirmek için kullanılmıştır.

106 Çevre, Şehir ve Çölleşme ve Erozyon