Tropikal göl havzalarındaki sulak alanlar, açık su ile kuru kara arasında keskin bir çizgi oluşturan sabit arazi sınıfları değildir. Su seviyesi, yağış, bitki örtüsü, mevsim ve sensörün ölçüm biçimine bağlı olarak sürekli değişen hidrolojik geçiş zonlarıdır. Bu çalışma, Kenya'daki Victoria Gölü Havzası'nda bu geçişleri belirlemek için önceden eğitilmiş OLMoEarth V1 Nano jeo-uzamsal temel modeli, Sentinel-2 optik görüntüleri, Sentinel-1 SAR geri saçılımı, fiziksel su indeksleri ve Random Forest sınıflandırmasını aynı mimaride birleştirmektedir.

Sistemin ayırt edici özelliği yalnız “sulak alan nerede?” sorusuna cevap vermemesi, aynı zamanda “model bu sınıra nerede ve neden güvenmiyor?” sorusunu da haritalamasıdır. Bunun için geliştirilen Wetland Uncertainty Field (WUF; Sulak Alan Belirsizlik Alanı), tahmin entropisini, yağışlı ve kurak mevsim arasındaki sınıf kararsızlığını ve Sentinel-1 radar ile optik sınıflandırmalar arasındaki uyuşmazlığı tek bir 0–1 belirsizlik yüzeyinde birleştirir.

Birleşik çapraz-mevsim sisteminde genel doğruluk yağışlı mevsimde %90,94, kurak mevsimde %90,65'tir. Sulak alan F1 değerleri sırasıyla 0,856 ve 0,850'dir. Ancak bu sonuçlar bağımsız saha ölçümlerine karşı değil, mevcut uzaktan algılama referans ürünlerine karşı hesaplanmıştır. Bu ayrım, çalışmanın sonuçlarının doğru yorumlanması açısından kritiktir.

Sulak alan sınırı neden sabit bir çizgi değildir?

Sulak alan; hidrolojik olarak açık su ile kara arasında yer alan, su doygunluğu, bitki örtüsü ve mevsimsel taşkınların birlikte belirlediği bir geçiş sistemidir. Victoria Gölü Havzası'nda özellikle yoğun Cyperus papyrus toplulukları su yüzeyini optik sensörlerden gizleyebilir; aynı bitki örtüsü radar sinyalinde karmaşık hacim saçılımı üretebilir.

Yağışlı dönemde taşkın ovaları genişleyebilir, kurak dönemde aynı alanların bir bölümü karaya dönüşebilir. Bu nedenle tek tarihte çekilmiş görüntüye ve tek sensöre dayanan “su / kara” eşiği, gerçek ekolojik geçişi yeterince temsil etmeyebilir.

Çalışma alanı Kenya'nın Victoria Gölü Havzası kesimidir ve özellikle Yala Swamp, Nyando Floodplain ve Winam Gulf sulak alan sistemlerine odaklanmaktadır. İşleme koordinat sistemi EPSG:32736'dır. Yaklaşık 10 m çözünürlükte 241 milyon piksel içeren tam alanın yaklaşık 124 milyon pikseli, yani %51,4'ü kalite maskelerinden sonra geçerli kabul edilmiştir.

Jeo-uzamsal Temel Model Bu Çalışmada Ne Yapıyor?

OLMoEarth V1 Nano bu çalışmada doğrudan nihai sulak alan sınıflandırıcısı olarak değil, Sentinel-2 görüntülerinden 128 boyutlu bağlamsal temsil üreten sabit bir özellik çıkarım motoru olarak kullanılır; bu temsiller fiziksel spektral ve SAR özellikleriyle birleştirilerek Random Forest sınıflandırıcısına aktarılır.

Sentinel-2 optik veri

2025 yılı için iki Sentinel-2 Level-2A mevsimsel medyan kompoziti oluşturulmuştur:

• Yağışlı mevsim: Mart–Mayıs (MAM)
• Kurak mevsim: Haziran–Eylül (JJAS)

İşlem hattı B02, B03, B04, B05, B06, B07, B08, B8A, B09, B11, B12 ve B01 olmak üzere 12 Sentinel-2 bandını kullanmaktadır. Bazı bantlar doğrudan fiziksel su indekslerinin hesaplanmasında görev alır.

