1.18 Arazi Kullanımı ve Ekosistem Hizmetleri

1. Problem Tanımı ve Sistemik Etki

Arazi kullanımı ve arazi örtüsü (Land Use / Land Cover, LULC) değişimi, küresel çevre değişikliğinin en doğrudan ve ölçülebilir boyutudur. Son 60 yılda dünya tarım alanı ~500 milyon hektar genişlerken, orman alanı ~420 milyon hektar azalmıştır (FAO, 2022). Bu dönüşüm, küresel sera gazı emisyonlarının %23'ünü oluşturmakta (IPCC, 2019), biyoçeşitlilik kaybını hızlandırmakta ve su döngüsünü bozmaktadır. Yalnızca ormansızlaşmadan kaynaklanan yıllık ekonomik kayıp 2-5 trilyon USD aralığında tahmin edilmektedir (TEEB, 2010).

LULC haritalama ve değişim analizinin mühendislik boyutunda üç temel kısıtlama bulunmaktadır:

• Mekansal ölçek uyumsuzluğu: Uydu görüntülerinin mekansal çözünürlüğü (Landsat: 30 m, Sentinel-2: 10 m) ile tarla düzeyindeki karar ölçeği (parsel: ~0,1-5 ha) arasında uyumsuzluk vardır. Bir piksel birden fazla arazi sınıfını içerebilir (karışık piksel problemi).
• Zamansal kapsama: Bulut örtüsü optik uydu görüntülerini kullanılmaz kılar. Tropikal bölgelerde yıllık kullanılabilir görüntü sayısı 3-8'e düşebilir. Mevsimsel değişimler (hasat, ekim, yaprak dökümü) sınıf karıştırıcı etki yaratır.
• Eğitim verisi kıtlığı: Yer doğrulama (ground truth) noktalarının toplanması pahalı ve zaman alıcıdır. Özellikle erişimi zor bölgelerde (dağlık arazi, çatışma bölgeleri) eğitim verisi belirgin biçimde azalır.

Makine öğrenmesi, bu kısıtlamalar altında uydu görüntülerinden otomatik LULC haritaları üretme, zamansal değişimleri tespit etme ve ekosistem hizmetlerini nicelleştirme kapasitesiyle konuyu tarımsal-çevresel karar destek sistemlerinin merkezine taşımıştır.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1980-2010)

Erken dönem LULC sınıflandırması, piksel tabanlı istatistiksel yöntemlere dayanmaktaydı:

• Maksimum Olabilirlik Sınıflandırması (Maximum Likelihood Classification, MLC): Her sınıfın multispektral uzaydaki dağılımını Gaussian olarak modelleyen parametrik yöntem. Her piksel, en yüksek olasılığı veren sınıfa atanır. Basitliği ve teorik sağlamlığı nedeniyle onlarca yıl standart yöntem olmuştur; ancak normallik varsayımı ihlal edildiğinde (asimetrik veya çok modlu dağılımlar) performans düşer. Tipik genel doğruluk: %75-85 (Foody, 2002).
• NDVI eşikleme: Normalize Edilmiş Bitki Örtüsü İndeksi (Normalized Difference Vegetation Index) ile bitki örtüsü / bitki dışı ayrımı. Basit ve hesaplama açısından verimli; ancak iki sınıfla sınırlıdır ve farklı bitki türlerini ayırt edemez.
• Denetimsiz kümeleme (ISODATA, K-means): Eğitim verisi gerektirmeden pikselleri spektral benzerliğe göre gruplar. Sonuçların tematik anlamlandırılması uzman müdahalesi gerektirir; sınıf sayısı önceden belirlenmelidir.

Limitasyonlar: Piksel tabanlı yöntemler mekansal bağlamı (komşu pikseller arası ilişki) görmezden gelir. Yüksek çözünürlüklü görüntülerde bu durum "tuz-biber" gürültüsüne yol açar — aynı tarla içindeki pikseller farklı sınıflara atanabilir.

2.2 Modern Yaklaşımlar (2010-Günümüz)

Rastgele Orman (Random Forest)

• Girdi: Multispektral bantlar (4-13 bant), türetilmiş indeksler (NDVI, NDWI, NDBI), doku özellikleri (GLCM), topografik değişkenler (eğim, bakı, yükseklik).
• Çalışma prensibi: Bagging ile oluşturulan karar ağaçları topluluğu; her ağaç rasgele özellik alt kümesi üzerinde dallanır. Çoğunluk oylaması ile piksel sınıflandırılır.
• Eğitim: Yer doğrulama noktaları (GPS konumlu arazi gözlemi veya yüksek çözünürlüklü görüntü yorumlama) ile denetimli öğrenme.
• Performans: Belgiu ve Dragut (2016), uzaktan algılamada RF'nin 220+ çalışmada ortalama %88-92 genel doğruluk (OA) gösterdiğini belirlemiş; SVM ile karşılaştırılabilir doğrulukta ancak hesaplama verimliliği açısından belirgin olarak üstün olduğunu raporlamıştır.

