Jeolojide bilgisayarlı görü: Yer bilimini yeniden tanımlamak

İster yer değiştiren kaya oluşumları, ister ince yüzey hareketleri veya arazideki değişimler olsun, manzaradaki değişimlerin erken belirtilerini tespit etmek jeolojik araştırmaların temel bir parçasıdır. Geleneksel olarak jeologlar, bu değişiklikleri gözlemlemek ve yorumlamak için saha çalışmasına ve manuel analize güvenmişlerdir.

Etkili olmalarına rağmen bu yöntemler, geniş alanlardaki ince desenleri tespit etme söz konusu olduğunda zaman alıcı ve sınırlı olabilir. Bu çabaları desteklemek ve geliştirmek için jeologlar, computer vision gibi yapay zeka destekli teknolojilere giderek daha fazla güveniyor.

Computer vision veya vision AI, makinelerin gerçek dünyadan görsel bilgileri yorumlamasını ve anlamasını mümkün kılar. Vision AI'ın jeolojide kullanılmasının temel nedenlerinden biri, görsel veri miktarının hızla artması ve daha karmaşık hale gelmesidir.

Uydular her gün binlerce görüntü gönderiyor, dronelar geniş alanların ayrıntılı görüntülerini yakalıyor ve laboratuvarlardaki araştırmacılar küçük kaya örneklerinin yüksek çözünürlüklü mikroskop görüntülerini oluşturuyor. Toplamda bu, muazzam miktarda görsel veri yaratıyor. Bilgisayarlı görü, tüm bu bilgileri ayıklamayı ve yararlı, içgörü sağlayan desenleri bulmayı kolaylaştırıyor.

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

Bu makalede, jeolojide bilgisayarlı görünün araştırmacıların gezegenimiz hakkında daha derin içgörüler kazanmasına nasıl yardımcı olduğuna daha yakından bakacağız. Hadi başlayalım!

Jeolojide yapay zeka ve bilgisayarlı görünün rolü#

Bilgisayarlı görünün jeolojideki çeşitli uygulamalarına dalmadan önce, görü yapay zekasının bu alana nasıl uyduğunu ve en çok nerede ihtiyaç duyulduğunu anlamak için bir adım geri çekilelim.

Jeologlar tarafından toplanan görsel verilerin, araştırmayı ve karar vermeyi desteklemek için genellikle hızlı ve doğru bir şekilde analiz edilmesi gerekir. Bu veriler önemli jeolojik desenleri ortaya çıkarabilir. Manzaradaki veya kaya yapılarındaki çok küçük değişiklikler bile daha büyük değişimlerin erken belirtilerini sağlayabilir.

Örneğin, bir yamaçtaki ince yüzey çatlakları, erken aşamadaki slope instability durumunun ve heyelan potansiyelinin sinyalini verebilir. Manuel olarak tespiti zor olsa da bilgisayarlı görü bu ince değişiklikleri hızlı ve güvenilir bir şekilde belirleyebilir.

Fig 1. Bir yamaçtaki yüzey çatlağı örnekleri.

İşte yapay zeka ve bilgisayarlı görünün jeolojide halihazırda kullanıldığı diğer bazı yollar:

• Jeolojik özellikleri tespit etme: Görü tabanlı yapay zeka sistemleri; kraterler, heyelan izleri ve farklı kaya türleri gibi görüntüdeki belirli jeolojik özellikleri otomatik olarak tanımlayabilir. Bu, jeolojik haritalama ve risk değerlendirmesi gibi süreçleri önemli ölçüde hızlandırır.

• Image classification: Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hava görüntülerinii analiz edebilir ve bölgeleri bitki örtüsü, yeraltı yapıları veya toprak türlerine göre sınıflandırarak jeologların arazi bileşimini ve kullanımını daha iyi anlamasına yardımcı olabilir.

• Değişim takibi: Zaman içinde çekilen görüntüleri karşılaştırarak, yapay zeka sistemleri Dünya yüzeyindeki buzul hareketi, kıyı erozyonu veya değişen volkanik oluşumlar gibi değişiklikleri tespit edebilir ve çevresel değişimler hakkında değerli içgörüler sunabilir.

• Hazard prediction: Bilgisayarlı görü, derin öğrenmeyle birleşerek satellite imagery verilerinin ve diğer görsel verilerin analizini destekler; bu sayede heyelan ve volkanik patlamalar gibi olaylar için tahminlerin doğruluğunu artırarak doğal tehlikelerin erken belirtilerini tespit eder.