Sentinel-1 SAR verisi

Sentinel-1 Ground Range Detected görüntüleri VV ve VH polarizasyonlarında kullanılmıştır. Mevsim bazında medyan kompozit alınarak speckle etkisi azaltılmış, geri saçılım değerleri:

\[ 10\log_{10}(\sigma^0) \]

ile desibel ölçeğine çevrilmiş ve Sentinel-2'nin 10 m gridine yeniden örneklenmiştir.

Çip başına dört SAR özelliği çıkarılmıştır:

• VV ortalama geri saçılımı
• VH ortalama geri saçılımı
• VV − VH farkı
• VV standart sapması

OLMoEarth V1 Nano temsil çıkarımı

OLMoEarth V1 Nano görev özelinde yeniden eğitilmemiştir. Önceden eğitilmiş ağırlıkları sabit tutulmuştur.

Görüntüler:

• 32 × 32 piksel çiplere ayrılmış,
• 16 piksel stride kullanılmış,
• her mevsim için 939.330 çip üretilmiş,
• token düzeyindeki çıktılar ortalanarak her çip için 128 boyutlu tek temsil vektörü elde edilmiştir.

Fiziksel su indeksleri

Model yalnız gizli yapay zekâ temsillerine güvenmemektedir. Su ve sulak alanların fiziksel spektral davranışını doğrudan açıklayan iki indeks de kullanılmaktadır.

Denklem (1) — Water Index for Wetlands (WIW):

\[ WIW= \frac{ Green-0.2Red-0.5NIR_{narrow}-0.1SWIR1 }{ Green+0.2Red+0.5NIR_{narrow}+0.1SWIR1+\varepsilon } \]

Denklem (2) — Modified Normalized Difference Water Index (MNDWI):

\[ MNDWI= \frac{Green-SWIR1} {Green+SWIR1+\varepsilon} \]

\[ \varepsilon=10^{-6} \]

Her çip için WIW ve MNDWI'nin standart sapması, 10. yüzdelik, medyan ve 90. yüzdelik değerleri hesaplanarak toplam sekiz boyutlu spektral doku vektörü oluşturulmuştur.

293 boyutlu çapraz-mevsim özellik vektörü

Yağışlı ve kurak mevsimler tek bir modelin öğrenebileceği ortak bir uzaya yerleştirilmiştir.

Mevsim bayrağı yağışlı dönem için 1, kurak dönem için 0 değerini taşır. Böylece aynı Random Forest her iki hidrolojik durumda da mevsime özgü sınıf tahmini üretebilir.

İki aşamalı sınıflandırma mantığı

Kaynağın ayrıntılı yöntemine göre ilk aşama Random Forest değildir. İlk aşamada spektral eşikler ve su oranı kullanılarak açık su kara sisteminden ayrılır. Bir çipte su etiketi taşıyan piksel oranı %30 veya daha yüksekse çip su kabul edilir ve sonraki sulak alan–kara sınıflandırmasından çıkarılır.

İkinci aşamada kalan kara adayları arasında sulak alan / karasal alan ayrımı Random Forest ile yapılır.

Random Forest ayarları:

• n_estimators = 1000
• max_features = sqrt
• class_weight = balanced_subsample

Sulak alan örneklerinin çok az olması nedeniyle kara örnekleri sulak alan örneklerine göre 5:1 oranında aşağı örneklenmiştir. Modelin çapraz-mevsim eğitim setinde toplam 666.970 kara çipi bulunmaktadır.

Operasyonel olasılık eşiği

Varsayılan 0,5 eşiği yerine doğrulama setinde precision–recall analizi yapılmıştır. Amaç recall değerini en az 0,83 tutarken precision'ı mümkün olduğunca yükseltmektir.

Seçilen eşik:

0,449

olmuştur. Bağımsız 30.000 noktalık değerlendirme setinde sulak alan recall değeri yaklaşık %78'e düşmüştür. Kaynak bunu geçiş zonlarının doğal belirsizliğiyle uyumlu sınırlı bir genelleme farkı olarak yorumlamaktadır.

Wetland Uncertainty Field (WUF) Nedir?

