Selam herkese. BIM tarafinda calisan biri olarak son birkac aydir machine learning ile uydu goruntu analizi konusuna girmis durumdayim, ozellikle heyelan tespitinde. ESA'nin Sentinel-2 verisi ucretsiz, 10 m yuzey cozunurlugu, her 5 gunde bir gecis. Bu kadar zengin temporal data ile heyelan oncesi-sonrasi degisim algilama yapmak akla yatici.

Soru: Turkiye'de bu yaklasimi uygulayan akademik ekip veya firma var mi? Ben Python'da rasterio + scikit-learn ile baslangic sketcheri yaptim, bir CNN modeli (U-Net mimarisi) Karadeniz Sebinkarahisar 2022 heyelaninin oncesi-sonrasi Sentinel-2 goruntulerinden ogretildi, 78% accuracy. Ama gercek uygulamada false-positive yuksek, agacli alanlardaki sezonluk degisimi heyelan zannediyor.

Saha tecrubesi olan jeolog gorusu lazim: hangi spektral bantlar (NDVI, NDMI, NBR) heyelan algilamasinda en bilgilendirici? Veri augmentasyonunda nelere dikkat edilmeli? AI tarafini ben yurutebilirim, ama domain expertise olmadan sapma kacinilmaz.

Berk, Trabzon heyelan koordinatoru olarak bu konunun tam icindeyim, 2018-2024 arasinda Sentinel-2 ve Sentinel-1 verileriyle Dogu Karadeniz heyelanlarini izledik. Tecrubelerimi paylasayim.

Spektral bantlar: NDVI tek basina yetersiz, cunku heyelan sonrasi bitki ortusunde dususu yakalar ama mevsimsel yapraklanma da NDVI dususu yapar. NBR (Normalized Burn Ratio) heyelan tarafindaki cıplak topragi yangindan ayirir ama sezonluk kuraklik onu da bulanik gosterir. Bizim deneyimimiz, NDVI + NBR + bare soil index (BSI) uclusunu birlikte kullanmak ve mutlaka temporal stack analiz yapmak (mesela mart ve eylul ayindaki ayni yerin farki, tek tarih degil).

Sezonluk degisimi izole etmek icin "harmonic regression" yontemi etkili, Verbesselt et al. 2010 BFAST algoritmasi referansli. Pyhton'da bfast paketi var, deneyebilirsin.

trb_deniz_inz yazdi:

NDVI + NBR + bare soil index (BSI) uclusunu birlikte kullanmak ve mutlaka temporal stack analiz yapmak

Deniz hocam, bu kombinasyonu tam beklemiyordum, NBR'yi heyelanda hic dusunmemistim, "burn" diye yangin tarafiyla iliskilendiriyordum. BFAST referansini hemen aldim, Verbesselt 2010 makalesini bu aksam okuyacagim. Karadeniz tarafindan boyle saha verisini birlestiren akademik veya kurum referansi varsa onu da paylasirsanız tezimde olcek geliminde kullanmak istiyorum.

Berk, Sentinel-1 (radar) verisini de modeline katmani guclu oneririm. Sentinel-2 optik, bulutta calismaz, ama Sentinel-1 SAR bulut altinda da gorur, InSAR tekniği ile zemin deplasmaninı milimetre seviyesinde olcer. Heyelan oncesinde yamactaki yavas creep hareketini yakalar, optik veriden cok daha erken uyari verir. ESA'nin Snap yazilimi ucretsiz, InSAR processing temel adımlari icin yeterli.

Optik (Sentinel-2) + radar (Sentinel-1) kombinasyonu literaturde "data fusion" yaklasimi olarak son donem standart. Senin CNN modelin ikisini birden alirsa false-positive ciddi duser.

Berk, KTU'da Karadeniz heyelan veri setini hazirliyoruz son 4 yil, Hopa-Borçka-Murgul kayitli aktif heyelan poligonlari ile etiketli. 287 polygon, hepsi sahaya gidip GPS ile sinirlandirildi, training-validation split yapilabilir bicimde. Senin model icin bu veri seti label olarak cok degerli, paylasimi konusunda bolum kuruluyla konusabilirim.

Bir uyari: "true positive" tanimi onemli. Heyelan poligonu sinirlanir ama ic kismindaki piksellerin hepsi heyelan mi, sadece kayma yuzeyi mi? Bunu net karar vermek lazim, modelin loss fonksiyonu buna gore ayarlanir.

Berk, akademik tarafindan Hocam Reza Talebi (Hacettepe) bu konuda son 3 yildir aktif yayinlar yapiyor. Biri ozellikle Anadolu icin Sentinel-1/2 fusion ile heyelan susceptibility mapping (Talebi et al. 2023, Remote Sensing of Environment). PDF'i istersen ozelden gondereyim. Onun ekip metodolojisi senin yaklasiminla ortusur, referans olarak kullanmak akilli.

Veri augmentation noktasinda spectral indices sentetik ekleme yerine spatial transformation (rotation, flip, elastic deformation) tercihli. Spektral indices manipulasyonu fiziksel anlamini bozar, model unrealistic patterns ogrenir.

