1.21 Orman Ekosistemi İzleme

1. Problem Tanımı ve Sistemik Etki

Ormanlar, karasal karbon havuzlarının %80'ini oluşturmakta ve yıllık yaklaşık 2,6 milyar ton CO2 absorbe ederek iklim dengesinde kritik bir tampon işlevi görmektedir (FAO, 2022). Küresel ormanlık alan 2000-2020 döneminde yılda ortalama 4,7 milyon hektar net kayba uğramıştır; bu kayıp yalnızca karbon bütçesi açısından değil, biyoçeşitlilik, su döngüsü ve toprak erozyonu perspektiflerinden de sistemik bir tehdittir. Ormancılık sektörünün küresel ekonomik büyüklüğü yıllık ~600 milyar USD olarak tahmin edilmekte ve 1,6 milyar insanın geçim kaynağını doğrudan etkilemektedir.

Geleneksel orman envanteri yöntemleri üç temel kısıtlamaya sahiptir:

• İşgücü yoğunluğu: Arazi örnekleme parselleri (tipik olarak 0,04-1 ha) üzerinden gövde çapı (DBH), ağaç boyu ve taç kapanımı ölçümü yapılır. Bir ekibin günlük kapasitesi 2-5 parselle sınırlıdır; ulusal ölçekte envanter çıkarmak yıllar alabilir.
• Mekansal örnekleme yanlılığı: Ulaşımı güç bölgeler (dik yamaçlar, bataklık alanlar) sistematik olarak örneklem dışı kalır. Türkiye'de erişilebilirlik kısıtı nedeniyle yıllık envanter güncellemesi orman alanının yalnızca %3-5'ini kapsamaktadır.
• Zamansal gecikme: Arazi envanterleri 5-10 yıl aralıklarla güncellenir; bu süre zarfında yasadışı kesim, böcek salgınları veya yangın kayıpları tespit edilemeden birikir.

Bu kısıtlamalar, uydu görüntüleri, LiDAR (Light Detection and Ranging) ve İHA platformlarından elde edilen uzaktan algılama verilerinin makine öğrenmesi ile işlenmesini ormancılık alanının en kritik dijitalleşme eksenlerinden biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2012)

Erken dönem uzaktan algılama tabanlı orman izleme yaklaşımları, piksel bazlı sınıflandırma ve istatistiksel regresyon modelleri üzerine kuruluydu:

• Maksimum olabilirlik sınıflandırması (Maximum Likelihood Classification): Landsat multispektral bantlarından orman/orman dışı ayrımı yapılır. Her piksel için Gauss olasılık dağılımı hesaplanır ve en yüksek olabilirliğe sahip sınıfa atanır. Hansen et al. (2000), Landsat TM verisiyle tropikal ormanlarda %82-88 genel doğruluk raporlamıştır. Limitasyon: Karışık pikselleri (mixel) çözümleyemez; 30 m çözünürlükte tek bir ağaç ile çalılık aynı piksel içinde karışır.
• Vejetasyon indeksleri (NDVI, EVI): Kırmızı ve yakın kızılötesi bantların oranı ile bitki yoğunluğu ve sağlığı izlenir. Zaman serisi NDVI profilleri mevsimsel fenoloji takibi ve ormansızlaşma tespiti için kullanılır. Ancak NDVI, yoğun örtü altında doygunluk gösterir (LAI > 3-4); bu nedenle tropik ve kapalı ormanlarda biyokütle değişimlerini yakalama kapasitesi sınırlıdır.
• Allometrik regresyon modelleri: Arazi ölçümlerinden (DBH, boy) biyokütle tahmini yapılır. Brown (1997) tarafından geliştirilen pan-tropikal allometrik denklemler uzun süre standart olarak kullanılmıştır. Ancak bu modellerin tür-spesifik ve bölge-spesifik kalibrasyona ihtiyaç duyması, genellenebilirliği kısıtlamaktadır.

Limitasyonlar: Piksel bazlı yaklaşımlar, mekansal bağlamı (komşuluk ilişkileri, doku kalıpları) göz ardı eder. Ayrıca bulut örtüsü tropik bölgelerde optik görüntülerin %40-70'ini kullanılamaz hale getirir.

