Doğru arazi örtüsü haritalaması biyolojik çeşitliliğin korunmasını, iklim adaptasyonunu ve sürdürülebilir arazi kullanımını destekler. Uzaktan algılamadaki ilerlemelere rağmen, yalnızca uyduya yönelik yaklaşımlar bulut örtüsü, tekrar ziyaret aralıkları ve temel gerçek verilerinin eksikliği nedeniyle sınırlı kalıyor. Dynamic World gibi dinamik ürünler, zamanlamayı iyileştirdi ancak yine de ani geçişleri yakalamak veya sonuçlarını doğrulamak konusunda zorlanıyor.
Yüzeye yakın kamera ağlarının hızla genişlemesi, yerelleştirilmiş, yüksek frekanslı gözlemler ekleyerek izlemeyi geliştirme fırsatı sağlar. Ancak perspektif uyumsuzluğu ve sınırlı kapsam gibi zorluklar devam ediyor. Bu zorluklara dayanarak, gerçek zamanlı arazi izleme için çok modlu gözlemleri ve yapay zeka araçlarını entegre etmek için yeni araştırmalara ihtiyaç vardır.
Tsinghua Üniversitesi’nden araştırmacılar ve işbirlikçileri, çalışmalarını Uzaktan Algılama Dergisi. Ekip, uydu görüntülerini, yüzeye yakın kameraları ve gelişmiş yapay zeka segmentasyon modellerini birleştiren bir çerçeve geliştirdi. Bu yenilik, bulut müdahalesi ve sınırlı yeniden ziyaret süreleri de dahil olmak üzere arazi izlemedeki kalıcı engelleri ele alıyor ve tarımdan ekosistemin korunmasına kadar çeşitli uygulamalar için neredeyse gerçek zamanlı küresel arazi örtüsü haritalama kapasitesine sahip bir sistem sunuyor.
Çalışma, FROM-GLC Plus 3.0’ın hem doğruluk hem de zamansal yoğunluk açısından önceki ürünleri geride bıraktığını gösteriyor. Çerçeve, kamera gözlemlerinden yoğun günlük NDVI zaman serilerini yeniden oluşturarak ortalama %70,52 doğruluk elde etti. Yalnızca uydu sistemlerinin tespit edemediği, Kuzey Amerika’daki kar birikimi ve Avrupa’daki sulak alanların genişlemesi gibi ani geçişleri yakalıyor.
Ek olarak, Her Şeyi Segment Modelinin (SAM) entegrasyonu, daha az gürültü ve daha keskin sınırlarla parsel düzeyinde haritalamaya olanak tanıyarak ekili alanlara, kentsel alanlara ve doğal yaşam alanlarına ilişkin yüksek çözünürlüklü bilgiler sağlar. Bu yenilikler hep birlikte FGP 3.0’ı dünya çapındaki çevresel değişiklikleri izlemek için esnek, ölçeklenebilir ve zamanlı bir çözüm haline getiriyor.
Çerçeve üç modülü birleştiriyor: yıllık haritalama, dinamik günlük izleme ve yüksek çözünürlüklü parsel sınıflandırma. Yıllık haritalama, günlük NDVI zaman serilerini yeniden oluşturmak için otomatik uzaysal eşleştirme algoritmalarını kullanarak Sentinel-1 SAR, Sentinel-2 spektral verilerini ve yüzeye yakın kamera girişlerini birleştirir. Bu, özellikle ekili alan-çalılık mozaikleri olmak üzere çeşitli ekosistemlerdeki doğruluğu artırır.
Dinamik izleme için sistem, kara geçişlerini günlük ölçekte tespit etmek için taşınan örnek kümeleri ve yeniden oluşturulan görüntüleri kullanır ve genellikle yalnızca uydu yaklaşımları tarafından görülemeyen kısa vadeli olayları yakalar. Yüksek çözünürlüklü haritalama, parselleri segmentlere ayırmak ve tuz-biber gürültüsünü azaltmak için açık kaynaklı samgeo aracı aracılığıyla uygulanan SAM’den yararlanarak daha temiz ve daha uyumlu sınıflandırmalar üretir. Çin’deki testler, çerçevenin parsel düzeyinde kışlık buğday ve mısırın ürün rotasyonlarını doğru bir şekilde takip ettiğini gösterdi. Önceki sürümlerle karşılaştırıldığında FGP 3.0, yanlış sınıflandırmayı azaltır, sınır hassasiyetini artırır ve bölgesel düzeyden küresel düzeylere etkili bir şekilde ölçeklenir.
Araştırmanın ilgili yazarı Le Yu, “Yalnızca uydu ürünleri genellikle çevremizi şekillendiren hızlı değişimleri kaçırıyor” dedi. “FROM-GLC Plus 3.0, çok modlu verileri gelişmiş yapay zeka modelleriyle birleştirerek hem küresel hem de parsel ölçeklerinde günlük, doğru bilgiler sağlıyor. Bu teknoloji yalnızca daha iyi çevre anlayışı sağlamakla kalmıyor, aynı zamanda tarım, afet hazırlığı ve sürdürülebilir arazi yönetimi için de pratik destek sağlıyor.”
Çalışmada Sentinel-1 radarı, Sentinel-2 multispektral görüntüleri ve yüzeye yakın yoğun kamera verileri birleştirildi. Otomatik uzamsal eşleştirme eğik kamera görüntülerini uydu pikselleriyle hizalarken, regresyon modelleri günlük NDVI dizilerini yeniden oluşturdu. Multimodal zamansal özellikler kullanılarak arazi örtüsü sınıflandırması için Rastgele Orman sınıflandırıcıları uygulandı. Dinamik güncellemeler için, taşınan örnekler zaman dilimleri arasında tutarlılık sağladı. Yüksek çözünürlüklü parsel haritalama, samgeo içindeki SAM modelini kullanarak ekili alanların, kentsel yapıların ve su kütlelerinin esnek bir şekilde bölümlendirilmesine olanak sağladı. Doğrulama, birden fazla kıtada ekolojik açıdan farklı sekiz bölgede gerçekleştirildi.
FROM-GLC Plus 3.0, yeni nesil arazi izlemenin zeminini hazırlıyor. Günlük, ince ölçekli değişiklikleri yakalama yeteneği; sel, kuraklık, ormansızlaşma ve kentsel genişleme için erken uyarıya olanak sağlar. Tarımsal uygulamalar, mahsul sağlığının, rotasyonunun ve su stresinin tarla düzeyinde izlenmesini içerirken, koruma uzmanları sistemi biyolojik çeşitlilik habitatlarını ve arazi bozulmasını izlemek için kullanabilir. Yüzeye yakın kamera ağları genişledikçe ve yapay zeka modelleri geliştikçe bu çerçeve, iklim değişikliğine dayanıklılık ve sürdürülebilir arazi kullanımı stratejilerini destekleyen küresel çevre zekası için bir mihenk taşı haline gelebilir.