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 resim oluşturmalarını sağlar. İşte jeolojide kullanılan temel görsel veri türlerinden bazıları ve her birinin gezegen anlayışımızı nasıl desteklediği:

• Satellite imagery: Dünyanın yörüngesinde dönen uydular, gezegenin yüzeyinin geniş bir görünümünü sağlar. Zaman içinde toplanan görüntüleri analiz ederek jeologlar bitki örtüsünün sağlığını izleyebilir ve sel gibi natural disasters olaylarının nasıl geliştiğini gözlemleyebilir.
• Drone footage: Drones arazinin yüksek çözünürlüklü görüntülerini ve videolarını yakalar; LiDAR (Işık Tespiti ve Uzaklık Ölçümü) gibi araçlarla donatıldıklarında, yerel tehlikeleri tanımlamayı ve insan faaliyetlerinden kaynaklanan değişiklikleri takip etmeyi kolaylaştıran ayrıntılı yüzey haritaları üretebilirler.
• Mikroskobik görüntüler: Kaya ve mineral örneklerinin büyütülmüş görüntüleri, bileşimleri ve yapıları hakkında ince detayları ortaya çıkarır; bu da jeologların kayaların nasıl oluştuğunu ve zaman içinde nasıl değiştiğini anlamalarını sağlar.
• Termal görüntüler: Dronelar veya uydular üzerindeki kızılötesi sensörler tarafından yakalanan termal görüntüler, Dünya yüzeyindeki ısı desenlerini tespit eder; bu da jeotermal aktiviteyi, volkanik sıcak noktaları ve hatta yeraltı suyu akışını tanımlamaya yardımcı olabilir.

Şekil 2. Jeolojik çalışmalarda kullanılan farklı görsel veri türlerine bir bakış. Görsel yazar tarafından hazırlanmıştır.

Jeolojide bilgisayarlı görünün uygulamaları#

Artık jeologların üzerinde çalıştığı görsel veri türleri ve bilgisayarlı görünün bunları analiz etmeye nasıl yardımcı olabileceği hakkında daha iyi bir anlayışa sahip olduğumuza göre, araştırmayı ve keşfi geliştirme potansiyelini sergileyen jeolojideki bilgisayarlı görü uygulamalarından bazılarına göz atalım.

Volkanik aktivite izleme için yapay zeka kullanımı#

Bir yanardağ patlamadan önce, genellikle yüzey sıcaklığındaki değişiklikler, gaz çıkışı veya yerdeki küçük hareketler gibi erken uyarı işaretleri bulunur. Bu işaretleri, özellikle uzak bölgelerde tespit etmek zor olabilir.

Bilgisayarlı görü modelleri artık volkanik aktiviteyi daha verimli bir şekilde izlemek için uydu ve termal görüntüleri analiz etmek için kullanılıyor. Bu sistemler, kül bulutlarının yüksekliğini ve sıcaklığını ölçebilir, yanardağ yüzeyindeki ısıyı tespit edebilir ve şeklindeki küçük değişiklikleri fark edebilir; bunlar bir patlamanın yaklaştığı anlamına gelebilecek sinyallerdir.

Bunun ilginç bir örneği, Sentetik Açıklıklı Radar (SAR) verilerini analiz etmek için resim sınıflandırma ve instance segmentation gibi bilgisayarlı görü tekniklerini kullanan DeepCube H2020 projesidir. SAR, ışık yerine radar kullanan bir uydu görüntüleme türüdür ve hava koşullarından veya günün saatinden bağımsız olarak Dünya yüzeyinin ayrıntılı görüntülerini yakalamasına olanak tanır.

Zaman içinde çekilen SAR görüntülerini karşılaştırarak sistem, volkanların yakınında huzursuzluğun erken belirtilerini işaret edebilecek küçük zemin hareketlerini tespit edebilir. Bu araştırma, volkanları izleyen ve aktivite belirtileri algılandığında erken uyarılar gönderen yapay zeka destekli küresel bir uyarı sistemi olan Pluto geliştirilmesine yardımcı oldu.

Fig 3. Renk desenlerinin volkanların yakınındaki zemin hareketlerini gösterdiği uydu radar görüntülerine bir bakış.

Makine öğrenimi ve Görü Yapay Zekası ile kaya sınıflandırma#

Kaynak arama için yeni bir sahanın değerlendirmesini yapan bir mining company düşünün. Herhangi bir sondaj başlamadan önce jeologların, hem mineral potansiyelini hem de güvenlik risklerini değerlendirmek için bölgedeki kaya türlerini belirlemesi gerekir. Geleneksel olarak bu işlem, fiziksel numunelerin toplanmasını ve elle analiz edilmesini gerektirir; bu yöntem yalnızca zaman alıcı olmakla kalmaz, aynı zamanda büyük ölçüde uzman yargısına da dayanır.

Makine öğrenimi ve bilgisayarlı görü yardımıyla bu süreç daha hızlı ve daha nesnel hale geliyor. Kaya numunelerinin yüksek çözünürlüklü görüntüleri yakalanır ve görüntü sınıflandırma gibi bilgisayarlı görü görevlerini kullanarak doku, renk ve tanecik yapısındaki desenleri tanıyabilen trained modeller tarafından analiz edilir.

