Ekolojik restorasyon alanlarının uydu görüntülerinden izlenmesi, tek parça ve homojen ormanları haritalamaktan daha zor olabilir. Özellikle tropikal bölgelerde küçük orman parçaları, mera, tarım, çıplak toprak, su, sulak alan ve kentsel yüzeyler kısa mesafeler içinde yan yana bulunabilir. Bir uydu pikseli bu yüzeylerin birkaçını aynı anda içerdiğinde ortaya çıkan spektral karışım, klasik arazi kullanım ve arazi örtüsü sınıflandırmasını belirsizleştirebilir.

Bu çalışma, Brezilya'nın São Paulo eyaletindeki Environmental Restoration Commitment Agreement (TCRA) alanlarını haritalamak için CBERS-4A/WPM uydu görüntülerini, Linear Spectral Mixture Model (LSMM), Geographic Object-Based Image Analysis (GEOBIA) ve dört farklı denetimli makine öğrenmesi algoritmasıyla aynı analiz zincirinde birleştirmektedir.

İncelenen alan 47 belediyeyi ve 902 TCRA poligonunu kapsamaktadır. CBERS-4A/WPM'nin 8 m çözünürlüklü multispektral bantları 2 m pankromatik bantla pan-sharpen edilerek 2 m'lik çok bantlı çalışma görüntüleri üretilmiştir. Ardından her görüntü nesnesi için ham spektral bantlara ek olarak LSMM ile vejetasyon, toprak ve gölge fraksiyonları hesaplanmış ve toplam 63 öznitelik oluşturulmuştur.

Random Forest, XGBoost, Multilayer Perceptron ve Support Vector Machine modelleri aynı veri yapısında karşılaştırılmıştır. Random Forest, Top-k özellik seçimi deneyinde yaklaşık 0,66 ile en yüksek overall accuracy değerine ulaşmıştır. Buna karşılık makalenin daha sonraki nihai çoklu-metrik değerlendirmesinde XGBoost yaklaşık 0,41 F1 ve 0,41 Kappa ile daha dengeli performans sergilemiş; RF yaklaşık 0,58 ile en yüksek precision değerini üretmiştir. Kaynağın Abstract ve Conclusion bölümlerindeki RF=0,66 sonucu ile final comparative evaluation bölümündeki RF≈0,62 / XGB≈0,63 ayrımı birebir uyuşmadığından bu iki değerlendirme bağlamı ayrı tutulmalıdır.

SHAP açıklanabilirlik analizi özellikle LSMM ile türetilen vejetasyon ve gölge fraksiyonlarının sınıf ayrımına önemli katkı sağladığını göstermiştir. Sonuç olarak çalışma, karmaşık restorasyon peyzajlarında yalnız ham uydu bantlarını kullanmak yerine piksel altı bileşim, nesne yapısı ve makine öğrenmesini birlikte değerlendirmenin daha zengin bir arazi temsilini sağlayabileceğini göstermektedir.

Tropikal restorasyon alanlarını uyduyla sınıflandırmak neden zor?

Uzaktan algılama sınıflandırmasında ideal durum, her pikselin tek bir arazi örtüsü sınıfını temsil etmesidir. Gerçek tropikal restorasyon peyzajlarında ise bu varsayım çoğu zaman geçerli değildir.

Küçük bir restorasyon poligonunun içinde veya çevresinde genç vejetasyon, olgun orman, mera, tarım, açık toprak ve yollar yan yana bulunabilir. Sensörün ölçtüğü elektromanyetik sinyal bu yüzeylerin geometrik sınırlarını birebir izlemez; özellikle geçiş bölgelerinde tek piksel birkaç yüzey bileşeninin ortak spektral sinyalini içerebilir.

Bu problem mixed pixel — karışık piksel olarak adlandırılır. Karışık piksel, aynı sayısal görüntü hücresinin birden fazla fiziksel arazi örtüsü bileşenini temsil etmesidir.

Çalışmanın çözüm yaklaşımı bu nedenle tek yöntemli değildir:

TCRA nedir?

TCRA, makalede Environmental Restoration Commitment Agreement teriminin kısaltması olarak kullanılmaktadır. Portekizce özgün adı Termos de Compromisso de Recuperação Ambiental'dır.

