UYDU VERİSİYLE HABİTAT ANALİZİ
Bu çalışma, AlphaEarth benzeri yapay zekâ destekli çevresel izleme sistemlerinin temel mantığını açık kaynaklı uydu verileriyle uygulamalı biçimde öğretmek amacıyla hazırlanmıştır. Google Earth Engine (GEE) üzerinden yapılabilir ve hiçbir ek yazılım gerektirmez. Katılımcılar, belirli bir bölgede orman kaybını yıllar arasında karşılaştırarak mekânsal eğilimleri belirleyecek ve basit bir erken uyarı sistemi oluşturmayı öğreneceklerdir.
Öğrenim Hedefleri
10 metrelik çözünürlükte uydu verisiyle yıllar arası değişimi analiz etmek.
NDVI ve NBR indeksleriyle orman kaybı sinyali üretmek.
Yama (patch) çıkarımı ve alan istatistikleriyle sonuçları sayısallaştırmak.
Basit bir erken uyarı metriği geliştirmek ve yorumlamak.
1. Ortam Kurulumu
Tarayıcı olarak Google Chrome veya Mozilla Firefox kullanılabilir.
https://earthengine.google.com adresine gidin ve “Get Started” butonuyla kayıt olun.
Üniversite e-postası veya kişisel Gmail hesabınızla giriş yapabilirsiniz.
Hesabınız onaylandıktan sonra “Launch Code Editor” bağlantısına tıklayın.
Kod editörü adresi: https://code.earthengine.google.com
Yeni bir proje oluşturun ve “ForestLoss_Student” ismini verin.
2. Çalışma Alanı Seçimi
Analiz yapmak istediğiniz bölgeyi harita üzerinde çokgen (polygon) çizerek belirleyin. Kodun en üst kısmında şu satır oluşacaktır:
—
CODE
var aoi = /* çizdiğiniz alan */;
Map.centerObject(aoi, 9);
—
Bu alan (AOI - Area of Interest), tüm analiz boyunca kullanılacaktır.
3. Veri Setlerinin Tanımlanması
Sentinel-2 (L2A) uydusu 10 metre çözünürlükte ve bulut maskesi içeren veriler sağlar. İki farklı yılın verisi seçilir. Örneğin 2017 ve 2024:
—
CODE
function maskS2(img){
var qa = img.select('QA60');
var cloudBitMask = 1<<10;
var cirrusBitMask = 1<<11;
var mask = qa.bitwiseAnd(cloudBitMask).eq(0)
.and(qa.bitwiseAnd(cirrusBitMask).eq(0));
return img.updateMask(mask).divide(10000);
}
function s2Composite(start, end){
return ee.ImageCollection('COPERNICUS/S2_SR')
.filterDate(start, end)
.filterBounds(aoi)
.map(maskS2)
.median()
.clip(aoi);
}
var img2017 = s2Composite('2017-01-01','2017-12-31');
var img2024 = s2Composite('2024-01-01','2024-12-31');
—
4. Vejetasyon İndekslerinin Hesaplanması
NDVI (yeşillik yoğunluğu) ve NBR (yanık hassasiyeti) hesaplanır. İki yılın farkı alınarak orman kaybı sinyali üretilir.
—
CODE
function addIndices(img){
var ndvi = img.normalizedDifference(['B8','B4']).rename('NDVI');
var nbr = img.normalizedDifference(['B8','B12']).rename('NBR');
return img.addBands([ndvi, nbr]);
}
img2017 = addIndices(img2017);
img2024 = addIndices(img2024);
var dNDVI = img2024.select('NDVI').subtract(img2017.select('NDVI')).rename('dNDVI');
var dNBR = img2017.select('NBR').subtract(img2024.select('NBR')).rename('dNBR');
Map.addLayer(dNDVI, {min:-0.5, max:0.5, palette:['red','white','green']}, 'NDVI Değişimi');
Map.addLayer(dNBR, {min:0, max:1, palette:['white','orange','red']}, 'NBR Değişimi');
—
Kırmızı tonlar orman kaybını veya bitki örtüsündeki azalışı, yeşil tonlar ise artışı gösterir.
5. Eşikleme ve Yama (Patch) Çıkarımı
NDVI düşüşü ve NBR artışı birleştirilerek olası orman kaybı maskesi oluşturulur.
—
CODE
var stats = dNDVI.reduceRegion({
reducer: ee.Reducer.percentile([10]),
geometry: aoi,
scale: 20,
maxPixels: 1e9
});
var ndviCut = ee.Number(stats.get('dNDVI_p10'));
var lossMask = dNDVI.lt(ndviCut).or(dNBR.gt(0.2)).selfMask();
Map.addLayer(lossMask, {palette:['red']}, 'Olası Orman Kaybı');
var patches = lossMask.reduceToVectors({
geometry: aoi,
scale: 20,
geometryType:'polygon',
maxPixels: 1e9
});
–
7. Erken Uyarı Metriği
Analiz bölgesindeki toplam kayıp yüzdesi hesaplanır. Bu oran basit bir erken uyarı göstergesi olarak kullanılabilir.
—
CODE
var aoiHa = ee.Number(aoi.area(1)).divide(10000);
var lossTotalHa = lossMask.multiply(haPerPixel).reduceRegion({
reducer: ee.Reducer.sum(), geometry: aoi, scale: 20, maxPixels: 1e9
}).getNumber('sum');
var lossPct = lossTotalHa.divide(aoiHa).multiply(100);
print('Toplam kayıp (%)', lossPct);
–
Kayıp yüzdesi %0.3’ün üzerinde ve alan 50 hektardan fazla ise, bölge öncelikli izleme alanı olarak işaretlenebilir.
8. Sonuçların Dışa Aktarımı
Çıktılar Google Drive’a aktarılabilir.
Export.image.toDrive({
image: dNDVI, description: 'dNDVI_2017_2024', region: aoi, scale: 10
});
Export.table.toDrive({
collection: lossHa, description: 'DistrictLoss', fileFormat: 'CSV'
});
9. Doğrulama ve Yorumlama
Analiz sonuçları sahadan veya diğer kaynaklardan doğrulanmalıdır.
Google Earth’ün geçmiş görüntüleriyle görsel kontrol yapılabilir.
Büyük yangın, inşaat veya tarımsal dönüşüm gibi olgular medyadan ya da kurumsal raporlardan incelenebilir.
Mevsimsel farklılıklar, bulut örtüsü veya tarım döngüleri sahte sinyaller üretebilir; bu nedenle sonuçlar dikkatle yorumlanmalıdır.
Sonuç
Bu uygulama, orman kaybını yalnızca sayısal bir olgu olarak değil, ekolojik süreçlerin mekânsal hafızası olarak ele alır. Öğrenciler, verinin doğrulanması, mekânsal örüntülerin yorumlanması ve ölçek farkındalığı konularında pratik deneyim kazanır.
AlphaEarth benzeri sistemlerin çalışma mantığını açık verilerle yeniden kurmak, hem bilimsel hem de pedagojik olarak güçlü bir yöntemdir. Böylece iklim değişiminin mekânsal izleri yalnızca gözlemlenmez, aynı zamanda ölçülüp anlaşılır hale getirilir.
Comments
Post a Comment