Nesne Tabanlı Sınıflandırma (OBIA)

• Girdi: Yüksek/çok yüksek çözünürlüklü uydu veya İHA görüntüleri (0,5-5 m).
• Çalışma prensibi: Görüntü önce homojen segmentlere (nesnelere) bölünür (multiresolution segmentation); ardından her nesne spektral, şekil ve doku özellikleri ile sınıflandırılır. Mekansal bağlamı doğrudan modele dahil eder.
• Eğitim: Segmentasyon parametreleri (ölçek, şekil ağırlığı, kompaktlık) deneysel olarak ayarlanır; sınıflandırma RF veya SVM ile yapılır.
• Performans: Blaschke (2010), OBIA'nın piksel tabanlı yöntemlere kıyasla yüksek çözünürlüklü görüntülerde OA'yı %5-10 artırdığını göstermiştir. Ancak segmentasyon parametreleri çalışma alanına özgüdür ve genellenebilirlik sınırlıdır.

Derin Öğrenme (CNN / U-Net)

• Girdi: Multispektral uydu görüntü yamaları (patches), tipik olarak 64x64 veya 256x256 piksel.
• Çalışma prensibi: U-Net mimarisi, encoder-decoder yapısı ile piksel düzeyinde semantik segmentasyon gerçekleştirir. Skip connections, mekansal detayların korunmasını sağlar. DeepLabv3+ ve SegFormer gibi ileri mimariler de kullanılmaktadır.
• Eğitim: Etiketlenmiş LULC haritaları (CORINE, National Land Cover Database) ile denetimli öğrenme; veri artırma (döndürme, aynalama, renk pertürbasyonu) ile genişletme.
• Performans: Helber et al. (2019), EuroSAT veri setinde (Sentinel-2, 10 sınıf, 27.000 yama) ResNet-50 ile %98,57 OA elde etmiştir. Ancak bu sonuç kontrollü veri setine özgüdür; gerçek dünya uygulamalarında sınıf tanımı belirsizliği ve etiket gürültüsü performansı %80-90 aralığına düşürür.

Zamansal Analiz ve Değişim Tespiti

• Girdi: Çok zamanlı uydu görüntü serileri (Landsat arşivi: 1984-günümüz, 30 m, 16 gün tekrar).
• Çalışma prensibi: LandTrendr, BFAST veya CCDC (Continuous Change Detection and Classification) algoritmaları zaman serisi kırılma noktalarını tespit ederek arazi örtüsü değişimlerini (ormansızlaşma, kentleşme, tarım genişlemesi) belirler.
• Performans: Hansen et al. (2013), Landsat zaman serileri ile 2000-2012 döneminde küresel orman örtüsü değişimini 30 m çözünürlükte haritalamış; %83,6 OA ile 2,3 milyon km2 orman kaybı ve 0,8 milyon km2 orman kazanımı tespit etmiştir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Mekansal Otokorelasyon ve Örnekleme Yanlılığı

Coğrafi verilerde yakın konumdaki gözlemler birbirine benzer (Tobler'in coğrafyanın birinci yasası). Eğitim ve test verilerinin rastgele bölünmesi, mekansal otokorelasyon nedeniyle performansın aşırı tahmin edilmesine yol açar — eğitim pikselinin hemen yanındaki test pikseli bağımsız bir gözlem değildir. Roberts et al. (2017), mekansal blok çapraz doğrulamanın (spatial block cross-validation) standart k-fold'a kıyasla doğruluk tahminini %5-15 düşürdüğünü göstermiştir. Mekansal olarak bağımsız doğrulama protokolleri hâlâ yaygın olarak benimsenmemiştir.

Değiştirilebilir Alan Birimi Problemi (MAUP)

Aynı veri farklı mekansal birimlerle (piksel, parsel, idari sınır, havza) toplanıp analiz edildiğinde istatistiksel sonuçlar değişir. 30 m pikselle %85 doğrulukla sınıflandırılan bir alan, 250 m pikselle %92'ye çıkabilir — çünkü karışık piksel problemi azalır ancak mekansal detay kaybedilir. LULC haritalarının karşılaştırılmasında ölçek standardizasyonu kritik bir sorundur.