Bunlar Brezilya'da çevresel mevzuat kapsamında bozulmuş alanların restorasyonuna ilişkin yükümlülükleri, takvimleri ve izleme gereklerini tanımlayan hukuki araçlardır. Çalışmanın amacı bu anlaşmaların hukukî geçerliliğini değerlendirmek değil; restorasyon alanlarında hangi arazi örtülerinin bulunduğunu uydu görüntülerinden daha sistematik biçimde haritalayabilmektir.

Çalışma alanı

Araştırma São Paulo eyaletinde TCRA yoğunluğunun yüksek ve peyzaj yapısının karmaşık olduğu 47 belediyeyi kapsamaktadır. Bölgenin önemli bölümü Atlantik Ormanı biyomu içinde yer almakta; yerli orman, mera, tarımsal alan, kentsel yüzey ve farklı restorasyon evreleri aynı peyzajda bulunmaktadır.

Bu küçük ve parçalı alan yapısı, sınıflandırmanın neden zor olduğunu doğrudan etkiler. Küçük poligonlarda sınır piksellerinin oranı artar ve çevredeki tarım veya mera gibi sınıfların sinyalleri restorasyon alanı içindeki uydu ölçümünü etkileyebilir.

CBERS-4A/WPM görüntüsü nasıl 2 metre çözünürlüğe getirildi?

CBERS-4A/WPM sensörü dört multispektral kanal sağlar: Blue, Green, Red ve Near Infrared (NIR). Bunların özgün mekânsal çözünürlüğü 8 m'dir. Sensör ayrıca 2 m çözünürlüklü pankromatik banda sahiptir.

Çalışmada radyometrik ve geometrik düzeltmelerden sonra pan-sharpening uygulanmıştır. Bu işlem multispektral bantların renk/spektral bilgisini pankromatik bandın daha yüksek mekânsal ayrıntısıyla birleştirerek analiz için 2 m çözünürlüklü multispektral görüntüler oluşturmuştur.

Burada önemli teknik ayrım, pan-sharpening işleminin sensörün özgün multispektral ölçümünü fiziksel olarak yeni bir 2 m multispektral sensör ölçümüne dönüştürmediğidir. Üretilen görüntü, 8 m spektral veri ile 2 m pankromatik ayrıntının füzyonudur.

LSMM bir pikselin içinde ne olduğunu nasıl temsil eder?

Linear Spectral Mixture Model, tek bir pikselin ölçülen spektral sinyalini temel yüzey bileşenlerinin ağırlıklı karışımı olarak ifade eder. Basitleştirilmiş biçimde:

\[ R_{\lambda} = \sum_{i=1}^{n} f_i r_{i,\lambda} + \varepsilon_{\lambda} \]

Burada \(R_{\lambda}\), belirli dalga boyunda gözlenen piksel yansımasını; \(r_{i,\lambda}\), temel yüzey bileşeninin spektral imzasını; \(f_i\), o bileşenin piksel içindeki oranını; \(\varepsilon_{\lambda}\) ise model artık hatasını temsil eder.

Bu çalışmada LSMM üç temel fraksiyon üretmiştir:

Böylece model yalnız “bu piksel yeşil görünüyor” bilgisini değil, aynı pikselde farklı yüzey bileşenlerinin tahmini oranlarını sınıflandırıcıya sunabilir.

GEOBIA piksel sınıflandırmasından nasıl farklıdır?

GEOBIA — Geographic Object-Based Image Analysis — her pikseli tamamen bağımsız değerlendirmek yerine komşu ve benzer pikselleri mekânsal nesneler halinde gruplandırır.

Bu sayede yalnız piksel renginin veya yansımasının değil; nesnenin doku, şekil, komşuluk, dağılım ve bağlam bilgilerinin de sınıflandırmaya dahil edilmesi mümkün olur.

Çalışmada Orfeo Toolbox 9.1.1 QGIS ortamında kullanılmış ve segmentasyon için:

değerleri uygulanmıştır. Düşük shape ağırlığı, geometrik biçimden çok spektral benzerliğe öncelik verecek şekilde seçilmiştir.

63 öznitelik nasıl oluştu?

