Emirhan
New member
Uzaktan Algılama ile Arazi Kullanımı: Kafamda Çakan Şimşekler ve Sizi Tartışmaya Davet
Selam forumdaşlar, iyi niyetli ama “git-gel” tartışmalardan bıktım. Uzaktan algılama verileriyle arazi kullanımını konuştuğumuzda herkes aynı plak: “Uydu görüntüsü var, derin öğrenme var, doğruluk %90+; gerisi hikâye.” Kusura bakmayın, bence değil. Ben sahada çamura batmış, veriyi indirip sınıflandırma yapan, belediye planıyla uğraşan, çiftçinin endişesini dinleyen biri olarak şunu söyleyeceğim: Bu iş ya stratejik aklı ve problem çözmeyi, ya da empatiyi ve insan hikâyelerini ciddiye alır; ikisini birden almazsa çuvallar. Ve evet—ben buradayım, fikirlerim net; itiraz edin, çürütün, geliştirelim.
Parlak Vaatler: “Pikselden Politika”ya Giden Otoban (Gerçekten Var mı?)
Uzaktan algılama (UA) bize tarım alanlarını, ormanları, sulak alanları, şehir ısı adalarını, taşkın riskini, maden açmalarını, kaçak yapılaşmayı “gösterdiğini” iddia ediyor. Evet, NDVI eğrileri, SAR verisi, çok/hiperspektral bantlar, zaman serileri… Hepsi masada. Ama pikseli arazi kullanım hizmetine sokmak, “piksel = hakikat” demek değildir. Piksel, sadece ölçüm. Hakikat, sahada, kaynaktaki belirsizliklerde, sınıflandırma hatalarında ve karar süreçlerinde saklı.
Zayıf Halka: Doğrulama, Doğruluk ve O Çok Konuşulan “%90”
“%90 doğruluk” diye dolaşan haritaların kaçında örneklem dengeli? Kaçında sınıf dengesizliği (ör. şehir %5, tarım %60) var ve bu dengesizlik kullanıcı doğruluğunu şişiriyor? Kappa mı raporlandı, F1 mi, yoksa sadece Overall Accuracy mi? Saha doğrulaması kaç noktadan, hangi tarihte, hangi mevsimsel fazda? Bu soruların yanıtı yoksa, o doğruluk değeri sadece bir pazarlama cümlesi. Ayrıca, arazi “kullanımı” ile “örtüsü” arasındaki ayrımı bulanık bırakmak da klasik bir kaçış: Mısır tarlası (örtü) görmek kolay, fakat tarlanın üretim tarzı, mülkiyet gerilimi, sulama rejimi (kullanım) gibi kritik ayrıntıları salt spektral imzayla okuyamazsın.
Ölçek ve Zaman: 10 Metrede Yaşayan İnsan Yok
UA verilerini 10 m, 30 m, 250 m pikselde üretip, sonra buna dayanarak parsel bazlı (ör. 2–3 m) karar almak… Buyurun ölçek hatası. Zaman boyutu da aynı: Bir uydu geçişinde görülen hasat izi, iki hafta sonra yok. Zaman serisi kurmadan, fenolojik döngüyü anlamadan yapılan sınıflandırmalar, “anlık fotoğraf”ı planlama belgesine dönüştürüyor. Sonuç: Kâğıt üstünde muazzam görünen, pratikte hedefi ıskalayan kararlar.
Algoritma Fetişizmi: Derin Öğrenme mi, Açıklanabilirlik mi?
Evet, U-Net’ler, Transformer’lar, self-supervised parçalama modelleri harika işler çıkarıyor. Ama belediye meclisine “model kararı böyle dedi” demek, demokratik hesap verebilirlik değildir. Özellikle arazi kullanımında bir sınıfı “kırmızı bölge” ilan etmek sosyal ve ekonomik sonuçlar doğurur. Politik olarak yüklü kararları, kutuların içini görmeden algoritmaya havale edemeyiz. Açıklanabilirlik, hata analizleri, karşı-olgusal örnekler (counterfactuals) paylaşılmadıkça, “AI told me so” yaklaşımı, teknik bir konfor alanından ibaret kalır.
Uygulama Alanlarına Eleştirel Bakış: Nerede İşe Yarıyor, Nerede Patlıyor?
— Tarım izleme: Fenoloji tabanlı ürün sınıflandırmaları güçlü; verim tahmini, su stresi, hasat zamanı için iyi sinyal veriyor. Zayıflık: Parçalı arazi, küçük çiftlikler, karışık ekim desenleri; ayrıca bulutluluk ve radar yorumlama becerisi sınırlıysa güven azalır.