Sınır Etkileri ve Geçiş Bölgesi Belirsizliği

Arazi sınıfları arasındaki geçişler keskin değil, kademeli olabilir — orman-mera ekotonu, tarla-yerleşim çeperi gibi. Bu geçiş bölgelerinde sınıflandırma belirsizliği artar. Sert sınıflandırma (hard classification) bu belirsizliği gizlerken, yumuşak sınıflandırma (soft / fuzzy classification) her piksel için sınıf üyelik olasılıklarını verir. Ancak yumuşak sınıflandırma sonuçlarının doğrulanması metodolojik olarak zorludur.

Bulut Örtüsü ve Zamansal Boşluklar

Optik uydu görüntülerinin kullanılabilirliği bulut örtüsüyle doğrudan sınırlanır. Tropikal bölgelerde yıllık bulutlu gün oranı %60-80'e ulaşır; ılıman bölgelerde bile kritik fenolojik dönemlerde (ilkbahar ekim, sonbahar hasat) bulutlu görüntü oranı %30-50 olabilir. SAR (Synthetic Aperture Radar) görüntüleri buluttan bağımsızdır ancak spektral bilgi içermez — optik-SAR füzyonu bu boşluğu kısmen kapatır.

Etiket Gürültüsü ve Sınıf Tanımı Tutarsızlığı

Farklı LULC sınıflandırma sistemleri (CORINE, NLCD, GlobeLand30) farklı sınıf tanımları kullanır. "Tarım arazisi" bir sistemde yalnızca ekilebilir araziyi kapsarken diğerinde mera ve meyve bahçelerini de içerebilir. Bu tutarsızlık, transfer öğrenme ve model genellemesini zorlaştırır. Crowdsourcing tabanlı etiketleme (OpenStreetMap, Geo-Wiki) maliyet avantajı sağlar ancak etiket kalitesi uzman düzeyinin altındadır.

Bölgesel Senaryo: Siirt Arazi Dönüşümü

Siirt ilinde son 20 yılda önemli arazi kullanımı değişimleri yaşanmaktadır; bunlar üç spesifik mühendislik problemi oluşturur:

1. Fıstık bahçesi genişlemesi: Meralık alanlarının fıstık bahçesine dönüştürülmesi, bölgenin baskın LULC değişim dinamiğidir. Yeni tesis edilen genç fıstık bahçeleri (1-5 yaş) düşük kanopi örtüsüne sahiptir ve uydu görüntülerinde meralık veya çıplak toprakla kolayca karıştırılır. Multitemporal NDVI profilleri (yıl boyunca değişim deseni) bu ayrımı iyileştirme potansiyeli taşır; ancak fıstığın yaprak döken doğası kış döneminde tespiti zorlaştırır.
2. Dağlık topoğrafya ve gölge etkisi: Siirt'in engebeli topoğrafyası (yükseklik: 500-2.500 m), uydu görüntülerinde topografik gölgeleme oluşturur — özellikle kış aylarında düşük güneş açısında kuzeye bakan yamaçlar kalıcı gölgede kalır. Bu gölge pikselleri orman veya su yüzeyi olarak yanlış sınıflandırılabilir. Topografik düzeltme (C-correction, SCS+C) uygulanabilir ancak her görüntü için ayrı parametreleme gerektirir.
3. Parçalı arazi yapısı: Bölgedeki tarım arazileri küçük ve parçalıdır (ortalama parsel boyutu 1-3 ha). Sentinel-2'nin 10 m çözünürlüğünde bir parsel yalnızca 10-30 piksel kaplar; bu da sınıf içi istatistiklerin güvenilirliğini düşürür ve nesne tabanlı yaklaşımları daha uygun hale getirebilir.

4. Literatür: Seminal Çalışmalar

Hansen et al. (2013) — Küresel orman örtüsü değişiminin 30 m çözünürlükte haritalanması. Landsat 7 ETM+ görüntüleri (2000-2012, 654.178 görüntü) üzerinde karar ağacı sınıflandırması ile 2,3 milyon km2 orman kaybı ve 0,8 milyon km2 orman kazanımı tespit edilmiş. Genel doğruluk %83,6. Çalışma, Google Earth Engine platformunun büyük ölçekli mekansal analizler için güçlü bir altyapı sunduğunu erken dönemde göstermiştir. (15.000+ atıf)

Belgiu ve Dragut (2016) — Uzaktan algılamada Random Forest uygulamalarının kapsamlı derlemesi. 220+ çalışmayı incelemiş; RF'nin ortalama %88-92 OA ile SVM'ye karşılaştırılabilir doğrulukta ancak eğitim hızında 5-10 kat üstün olduğunu belirlemiş. Hiperparametre duyarlılığının düşük olması (varsayılan değerler genellikle yeterli) pratik avantaj olarak vurgulanmış. (3.800+ atıf)