Dört orijinal spektral grup ve üç LSMM fraksiyon grubu birlikte yedi temel değişken grubu oluşturmuştur:

Blue + Green + Red + NIR + Soil + Vegetation + Shadow

Her grup için dokuz istatistiksel tanımlayıcı hesaplanmıştır:

minimum, maksimum, ortalama, standart sapma, p05, p25, p50, p75 ve p95.

Böylece:

\[ 7 \times 9 = 63 \]

öznitelik üretilmiştir.

Özellik seçimi sınıflandırma öncesinde tekrarlı veya düşük bilgi taşıyan değişkenlerin etkisini azaltmak için kullanılmıştır.

Çalışmanın Yöntemi ve Bulguları

Hangi arazi örtüsü sınıfları kullanıldı?

Sınıflandırma şeması MapBiomas referans sistemiyle uyumlu biçimde oluşturulmuş ve araştırma alanında sekiz ana kategori değerlendirilmiştir:

Eğitim ve doğrulama nasıl yapıldı?

Veri yaklaşık %70 eğitim ve %30 doğrulama olarak bölünmüştür. Forest Formation ve Pasture sınıflarında örnek sayıları azınlık sınıflarından çok daha fazla olduğu için eğitim kümesine balancing uygulanmıştır.

Majority sınıflarından örnek azaltılmış, azınlık sınıflarındaki mevcut örnekler korunmuştur. Sınıflar arası örnek büyüklüğü değişkenlik katsayısı başlangıçtaki 1,79'dan dengelenmiş eğitim kümesinde 0,49'a indirilmiştir.

Doğrulama kümesi ise orijinal sınıf dağılımıyla bırakılmıştır. Bu seçim, modelin doğal dengesiz sınıf yapısı altında nasıl davrandığını ölçmeye yöneliktir.

Dört makine öğrenmesi modeli

Random Forest gerçekten çalışmanın en iyi modeli miydi?

Kaynağın farklı bölümlerinde iki farklı değerlendirme bağlamı bulunduğu için tek kelimelik bir cevap doğru değildir.

Top-k özellik seçimi deneyinde Random Forest'ın doğruluğu yalnız bir özellik kullanıldığında yaklaşık 0,40'tan başlamış, yaklaşık 10 özellik civarında 0,60'ın üzerine çıkmış ve yaklaşık 30 özellik civarında yaklaşık 0,66 ile maksimuma ulaşmıştır. Daha fazla özellik eklenmesi belirgin ek kazanç sağlamamış, performans hafifçe gerilemiştir.

Bu sonuç, bütün 63 özniteliğin aynı derecede yararlı olmadığını; bilgi taşıyan görece küçük bir özellik alt kümesinin performansın büyük bölümünü sağlayabildiğini göstermektedir.

Bununla birlikte makalenin final comparative evaluation bölümünde aşağıdaki örüntü raporlanmıştır:

Kaynağın Abstract ve Conclusion bölümleri ise RF=0,66, XGB=0,63, MLP=0,62 ve SVM=0,10 şeklinde bir genel doğruluk sıralaması vermektedir.

Bu nedenle Verianla için en güvenilir yorum, RF'nin Top-k özellik seçimi altında en yüksek tepe doğruluğunu, XGBoost'un ise final çoklu-metrik değerlendirmede daha dengeli sonuçları verdiği biçimindedir. Kaynağın farklı bölümlerindeki sayılar birbiriyle tamamen aynı değildir ve yeni bir tek “doğru” değer oluşturmak amacıyla sessizce birleştirilmemelidir.

Neden yalnız overall accuracy'ye bakmak yeterli değil?

Sınıflar eşit büyüklükte olmadığında overall accuracy büyük sınıfların başarısından fazla etkilenebilir. Örneğin Forest Formation ve Pasture veri kümesinde çok daha fazla temsil edilmiştir.

Bir model çoğunluk sınıflarında başarılı, küçük sınıflarda zayıf olsa bile toplam accuracy görece yüksek görünebilir. Bu nedenle çalışma precision, recall, F1, Kappa, confusion matrix ve sınıf-bazlı ROC/AUC ölçülerini birlikte değerlendirmiştir.