— Orman ve tahribat: Tıraşlama kesimleri, yol açma, maden genişlemeleri çok net. Zayıflık: Seçici kesim, orman içi yakacak toplama gibi düşük yoğunluklu baskıları algılamak zor; “yasa dışı” demek için hukuki bağlam gerekir.
— Kentsel yayılım: Gece ışıkları, ısı adası, yapay yüzey tespiti kuvvetli. Zayıflık: Kentsel dönüşüm alanlarında geçici örtüler kafa karıştırır; kentsel yoksulluğun mekânsal izlerini “asfalt pikseli”ne indirgemek tehlikelidir.
— Afet ve risk: Sel izi, çökme, heyelan yarıkları, yangın izleri çok iyi yakalanır. Zayıflık: Erken uyarıda yalancı pozitifler/negatifler toplumsal güveni yıpratır; risk iletişimi zayıfsa harita korku üretir.
— Su yönetimi: Rezervuar yüzey alanı, sulak alan dinamikleri güzel çalışır. Zayıflık: Yeraltı suyu, tarımsal drenaj, kirletici kaynakları için UA tek başına yetmez; saha ölçümü şart.
Etik ve Yönetim: Gözetimleşen Coğrafya
UA verileri “kamusal” diye her şeyi meşrulaştırmaz. Kimin gözlediği, kimin gözlendiği önemlidir. Küçük üreticiyi “uydu gördü” diyerek cezalandırmak kolay, ama destek programlarına erişimi iyileştirmek zor. Ayrıca veri egemenliği: Analiz altyapısı ve bulut servisleri kimin elinde? Yerel kurumlar sadece tüketici konumuna itiliyorsa, kapasite inşası nerede?
İki Yaklaşımın Dengesi: Stratejik-Problem Çözücü ile Empatik-İnsan Odaklı
Burada net olalım: Bu iki yaklaşım insana dair stillerdir; herhangi bir cinsiyete özgü değildir.
— Stratejik/Problem Çözücü Stil: Veri modelini amaç hiyerarşisine bağlar. Önce karar sorusu: “Hangi arazi sınıfı hangi teşviki tetikleyecek?” Sonra hata bütçesi, belirsizlik yayılımı, senaryo analizi. Pro: Ölçeklenebilir çözümler, kaynak verimliliği. Con: Toplumsal bağlamı kaçırma riski.
— Empatik/İnsan Odaklı Stil: Haritanın dokunduğu hayatları merkeze alır. Katılımcı doğrulama, yerel bilgi, çiftçi ve mahalle ile ortak üretim. Pro: Uygulanabilirlik ve meşruiyet. Con: Zaman alır, nicel metriklere “az” görünür.
Denge nasıl kurulur? Bir “ikili süreç” önerisi: (1) Ön-tasarım aşamasında empatik atölyelerle problem tanımla; (2) Stratejik çekirdeği inşa et (veri, model, belirsizlik); (3) Pilot uygulamada geri besleme döngüsü kur; (4) Politika diline çevirirken açıklanabilirlik paketleri (ör. sınıf bazlı hata matrisini kamuya açıkla) sun.
Tartışmalı Noktalar: Derinlemesine Kazı
— Arazinin “kullanım”ı, sadece “ne” sorusu değil, “kim, nasıl, ne zamandan beri, hangi hakla?” sorularıdır. UA, “ne”yi güzelce yakalar, gerisini çoğu kez tahmin eder.
— Veri eşitsizliği: Zengin bölgeler için yüksek çözünürlük, sık geçiş; yoksul kırsal için 10–30 m ve bulut. Sonra bu eşitsizlik planlara yansır.
— Standartların siyaseti: MRV (Ölçme-Raporlama-Doğrulama) şemaları karbon/köy ilişkisini tek kalıba sokar; yerel adaletsizlik “teknik gereklilik” diye paketlenebilir.
— Açık veri vs mahremiyet: Parsel bazlı tahrip haritaları, iyi niyetle bile, kişisel/ekonomik risk yaratabilir.
Provokatif Sorular (Ateşleyici Olsun Diye)
1. %90 doğruluk dediğiniz modelin, küçük çiftçi parsellerinde F1 puanı kaç? O sınıfta hata maliyeti nedir ve kim ödeyecek?