Wetland Uncertainty Field, modelin sulak alan sınırına ne kadar güvenmediğini tek bir sayı üzerinden değil; tahmin kararsızlığı, yağışlı–kurak mevsim değişimi ve optik–SAR sensör uyuşmazlığı olmak üzere üç bağımsız bilgi kaynağını birleştirerek 0 ile 1 arasında sürekli bir belirsizlik yüzeyi olarak haritalar.

1. Tahmin entropisi

Denklem (3):

\[ H_{pred} = -\sum_c p_c\log_2(p_c) \]

Model bütün olasılığı tek sınıfta topladığında entropi düşüktür. Olasılıklar su, sulak alan ve kara arasında dağıldığında entropi yükselir. Bu nedenle yüksek \(H_{pred}\), modelin sınıf konusunda kararsız olduğu geçiş zonlarını işaret eder.

2. Zamansal kararsızlık

Denklem (4):

\[ T_{inst} = \frac{1}{2} \sum_c |p_{c,wet}-p_{c,dry}| \]

Bu toplam varyasyon uzaklığı, aynı alanın yağışlı ve kurak mevsimdeki sınıf olasılıklarının ne kadar değiştiğini ölçer. Taşkın ovasının geri çekilmesi veya mevsimsel su baskını gibi olaylarda değer yükselir.

3. Sensör uyuşmazlığı

SAR-only “shadow” modelleri yalnız dört radar özelliğiyle ayrı sınıf olasılıkları üretir. Bu olasılıklar optik ağırlıklı ana modelle karşılaştırılır.

Denklem (5):

\[ S_{dis} = \frac{1}{2} \sum_{s\in\{wet,dry\}} \left( \frac{1}{C} \sum_c |p^{opt}_{c,s}-p^{SAR}_{c,s}| \right) \]

Burada \(C=3\) sınıftır.

Bu bileşen özellikle papirus bataklıklarında önemlidir. Radar nemi ve yüzey/bitki yapısını farklı biçimde görürken optik sistem görünür ve kızılötesi yansımayı görür. İki sensör aynı fiziksel alan hakkında farklı sınıf eğilimleri ürettiğinde bu uyuşmazlık hata olarak çöpe atılmak yerine belirsizlik sinyali olarak kullanılmaktadır.

Birleşik WUF

Üç bileşen ayrı ayrı 2.–98. yüzdelik aralık kullanılarak 0–1'e normalize edilmiştir.

Denklem (6):

\[ WUF= \frac{1}{3}H_{norm} + \frac{1}{3}T_{norm} + \frac{1}{3}S_{norm} \]

Üç bileşene eşit ağırlık verilmiştir. Yazarlar bu eşit ağırlığın önsel bir tasarım tercihi olduğunu ve farklı ağırlıkların duyarlılık analizinin gelecekte yapılması gerektiğini açıkça belirtmektedir.

Sensör Uyuşmazlığı Neden Hata Değil Bilgi Olarak Kullanılıyor?

Sentinel-1 SAR yüzey nemi, pürüzlülük ve bitki içinden gelen radar saçılımına; Sentinel-2 ise optik yansıma ve bitki spektral özelliklerine duyarlı olduğu için aynı papirus veya taşkın geçiş zonunu farklı biçimde görebilir; çalışma bu farkı sensör arızası olarak atmak yerine hidrolojik karmaşıklığın bir göstergesi olarak WUF'ye dahil etmektedir.

Üç katmanlı NoData koruması

Sistem geçersiz piksel üzerinde zorla sınıflandırma üretmek yerine yaklaşık %48,6'lık tam raster alanını NoData olarak bırakmaktadır.

1. Green, Red, NIR-narrow ve SWIR1 bantlarının tümünün \(10^{-6}\)'dan büyük olması gerekir.
2. Yalnız çalışma alanı poligonu içindeki pikseller işlenir.
3. MNDWI'nin sınıflandırılamadığı 255 kodlu pikseller doğrudan NoData'ya aktarılır.

Ayrıca tanımlanmış yerleşim alanları zorunlu olarak karasal sınıfa atanmıştır.