SVM bu ayrım için iyi bir örnektir. Recall yaklaşık 0,43 ile diğer modellerden düşük değildir; fakat precision yaklaşık 0,24 ve F1 yaklaşık 0,14'tür. Yani birçok gerçek sınıf örneğini yakalayabilmesine rağmen çok sayıda yanlış sınıf ataması yapmaktadır.

Hangi sınıflar daha kolay ayrıldı?

XGBoost'un one-vs-rest ROC analizinde:

Su sınıfının güçlü biçimde ayrılabilmesi fiziksel olarak anlamlıdır; su NIR bölgesinde kara yüzeylerinden belirgin biçimde farklı yansıma davranışı gösterir.

Land Use Mosaic ve Wetland sınıflarında ise bir nesnenin içinde birden fazla yüzey tipi, değişken toprak nemi, bitki örtüsü ve mevsimsel koşul bulunabildiğinden sınıf sınırları daha bulanıktır.

SHAP analizi makine öğrenmesinin neye baktığını gösterdi?

Makine öğrenmesi modelinin yalnız doğru veya yanlış sonuç üretmesi çevresel izleme açısından yeterli değildir. Kullanılan değişkenlerin modele neden katkı sağladığının anlaşılması da önemlidir.

Çalışma bu amaçla SHAP — SHapley Additive exPlanations — yöntemini kullanmıştır.

Global SHAP analizinde LSMM'den türetilen değişkenler en önemli özellikler arasına girmiştir. Özellikle:

LSMM_vegetation_min

değişkeni güçlü bir sınıf ayırıcı olarak öne çıkmıştır.

Forest Formation için vegetation ve shadow fraksiyonları önemliyken, Water sınıfında NIR özellikleri belirginleşmiştir. Pasture sınıfında toprak ve bitki fraksiyonlarının birleşimi; Urban ve Wetland gibi heterojen sınıflarda ise daha dağınık bir özellik katkısı görülmüştür.

Gölge neden bir orman göstergesi olabilir?

Gölge ilk bakışta görüntü sınıflandırmasını bozan istenmeyen bir unsur gibi düşünülebilir. Ancak ormanlarda gölge; taç yapısı, dikey katmanlaşma, ağaç yüksekliği ve aydınlanma geometrisi hakkında dolaylı bilgi taşıyabilir.

Bu nedenle LSMM shadow fraction, bazı durumlarda orman ile daha düzgün ve alçak bitki örtüsüne sahip mera gibi sınıfları ayırmaya katkıda bulunabilir.

Özellik sayısı neden sonsuza kadar artırılmamalı?

Top-k deneyi performansın ilk özelliklerle hızlı yükseldiğini, yaklaşık 30 özellik civarında zirve yaptığını ve daha sonra yeni değişkenlerin eklenmesinin çok az yarar sağladığını göstermiştir.

Ayrıca korelasyon analizi aynı spektral bandın farklı yüzdelik ve istatistiklerinden türetilen birçok özelliğin birbirine yüksek derecede bağlı olabileceğini göstermektedir.

Bu durum daha fazla özelliğin otomatik olarak daha fazla bilgi anlamına gelmediğini gösterir. Gereksiz veya birbirinin tekrarını taşıyan değişkenler hesaplama maliyetini artırabilir ve modelde gürültü oluşturabilir.

Bu sistem restorasyon başarısını otomatik olarak kanıtlar mı?

Hayır. Model bir LULC sınıflandırma sistemidir. Bir TCRA poligonunun belirli anda “Forest Formation”, “Pasture” veya başka bir sınıfta görünmesi restorasyonun bütün ekolojik hedeflerinin başarıyla tamamlandığını tek başına kanıtlamaz.

Ekolojik restorasyon başarısı tür bileşimi, doğal rejenerasyon, habitat kalitesi, ekosistem işlevleri, toprak koşulları ve zaman içindeki gelişim gibi daha geniş ölçütler gerektirebilir.

Bu yöntemin asıl potansiyeli, çok sayıda restorasyon alanının bölgesel ölçekte daha hızlı ve düşük maliyetle ön taramadan geçirilmesi ve saha denetimlerinin yönlendirilmesidir.

Çalışmanın en önemli sınırlılığı

Model performansı yalnız tek bir train-validation bölünmesi üzerinden raporlanmıştır. Bu yaklaşım bağımsız bir doğrulama alt kümesi sağlasa da veri farklı biçimde bölündüğünde sonucun ne ölçüde değişeceğini göstermez.