Harun hocam, KTU'nun 287 polygon labeled veri seti hayalimde olan kaynaktaydi, bolum kurulu ile gorusmeniz mumkunse cok minnettar olurum. Etiketleme protokolu (whole polygon vs sliding surface) konusunda ben "whole polygon" ile basladim ama sliding surface odakli annotation muhtemelen daha disiplinli sonuc verir, bu konuda da gorusmek isterim.

Ezgi, Talebi 2023 makalesini ozelden paylasirsaniz cok minnet duyarim. Hocayla iletisime gecmek icin de irtibat bilgisini alabilirim sizden. Yayina bizim metodolojiyi de eklemek mumkun olabilir.

Berk, MTA Jeoloji Etudleri Dairesi'nde 2019-2023 arasi Turkiye Heyelan Envanteri projesi yurutuldu, sonuc olarak Turkiye genelinde 38000+ heyelan poligonu sayisallastirildi. Bunun bir kismi acik veriye, MTA'nin Yerbilim Bilgi Sistemi (YBS) portalindan erisilebiliyor, kismen sinirli ama bolge mudurlugune dilekce ile genis erisim acilabiliyor. Bu, training data icin altin degerinde.

Veri formati shapefile, Sentinel-2 raster'i ile uyumlu hale getirmek icin QGIS ile rasterize etmek gerek, bir gunluk is. Senin model icin ulkesel olcekte training veri olur.

mta_cengiz yazdi:

Turkiye genelinde 38000+ heyelan poligonu sayisallastirildi

Cengiz abi, 38000+ poligon Turkiye olceginde model genellestirmek icin muhtesem bir baslangic. YBS portali uzerinden erisim icin yarin dilekce hazirliyorum, MTA Jeoloji Etudleri Dairesi muhatap olarak dogru mu? Bilgi varsa paylasirsaniz, bolge mudurlugu mu merkez mi yonlendirme yapayim?

Berk, dilekceyi MTA Genel Mudurluk Jeoloji Etudleri Dairesi Baskanligi'na yaz, kop olarak bolge mudurlugune (calistigin sehir hangi bolgeyse). Konuyu "Turkiye Heyelan Envanteri verilerine arastirma kapsaminda erisim talebi" yaz, akademik veya sektorel calismayi belirt. 2-3 hafta icinde donus alinir.

Berk, kullanim acisindan bir uyari: AI modelinin %78 accuracy duyurmak iyi bir baslangic ama saha muhendisi icin degerlendirme metriği accuracy degil precision-recall. Heyelan azinlik sinif, accuracy yaniltici. Confusion matrix ver: kac heyelan dogru bulundu, kac yanlis alarm, kac kacirilan heyelan? Genelde recall (heyelan kacirilmadi mi) yapi denetim icin daha onemli, false alarm sonradan eliminir.

Yapay zeka heyelan algiliyor diye "yapı denetim sistemi calisana gerek yok" diyorlar, ama ayni yapay zekanin Trabzon'da yagmurlu havada ne yapacagini gorelim once. AI sevenler bulutu sevmez aslinda.

Berk, validation icin onemli bir saha-ic referansi: AFAD'in Trabzon Bolge Mudurlugu son 3 yildir InSAR temelli heyelan early warning sistemi pilot projesi yapiyor (Ankara Universitesi ortakli). Sonuclari kismen yayinlandi 2024 baharında, Avrupa Geophysical Union (EGU) 2024 Vienna'da poster sunulmustu. Senin AI modelin bu pilot sistem ile karsilastirilabilir, baseline reference olarak iyi olur.

Berk, son bir saha-pratik notu: AI early warning sisteminin sonuc cikti formatinin saha muhendisinin anlayabilecegi sekilde olmasina dikkat et. Bizim Trabzon'da kullanilan bir sistem cikti olarak "anomaly score 0.73" veriyordu, koy muhtarinin elinde anlam tasimaz. Cikti kategorik olmali ("dusuk risk", "orta risk", "tahliye gerekli") ve coğrafi olarak harita uzerinde renk kodlu. Sosyal arayuz teknik dogruluktan bazen daha onemli son kullanici icin.

Toparliyorum: (1) NDVI + NBR + BSI uclusu temporal stack ile, BFAST ile sezonluk regresyon (Deniz). (2) Sentinel-1 InSAR fusion ile false-positive azaltma (Umur). (3) KTU 287 poligon labeled dataset paylasimi (Harun). (4) Talebi 2023 RSE makale referansi ve Hocam ile iletisim (Ezgi). (5) MTA YBS 38000+ poligon Turkiye Heyelan Envanteri erisim dilekce (Cengiz). (6) Precision-recall ve confusion matrix metrik raporu (Suat). (7) AFAD-Ankara Uni InSAR pilot proje karsilastirma (Tolga). (8) Cikti formati son kullanici icin kategorik harita (Deniz).

Bu liste tezimi en az 6 ay ileri tasidi. Forum gercekten saha-akademik kopru islevi gostermis oldu, hepinize cok tesekkur. Calisma gelisimini ay sonu raporu olarak buradan paylasacagim.