2. UA ile tespit edilen “kaçak” yapıların yüzde kaçı sahada onaylandı? Uydudan şüphe, sahadan hüküm kuralını kabul eder misiniz?
3. Karbon projelerinde UA tabanlı MRV, yerel toplulukların karar hakkını nasıl etkiliyor: Güçlendiriyor mu, dönüştürüyor mu, bypass mı ediyor?
4. Modelinizi belediye meclisine 5 dakikada anlatabilir misiniz? Anlatamıyorsanız, o karar demokratik olarak alınmış sayılır mı?
5. Zaman seriniz kaç yıl? İki yılın “trend” değil “gürültü” olabileceğini hangi testle gösterdiniz?
6. Açık kaynak veri ve model olmadan kamusal karar almayı meşru görüyor musunuz?
7. Empatik katılım olmadan üretilen risk haritaları, “kader coğrafyası” söylemini yeniden üretmiyor mu?
Ne Yapmalı: Pratik Bir Yol Haritası
— Çift katmanlı metrikler: Hem teknik (F1, IoU, belirsizlik haritaları) hem sosyal (kullanıcı memnuniyeti, itiraz sayısı).
— Açıklanabilirlik dosyası: Model kartları, veri kartları, sınıf bazlı hata hikâyeleri.
— Hibrit doğrulama: Saha + yurttaş bilimi + yerel otorite.
— Politika bağlama: Haritanın “karar diyetini” yazın; hangi eşik, hangi yaptırım/teşvik?
— Eşitlik merceği: Yüksek çözünürlük dağılımını adalet perspektifiyle dengeleyin; veri erişimini yerelleştirin.
— Süreklilik: Tek seferlik “harita atışı” yerine, yaşayan, versiyonlanmış ve değerlendirilen bir sistem.
Son Söz: İtiraz Edin, Değiştirelim
Uzaktan algılama, arazi kullanımının “gözü” olabilir; beyni ve kalbi olamaz. O boşluk, birlikte kuracağımız stratejik ve empatik çerçevede dolacak. Benim pozisyonum açık: Piksel kutsal değildir; hesap verebilirlik ve katılım kutsaldır. Şimdi top sizde: Bu haritalar kimin hayatını kolaylaştırıyor, kimininkini zorlaştırıyor? Hangi hata kabul edilebilir, hangisi asla? Çıtayı nereye koyuyoruz—ve neden?
Selam forumdaşlar, iyi niyetli ama “git-gel” tartışmalardan bıktım. Uzaktan algılama verileriyle arazi kullanımını konuştuğumuzda herkes aynı plak: “Uydu görüntüsü var, derin öğrenme var, doğruluk %90+; gerisi hikâye.” Kusura bakmayın, bence değil. Ben sahada çamura batmış, veriyi indirip sınıflandırma yapan, belediye planıyla uğraşan, çiftçinin endişesini dinleyen biri olarak şunu söyleyeceğim: Bu iş ya stratejik aklı ve problem çözmeyi, ya da empatiyi ve insan hikâyelerini ciddiye alır; ikisini birden almazsa çuvallar. Ve evet—ben buradayım, fikirlerim net; itiraz edin, çürütün, geliştirelim.
Parlak Vaatler: “Pikselden Politika”ya Giden Otoban (Gerçekten Var mı?)
Uzaktan algılama (UA) bize tarım alanlarını, ormanları, sulak alanları, şehir ısı adalarını, taşkın riskini, maden açmalarını, kaçak yapılaşmayı “gösterdiğini” iddia ediyor. Evet, NDVI eğrileri, SAR verisi, çok/hiperspektral bantlar, zaman serileri… Hepsi masada. Ama pikseli arazi kullanım hizmetine sokmak, “piksel = hakikat” demek değildir. Piksel, sadece ölçüm. Hakikat, sahada, kaynaktaki belirsizliklerde, sınıflandırma hatalarında ve karar süreçlerinde saklı.
Zayıf Halka: Doğrulama, Doğruluk ve O Çok Konuşulan “%90”
“%90 doğruluk” diye dolaşan haritaların kaçında örneklem dengeli? Kaçında sınıf dengesizliği (ör. şehir %5, tarım %60) var ve bu dengesizlik kullanıcı doğruluğunu şişiriyor? Kappa mı raporlandı, F1 mi, yoksa sadece Overall Accuracy mi? Saha doğrulaması kaç noktadan, hangi tarihte, hangi mevsimsel fazda? Bu soruların yanıtı yoksa, o doğruluk değeri sadece bir pazarlama cümlesi. Ayrıca, arazi “kullanımı” ile “örtüsü” arasındaki ayrımı bulanık bırakmak da klasik bir kaçış: Mısır tarlası (örtü) görmek kolay, fakat tarlanın üretim tarzı, mülkiyet gerilimi, sulama rejimi (kullanım) gibi kritik ayrıntıları salt spektral imzayla okuyamazsın.