Yazarlar gelecekte:

• k-fold cross-validation,
• spatially stratified validation,
• zaman serili uydu görüntüleri,
• daha yüksek mekânsal çözünürlük,
• daha kapsamlı ve dengeli referans veriler,
• alternatif makine ve derin öğrenme yöntemleri

kullanılmasını önermektedir.

Dolayısıyla bu çalışmadaki accuracy ve AUC değerleri doğrudan farklı yıllar, farklı CBERS sahneleri veya başka tropikal ülkeler için beklenen performans olarak kullanılmamalıdır.

Kaynak ve Yöntem Notu

Özgün başlık: CBERS 4A/WPM Image Classification for Mapping Land Use and Land Cover in TCRAs

Yazarlar: Carla Rodrigues Santos; Francisco Salazar; Fernanda Beatriz Jordan Rojas Dallaqua; Bruno Schultz.

Corresponding authors: Carla Rodrigues Santos ve Francisco Salazar.

Kurumlar: Grupo de Pesquisa DEGET da Unemat, Sinop, Mato Grosso, Brazil; Visiona Tecnologia Espacial S.A., São José dos Campos, São Paulo, Brazil.

Dergi: Geographies.

Yayınevi: MDPI.

Bibliyografik kayıt: Geographies 2026, 6, 84.

DOI:10.3390/geographies6030084

Tarihler: Gönderim 3 Haziran 2026; revizyon 16 Ağustos 2026; kabul 19 Ağustos 2026; yayın 1 Eylül 2026.

Kaynak türü: Uzaktan algılama ve denetimli makine öğrenmesi tabanlı arazi kullanım/arazi örtüsü sınıflandırma araştırması.

Lisans: Creative Commons Attribution (CC BY).

Çalışma alanı: São Paulo eyaletinde 47 belediye ve 902 TCRA poligonu; ağırlıklı olarak Atlantik Ormanı biyomu.

Uydu verisi: CBERS-4A/WPM; dört 8 m multispektral band + 2 m pankromatik bant; pan-sharpening sonrası 2 m analiz görüntüsü.

Özellik mimarisi: Blue, Green, Red, NIR + LSMM soil, vegetation ve shadow fraksiyonları; dokuz istatistiksel tanımlayıcıyla toplam 63 özellik.

Makine öğrenmesi: Random Forest, XGBoost, Multilayer Perceptron ve Support Vector Machine.

Doğrulama: Yaklaşık %70 eğitim / %30 bağımsız validation; eğitim kümesinde majority-class azaltmaya dayalı balancing; validation dağılımı korunmuştur.

Açıklanabilirlik: SHAP ile global ve sınıf bazlı özellik katkısı incelenmiştir.

Temel yöntemsel sınırlama: Tek train-validation split kullanılmış olması ve mekânsal cross-validation bulunmaması performans tahminlerinin genellenebilirliğini sınırlar.

Kaynak içi sonuç notu: Abstract ve Conclusion, RF'yi OA≈0,66 ile en yüksek model olarak bildirirken ayrıntılı final comparison bölümünde RF'nin Top-k deneyindeki 0,66 tepe değerinden ayrı olarak final OA≈0,62; XGBoost ve MLP için ≈0,63 değerleri verilmektedir. Aynı bölüm XGBoost'u F1/Kappa açısından daha dengeli olarak yorumlamaktadır. Bu Verianla metni iki bağlamı birbirine karıştırmamaktadır.

Finansman: FAPESP — São Paulo Research Foundation, grant 2024/19134-1, Innovative Research in Small Business.

Veri erişilebilirliği: Çalışmanın özgün katkılarının makale içinde bulunduğu, ek bilgi taleplerinin corresponding authors'a yöneltilebileceği belirtilmiştir.

Çıkar çatışması / kurum ilişkisi: Francisco Salazar'ın Visiona Tecnologia Espacial S.A. çalışanı olduğu açıklanmıştır; diğer yazarlar ticari veya finansal çıkar çatışması bildirmemiştir.

Teknik destek: Visiona Tecnologia Espacial S.A. teknik destek sağlamış; CETESB teknik önerilerde bulunmuştur.