OlmoEarth Studio ile Özel Yer Gözlem Vektörleri (Embedding) Dışa Aktarımı

OlmoEarth Studio Nedir?

Allen Institute for AI (AI2) tarafından geliştirilen OlmoEarth, açık kaynaklı yer gözlem (Earth observation) temel modelleri sunan bir platformdur. Bu platformun Studio adlı arayüzü, kullanıcıların uydu görüntüleri üzerinde modeller çalıştırmasına ve analizler yapmasına olanak tanır. Yeni eklenen özellikle birlikte, kullanıcılar artık OlmoEarth temel modelleri tarafından üretilen embedding vektörlerini (kompakt sayısal gösterimler) hesaplayıp dışa aktarabiliyor. Bu vektörler, bir bölgedeki yüzey özelliklerini özetleyen sayısal dizilerdir; benzer yüzeyler benzer vektörlere, farklı yüzeyler ise birbirinden uzak vektörlere sahip olur.

Embedding Dışa Aktarma Nasıl Çalışır?

Studio üzerinden embedding hesaplamak, diğer tahmin işlemleriyle aynı akışı izler: önce bir model yapılandırılır, çalıştırılır ve ardından sonuçlar indirilir. Kullanıcılar çıktıyı çeşitli parametrelerle özelleştirebilir: ilgi alanı (çizim veya yükleme yoluyla), zaman aralığı (1-12 aylık periyotlar), kodlayıcı varyantı (Nano: 128 boyutlu, Tiny: 192 boyutlu, Base: 768 boyutlu), mekansal çözünürlük (10, 20, 40 veya 80 metre) ve görüntü kaynakları (Sentinel-2 L2A, Sentinel-1 RTC veya her ikisi). Dışa aktarılan dosya, her embedding boyutu için bir bant içeren Cloud-Optimized GeoTIFF (COG) formatındadır. Vektörler, işaretli 8-bit tamsayı (int8) olarak saklanır; değerler -127 ile +127 arasında değişir ve -128 nodata (veri yok) için ayrılmıştır. Kayan noktalı vektörleri geri kazanmak için `olmoearth_pretrain` modülündeki `dequantize_embeddings` işlevi kullanılabilir.

Benzerlik Arama ile Peyzaj Analizi

Embedding'lerin en yaygın kullanımlarından biri benzerlik aramasıdır. Bir sorgu pikseli seçilir, embedding'i çıkarılır ve diğer tüm piksellerle kosinüs benzerliği hesaplanır. Sonuç, peyzajın sorgu noktasına ne kadar benzediğini gösteren bir ısı haritasıdır. Örneğin, Kaliforniya'daki Merced kent merkezine yakın bir sorgu noktası için kentsel doku ve yol koridorları parlak şekilde vurgulanırken tarım arazileri koyu kalır. Bu, modelin etiket kullanmadan yapılaşmış alanları ekilebilir arazilerden ayırt edebildiğini gösterir. Küçük bir tarım penceresi sorgulandığında, en benzer bölgeler (0.89 ve üzeri) sulu tarım parselleri olarak bulunurken, en az benzer bölgeler (sıfıra yakın) havaalanı, kuru arazi ve çorak otlaklar olarak tespit edilir. Tüm bu işlem, herhangi bir eğitim verisi veya etiket olmadan sadece embedding uzayındaki bir nokta çarpımıyla gerçekleştirilir.

Az Örnekle Bölütleme ve Değişim Tespiti

Embedding'ler, çok az etiketli pikselle bölgesel arazi örtüsü haritaları oluşturmak için de kullanılabilir. Örneğin, Vietnam'ın Ca Mau kıyı bölgesinde üç sınıf (mangrov, su, diğer) için sadece 60 piksel etiketlenmiş ve lojistik regresyon eğitilmiştir. Bu 60 pikselle, ağırlıklı F1 skoru 0.84 olan tutarlı bir harita elde edilmiştir. Mangrov alanları, gelgit kanalları ve açık su tüm bölge boyunca doğru şekilde ayrıştırılmıştır. Sınıflandırıcı hızla doygunluğa ulaşır; etiket sayısını 30'dan 300'e çıkarmak doğruluğu neredeyse değiştirmez çünkü işin büyük kısmını embedding'ler yapar. Benzer şekilde, iki farklı zaman dilimi için hesaplanan aylık embedding'ler karşılaştırılarak yüzey koşullarındaki değişiklikler tespit edilebilir. Örneğin, Kaliforniya'daki Park Yangını'nın (Temmuz-Eylül 2024) yanık izi, Eylül 2023 ve Eylül 2024 embedding'leri arasındaki kosinüs uzaklığı ölçülerek anında ortaya çıkarılmıştır. Bu işlem için etiket veya eğitim gerekmez; sadece iki embedding COG'u ve birkaç satır Python kodu yeterlidir.

PCA ile Görsel Keşif

Etiket veya sorgu noktası olmadan embedding'lerin yapısını keşfetmek için Temel Bileşen Analizi (PCA) kullanılabilir. Embedding'ler üç boyuta indirgenip RGB renklerine eşlenerek sahte renkli bir görüntü elde edilir. Benzer embedding'ler otomatik olarak benzer renkler alır. Hollanda'daki Flevoland bölgesinde, geri kazanılmış bir polder peyzajında, PCA görüntüsü tarım parsellerinin düzenli ızgarasını yüksek doğrulukla yeniden üretir. Farklı ürün türleri, su kütleleri ve kentsel alanlar farklı tonlarla ayırt edilir. Bu, modelin peyzaj yapısını hiçbir etiket olmadan içselleştirdiğini gösterir. Bu tür denetimsiz görselleştirme, modelin ilgi alanınızdaki yapıyı ne kadar iyi öğrendiğini hızlıca görmenin pratik bir yoludur.

Neden Önemli?

Bu özellik, Türkiye'deki araştırmacılar ve kurumlar için önemli fırsatlar sunuyor. Özellikle tarım izleme, orman yangını risk analizi, kentsel yayılma takibi ve kıyı ekosistemi yönetimi gibi alanlarda, uydu görüntülerinden anlamlı bilgiler çıkarmak için güçlü bir araç sağlıyor. Embedding'ler, geleneksel makine öğrenmesi yöntemlerine kıyasla çok daha az etiketli veriyle yüksek doğruluklu haritalar üretilmesine olanak tanıyor. Bu da özellikle etiketli veri toplamanın zor olduğu bölgelerde büyük bir avantaj. Ayrıca, açık kaynak kodlu ve model ağırlıklarıyla birlikte sunulması, topluluğun bu yöntemleri doğrulamasını ve kendi uygulamalarına uyarlamasını kolaylaştırıyor. Ancak, her yapay zeka modelinde olduğu gibi, embedding'lerin kalitesi girdi görüntülerinin kalitesine bağlıdır; kalıcı bulut örtüsü, atmosferik bozulmalar veya eksik gözlemler sonuçları etkileyebilir. Bu nedenle, kullanıcıların kendi kullanım senaryoları için embedding kalitesini değerlendirmeleri önerilir. Yine de, bu teknoloji, yer gözlem verilerinden değer üretmek isteyen herkes için heyecan verici bir başlangıç noktası sunuyor.