Çalışmanın Yöntemi ve Bulguları

Değerlendirme veri seti

Doğruluk değerlendirmesinde Esri Land Use/Land Cover ürününden dengeli biçimde seçilmiş:

• 10.000 açık su,
• 10.000 sulak alan,
• 10.000 karasal alan

olmak üzere 30.000 referans noktası kullanılmış; bunlardan 29.994'ü geçerli raster pikseliyle çakışmıştır.

Çapraz-mevsim sınıflandırma başarısı

İki mevsim arasındaki sulak alan recall farkı yalnız 1,2 yüzde puanıdır. Bu sonuç, birleşik çapraz-mevsim mimarisinin yağışlı ve kurak hidrolojik durumlar arasında performansı büyük ölçüde koruduğunu göstermektedir.

Hata matrisinin gösterdiği temel problem

Açık su sınıflandırmasının üretici doğruluğu her iki mevsimde yaklaşık %99,4'tür. Ana hata kaynağı açık su değildir; sulak alan ile karasal alan arasındaki geçiştir.

Yağışlı mevsimde 9.999 referans sulak alan noktasının:

• 7.817'si sulak alan,
• 1.148'i kara,
• 1.034'ü açık su

olarak sınıflandırılmıştır.

Kurak mevsimde 9.999 referans sulak alan noktasının:

• 7.698'i sulak alan,
• 1.286'sı kara,
• 1.015'i açık su

olarak sınıflandırılmıştır.

Mevsimsel sınıflandırmanın uzamsal etkisi

Kaynağın yağışlı mevsim karşılaştırmasında, basit spektral eşik haritasından OLMoEarth–Random Forest sonuç haritasına geçişte 5.135.164 piksel, yani geçerli alanın %4,14'ü değişmiştir.

Kurak mevsimde değişen piksel sayısı 4.966.048, geçerli alanın %4,00'ıdır.

Kaynağın 18. ve 19. sayfalardaki haritaları bu düzeltmelerin özellikle taşkın ovası sınırlarında ve Yala Swamp çevresinde yoğunlaştığını gösterir.

En önemli özellikler

Tek tek OLMoEarth temsil boyutlarının marjinal önemleri daha düşük olmasına rağmen, yağışlı ve kurak mevsimlerde toplam 256 GFM temsil özelliği geniş uzamsal bağlamı sağlamaktadır. Buna karşılık en güçlü tekil belirteçler mevsimsel MNDWI değişimleri ve SAR geri saçılım özellikleridir.

Mevsimsel sulak alan dinamikleri

Kalıcı + normal mevsimsel sulak alan toplamı yaklaşık 36.178 ha'dır. Ters-mevsimsel 297 ha da eklendiğinde toplam 36.475 ha olur. Bu ayrım, kaynakta 36.475 ha değerinin hangi sınıfları içerdiği konusunda oluşan metinsel belirsizliği giderir.

WUF'nin genel dağılımı

Kaynağın WUF haritasında yüksek belirsizlik homojen biçimde bütün sahaya dağılmamaktadır. Taşkın ovası sınırları, papirus ağırlıklı sulak alanlar ve mevsimsel olarak su altında kalan tarım zonlarında kümelenmektedir.

WUF Gerçek Sınıflandırma Hatalarıyla İlişkili Mi?

Evet. Kaçırılan sulak alan piksellerinin ortalama WUF değeri doğru karasal piksellerinkinden yaklaşık üç kat yüksektir; bu fark hem yağışlı hem kurak mevsimde görülmüş ve Mann–Whitney U testiyle çok güçlü istatistiksel ayrım raporlanmıştır.

Mann–Whitney U sonuçları:

• Yağışlı: \(U=10.120.494,\;p<1\times10^{-300}\)
• Kurak: \(U=11.433.640,\;p<1\times10^{-300}\)

Çok büyük örneklemde p-değerinin aşırı küçük olması tek başına pratik önem kanıtı değildir. Kaynak da bu nedenle esas olarak WUF farkının büyüklüğüne dikkat çekmektedir.

Optik–SAR uyuşmazlığının büyüklüğü

Ortalama sensör uyuşmazlığı görece düşüktür:

• Yağışlı mevsim: 0,0388
• Kurak mevsim: 0,0411

Ancak maksimum değerler sırasıyla 0,614 ve 0,640'a çıkmaktadır. Bu durum sensörler arasında bütün havzayı etkileyen sistematik bir çelişkiden çok, yerel olarak karmaşık hedeflerde yoğunlaşan anlaşmazlığa işaret etmektedir.