Bu modeller binlerce etiketlenmiş kaya görüntüsünden öğrendikleri için yeni numuneleri kendi başlarına hızlı ve doğru bir şekilde tanımlayabilirler. Bu, sahadaki karar vermeyi hızlandırır ve kapsamlı manuel çalışma ihtiyacını azaltarak keşfi daha verimli ve tutarlı hale getirir.

Bilgisayarlı görü kullanarak fay hattı tespiti#

Kaya oluşumlarındaki fay hatlarını ve kırıkları belirlemek geleneksel olarak kapsamlı saha çalışması gerektiriyordu. Günümüzde bilgisayarlı görü modelleri, bu özellikleri otomatik olarak yüksek doğrulukla tespit etmek için uydu ve hava görüntülerini analiz edebiliyor. Fay hatlarını gösteren doğrusal desenleri bularak, bu modeller ayrıntılı jeolojik risk bölgesi haritalarının oluşturulmasına yardımcı oluyor.

Örnek bölütleme gibi görevleri destekleyen Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, yüzey görüntülerinde crack'leri, kırıkları ve fay hatlarını tespit etmek için kullanılabilir. Bu modeller, kaya veya toprak üzerindeki küçük çatlakları bile tanımlayabilir; bu da jeolojik haritalamayı geliştirir ve deprem kuşağındaki bölgelerde inşaat veya sondaj için daha güvenli planlamayı destekler.

Şekil 4. Ultralytics YOLO11 kullanılarak çatlak bölütleme.

Jeolojide bilgisayarlı görü kullanmanın avantajları ve dezavantajları#

Bilgisayarlı görü, mineralleri belirlemekten yüzeyin altında neler olduğunu daha iyi anlamaya kadar jeolojik iş akışlarını dönüştürüyor. İşte bu alana getirdiği temel faydalardan bazıları:

• Uzaktan algılama ile entegrasyon: Görü yapay zekası, geniş alanlardaki araziyi, yapısal jeolojiyi veya çevresel koşulları değerlendirmek için uydu ve drone görüntüleriyle birlikte çalışabilir.
• Tahribatsız muayene: Görü tabanlı analiz, invaziv değildir ve değerli veya hassas örneklerin bütünlüğünü korur.
• Scalability: Eğitildikten sonra YOLO11 gibi computer vision models, farklı sahalardaki devasa miktardaki veriyi hızlı ve tutarlı bir şekilde işlemek için kullanılabilir.

Ancak, avantajlarına rağmen, jeolojide bilgisayarlı görü uygulamak dikkate alınması gereken birkaç zorluğu da beraberinde getirir:

• Yorumlanabilirlik: Birçok bilgisayarlı görü modeli "kara kutu" olarak çalışır, bu da kararların nasıl alındığını açıklamayı zorlaştırır.

• Ongoing maintenance: Jeolojik veriler geliştikçe modellerin etkili ve güncel kalabilmesi için düzenli olarak güncellenmesi ve yeniden eğitilmesi gerekir.

• Çevresel sınırlamalar: Uzaktan algılamada kullanılan optik görüntüler; bulut örtüsü, aydınlatma koşulları veya yüzey engelleri gibi faktörlerden etkilenebilir ve bu da model performansını düşürebilir.

Öne çıkanlar#

Bilgisayarlı görü, jeolojik araştırma ve uygulamaların yürütülme şeklini yeniden keşfeden etkili bir araç haline geliyor. Volkanik aktiviteyi izlemekten heyelanların erken uyarı işaretlerini tespit etmeye kadar, görü yapay zekası odaklı araçlar jeologların hem araştırma sonuçlarını hem de afet müdahale stratejilerini iyileştirmelerine yardımcı oluyor.

İleriye bakıldığında, yapay zeka gelişmeye devam ettikçe ve çeşitli sensörlerden gelen daha fazla veri entegre edildikçe, gerçek dünya saha kullanımı için tasarlanmış daha sağlam sistemlerin geliştirilmesini bekleyebiliriz. Bilgisayarlı görü, geniş bir uygulama yelpazesinde hem verimliliği hem de doğruluğu artırarak jeolojik uygulamaların temel bir bileşeni haline gelecektir.

İş başında bilgisayarlı görüyü daha yakından incelemek için community topluluğumuza katıl ve GitHub repository deponu keşfet. Yapay zekanın endüstriler genelinde nasıl uygulandığıyla ilgileniyorsan, computer vision in manufacturing alanından AI in healthcare uygulamalarına kadar gerçek dünya kullanım senörlerini keşfetmek için çözümler sayfamızı ziyaret et. licensing options lisanslama seçeneklerimize göz at ve bugün bilgisayarlı görü ile geliştirmeye başlamak için ilk adımı at.