2.2 Modern Yaklaşımlar (2013-Günümüz)

LiDAR Tabanlı Nokta Bulutu İşleme

Hava LiDAR (ALS - Airborne Laser Scanning) sensörleri, orman örtüsünün 3B yapısını nokta bulutu (point cloud) formatında yakalar.

• Girdi: Nokta bulutu verileri (tipik olarak 1-50 puan/m2 yoğunluk)
• Çalışma prensibi: Zemin noktaları filtrelenerek sayısal yükseklik modeli (DEM) oluşturulur; normalleştirilmiş yükseklik (nDSM) hesaplanarak her noktanın zemin üstü yüksekliği elde edilir. Yerel maksimum algılama ile ağaç tepe noktaları belirlenir.
• Eğitim: Eşik tabanlı algoritmalar veya watershed segmentasyonu ile bireysel ağaç segmentasyonu (ITS) yapılır. Modern yaklaşımlarda PointNet++ doğrudan 3B nokta bulutu üzerinde çalışır.
• Performans: Vauhkonen et al. (2012), Kuzey Avrupa ibreli ormanlarında ALS tabanlı ITS ile %72-92 ağaç tespit oranı ve biyokütle RMSE %15-25 raporlamıştır.

CNN Tabanlı Ağaç Taç Tespiti

Yüksek çözünürlüklü uydu veya İHA ortomozaiklerinden ağaç taçlarının nesne tespiti yoluyla belirlenmesi.

• Girdi: RGB veya multispektral ortomozaik görüntüler (3-30 cm/piksel GSD)
• Çalışma prensibi: RetinaNet, Faster R-CNN veya YOLO tabanlı nesne tespiti mimarileri, ağaç taçlarını çevreleyen sınırlayıcı kutular üretir. DeepForest kütüphanesi bu amaçla geliştirilmiştir (Weinstein et al., 2019).
• Eğitim: Transfer öğrenme ile ImageNet veya COCO ön eğitimli ağırlıklar orman görüntülerine ince ayar yapılır.
• Performans: Weinstein et al. (2019), NEON veri seti üzerinde RetinaNet ile %79 recall ve %69 precision raporlamıştır.

U-Net Tabanlı Segmentasyon

Piksel düzeyinde orman örtüsü sınıflandırması veya tahribat haritalama.

• Girdi: Sentinel-2 multispektral bantlar (10-20 m) veya yüksek çözünürlüklü İHA görüntüleri
• Çalışma prensibi: Kodlayıcı-çözücü mimarisi ile her piksel bir sınıfa atanır. Skip connections sayesinde ince mekansal detaylar korunur.
• Eğitim: Cross-entropy veya Dice loss; sınıf dengesizliği için ağırlıklı kayıp uygulanır.
• Performans: Wagner et al. (2019), Sentinel-2 ile Amazon ormansızlaşma tespitinde %95,4 genel doğruluk ve %84,5 mIoU elde etmiştir.

Random Forest Regresyon

LiDAR metriklerinden veya uydu bantlarından sürekli değişken tahmini (biyokütle, karbon stoku).

• Girdi: LiDAR istatistikleri (ortalama yükseklik, persentiller, örtü yoğunluğu) veya spektral bantlar
• Çalışma prensibi: Birden fazla karar ağacının rassal alt kümeler üzerinde eğitilerek toplu tahmin üretmesi.
• Performans: Fassnacht et al. (2014), LiDAR + çok bantlı verilerle orman biyokütlesi tahmininde R2 = 0,82 ve RMSE = 32,5 Mg/ha raporlamıştır.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Yoğun Örtü Altı Tespiti

Çok katlı orman yapılarında üst taç katmanı alt katmanları tamamen gizler. Optik sensörler yalnızca en üst tabakayı görür; LiDAR penetrasyonu örtü yoğunluğuna bağlı olarak azalır. Yoğun ormanlarda LiDAR dönüş sinyallerinin yalnızca %5-15'i zemine ulaşır (Harding et al., 2001). Bu durum zemin modeli doğruluğunu düşürür ve ağaç yüksekliği tahmininde sistematik hata oluşturur. Çoklu dönüş (multi-return) ve dalga formu (full-waveform) LiDAR bu sorunu kısmen çözer ancak veri hacmini 5-10 kat artırır.

