Jeolojide bilgisayarlı görü: Yer bilimlerini yeniden tanımlama

Değişen kaya oluşumları, yüzeydeki küçük hareketler veya arazi farklılıkları gibi arazideki değişimlerin ilk belirtilerini fark etmek, jeolojik araştırmaların önemli bir parçasıdır. Jeologlar bu değişimleri gözlemlemek ve yorumlamak için geleneksel olarak saha çalışmalarına ve elle yapılan analizlere güvendi.

Etkili olsalar da bu yöntemler zaman alabilir ve geniş alanlardaki ince örüntüleri tespit etme konusunda sınırlı kalabilir. Bu çalışmaları desteklemek ve geliştirmek için jeologlar, bilgisayarlı görü gibi yapay zekâ destekli teknolojilere giderek daha fazla başvuruyor.

Bilgisayarlı görü veya görüntü tabanlı yapay zekâ, makinelerin gerçek dünyadan gelen görsel bilgileri yorumlayıp anlamasını sağlar. Görüntü tabanlı yapay zekânın jeolojide kullanılmasının temel nedenlerinden biri, görsel veri miktarının hızla artması ve verilerin giderek karmaşıklaşmasıdır.

Uydular her gün binlerce görüntü gönderiyor, dronlar geniş alanların ayrıntılı görüntülerini çekiyor ve laboratuvarlardaki araştırmacılar küçük kaya örneklerinin yüksek çözünürlüklü mikroskop görüntülerini oluşturuyor. Tüm bunlar çok büyük miktarda görsel veri ortaya çıkarıyor. Bilgisayarlı görü, bu bilgilerin tamamını tarayıp faydalı ve anlamlı örüntüler bulmayı kolaylaştırıyor.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, jeolojide uydu görüntülerini, drone çekimlerini ve laboratuvar görsellerini analiz etmek için kullanılabilir. Bu tür analizlerden elde edilen içgörüler; kaya türlerini belirleme, yer şekillerini haritalandırma ve arazideki değişimleri zaman içinde izleme gibi görevleri destekler.

Bu makalede, jeolojide bilgisayarlı görünün araştırmacıların gezegenimiz hakkında daha derin içgörüler elde etmesine nasıl yardımcı olduğuna yakından bakacağız.

Yapay zekâ ve bilgisayarlı görünün jeolojideki rolü#

Jeolojide bilgisayarlı görünün çeşitli uygulamalarına geçmeden önce, görüntü tabanlı yapay zekânın bu alandaki yerini ve en çok nerede gerekli olduğunu anlamak için bir adım geri atalım.

Jeologların topladığı görsel verilerin araştırma ve karar alma süreçlerini desteklemek için genellikle hızlı ve doğru şekilde analiz edilmesi gerekir. Bu veriler önemli jeolojik örüntüleri ortaya çıkarabilir. Arazideki veya kaya yapılarındaki çok küçük değişimler bile daha büyük değişimlerin erken işaretlerini verebilir.

Örneğin yamaçlardaki ince yüzey çatlakları, erken yamaç kararsızlığına ve heyelan olasılığına işaret edebilir. Elle tespit edilmeleri zor olsa da bilgisayarlı görü bu küçük değişimleri hızlı ve güvenilir biçimde belirleyebilir.

Şekil 1. Yamaçtaki yüzey çatlaklarından örnekler.

Yapay zekâ ve bilgisayarlı görünün jeolojide günümüzde kullanıldığı diğer bazı alanlar şunlardır:

• Jeolojik özellikleri tespit etme: Görüntü tabanlı yapay zekâ sistemleri; kraterler, heyelan izleri ve farklı kaya türleri gibi belirli jeolojik özellikleri görüntülerde otomatik olarak belirleyebilir. Bu, jeolojik haritalama ve risk değerlendirmesi gibi süreçleri önemli ölçüde hızlandırır.
• Görüntü sınıflandırma: Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hava görüntülerini analiz edip bölgeleri bitki örtüsü, yer altı yapıları veya toprak türlerine göre sınıflandırabilir; böylece jeologların arazi yapısını ve kullanımını daha iyi anlamasına yardımcı olur.
• Değişimleri izleme: Yapay zekâ sistemleri, zaman içinde çekilen görüntüleri karşılaştırarak buzul hareketleri, kıyı erozyonu veya değişen volkanik oluşumlar gibi Dünya yüzeyindeki değişimleri tespit edebilir ve çevresel değişimler hakkında değerli içgörüler sunabilir.
• Tehlike tahmini: Bilgisayarlı görü, derin öğrenmeyle birlikte uydu görüntülerini ve diğer görsel verileri analiz ederek doğal tehlikelerin erken belirtilerini tespit etmeyi destekler; böylece heyelan ve volkanik patlama gibi olaylara ilişkin tahminlerin doğruluğunu artırır.

Jeolojik çalışmalarda kullanılan görsel veri türleri#

Farklı görsel veri türleri, jeologların hem yüzeyde hem de Dünya'nın altında neler olup bittiğine dair daha net bir tablo oluşturmasını sağlar. Jeolojide kullanılan başlıca görsel veri türlerinden bazıları ve her birinin gezegen hakkındaki anlayışımıza katkısı şunlardır:

• Uydu görüntüleri: Dünya yörüngesindeki uydular, gezegenin yüzeyine geniş bir açıdan bakış sunar. Jeologlar zaman içinde toplanan görüntüleri analiz ederek bitki örtüsünün sağlığını izleyebilir ve sel gibi doğal afetlerin nasıl geliştiğini gözlemleyebilir.
• Drone çekimleri: Dronlar arazinin yüksek çözünürlüklü görüntülerini ve videolarını çeker. LiDAR (Işık Algılama ve Mesafe Ölçümü) gibi araçlarla donatıldıklarında, yerel tehlikelerin belirlenmesini ve insan faaliyetlerinin neden olduğu değişimlerin izlenmesini kolaylaştıran ayrıntılı yüzey haritaları oluşturabilirler.
• Mikroskobik görüntüler: Kaya ve mineral örneklerinin büyütülmüş görüntüleri, bileşimleri ve yapıları hakkında ince ayrıntılar ortaya çıkarır; jeologların kayaların zaman içinde nasıl oluştuğunu ve değiştiğini anlamasını sağlar.
• Termal görüntüler: Dronlardaki veya uydulardaki kızılötesi sensörlerle yakalanan termal görüntüler, Dünya yüzeyindeki ısı örüntülerini tespit eder. Bu görüntüler jeotermal faaliyetleri, volkanik sıcak noktaları ve hatta yer altı suyu akışını belirlemeye yardımcı olabilir.

Şekil 2. Jeolojik çalışmalarda kullanılan farklı görsel veri türlerine genel bakış. Görsel: yazar.

Bilgisayarlı görünün jeolojideki uygulamaları#

Jeologların çalıştığı görsel veri türlerini ve bilgisayarlı görünün bunların analizine nasıl yardımcı olabileceğini daha iyi anladığımıza göre, araştırma ve keşif çalışmalarını geliştirme potansiyelini ortaya koyan bazı ilgi çekici jeoloji uygulamalarına göz atalım.

Volkanik faaliyetleri izlemek için yapay zekâ kullanımı#

Bir volkan patlamadan önce yüzey sıcaklığındaki değişimler, gaz salımı veya yerdeki küçük hareketler gibi erken uyarı işaretleri ortaya çıkar. Bu işaretleri, özellikle uzak bölgelerde fark etmek zor olabilir.

Volkanik faaliyetleri daha verimli izlemek için artık bilgisayarlı görü modelleri uydu ve termal görüntüleri analiz ediyor. Bu sistemler kül bulutlarının yüksekliğini ve sıcaklığını ölçebilir, volkanın yüzeyindeki ısıyı tespit edebilir ve şeklindeki küçük değişimleri fark edebilir; bunlar patlamanın yaklaşmakta olduğuna işaret edebilir.

Bunun ilgi çekici bir örneği, sentetik açıklıklı radar (SAR) verilerini analiz etmek için görüntü sınıflandırma ve örnek segmentasyonu gibi bilgisayarlı görü tekniklerini kullanan DeepCube H2020 projesidir. SAR, ışık yerine radar kullanan bir uydu görüntüleme türüdür ve böylece hava koşullarından veya günün saatinden bağımsız olarak Dünya yüzeyinin ayrıntılı görüntülerini yakalayabilir.

Sistem, zaman içinde çekilen SAR görüntülerini karşılaştırarak volkanların yakınındaki huzursuzluğun erken belirtilerine işaret edebilecek küçük yer hareketlerini tespit edebilir. Bu araştırma, volkanları izleyen ve faaliyet belirtileri tespit edildiğinde erken uyarılar gönderen yapay zekâ destekli küresel bir uyarı sistemi olan Pluto'nun geliştirilmesine katkıda bulundu.

Şekil 3. Renk örüntülerinin volkanların yakınındaki yer hareketlerini gösterdiği uydu radar görüntülerinden bir örnek.

Makine öğrenimi ve Görüntü Tabanlı Yapay Zekâyla kaya sınıflandırma#

Kaynak araştırması için yeni bir sahayı değerlendiren bir madencilik şirketini düşün. Sondaj başlamadan önce jeologların, hem maden potansiyelini hem de güvenlik risklerini değerlendirmek için genellikle bölgedeki kaya türlerini belirlemesi gerekir. Geleneksel olarak bu işlem, fiziksel örnekler toplayıp elle analiz etmeyi içerir. Bu yöntem yalnızca zaman alıcı olmakla kalmaz, aynı zamanda büyük ölçüde uzmanların yargılarına dayanır.

Makine öğrenimi ve bilgisayarlı görü sayesinde bu süreç daha hızlı ve nesnel hâle geliyor. Kaya örneklerinin yüksek çözünürlüklü görüntüleri çekiliyor ve görüntü sınıflandırma gibi bilgisayarlı görü görevlerinden yararlanarak doku, renk ve tane yapısındaki örüntüleri tanıyabilen eğitilmiş modeller tarafından analiz ediliyor.

Bu modeller, MineralImage5k veri kümesindekiler gibi binlerce etiketli kaya ve mineral görüntüsünden öğreniyor; böylece yeni örnekleri kendi başlarına hızlı ve doğru bir şekilde tanımlayabiliyor. Bu, sahada karar alma sürecini hızlandırıyor ve kapsamlı manuel çalışma ihtiyacını azaltarak keşif çalışmalarını daha verimli ve tutarlı hâle getiriyor.

Bilgisayarlı görüyle fay hattı tespiti#

Kaya oluşumlarındaki fay hatlarını ve çatlakları belirlemek geleneksel olarak kapsamlı saha çalışmaları gerektiriyordu. Günümüzde bilgisayarlı görü modelleri, bu özellikleri otomatik olarak ve yüksek doğrulukla tespit etmek için uydu ve hava görüntülerini analiz edebilir. Fay hatlarına işaret eden doğrusal örüntüleri saptayan bu modeller, jeolojik risk bölgelerinin ayrıntılı haritalarını oluşturmaya yardımcı olur.

Örnek segmentasyonu gibi görevleri destekleyen Ultralytics YOLO11 türü bilgisayarlı görü modelleri, yüzey görüntülerindeki çatlakları tespit etmek ve kırıkları ve fay hatlarını belirlemek için kullanılabilir. Bu modeller kaya veya topraktaki küçük çatlakları bile saptayabilir; bu da jeolojik haritalamayı iyileştirir ve deprem riski taşıyan bölgelerde inşaat veya sondaj için daha güvenli planlamayı destekler.

Şekil 4. Ultralytics YOLO11 ile çatlak segmentasyonu.

Jeolojide bilgisayarlı görü kullanmanın artıları ve eksileri#

Bilgisayarlı görü, mineralleri belirlemekten yüzeyin altında ne olduğunu daha iyi anlamaya kadar jeolojik iş akışlarını dönüştürüyor. Alana sağladığı temel avantajlardan bazıları şunlardır:

• Uzaktan algılamayla entegrasyon: Görüntü tabanlı yapay zekâ, geniş alanlardaki araziyi, yapısal jeolojiyi veya çevresel koşulları değerlendirmek için uydu ve drone görüntüleriyle birlikte çalışabilir.
• Tahribatsız test: Görüntü tabanlı analiz müdahalesizdir ve değerli ya da hassas örneklerin bütünlüğünü korur.
• Ölçeklenebilirlik: YOLO11 gibi bilgisayarlı görü modelleri, eğitildikten sonra farklı sahalardaki büyük miktarda veriyi hızlı ve tutarlı biçimde işlemek için kullanılabilir.

Ancak avantajlarına rağmen bilgisayarlı görünün jeolojide uygulanması göz önünde bulundurulması gereken bazı zorlukları da beraberinde getirir:

• Yorumlanabilirlik: Pek çok bilgisayarlı görü modeli “kara kutu” gibi çalışır; bu da kararların nasıl alındığını açıklamayı zorlaştırır.
• Sürekli bakım: Jeolojik veriler değiştikçe modellerin etkili ve güncel kalması için düzenli olarak güncellenmesi ve yeniden eğitilmesi gerekir.
• Çevresel sınırlamalar: Uzaktan algılamada kullanılan optik görüntüler bulut örtüsü, ışık koşulları veya yüzey engelleri gibi etkenlerden etkilenebilir; bu da model performansını düşürebilir.

Önemli çıkarımlar#

Bilgisayarlı görü, jeolojik araştırmaların ve uygulamaların yürütülme biçimini değiştiriyor. Volkanik faaliyetleri izlemeden heyelanların erken uyarı işaretlerini algılamaya kadar, görü yapay zekâsı destekli araçlar jeologların hem araştırma sonuçlarını hem de afet müdahale stratejilerini iyileştirmesine yardımcı oluyor.

İleriye baktığımızda, yapay zekâ gelişmeye ve çeşitli sensörlerden gelen daha fazla veri entegre edilmeye devam ettikçe gerçek saha kullanımına yönelik daha sağlam sistemlerin geliştirildiğini görebiliriz. Bilgisayarlı görü, jeolojik uygulamaların temel bir bileşeni hâline gelerek çok çeşitli kullanım alanlarında hem verimliliği hem de doğruluğu artırabilir.

Bilgisayarlı görünün uygulamadaki kullanımı hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Yapay zekânın farklı sektörlerde nasıl uygulandığını merak ediyorsan, üretimde bilgisayarlı görü ve sağlık hizmetlerinde yapay zekâ dâhil olmak üzere gerçek dünyadaki kullanım örneklerini keşfetmek için çözümler sayfamızı ziyaret et. Lisans seçeneklerimize göz at ve bugün bilgisayarlı görüyle geliştirme yapmaya ilk adımını at.