Sentinel Uydu Programı (Sentinel Satellite Program)

Genel Bakis

Avrupa Uzay Ajansi (ESA) tarafından Copernicus programi kapsaminda isletilen Sentinel uydulari, tarımsal uzaktan algılama araştırmalari için birincil ucretsiz veri kaynagidir. Sentinel-2 (cok spektral optik) ve Sentinel-1 (SAR radar) birlikte uydu tabanli tarımsal makine öğrenmesinin omurgasini oluşturur.

Sentinel-2 (Optik/Cok Spektral)

Tarımsal Uygulamalar

• Bitki indeksleri: Cok spektral bantlardan NDVI, EVI, LAI, SAVI
• Ürün turu sınıflandırma: Cok zamanli bant yiginlari + Random Forest veya Convolutional Neural Networks
• Ürün verim tahmini: Bitki indekslerinin zaman serileri → Lstm Networks veya regresyon modelleri
• Fenoloji izleme: NDVI egrilerinden yesillenmme, tepe, yaslanma tarihleri
• Besin stresi tespiti: Kirmizi kenar bantlari, gorunur belirtilerden once azot eksikligini tespit eder

Sentinel-1 (SAR Radar)

Tarımsal Uygulamalar

• Her hava kosulunda izleme — Radar bulutlari deler; tropikal/muson bölgelerindeki için kritik
• Toprak nemi tahmini — Geri sacilim yuzey nemine duyarli
• Pirinc tarlasi haritalama — Pirinc yetistiriciligi izlemesi için su baskinii tespiti
• Ürün yapisi — VH/VV orani biyokutle ve ürün yüksekligiyle ilişkili

Sentinel-1 + Sentinel-2 Fuzyonu

Optik ve SAR verisinin birlestirilmesi en saglam tarımsal izlemeyi saglar: - Optik bosluklar (bulutlar) SAR gözlemleriyle doldurulur - SAR, spektral veriye yapisal bilgi ekler - Cok modlu Convolutional Neural Networks ve Transformer Architectures, kaynasmis girdileri işler - Google Earth Engine, bulut tabanli ölçekli işlemeyi mumkun kilar

Erisim ve Isleme

• Copernicus Acik Erisim Merkezi — Ucretsiz indirme, kisitlama yok
• Google Earth Engine — Bulut işleme, JavaScript/Python API
• Microsoft Planetary Computer — STAC API erisimi
• AWS Acik Veri — S3 barinimli arsivler
• sen2cor — Sentinel-2 için atmosferik duzeltme (L1C → L2A)

Tarımsal Makine Öğrenmesi Uzerindeki Etkisi

Sentinel'in ucretsiz, sik, yüksek çözünürlüklu kuresel kapsami, tarımsal uzaktan algılamayi demokratikrlestirmistir. Sentinel oncesinde (2015 oncesi), cogu araştırma pahali ticari uydulara (RapidEye, WorldView) veya düşük çözünürlüklu verilere (MODIS, 250-500m) dayaniyordu. 5 gunluk yeniden ziyaret süreçiyle 10m çözünürlük, Afrika'daki küçük ölçekli ciftliklerden Amerika'daki endustriyel tarima kadar kuresel olarak tarla düzeyinde izlemeyi mumkun kilarak makine öğrenmesi uygulamalarinin onunu acmistir.

Korpusumuzda Remote Sensing dergisindeki 689 makale -- en büyük tek mekan -- ağırlıkli olarak Sentinel verisi tarafından desteklenmektedir.

Ingest Edilen Makalelerden Bulgular

[Defourny et al., 2019] — NOT: Bu makale (W2905254777, "Near real-time agriculture monitoring at national scale at parcel resolution", 415 atif) dosyasi bozuk oldugu için (indirme sirasinda gerçek PDF yerine JPEG görüntü kaydedilmis) doğrudan okunamadi. Yeniden indirilip ingest edilmesi gerekmektedir. Makalenin bilinen temel konusu: Sentinel-2 uydu verisi kullanilarak ulusal ölçekte, parsel cozunurlugunde yakin gerçek zamanli tarım izleme sistemi gelistirilmesidir.

[Teluguntla et al., 2018] — NOT: Bu makale (W2885406917, "A 30-m Landsat-derived cropland extent product of Australia and China using random forest", 525 atif) dosyasi bozuk oldugu için (indirme sirasinda gerçek PDF yerine JPEG görüntü kaydedilmis) doğrudan okunamadi. Yeniden indirilip ingest edilmesi gerekmektedir. Makalenin bilinen temel konusu: Landsat verisi ve random forest algoritmasi kullanilarak Avustralya ve Cin için 30 m çözünürlüktte tarım arazisi haritalamasidir. Bu çalışma doğrudan Sentinel verisi degil Landsat verisi kullanmaktadir; ancak Landsat-Sentinel harmonize ürünleri (HLS) bağlaminda ilişkilidir.

Dynamic World — Sentinel-2 Tabanli Yakin Gerçek Zamanli Kuresel LULC

[Brown et al., 2022] — Dynamic World sistemi, Sentinel-2 L1C görüntülerini doğrudan girdi olarak kullanarak 10 m çözünürlükta kuresel arazi ortusu sınıflandırmasi uretmektedir. Model, Sentinel-2'nin B1, B8A, B9 ve B10 disindaki tum bantlarini 10 m'ye bilineer olarak yukselterek kullanmaktadir. Bulut maskeleme için Sentinel-2 Cloud Probability (S2C) urunu (%65 esik), Cloud Displacement Index (CDI) ve yonlu mesafe dönüşümu (DDT) birlestirilmistir.

Sentinel-2 veri işleme: Eğitim için Level-2A (yuzey yansiticilik, Sen2Cor ile islenmis) görüntüler kullanılırken, operasyonel çıkarım için Level-1C (atmosfer ustu yansiticilik) tercih edilmistir; bu tercih 2015'ten itibaren tum arsive erisim ve gelecekte işleme algoritmasinin degismemesi için yapilmistir. Yansiticilik değerleri log-dönüşümu ve sigmoid fonksiyon ile normalize edilerek düşük yansiticilik değerlerinin baskin oldugu dagilim dengede tutulmustur.

Operasyonel kapasite: Sistem, Sentinel-2 veri akisiyla paralel olarak surekli guncellenmektedir. Tam bir Sentinel-2 karesi (yaklasik 100x100 km) için tahmin suresi 45 dakikadir. Gunde yaklasik 12.000 Sentinel-2 sahnesi degerlendirilmekte, bulut filtresi (%35 CLOUDY_PIXEL_PERCENTAGE) sonrasi yaklasik yarisi islenmekte olup ortalama her 14.4 saniyede bir yeni LULC görüntüsu uretilmektedir. Ürün, 2015-06-27'den itibaren tum Sentinel-2 L1C arsivi için mevcuttur ve Google Earth Engine üzerinden acik erisimlidir.

Dogruluk: 409 bagimsiz doğrulama karesinde (14 biyom x 3 bölge) Uzman Uzlasisi ölçütune gore genel uyum %73.8 olarak olculmustur. Tarım arazisi (crops) sınıfı için hassasiyet (precision) %88.9, su sınıfı için %90.6, yapilasmis alan için %86.7 raporlanmistir. Sentinel-2'nin 10 m cozunurlugu, 100-300 m çözünürlüklu ürünlere kiyasla küçük ölçekli tarım ve erken donem ormansizlasma gibi süreçlerin tespitinde belirgin avantaj saglamaktadir.

Sentinel-2 ile Tarım Arazisi Haritalama — Piksel ve Nesne Tabanli Yaklasimlar

[Belgiu & Csillik, 2018] — Sentinel-2 uydu görüntüleri kullanilarak piksel tabanli ve nesne tabanli (OBIA) sınıflandırma yöntemlerinin tarım arazisi haritalamasi için karsilastirilmasini ele alan bu çalışma, zaman ağırlıkli dinamik zaman bukmesi (TWDTW) mesafe olcusu ile Sentinel-2 zaman serilerinin islendigini raporlamıştır. Calisma, tarım arazisinin diger arazi ortusu sınıflarından ayrilmasinda Sentinel-2'nin kirmizi kenar bantlarinin (B5, B6, B7) ve 10 m çözünürlüklu bantlarin (B2-B4, B8) kritik rol oynadigini vurgulamistir. Nesne tabanli yaklaşım, özellikle heterojen tarım peyzajlarinda piksel tabanli yönteme kiyasla daha az tuzu-biber etkisi (salt-and-pepper noise) uretmis ve daha tutarli sınıflandırma haritlari olusturmustur. Sentinel-2'nin 5 gunluk yeniden ziyaret suresi, fenolojik farkliliklarin yakalanmasinda büyük avantaj saglayarak ürün sınıflandırma doğruluğunu önemli ölçüde artirmistir. Bu makale, Sentinel-2'nin tarımsal sınıflandırma için referans çalışmalarindan biri haline gelmistir. (874 atif)

GLC_FCS30 — Landsat-Sentinel Harmonizasyonu ile Kuresel Arazi Ortusu

[Zhang et al., 2021] — Google Earth Engine üzerinde Landsat zaman serileri ve CCI_LC/MCD43A4 NBAR ürünlerinden turetilen GSPECLib eğitim verileri kullanilarak 30 m çözünürlükta 30 sinifli kuresel arazi ortusu urunu (GLC_FCS30-2015) oluşturulmuştur. Sentinel-1 SAR verileri de yapilasmis yuzey (impervious surface) sınıflandırmasina katki saglamistir (MSMT_IS30-2015, genel doğruluk %95.1). Landsat ve Sentinel-2 verilerinin harmonize edilmesi, büyük ölçekli tarım arazisi haritalamasinin geleceğinde kritik oneme sahiptir; GLC_FCS30 tarım arazisini yağmura bagli, sulanan, otsu ve ağaçli/calili alt siniflarla ayrintili biçimde haritalamistir. NDVI, EVI, NDWI, NBR indeksleri ile GLCM doku değişkenleri kompozit özellikler olarak kullanilmistir. 44.043 doğrulama örneğinde %82.5 genel doğruluk (Seviye 0) elde edilmistir. (955 atif)