Coğrafyacılar için yapay zekâ: arazi örtüsü ve doğruluk
- Okuma süresi: 4 dk
- Kod bilgisi gerekmez
Uydu görüntüsünden arazi örtüsü haritası üretmek, coğrafyada yapay zekânın en yerleşik kullanımlarından biridir. Yine de bir haritanın ne kadar doğru olduğunu söyleyen sayı, sizin bölgeniz için ayrıca sınanmak zorundadır.
Aklınıza bir soru mu takıldı?
Bu derste neler öğreneceksiniz?
- Dynamic World arazi örtüsü haritasının nasıl üretildiğini
- Yayımlanan doğruluk değerlerinin neyi söyleyip neyi söylemediğini
- Sohbet asistanını doğruluk analizi ve harita açıklamasında nasıl kullanacağınızı
- Konum verisinde kişisel veri riskini
Meslekte gerçek kullanım
Dynamic World, Sentinel-2 uydu görüntülerinden yaklaşık 10 metre çözünürlükte, neredeyse gerçek zamanlı bir küresel arazi örtüsü ve arazi kullanımı veri setidir. Makale, 2022’de Nature Scientific Data dergisinde yayımlandı. Sistem Google Earth Engine üzerinde çalışıyor. Veri, sürekli güncellenen bir Earth Engine görüntü koleksiyonu olarak dağıtılıyor.
Makaleye göre yöntem tam evrişimli bir sinir ağı kullanıyor. Ağ, Sentinel-2 bantlarından her piksel için arazi örtüsü sınıflarının olasılıklarını üretiyor. Eğitim için yaklaşık 24.000 elle işaretlenmiş görüntü karesi kullanılmış: yaklaşık 4.000’ini uzmanlar, yaklaşık 20.000’ini uzman olmayanlar etiketlemiş. Sınama için ayrılan 409 kareyi üç uzman ve bir uzman olmayan işaretlemiş.
Makale, tek görüntü tahminlerinin uzman uzlaşısıyla yaklaşık yüzde 73,8 uyumlu olduğunu, uzman olmayanlarla uzmanlar arasındaki uyumun ise yaklaşık yüzde 77,8 olduğunu bildiriyor. Yazarlara göre Dynamic World, karşılaştırılan diğer ürünlerin çoğundan daha iyi çıkmış; yalnızca bölgesel bir ürün onu geçmiş.
Doğruluk sayısı neyi söylemez?
Aynı makale sınırlarını da açıkça yazıyor. Doğruluk bölgeye ve tarihe göre değişiyor. Kaçırılan bulutlar çoğu zaman kar ve buz, kaçırılan gölgeler su olarak sınıflanıyor. Kurak çalılıklar sık sık tarımla karıştırılıyor. Çayır, su basmış bitki örtüsü, çalı ve çıplak zemin sınıflarında güvenilir ayrım daha zor. Tahminler tek tarihli görüntü anlarını gösteriyor; birleştirilmiş ürünlerin doğruluğunu doğrudan anlatmıyor. Yazarlar, kullanıcıların kendi doğruluk değerlendirmesini tasarlaması gerektiğini söylüyor.
Bu, kendi çalışmanıza uygulanacak bir kuraldır: yayımlanmış bir yüzdeyi, sizin çalışma alanınızın doğruluğu gibi sunmayın. Bir harita ürününü seçerken yalnızca makaledeki genel sonuca değil, kendi bölgenize benzeyen sınamalara da bakın. Kendi alanınızdan referans noktaları alın, hata matrisi kurun ve sınıf bazında kullanıcı ve üretici doğruluğunu hesaplayın.
Günlük işte yardım ve sınırlar
Sohbet asistanı uydu görüntüsü yorumlamaz; ama çevresindeki işlerde yardım eder. Hata matrisi için betik taslağı (pandas ile çapraz tablo), sınıflar için gösterge ve açıklama metni, veri setinin metaveri sayfası taslağı, bir makalenin yöntemini sadeleştirme gibi. Sayıları yine kendi tablonuzdan verin; asistan bir toplamı yanlış hesaplayabilir ya da var olmayan bir dosya adı üretebilir.
Konum verisi kişisel veri olabilir. Hane ziyaret konumları, kişilere ait GPS izleri, anket yapılan evlerin adresleri ve çiftçi parsel bilgileri bir kişiye bağlanabiliyorsa kişisel veridir. Bunları kurum izni olmadan bir sohbet aracına yüklemeyin. Kişisel Verileri Koruma Kurumu’nun üretken yapay zekâ rehberinin duyurusuna kvkk.gov.tr adresinden bakın.
