Ders 16: Uzaktan Algılama ve Uydu Verileri

1. Giriş: Gökyüzünden Tarlaya Bakmak

Bir çiftçi tarlasını yürüyerek kontrol edebilir, ancak 500 hektarlık bir araziyi gözle kontrol etmek günler alır. Uzaktan algılama (remote sensing), uydu, uçak veya drone üzerindeki sensörlerle yeryüzeyini görüntüleme ve analiz etme bilimidir. Makine öğrenimi ile birleştiğinde, milyonlarca hektarlık tarım arazisini otomatik olarak izleme, mahsul sınıflandırma, verim tahmin etme ve çevresel stres faktörlerini tespit etme mümkün hale gelir.

Uzaktan algılamanın tarım için önemi şu verilerle somutlaşır: Dünya genelinde yaklaşık 1.5 milyar hektar tarım arazisi vardır ve bu arazilerin düzenli izlenmesi gıda güvenliği, su yönetimi ve iklim değişikliği adaptasyonu açısından önemli kabul edilir. Geleneksel tarla ölçümleri (in-situ) yalnızca belirli noktalarda doğru bilgi verir; uzaktan algılama ise geniş alanlı, tekrarlanabilir ve zamansal süreklilikte veri sağlar.

2. Uydu Platformları

2.1 Sentinel Serisi (ESA - Avrupa Uzay Ajansı)

Sentinel-1 (SAR Radarı): - Sentetik Açıklıklı Radar (SAR) taşıyan aktif uydu - C-bantı (5.405 GHz) ile çalışan, bulutlu havada bile görüntüleme yapabilir - Polarizasyonlar: VV (dikey-dikey) ve VH (dikey-yatay) - Mekansal çözünürlük: 5-20m - Tekrar süresi: 6 gün - Tarımsal kullanım: Toprak nemi tahmini, mahsul büyüme izleme, sel haritalama

Sentinel-2 (Çok Spektrumlu Optik): - 13 spektral bant ile görüntüleme - Mekansal çözünürlük: 10m (görünür ve yakın kızılötesi), 20m (kırmızı kenar ve kısa dalga kızılötesi), 60m (atmosferik bantlar) - Tekrar süresi: 5 gün - Tarımsal kullanım: Bitki indeksleri hesaplama, mahsul sınıflandırma, hastalık tespiti

Sentinel-2 Bantları ve Tarımsal Önemleri:

2.2 Landsat Serisi (NASA/USGS)

• 1972'den beri sürekli veri sağlayan en uzun ömürlü uydu programı
• Landsat-8/9: 30m çözünürlük, 16 gün tekrar süresi
• 11 spektral bant (termal dahil)
• Tarımsal kullanım: Uzun dönemli arazi kullanımı değişimi, iklim değişikliği etkisi izleme

2.3 MODIS (NASA)

• Günlük görüntüleme kapasitesi
• 250m-1km çözünürlük (düşük ancak zamansal süreklilik yüksek)
• 36 spektral bant
• Tarımsal kullanım: Kuraklık izleme, fenoloji analizi, bölgesel verim tahmini

2.4 Platform Karşılaştırması

3. Spektral Bantlar ve Bitki İndeksleri

3.1 Elektromanyetik Spektrum ve Bitkiler

Bitkiler, elektromanyetik spektrumla benzersiz bir şekilde etkileşir: - Görünür ışık (400-700nm): Klorofil, mavi ve kırmızı ışığı emer; yeşili yansıtır - Kırmızı kenar (700-750nm): Sağlıklı bitkilerde keskin bir yansıım artışı (red edge) - Yakın kızılötesi (NIR, 750-1300nm): Yaprak hücre yapısı nedeniyle güçlü yansıım - Kısa dalga kızılötesi (SWIR, 1300-2500nm): Su içeriği bilgisi

Bu etkileşim, farklı bitki indekslerinin hesaplanmasına olanak tanır.

3.2 Temel Bitki İndeksleri

NDVI (Normalized Difference Vegetation Index):

$$\text{NDVI} = \frac{\text{NIR} - \text{Red}}{\text{NIR} + \text{Red}}$$

• Değer aralığı: -1 ile +1 arası
• Sağlıklı bitki: 0.6-0.9
• Cılız/stresli bitki: 0.2-0.4
• Su/toprak: < 0.1
• Kullanım: Bitki canlılığını izleme, verim tahmini, mahsul sınıflandırma
• Sınırlaması: Yoğun kanopi altında doygunluk (saturation) problemi

EVI (Enhanced Vegetation Index):

$$\text{EVI} = 2.5 \cdot \frac{\text{NIR} - \text{Red}}{\text{NIR} + 6 \cdot \text{Red} - 7.5 \cdot \text{Blue} + 1}$$

• NDVI'nın doygunluk sorununu azaltır
• Atmosferik ve toprak arka plan etkilerini minimize eder
• Yoğun bitki örtüsünde daha hassas

LAI (Leaf Area Index):

• Birim toprak alanı başına yaprak yüzeyi alanı (m^2/m^2)
• Sentinel-2'den biyofiziksel parametre olarak türetilir
• Tipik değerler: Mısır 3-6, Buğday 2-5, Orman 4-8
• Verim tahmini ve evapotranspirasyon modellerinde kritik girdi

SAVI (Soil-Adjusted Vegetation Index):

$$\text{SAVI} = \frac{(\text{NIR} - \text{Red})(1 + L)}{\text{NIR} + \text{Red} + L}$$

• $L$: Toprak parlaklık düzeltme faktörü (tipik olarak 0.5)
• Seyrek bitki örtüsünde (erken mevsim veya kurak bölgeler) NDVI'dan daha güvenilir

NDRE (Normalized Difference Red Edge):

$$\text{NDRE} = \frac{\text{NIR} - \text{RedEdge}}{\text{NIR} + \text{RedEdge}}$$

• Kırmızı kenar bandını kullanarak, klorofil içeriğine daha hassas
• Bitki azot durumu ve erken stres tespitinde üstün

3.3 İndeks Karşılaştırması

4. Google Earth Engine (GEE)

4.1 Nedir ve Neden Önemli?

Google Earth Engine, petabaytlarca uydu verisini bulut üzerinde işlemek için geliştirilmiş bir platformdur. Veri indirmeye gerek kalmadan, sunucu tarafında analiz yapılır.

Avantajları: - 40+ yıllık Landsat arşivi, tüm Sentinel verileri, MODIS vb. anında erişim - JavaScript ve Python API'si - Paralel işlem: Binlerce görüntü saniyeler içinde işlenir - Ücretsiz (araştırma ve eğitim için)

4.2 Örnek Kod: NDVI Zaman Serisi Hesaplama

// Google Earth Engine JavaScript API
// Türkiye sınırları içindeki buğday tarlalarında NDVI zaman serisi

var turkiye = ee.FeatureCollection('FAO/GAUL/2015/level0')
    .filter(ee.Filter.eq('ADM0_NAME', 'Turkey'));

var sentinel2 = ee.ImageCollection('COPERNICUS/S2_SR')
    .filterBounds(turkiye)
    .filterDate('2025-03-01', '2025-08-31')
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));

// NDVI hesaplama fonksiyonu
var addNDVI = function(image) {
    var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
    return image.addBands(ndvi);
};

var ndviCollection = sentinel2.map(addNDVI);

// Aylık ortalama NDVI
var monthlyNDVI = ee.List.sequence(3, 8).map(function(month) {
    return ndviCollection
        .filter(ee.Filter.calendarRange(month, month, 'month'))
        .select('NDVI')
        .mean()
        .set('month', month);
});

// Görselleştirme
Map.addLayer(ee.ImageCollection(monthlyNDVI).first(),
    {min: 0, max: 0.8, palette: ['red', 'yellow', 'green']},
    'NDVI Mart 2025');

5. SAR Radar: Bulutlu Havada Bile İzleme

5.1 SAR Temel Prensipleri

Sentetik Açıklıklı Radar (SAR), kendi mikrodalga sinyalini gönderip geri yansıyanı kaydeden aktif bir algılama sistemidir. Optik sensörlerden temel farkı:

• Bulut geçirgenlik: Mikrodalga dalgalar bulutları, sis ve hafif yağmuru deler
• Gece görüntüleme: Güneş ışığına ihtiyaç duymaz
• Yüzey yapısı: Toprak pürüzsüzlüğü ve nem içeriğine duyarlıdır

5.2 SAR ile Toprak Nemi Tahmini

Ben Abbes ve arkadaşları (2024), uzaktan algılama tabanlı toprak nemi tahmini konusunda kapsamlı bir derleme çalışması yayınlamıştır. Makale, fiziksel modeller, empirik yaklaşımlar ve makine öğrenimi yöntemlerinin entegrasyonunu incelemektedir.

Önemli Bulgular:

Toprak nemi (SM), tarımda sulama yönetimi, kuraklık izleme ve gıda güvenliği için kritik bir parametredir. Çalışmada incelenen yöntemler ve performansları:

Çalışmada şu önemli noktalar vurgulanmıştır: - Sentinel-1 SAR verisinin toprak nemi tahmininde büyük potansiyeli vardır; ancak bitki örtüsü ve yüzey pürüzsüzlüğü sinyali etkiler - Makine öğrenimi yöntemleri, geleneksel fiziksel modellere (WCM, IEM) kıyasla daha yüksek doğruluk sağlamıştır - Sentinel-1 ve Sentinel-2 verisinin birlikte kullanılması (optik + radar füzyonu), tek başına kullanımdan daha iyi sonuçlar vermiştir - LSTM gibi zamansal modeller, toprak nemi zaman serisi tahmini için özellikle etkilidir

5.3 SAR Polarizasyon ve Tarımsal Anlamı

6. Araştırma Örneği: Sentinel-2 ile Mısır Verim Tahmini

Desloires ve arkadaşları (2023), Sentinel-2 uydu görüntülerini kullanarak tarla ölçeğinde mısır verim tahminini makine öğrenimi yöntemleriyle gerçekleştirmiştir. Çalışmada 2017-2021 yılları arasında Iowa ve doğu Nebraska'daki 1164 tarla kullanılmıştır.