Çalışmanın desteklediği sonuçlar

• Sentinel-1, Sentinel-2, fiziksel su indeksleri ve önceden eğitilmiş OLMoEarth temsilleri aynı sınıflandırma sistemi içinde birlikte kullanılabilir.
• Yağışlı ve kurak mevsim bilgilerinin tek çapraz-mevsim özellik uzayında birleştirilmesi iki hidrolojik rejimde benzer performans sağlayabilir.
• Belirsizlik sulak alan haritasında rastgele dağılmamaktadır; geçiş bölgelerinde ve sınıflandırma hatalarında yükselmektedir.
• MNDWI'nin mevsimler arası değişimi ve SAR geri saçılımı sulak alan ayrımında güçlü açıklayıcı sinyallerdir.
• Optik–radar uyuşmazlığının kendisi çevresel karmaşıklık hakkında bilgi taşıyabilir.
• İncelenen 2025 verilerinde kalıcı ve mevsimsel sulak alan sınıfları ayrı mekânsal ürünler olarak üretilebilmiştir.

Çalışmanın desteklemediği sonuçlar

• %90'ın üzerindeki doğruluk, gerçek saha ölçümlerine karşı bağımsız doğrulanmış mutlak sulak alan doğruluğu anlamına gelmez.
• Modelin Afrika'nın tamamındaki veya başka tropikal havzalardaki sulak alanlarda aynı performansı vereceği gösterilmemiştir.
• WUF yüksek olduğunda pikselin mutlaka yanlış sınıflandırılmış olduğu söylenemez; doğru sulak alanların da geçiş doğası nedeniyle orta-yüksek belirsizliği vardır.
• OLMoEarth bu çalışma için fine-tune edilmemiştir; donmuş önceden eğitilmiş temsiller kullanılmıştır.
• Üç WUF bileşenine 1/3–1/3–1/3 ağırlık verilmesinin optimal olduğu gösterilmemiştir.
• Örtüşen görüntü çipleri ve mekânsal bağımlılık nedeniyle raporlanan klasik güven aralıkları gerçek uzamsal örnekleme belirsizliğini olduğundan düşük gösterebilir.

Bilimsel anlamı

Çalışmanın asıl bilimsel katkısı sulak alan haritasına yalnız başka bir sınıflandırma modeli eklemek değildir. Daha temel öneri, ekolojik geçiş zonlarının belirsizliğini sonuçtan silmek yerine sonuçla birlikte yayımlamaktır.

Geleneksel bir arazi örtüsü ürünü her pikseli tek etikete zorlar. Bu çalışma ise bir taşkın ovası kenarındaki piksel için hem nihai sınıfı hem de “bu karar ne kadar güvenilir?” bilgisini üretmektedir.

Bu yaklaşım özellikle çevre yönetiminde önemlidir. Bir koruma uzmanı yalnız sulak alan sınırını görmek yerine, sınırın hangi bölümlerinde kararın güvenilir, hangi bölümlerinde ek saha kontrolü veya yüksek çözünürlüklü veri gerektiğini görebilir.

WUF ayrıca belirsizliği tek bir model güven puanına indirgememektedir. Modelin kendi kararsızlığı, mevsimler arası fiziksel değişim ve bağımsız sensörlerin birbiriyle uyuşmaması ayrı bileşenler olarak korunmaktadır. Böylece belirsizlik yalnız istatistiksel değil, çevresel olarak da yorumlanabilir hale gelmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: Uncertainty-Aware Geospatial Foundation Model for Delineating Wetlands, Open Water, and Terrestrial Boundaries in a Tropical Lake Basin System

Yazarlar: Geoffrey Kanake Gathuri, Dennis Macharia Ngunu, Brian Kiilu Kingeta

Sorumlu yazar: Geoffrey Kanake Gathuri

Kurum: Department of Research and Development, Gensre Engineering & Research, Nairobi, Kenya.

Kaynak türü: Preprint araştırma makalesi.

Platform: SSRN.

SSRN Abstract ID: 7032786.

