Nesne-Tabanlı Makine Öğrenimi Sınıflandırması ile Sentinel-2 Görüntülerinden Geniş Alanlarda Su Yüzeyi Çıkarımı

Türker M.

Türk Uzaktan Algılama ve CBS Dergisi, cilt.7, sa.2, ss.247-268, 2026 (TRDizin)

Özet

Karasal su kütleleri, ekolojik, ekonomik ve sosyal açıdan önemli doğal kaynaklardır. Sürdürülebilirlik için bu kütlelerin uydu görüntüleriyle izlenmesi ve haritalanması gereklidir. Geleneksel su indeksi yöntemleri, su yüzeylerinin belirlenmesinde yaygın ve pratik olmakla birlikte, doğru sonuçlar için mekânsal ve görüntüleme koşullarına bağlı değişen eşik değerlerinin belirlenmesini gerektirmektedir. Bununla birlikte, makine öğrenmesi algoritmaları da uydu görüntülerinden su yüzeylerinin tespitinde yüksek başarı göstermektedir. Bu çalışmada, Sentinel-2 uydu görüntülerinden karasal su yüzeylerini çıkarmak için nesne tabanlı makine öğrenmesi sınıflandırma yaklaşımı sunulmuştur. Türkiye’nin Göller Bölgesi’nden seçilen çalışma alanında uygulanan yöntem kapsamında, görüntü segmentasyonu SLIC süperpiksel algoritması ile gerçekleştirilmiştir. Sınıflandırma için gerekli eğitim verisi örnekleri, Global Surface Water (GSW) veri seti yardımıyla otomatik olarak seçilmiştir. Sınıflandırma işlemi R Studio ortamında Rastgele Orman (RO) algoritması kullanılarak yapılmıştır. Sentinel-2’nin 10 m ve 20 m bantlarına ek olarak, Normalize Edilmiş Fark Su Indeksi (Normalized Difference Water Index – NDWI) de sınıflandırmada kullanılmıştır. Doğrulama sonuçları, genel doğruluğun %98,4’ün üzerinde ve Kappa katsayısının 0,957’nin üzerinde olduğunu göstermiştir. Elde edilen bulgular, önerilen yöntemin Sentinel-2 görüntüleri ile karasal su kütlelerinin büyük çalışma alanlarında yüksek doğrulukla haritalanmasında umut vaat ettiğini ortaya koymaktadır.