Blaschke (2010) — Nesne tabanlı görüntü analizinin (OBIA) uzaktan algılamadaki paradigma kaymasını tartışan referans çalışma. Piksel tabanlı yöntemlerden nesne tabanlı yaklaşımlara geçişin gerekçelerini, segmentasyon algoritmalarını ve sınıflandırma stratejilerini kapsamlı olarak sunmuş. OBIA'nın yüksek çözünürlüklü görüntülerde OA'yı %5-10 artırdığını göstermiş. (4.100+ atıf)

Helber et al. (2019) — EuroSAT veri seti: Sentinel-2 multispektral görüntülerden oluşan 27.000 etiketli yama, 10 LULC sınıfı. ResNet-50 ile %98,57 OA elde edilmiş. Veri seti, Avrupa genelinde LULC sınıflandırma araştırmaları için standart benchmark haline gelmiştir. (1.400+ atıf)

Roberts et al. (2017) — Ekolojik modellerde mekansal çapraz doğrulamanın önemi. Mekansal otokorelasyonun standart k-fold doğrulamada performansı %5-15 aşırı tahmin ettiğini göstermiş. Mekansal blok çapraz doğrulama ve buffered leave-one-out yöntemlerini önermiş. Çalışma, uzaktan algılama ve ekolojik modelleme topluluklarında doğrulama protokollerinin yeniden gözden geçirilmesine yol açmıştır. (3.200+ atıf)

5. Gelecek Vizyonu

Yakın Gerçek Zamanlı LULC İzleme

Sentinel-2'nin 5 günlük yeniden ziyaret süresi ve Google Earth Engine / Microsoft Planetary Computer gibi bulut platformlarının hesaplama kapasitesi, aylık veya haftalık LULC haritalarının üretimini teknik olarak mümkün kılmaktadır. Dynamic World (Brown et al., 2022) projesi, Sentinel-2 görüntülerinden yakın gerçek zamanlı 10 m çözünürlüklü küresel LULC haritaları üretmektedir. Ancak otomatik etiketlemenin kalite kontrolü, zamansal tutarlılık ve sınıflandırma hatalarının kümülatif etkisi açık sorunlardır.

Ekosistem Hizmetlerinin Nicelleştirilmesi

LULC haritaları, ekosistem hizmetleri (karbon depolama, su filtreleme, tozlaşma, erozyon kontrolü) modellerinin temel girdisidir. InVEST (Integrated Valuation of Ecosystem Services and Tradeoffs) gibi modelleme araçları, LULC değişim senaryolarının ekosistem hizmetlerine etkisini parasal değerle ifade eder. Makine öğrenmesi, bu modellerin kalibrasyonunu (toprak organik karbon tahmini, biyokütle haritalama) ve çözünürlük iyileştirmesini sağlar; ancak ekosistem süreçlerinin mekansal ve zamansal karmaşıklığı, basitleştirilmiş modellerin güvenilirliğini sorgulattırır.

Çok Kaynaklı Veri Füzyonu

Optik (Sentinel-2, Landsat), SAR (Sentinel-1), LiDAR ve hiperspektral veri kaynaklarının füzyonu, tek kaynakla elde edilemeyecek tematik detay ve doğruluk düzeylerine ulaşma potansiyeli taşır. Özellikle optik-SAR füzyonu, bulut sorununu çözerken sınıf ayrım gücünü artırır. Ancak farklı sensörlerin mekansal çözünürlük, geometri ve radyometrik özellikleri arasındaki uyumsuzluk, füzyon kalitesini sınırlar ve kaynak düzeyinde düzeltme (registration, resampling, normalization) gerektirir.

İklim Değişikliği Senaryoları ve Arazi Kullanımı

Hükümetler arası İklim Değişikliği Paneli (IPCC) paylaşımlı sosyoekonomik yollar (SSP) senaryoları altında gelecek LULC projeksiyonları, iklim modellerine girdi olarak kritik önemdedir. Makine öğrenmesi tabanlı arazi kullanımı değişim modelleri (Cellular Automata-Markov, FLUS), tarihsel değişim desenlerini öğrenerek 2050-2100 projeksiyonları üretir. Ancak bu projeksiyonlar, politika değişiklikleri, teknolojik sıçramalar ve sosyoekonomik şoklar gibi doğrusal olmayan sürücüleri yakalayamaz; bu nedenle senaryo aralığı geniş tutulmalıdır.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği