Uydu Verileri ile Bulut Tespiti İçin Makine Öğrenmesi Yaklaşımı
Bu makale, multispektral uzaktan algılama verilerinden bulut sınıflandırma ve bulut maskesi oluşturma yöntemlerini karşılaştırmalı olarak incelemektedir. Çalışmada, geleneksel eşik tabanlı yöntemlerin sınırlarını aşarak, Çok Katmanlı Algılayıcılar (MLP) ve Konvolüsyonel Sinir Ağları (CS-CNN) tabanlı yöntemlerin performansları değerlendirilmiştir. MLP, ileri beslemeli yapay sinir ağı yapısıyla, piksel düzeyinde sınıflandırmalarda doğruluk ve kullanım kolaylığı sağlayan bir yöntem olarak öne çıkmaktadır. Ancak mekânsal bağlamı doğrudan değerlendirememe gibi kısıtlamaları, karmaşık sahnelerde performansını sınırlamaktadır. CS-CNN ise hem mekânsal hem de spektral bilgiyi entegre edebilme kabiliyetiyle önceden tanımlanmış özelliklere ihtiyaç duymadan yüksek doğrulukta segmentasyon sağlayan, yenilikçi bir yaklaşım sunmaktadır. Çalışma kapsamında, bulut tespiti ve sınıflandırma için multispektral uydu verilerinde kullanılan belirli spektral bantların katkısı analiz edilmiştir. Görünür kanallardan 0,6 ve 0,8 μm bantları, aerosol saçılması ve yüzey-bulut kontrastının belirlenmesinde etkili olurken, 1,6 μm yakın kızılötesi kanalı, kar, buz ve su bulutları arasında ayrım yapmayı sağlamaktadır. 3,9 μm kızılötesi kanalı, özellikle alçak bulutların tespiti için kritik öneme sahiptir. İnce bulutların sıcaklık ölçümleri için 6,2 μm su buharı kanalı kullanılırken, 10,8 μm kızılötesi kanalı, yüzey ve bulut tepe sıcaklıklarının belirlenmesi, volkanik kül ve sirrus bulutlarının sınıflandırılmasında etkili olmuştur. Sonuçlar, CS-CNN'nin geleneksel eşik tabanlı yöntemler ve EUMETSAT bulut maskesi algoritması (CLM) ile karşılaştırıldığında üstün performans sergilediğini ortaya koymaktadır. MLP'nin %88,96 doğruluk oranına ve CLM'nin %86,10 doğruluk oranına karşın, CS-CNN'nin bağlamsal bilgiyi entegre ederek daha yüksek doğruluk ve esneklik sağladığı görülmüştür. Özellikle mekânsal bağlamın kritik olduğu durumlarda CS-CNN’nin üstün performansı, onu bulut tespiti ve sınıflandırması için güçlü bir yöntem olarak konumlandırmaktadır. Bu bulgular, makine öğrenimi tabanlı yaklaşımların, uzaktan algılama alanında büyük bir potansiyele sahip olduğunu göstermektedir.