Mevsimsel Değişim

Yaprak döken ormanlarda taç kapanımı, spektral imza ve LiDAR dönüş profili mevsime göre belirgin biçimde değişir. Kış aylarında yaprak kaybı, optik tabanlı örtü tahminlerini %30-50 hafife aldırır. Zamansal tutarlılık sağlanması için çok zamanlı veri füzyonu gerekir; ancak farklı zamanlarda toplanan LiDAR verileri arasında nokta yoğunluğu, uçuş yüksekliği ve sensör konfigürasyon farklılıkları sistematik sapmalara neden olur.

Büyük Alan Kapsama ve Hesaplama

Ulusal veya kıtasal ölçekte orman izleme, petabayt düzeyinde veri üretir. Yalnızca Sentinel-2 uydusu günde 1,6 TB veri üretmektedir. Hansen et al. (2013), küresel ormansızlaşma haritası üretmek için Google sunucularında 10.000+ CPU-saat işlem gücü kullanmıştır. Bu hesaplama yükü çoğu ormancılık teşkilatı için erişilemezdir.

Tür Düzeyi Sınıflandırma

Orman envanterinin en değerli çıktısı türe özgü bilgidir; ancak uydu çözünürlüğünde tür ayrımı son derece güçtür. Sentinel-2'nin 10-20 m çözünürlüğünde karışık pikseller birden fazla türü içerir. İHA tabanlı yüksek çözünürlükte dahi morfolojik olarak benzer türlerin ayrımı %50-65 doğrulukla sınırlıdır (Fassnacht et al., 2016). Hiperspektral veri tür ayrımını %75-90'a çıkarabilir ancak maliyeti optik sensörlerin 10-20 katıdır.

Bölgesel Senaryo: Siirt Meşe Ormanları

Siirt ili ve çevresi, Güneydoğu Anadolu'nun yarı-kurak meşe ormanları (Quercus brantii, Q. infectoria) açısından önemli bir ekolojik koridor oluşturmaktadır. Toplam orman alanı yaklaşık 89.000 hektar olup bu alanın %60-70'i bozuk meşcere sınıfındadır.

1. Düzensiz taç yapısı: Yarı-kurak meşe ormanlarında ağaçlar çok gövdeli ve kısa boyludur (4-8 m); bu yapı, standart ağaç tespit algoritmalarının öngördüğü konik taç modelinden sapma gösterir. DeepForest gibi Kuzey Amerika ibreli ormanlarında eğitilmiş modeller bu morfolojide ciddi performans kaybı yaşar.
2. Karbon stoku belirsizliği: Bozuk meşcereler için allometrik denklemler mevcut değildir; standart FAO biyokütle denklemleri bu ormanlarda biyokütleyi %40-60 hatalı tahmin eder. LiDAR kalibrasyonu için yerel arazi verisi toplamak çoğu durumda gereklidir.
3. Otlatma ve degradasyon izleme: Hayvancılığın yaygın olduğu bölgede orman altı vejetasyonu sürekli baskı altındadır. Bu degradasyonun uydu görüntülerinden tespiti, kesim tabanlı ormansızlaşmadan farklı bir spektral imza gerektirmektedir.

4. Literatür: Seminal Çalışmalar

Hansen et al. (2013) — Landsat verilerinden 2000-2012 dönemi küresel orman örtüsü değişim haritası. 30 m çözünürlükte 12 yıllık zaman serisi analizi; bagged decision tree algoritması ile %86 genel doğruluk. Tropikal ormansızlaşma oranının yılda 2.101 km2 arttığını göstermiştir. (18.000+ atıf)

Weinstein et al. (2019) — DeepForest: Bireysel ağaç taç tespiti için derin öğrenme modeli. NEON ağı kapsamında 37 saha, 100 milyon+ ağaç içeren veri seti. RetinaNet mimarisi ile recall %79, precision %69. Ön eğitimli modelin yeni sahalara aktarım öğrenme ile uyarlanabilirliği test edilmiştir. (620+ atıf)