Veri ve Yöntem: - Sentinel-2'den türetilen bitki indeksleri: GNDVI, NDRE, NDWI - Biyofiziksel parametreler: LAI, FAPAR, fCOVER - Termal zaman (GDD) ile fenolojik normalleştirme - 3 büyüme evresi: vejetatif (V), üreme (R), yaşlanma (S) - Makine öğrenimi modelleri: Random Forest, XGBoost, sinir ağı

Yenilikçi Yaklaşım: Çoğu çalışmanın aksine, bu araştırma yıl-dışı (out-of-year) tahmin senaryosunu test etmiştir. Yani model, 2017-2020 verisiyle eğitilip 2021'i tahmin etmiştir. Bu, gerçek dünyadaki kullanım senaryosunu yansıtır: henüz hasat edilmemiş bir sezon için tahmin.

Sonuçlar: - LAI zirve değeri, verim tahmininde en etkili özellik olarak belirlenmiştir - Termal zamanla normalleştirme, takvim zamanı kullanımına göre tahmin doğruluğunu belirgin şekilde artırmıştır - Temmuz, tahmin için en kritik aydır (mısır için çiçeklenme ve tozlaşma dönemi) - Yıl-dışı senaryoda sıcaklık rejimleri arasındaki farklılık, modelin genelleştirme kapasitesini sınırlayan ana faktör olarak saptanmıştır

7. Uydu Verisi + ML İş Akışı

Tipik bir uzaktan algılama + makine öğrenimi projesi şu adımlardan oluşur:

1. Veri Edinme
   |-- Sentinel-2 optik görüntüleri (GEE üzerinden)
   |-- Sentinel-1 SAR verileri
   |-- Meteorolojik veriler (sıcaklık, yağış)

2. Ön-İşleme
   |-- Bulut maskeleme (SCL bantını kullanarak)
   |-- Atmosferik düzeltme (Sen2Cor ile BOA reflektans)
   |-- Mekansal birleştirme (20m bantları 10m'ye yeniden örnekleme)

3. Özellik Çıkarma
   |-- Bitki indeksleri (NDVI, EVI, NDRE, SAVI)
   |-- Biyofiziksel parametreler (LAI, fCOVER)
   |-- Zamansal istatistikler (maks, min, ortalama, eğim)
   |-- Fenolojik metrikler (sezon başlangıcı, zirve, bitiş)

4. Model Eğitimi
   |-- Yer gerçekliği (ground truth) ile eşleştirme
   |-- Özellik seçimi
   |-- Model seçimi (RF, XGBoost, CNN, LSTM)
   |-- Çapraz doğrulama

5. Tahmin ve Haritalama
   |-- Piksel veya tarla bazında tahmin
   |-- Sonuç haritalarının üretimi
   |-- Doğruluk değerlendirmesi

8. Özet ve Önemli Noktalar

1. Sentinel-2, 10m çözünürlük ve 5 gün tekrar süresiyle tarımsal uzaktan algılamada en yaygın kullanılan ücretsiz uydu verisidir. 13 spektral bantı, çeşitli bitki indeksleri ve biyofiziksel parametrelerin hesaplanmasına olanak tanır.

2. Bitki indeksleri (NDVI, EVI, LAI, SAVI, NDRE) farklı amaçlara hizmet eder: NDVI genel izleme için, EVI yoğun örtüde, SAVI kurak bölgelerde, NDRE ise azot stresinde üstündür.

3. SAR radar (Sentinel-1), bulutlu iklim bölgelerinde optik verilerin kullanılamadığı durumlarda tarımsal izlemeyi mümkün kılar. Toprak nemi tahmininde ML yöntemleriyle entegre edildiğinde RMSE < %1 seviyesinde doğruluk elde edilmiştir.

4. Google Earth Engine, petabaytlarca uydu verisini bulut üzerinde işlemeye olanak tanıyan platform olarak tarımsal araştırmaları demokratikleştirmiştir.

5. Sentinel-2 ile mısır verim tahmini çalışmasında, fenolojik normalleştirme ve LAI zirve değeri, yıl-dışı tahmin senaryosunda kritik başarı faktörleri olarak belirlenmiştir.

Kaynaklar

1. Ben Abbes, A., et al. (2024). Advances in remote sensing based soil moisture retrieval. Artificial Intelligence Review, 57, 224.
2. Desloires, J., et al. (2023). Out-of-year corn yield prediction at field-scale using Sentinel-2 satellite imagery and ML methods. Computers and Electronics in Agriculture, 209, 107807.
3. Drusch, M., et al. (2012). Sentinel-2: ESA's optical high-resolution mission for GMES operational services. Remote Sensing of Environment, 120, 25-36.
4. Gorelick, N., et al. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27.
5. Rouse, J.W., et al. (1974). Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication, 351, 309.