DOI: 10.2139/ssrn.7032786.

SSRN yayın tarihi: 1 Temmuz 2026.

Hakemlik: Kaynak açıkça “Preprint not peer reviewed” olarak işaretlenmiştir.

Dergi / cilt / sayı: Kaynakta hakemli bir dergi yayınına ait cilt veya sayı bilgisi bulunmamaktadır.

Lisans: Açık Creative Commons yeniden kullanım lisansı doğrulanamadı. Kaynak harita ve figürleri doğrudan yeniden kullanılmamalıdır.

Çalışma alanı: Kenya'nın Victoria Gölü Havzası kesimi; Yala Swamp, Nyando Floodplain ve Winam Gulf dahil.

Temel veri: Sentinel-2 Level-2A optik görüntüleri, Sentinel-1 GRD C-band SAR VV/VH, Dynamic World, Esri LULC ve çalışma alanı / yerleşim maskeleri.

Temel model: Sabit ön-eğitimli OLMoEarth V1 Nano + WIW/MNDWI spektral dokusu + Sentinel-1 SAR özellikleri + 293 boyutlu çapraz-mevsim özellik vektörü + Random Forest.

Belirsizlik modeli: Predictive entropy + temporal instability + sensor disagreement = Wetland Uncertainty Field.

Finansman: Yazarlar araştırmanın kamu, ticari veya kâr amacı gütmeyen fon kuruluşlarından özel bir hibe almadığını bildirmektedir.

Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bildirmemiştir.

Yazar katkıları: Geoffrey Kanake Gathuri — kavramsallaştırma, yazılım, yöntem ve ilk taslak; Dennis Macharia Ngunu — veri düzenleme, yazılım, doğrulama ve gözden geçirme; Brian Kiilu Kingeta — araştırma ve biçimsel analiz.

Yapay zekâ beyanı: Kaynak, makalenin dil ve akışını geliştirmek amacıyla Kimi 2.6 Thinking ve Claude Opus 4.8 kullanıldığını; yazarların metni daha sonra gözden geçirerek sorumluluğu üstlendiklerini bildirmektedir.

Veri ve kod erişimi: Kaynak, kod, eğitimli modeller ve türetilmiş rasterların kamu deposunda arşivleneceğini; ancak Zenodo DOI'sinin kabul sonrasında atanacağını bildirmektedir. Bu nedenle PDF'de kesin kalıcı depo DOI'si henüz bulunmamaktadır.

Başlıca bilimsel sınırlılık: Doğrulama bağımsız saha gözlemine değil mevcut arazi örtüsü ürünlerine dayanır. Eğitim ve referans ürünleri ortak/ilişkili hata kaynakları taşıyabilir.

Uzamsal istatistik sınırlılığı: 32 × 32 piksel çiplerin 16 piksel stride ile örtüşmesi ve referans noktalarının uzamsal bağımlılığı nedeniyle klasik Wilson güven aralıkları toplam belirsizliği olduğundan düşük gösterebilir.

Kaynak-içi terminoloji notu: Özet “iki aşamalı Random Forest” ifadesini kullanmasına rağmen ayrıntılı yöntem birinci aşamayı deterministik su–kara eşikleme, ikinci aşamayı Random Forest sulak alan–kara sınıflandırması olarak tanımlar. Verianla ayrıntılı yöntem tanımını esas almıştır.

Kaynak-içi alan toplamı notu: 36.475 ha değeri, yalnız “kalıcı + normal mevsimsel” sınıflardan değil, 297 ha ters-mevsimsel sınıf da eklendiğinde elde edilmektedir.

Yazılım notu: Ek A tablosunda QGIS 3.44.9 verilirken kaynakçada QGIS sürümü 3.44.6 olarak görünmektedir; bu sürüm uyuşmazlığı kaynak adına düzeltilmemiştir.

Görsel kullanım notu: Kaynağın çalışma alanı haritaları, sınıflandırma haritaları, WUF haritası ve akış şeması doğrudan kopyalanmamalıdır. Yalnız bilimsel ilişkiler, kaynakta açıkça raporlanan alanlar, oranlar ve metrikler kullanılarak bağımsız Verianla görselleri hazırlanmalıdır.