Ölçek ve Zaman: 10 Metrede Yaşayan İnsan Yok
UA verilerini 10 m, 30 m, 250 m pikselde üretip, sonra buna dayanarak parsel bazlı (ör. 2–3 m) karar almak… Buyurun ölçek hatası. Zaman boyutu da aynı: Bir uydu geçişinde görülen hasat izi, iki hafta sonra yok. Zaman serisi kurmadan, fenolojik döngüyü anlamadan yapılan sınıflandırmalar, “anlık fotoğraf”ı planlama belgesine dönüştürüyor. Sonuç: Kâğıt üstünde muazzam görünen, pratikte hedefi ıskalayan kararlar.
Algoritma Fetişizmi: Derin Öğrenme mi, Açıklanabilirlik mi?
Evet, U-Net’ler, Transformer’lar, self-supervised parçalama modelleri harika işler çıkarıyor. Ama belediye meclisine “model kararı böyle dedi” demek, demokratik hesap verebilirlik değildir. Özellikle arazi kullanımında bir sınıfı “kırmızı bölge” ilan etmek sosyal ve ekonomik sonuçlar doğurur. Politik olarak yüklü kararları, kutuların içini görmeden algoritmaya havale edemeyiz. Açıklanabilirlik, hata analizleri, karşı-olgusal örnekler (counterfactuals) paylaşılmadıkça, “AI told me so” yaklaşımı, teknik bir konfor alanından ibaret kalır.
Uygulama Alanlarına Eleştirel Bakış: Nerede İşe Yarıyor, Nerede Patlıyor?
— Tarım izleme: Fenoloji tabanlı ürün sınıflandırmaları güçlü; verim tahmini, su stresi, hasat zamanı için iyi sinyal veriyor. Zayıflık: Parçalı arazi, küçük çiftlikler, karışık ekim desenleri; ayrıca bulutluluk ve radar yorumlama becerisi sınırlıysa güven azalır.
— Orman ve tahribat: Tıraşlama kesimleri, yol açma, maden genişlemeleri çok net. Zayıflık: Seçici kesim, orman içi yakacak toplama gibi düşük yoğunluklu baskıları algılamak zor; “yasa dışı” demek için hukuki bağlam gerekir.
— Kentsel yayılım: Gece ışıkları, ısı adası, yapay yüzey tespiti kuvvetli. Zayıflık: Kentsel dönüşüm alanlarında geçici örtüler kafa karıştırır; kentsel yoksulluğun mekânsal izlerini “asfalt pikseli”ne indirgemek tehlikelidir.
— Afet ve risk: Sel izi, çökme, heyelan yarıkları, yangın izleri çok iyi yakalanır. Zayıflık: Erken uyarıda yalancı pozitifler/negatifler toplumsal güveni yıpratır; risk iletişimi zayıfsa harita korku üretir.
— Su yönetimi: Rezervuar yüzey alanı, sulak alan dinamikleri güzel çalışır. Zayıflık: Yeraltı suyu, tarımsal drenaj, kirletici kaynakları için UA tek başına yetmez; saha ölçümü şart.
Etik ve Yönetim: Gözetimleşen Coğrafya
UA verileri “kamusal” diye her şeyi meşrulaştırmaz. Kimin gözlediği, kimin gözlendiği önemlidir. Küçük üreticiyi “uydu gördü” diyerek cezalandırmak kolay, ama destek programlarına erişimi iyileştirmek zor. Ayrıca veri egemenliği: Analiz altyapısı ve bulut servisleri kimin elinde? Yerel kurumlar sadece tüketici konumuna itiliyorsa, kapasite inşası nerede?
İki Yaklaşımın Dengesi: Stratejik-Problem Çözücü ile Empatik-İnsan Odaklı
Burada net olalım: Bu iki yaklaşım insana dair stillerdir; herhangi bir cinsiyete özgü değildir.
— Stratejik/Problem Çözücü Stil: Veri modelini amaç hiyerarşisine bağlar. Önce karar sorusu: “Hangi arazi sınıfı hangi teşviki tetikleyecek?” Sonra hata bütçesi, belirsizlik yayılımı, senaryo analizi. Pro: Ölçeklenebilir çözümler, kaynak verimliliği. Con: Toplumsal bağlamı kaçırma riski.
