Derin Öğrenme Tabanlı Uydu Görüntü Analizinin Böcek İstilası Kaynaklı Ağaç Ölümlerinin Erken Tespitindeki Doğruluk Oranı: Geleneksel Uzaktan Algılama Yöntemleriyle Karşılaştırmalı Bir Analiz
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
Kabuk böcekleri, iklim değişikliğinin şiddetlendirdiği kuraklık ve sıcaklık artışlarıyla birlikte kuzey yarımküredeki iğne yapraklı ormanlarda son on yıllarda benzeri görülmemiş düzeyde ağaç ölümlerine neden olmaktadır. İstila odaklarının erken evrede — özellikle yapraklarda henüz görsel belirti bulunmayan yeşil saldırı aşamasında — tespit edilmesi, salgının yayılmasını önlemek ve ekonomik kayıpları azaltmak açısından kritik önem taşımaktadır. Bu çalışma, derin öğrenme tabanlı uydu görüntü analizinin böcek istilası kaynaklı ağaç ölümlerinin erken tespitindeki doğruluk oranını, yaygın olarak kullanılan geleneksel uzaktan algılama yöntemleriyle sistematik ve karşılaştırmalı olarak incelemeyi amaçlamaktadır. Araştırma, Bohemya Ormanı’ndaki Ips typographus salgınından etkilenmiş Avrupa ladini (Picea abies) meşcerelerinde, 2019–2022 dönemine ait Sentinel-2 çok zamanlı görüntüleri üzerinde yürütülmüştür. ResNet-50 omurgalı U-Net modeli, NDVI/NDMI eşikleme, Rastgele Orman, Destek Vektör Makineleri ve Maksimum Olabilirlik sınıflandırması yöntemleriyle beş katlamalı mekânsal çapraz doğrulama çerçevesinde karşılaştırılmıştır. Sonuçlar, U-Net modelinin %91,4 genel doğruluk ve 0,88 Kappa katsayısıyla en yüksek bütünsel performansı sağladığını göstermiştir. Yöntemler arasındaki performans farkı, istila evresine göre sistematik biçimde değişmiştir: gri saldırı evresinde U-Net ile Rastgele Orman arasındaki F1-skoru farkı yalnızca 3 yüzdelik puan iken, yeşil saldırı evresinde bu fark 21 yüzdelik puana (U-Net: 0,72; RF: 0,51) yükselmiştir. Grad-CAM ve SHAP açıklanabilirlik analizleri, modelin yeşil saldırı tespitinde öncelikli olarak SWIR bantlarına (B11, B12) ve kırmızı kenar bantlarına (B05, B06) odaklandığını, buna karşılık NDVI’nin katkısının ihmal edilebilir düzeyde kaldığını ortaya koymuştur. Bu bulgular, derin öğrenmenin kabuk böceği erken tespitinde geleneksel yöntemlere kıyasla anlamlı bir üstünlük sağladığını ve bu üstünlüğün asıl olarak spektral değişimin en az belirgin olduğu yeşil saldırı evresinde ortaya çıktığını göstermektedir. Çalışma, operasyonel orman sağlığı izleme sistemlerinin SWIR tabanlı indeksler ve derin öğrenme modülleriyle güncellenmesini önermektedir.
Fields of Study & Subjects
Forest Insect Ecology and Management
Remote Sensing in Agriculture
Remote-Sensing Image Classification
Publication details
- Journal / source
- Zenodo (CERN European Organization for Nuclear Research)
- Publication date
- 31 March 2026
- Language
- TR