Yapay zekânın karar vermediği yerler: bir arazinin yasal kullanım statüsü, imar ya da mülkiyet gibi hukuki durumlar, afet bölgesinin sınırı ve hasar tespiti. Bunlarda kararı resmî kayıtlar ve yetkili kurumlar verir.
Adım adım uygulama
- Çalışma alanınızı ve kullanacağınız sınıfları (örneğin su, ağaç, tarım, yerleşim) yazın.
- Kendi referans noktalarınızı toplayın ve her noktanın gerçek sınıfını işaretleyin.
- Haritadaki sınıfı aynı noktalardan okuyup bir tabloya yazın (harita sınıfı, referans sınıfı).
- Asistandan bu tablodan hata matrisi ve sınıf bazında doğruluk hesaplayan betik taslağı isteyin.
- Betiği küçük bir örnekte çalıştırıp sonucu elle kontrol edin.
- Doğruluk sonuçlarını, hangi sınıfların karıştığıyla birlikte raporunuza yazın.
Kontrol listesi
- Referans noktaları kendi alanımdan alındı
- Hata matrisi elle örnekle sınandı
- Yayımlanmış doğruluk yüzdesi kendi alanımın değeri gibi sunulmadı
- Kişiye bağlı konum verisi yüklenmedi
- Yasal ve hukuki sınır kararları resmî kayda bırakıldı
Zayıf komut
Bu haritanın doğruluğunu hesapla.
Güçlü komut
Siz bir coğrafyacının veri yardımcısısınız. Aşağıda uydurma bir tablo var: sütunlar nokta_no, harita_sinifi, referans_sinifi; yirmi satır, sınıflar su, agac, tarim, yerlesim. Görev: 1) Python (pandas) ile hata matrisi ve genel doğruluğu hesaplayan bir betik yazın. 2) Sınıf başına üretici ve kullanıcı doğruluğunu da hesaplatın. 3) Hangi sınıfların birbiriyle karıştığını iki cümleyle özetleyin. 4) Betikte kullandığınız varsayımları ayrı bir listede yazın.
Yapay zekâ çıktısı (örnek)
Betik tabloyu okur, çapraz tabloyla hata matrisini kurar, genel doğruluğu ve sınıf başına üretici ile kullanıcı doğruluğunu yazar. Karışma özeti: tarım ve yerleşim sınıfları birbirine en çok karışıyor. Varsayımlar: noktalar rastgele seçilmiş ve her noktanın referans sınıfı doğru kabul edilmiş.
Sık yapılan hatalar
- Makalede yayımlanan doğruluk yüzdesini kendi çalışma alanının doğruluğu gibi göstermek.
- Tek tarihli bir görüntü tahminini, birleştirilmiş bir ürünün doğruluğu saymak.
- Kurak çalılık ile tarım gibi karışan sınıfları ayırmadan raporlamak.
- Hane ya da kişi konumlarını sohbet aracına yüklemek.
İpucu
Referans noktalarını, harita yapıldıktan sonra değil, önce ayırın ve haritayı üretenin görmediği noktalar olarak tutun. Aksi hâlde doğruluk gerçekte olduğundan iyi görünür.
Kendinizi deneyin
Dynamic World hangi uydu görüntülerinden üretiliyor?
Yazarlar kullanıcılara hangi konuda öneri veriyor?
Aşağıdakilerden hangisi makalede zor ayrılan sınıflar arasında geçiyor?
Kaynaklar
- Nature Scientific Data: Dynamic World, neredeyse gerçek zamanlı küresel 10 m arazi örtüsü haritası (2022) (İngilizce)
- Google Research: Dynamic World makale sayfası (yazar listesi) (İngilizce)
- KVKK: Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda) duyuru sayfası (Türkçe)
Son kontrol: 8 Kasım 2026
Kaynak: yzdersleri.com/ders/cografyacilar-icin-yapay-zeka-arazi-ortusu-ve-dogruluk/ · Yapay Zeka Dersleri
Dersi bitirdiniz mi?
İşaretlerseniz menüde ve ilerleme çubuğunda görünür. Bu bilgi yalnızca sizin tarayıcınızda saklanır.
Öğrenme yolunda sıradaki ders: Siyaset bilimciler için yapay zekâ: metin ölçümü ve sınama
Bu ders işinize yaradı mı?
Anonim oydur; kişisel veri toplanmaz.