— Empatik/İnsan Odaklı Stil: Haritanın dokunduğu hayatları merkeze alır. Katılımcı doğrulama, yerel bilgi, çiftçi ve mahalle ile ortak üretim. Pro: Uygulanabilirlik ve meşruiyet. Con: Zaman alır, nicel metriklere “az” görünür.
Denge nasıl kurulur? Bir “ikili süreç” önerisi: (1) Ön-tasarım aşamasında empatik atölyelerle problem tanımla; (2) Stratejik çekirdeği inşa et (veri, model, belirsizlik); (3) Pilot uygulamada geri besleme döngüsü kur; (4) Politika diline çevirirken açıklanabilirlik paketleri (ör. sınıf bazlı hata matrisini kamuya açıkla) sun.
Tartışmalı Noktalar: Derinlemesine Kazı
— Arazinin “kullanım”ı, sadece “ne” sorusu değil, “kim, nasıl, ne zamandan beri, hangi hakla?” sorularıdır. UA, “ne”yi güzelce yakalar, gerisini çoğu kez tahmin eder.
— Veri eşitsizliği: Zengin bölgeler için yüksek çözünürlük, sık geçiş; yoksul kırsal için 10–30 m ve bulut. Sonra bu eşitsizlik planlara yansır.
— Standartların siyaseti: MRV (Ölçme-Raporlama-Doğrulama) şemaları karbon/köy ilişkisini tek kalıba sokar; yerel adaletsizlik “teknik gereklilik” diye paketlenebilir.
— Açık veri vs mahremiyet: Parsel bazlı tahrip haritaları, iyi niyetle bile, kişisel/ekonomik risk yaratabilir.
Provokatif Sorular (Ateşleyici Olsun Diye)
1. %90 doğruluk dediğiniz modelin, küçük çiftçi parsellerinde F1 puanı kaç? O sınıfta hata maliyeti nedir ve kim ödeyecek?
2. UA ile tespit edilen “kaçak” yapıların yüzde kaçı sahada onaylandı? Uydudan şüphe, sahadan hüküm kuralını kabul eder misiniz?
3. Karbon projelerinde UA tabanlı MRV, yerel toplulukların karar hakkını nasıl etkiliyor: Güçlendiriyor mu, dönüştürüyor mu, bypass mı ediyor?
4. Modelinizi belediye meclisine 5 dakikada anlatabilir misiniz? Anlatamıyorsanız, o karar demokratik olarak alınmış sayılır mı?
5. Zaman seriniz kaç yıl? İki yılın “trend” değil “gürültü” olabileceğini hangi testle gösterdiniz?
6. Açık kaynak veri ve model olmadan kamusal karar almayı meşru görüyor musunuz?
7. Empatik katılım olmadan üretilen risk haritaları, “kader coğrafyası” söylemini yeniden üretmiyor mu?
Ne Yapmalı: Pratik Bir Yol Haritası
— Çift katmanlı metrikler: Hem teknik (F1, IoU, belirsizlik haritaları) hem sosyal (kullanıcı memnuniyeti, itiraz sayısı).
— Açıklanabilirlik dosyası: Model kartları, veri kartları, sınıf bazlı hata hikâyeleri.
— Hibrit doğrulama: Saha + yurttaş bilimi + yerel otorite.
— Politika bağlama: Haritanın “karar diyetini” yazın; hangi eşik, hangi yaptırım/teşvik?
— Eşitlik merceği: Yüksek çözünürlük dağılımını adalet perspektifiyle dengeleyin; veri erişimini yerelleştirin.
— Süreklilik: Tek seferlik “harita atışı” yerine, yaşayan, versiyonlanmış ve değerlendirilen bir sistem.
Son Söz: İtiraz Edin, Değiştirelim
Uzaktan algılama, arazi kullanımının “gözü” olabilir; beyni ve kalbi olamaz. O boşluk, birlikte kuracağımız stratejik ve empatik çerçevede dolacak. Benim pozisyonum açık: Piksel kutsal değildir; hesap verebilirlik ve katılım kutsaldır. Şimdi top sizde: Bu haritalar kimin hayatını kolaylaştırıyor, kimininkini zorlaştırıyor? Hangi hata kabul edilebilir, hangisi asla? Çıtayı nereye koyuyoruz—ve neden?