Fassnacht et al. (2016) — Uzaktan algılama ile ağaç türü haritalama üzerine kapsamlı derleme. 129 çalışmayı analiz etmiş; hiperspektral verinin tür sınıflandırmasında multispektral veriden %10-25 daha yüksek doğruluk sağladığını raporlamıştır. LiDAR + hiperspektral füzyon, en yüksek doğruluk (OA > %85) sağlayan kombinasyon olarak belirlenmiştir. (950+ atıf)

Wagner et al. (2019) — Amazon ormansızlaşma tespiti için U-Net tabanlı segmentasyon. Sentinel-2 görüntülerinde %95,4 genel doğruluk ve %84,5 mIoU. Seçici kesim gibi düşük yoğunluklu tahribat türlerinde doğruluğun %65'e düştüğü raporlanmıştır. (380+ atıf)

Qi et al. (2017) — PointNet++: LiDAR nokta bulutu verilerinin doğrudan işlenmesi için hiyerarşik derin öğrenme mimarisi. 3B mekan içinde yerel bölge örnekleme ve çok ölçekli özellik birleştirme ile sınıflandırma doğruluğu %91,0 (ModelNet40). Orman uygulamalarında ağaç segmentasyonuna uyarlanmıştır. (8.500+ atıf)

5. Gelecek Vizyonu

Uydu LiDAR Füzyonu

NASA'nın GEDI ve ICESat-2 uyduları, uzay tabanlı LiDAR verisi sunarak hava LiDAR'ın maliyet kısıtını aşmaktadır. GEDI, 25 m ayak izi ile tropikal ormanlarda biyokütle tahmininde RMSE = 36,3 Mg/ha raporlamıştır. Sentinel-2 multispektral verileri ile GEDI LiDAR tahminlerinin füzyonu, duvar-duvar biyokütle haritalarının üretilmesinde en umut verici yaklaşımdır. Ancak GEDI'nin eğimli arazilerde yükseklik hatasının artması (RMSE > 5 m, eğim > 20 derece) kalibre edilmelidir.

Zamansal Derin Öğrenme

Tek zamanlı görüntü sınıflandırmasından çok zamanlı sekans analizine geçiş, LSTM ve Temporal CNN mimarileri ile gerçekleştirilmektedir. Uydu zaman serileri (yıl boyunca 20-30 Sentinel-2 görüntüsü), mevsimsel fenoloji kalıplarını yakalayarak tür sınıflandırma doğruluğunu %10-15 artırmaktadır. Ancak bulut örtüsü kaynaklı eksik gözlemler düzensiz zaman aralıkları oluşturur; dikkat mekanizmalı modeller bu uyumsuzluğa adaptasyon potansiyeline sahiptir.

Federe Öğrenme ile Kurumlar Arası İşbirliği

Orman verileri genellikle ulusal ormancılık teşkilatlarının yetki alanında olup veri paylaşım kısıtlamalarına tabidir. Federe öğrenme, ham verileri merkezi bir sunucuya taşımadan farklı ülkelerin verilerinden ortak model eğitimi yapılmasını mümkün kılar. Ancak orman ekosistemleri arasındaki yüksek heterojenite (ibreli vs. yapraklı, boreal vs. tropikal) non-IID veri dağılımı oluşturarak toplama algoritmasının yakınsamasını zorlaştırır.

Karbon Kredi Doğrulama

Gönüllü karbon piyasası 2023 yılında 2 milyar USD hacmi aşmıştır. ML tabanlı biyokütle haritaları karbon kredi doğrulamasının maliyetini %60-80 azaltma potansiyeli taşımaktadır. Ancak model tahminlerinin belirsizlik aralıklarının şeffaf biçimde raporlanması, karbon muhasebesi standartları açısından kritik önem taşır. Deterministik nokta tahminleri yerine olasılıksal çerçeveler (Bayesian RF, Monte Carlo dropout) bu tür kullanım senaryolarında daha uygun olabilir.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği