New Generation Remote Sensing Platform: GEE (Google Earth Engine) and Its Use in Physical Geography Studies
Sabri Karadoğan[1], M.Tahir Kavak[2], Nesretullah Satar[3]
Özet
Google Earth Engine (GEE), büyük
coğrafi veri kümelerini depolamak ve işlemek için tasarlanmış bulut tabanlı bir
platformdur. Landsat serisinin 2008 yılında ücretsiz olarak kullanıma
sunulmasından bu yana Google, Landsat, Sentinel, MODIS uyduları ve
diğerlerinden alınanlar da dahil olmak üzere çok büyük miktarda uydu verisini
arşivledi. Bu platform, kullanıcıların uydu görüntülerini verimli bir şekilde
görselleştirmesine ve analiz etmesine olanak tanır.
GEE'nin kapsamlı veri kataloğu
çeşitli türlerde uydu görüntüleri, vektör verileri ve diğer coğrafi veri
kümelerini içerir. Bu veri kümeleri araştırmacıların geniş bir yelpazede
coğrafi analizler gerçekleştirmesine olanak tanır. GEE, veri görselleştirme ve
analizi için GEE Kod Düzenleyici ve GEE Explorer gibi kullanıcı dostu araçlar
sunar.
GEE'nin temel işlevleri arasında
görüntü işleme, vektör işleme, geometrik analiz, spektral işleme, zamansal
analiz ve makine öğrenme algoritmaları yer alır. Bu özellikler araştırmacılara
büyük veri kümelerini etkili bir şekilde yönetme ve analiz etme esnekliği
sağlar.
GEE, hidroloji, bitki örtüsü,
tarım, kentsel çalışmalar, atmosfer ve iklim analizi, toprak ve jeomorfoloji ve
afet yönetimi dahil olmak üzere çeşitli alanlarda yaygın olarak kullanılmaktadır.
2010'dan bu yana GEE kullanılarak
yapılan bilimsel yayın sayısı hızla artmıştır ve bu yayınlar, çeşitli
disiplinlerde geniş bir uygulama yelpazesine sahiptir. Bu Çalışmada özellikle
Fiziki coğrafya araştırmalarında kullanımına ilişkin örnekler verilmiştir.
Anahtar kelimeler: Google Earth
Engine (GEE), Uzaktan Algılama, Fiziki Coğrafya
Abstract
Google Earth Engine (GEE) is a
cloud-based platform designed for storing and processing large geospatial
datasets. Since the Landsat series became freely available in 2008, Google has
archived vast amounts of satellite data, including those from Landsat,
Sentinel, MODIS satellites, and others. This platform allows users to visualize
and analyze satellite imagery efficiently.
GEE's extensive data catalog
includes various types of satellite images, vector data, and other geospatial
datasets. These datasets enable researchers to perform a wide range of
geospatial analyses. GEE offers user-friendly tools like the GEE Code Editor
and GEE Explorer for data visualization and analysis.
Key functionalities of GEE include
image processing, vector processing, geometric analysis, spectral processing,
temporal analysis, and machine learning algorithms. These features provide
researchers with the flexibility to manage and analyze large datasets
effectively.
GEE is widely used across various
domains, including hydrology, vegetation, agriculture, urban studies,
atmospheric and climate analysis, soil and geomorphology, and disaster
management.
The number of scientific
publications using GEE has increased rapidly since 2010, and these publications
have a wide range of applications in various disciplines. In this study,
examples of its use in physical geography research are given.
Key
words:
Google Earth Engine (GEE), Remote Sensing, Physical Geography
1.GİRİŞ
Uydu ve bilgi teknolojilerinin gelişmesine
bağlı olarak Coğrafya araştırmalarında kullanılan uzaktan algılama yöntem ve
tekniklerde de çoğalmakta ve zenginleşmektedir.
Uzaktan algılama,
yeryüzündeki doğal ve yapay objeler hakkında bilgi toplamak için atmosfer veya
uzaya yerleştirilen sensörler aracılığıyla veri toplama ve analiz etme
tekniğidir. Bu teknoloji, elektromanyetik tayfın çeşitli bantlarında (görünür,
kızılötesi, vb.) yeryüzünden yansıyan veya yayılan ışınımı ölçerek çalışır (Sesören,
1999; Karadoğan & Kavak, 2016].
Uzaktan algılama
teknolojileri ve coğrafi bilgi sistemleri (GIS) arasındaki entegrasyon,
bilimsel araştırmalar ve çevresel yönetim alanında devrim yaratmaktadır.
GIS, coğrafi verilerin toplanması,
yönetilmesi, analiz edilmesi ve görselleştirilmesini sağlayan bir sistemdir.
GIS, uzaktan algılama verileri ile entegre edildiğinde, çevresel ve coğrafi
analizlerin daha kapsamlı ve kesin bir şekilde yapılmasına olanak tanır (Yomralıoğlu,2000).
Ancak kabul etmek gerekir ki; Uzaktan
algılama ve GIS bilim ve teknolojisinde büyük bir veri çağı
(Big Data) yaşanmaktadır. Her geçen yaygınlaşan teknolojik uygulama ve araçlarla
sayısız veri üretilmektedir. Hem Gezegenin yörüngesindeki uyduların hızlı
büyümesi ve çoğalması, hem de yeryüzüne ilişkin yaygınlaşan bilimsel
uygulamalar için çok büyük miktarda veri üretilmektedir. Bu da, artan veri
yığınları içinde karmaşıklaşan çeşitli çevresel ve toplumsal uygulamalar konusunda
yeni çözüm arayışlarını ve paradigma değişikliği ihtiyacını beraberinde getirmiştir
(Parente vd., 2019).
Çünkü Coğrafi
araştırmalarda da yaygın olarak kullanılan Uzaktan algılama sistemleri, son
yıllara kadar yazılım paketleri ve masaüstü bilgi işlem kaynakları kullanılarak
yönetimi ve analizi pratik olmayan, çok büyük hacimli veri kümeleri ve sistem
bileşenlerini içermekteydi. Bilgi sistemlerinin ve yeryüzüne ait bilimsel
araştırmaların vazgeçilmez bir teknolojisini oluşturan Uzaktan Algılama
günümüzde bir paradigma değişiminden geçmektedir.
Özellikle, çok büyük veri
setlerinin (petabayt ölçeğinde) işlenmesi ve analiz edilmesi için bulut tabanlı
platformların geliştirilmesi bu teknolojilerin kullanımı ve yaygınlaşmasını
kolaylaştırmıştır.
Landsat serisinin 2008
yılında ücretsiz olarak kullanıma sunulmasının ardından Google, tüm veri
kümelerini arşivledi ve mevcut veri arşivi ile birlikte, diğer uydulardan
alınan verilerin yanı sıra Coğrafi Bilgi Sistemleri (CBS) tabanlı vektör veri
setleri, sosyal, demografik, hava durumu, dijital yükseklik modelleri ve iklim
veri katmanlarını içeren tüm veri tabanını açık kaynak kullanımı için bir bulut
bilişim motoruna bağladı. Bu bağlamda Google, büyük veri analizinin
zorluklarını ortadan kaldırmak için Google Earth Engine (GEE) adlı bir bulut
bilişim platformu geliştirdi.
Google Earth Engine
(GEE), kullanıcıların uydu görüntülerini görselleştirebildiği ve bu uydu
görüntüleri üzerinden analizlerini yürütebildiği ve nihai karar verme için
büyük veri setlerini (petabayt ölçeğinde) depolamak ve işlemek üzere
tasarlanmış kolay erişilebilir bulut tabanlı geospatial bir bulut bilişim ve
analiz platformudur. Bulut tabanlı olması sebebi ile yüksek boyutlu uydu
görüntüleri ile gerçekleştirilen analizler, lokal bilgisayarlara göre çok daha
hızlı sonuçlanmaktadır. GEE kataloğunda Sentinel, LandSat, MODIS gibi birçok
uydu görüntüsü bulunmaktadır. Özellikle büyük coğrafi verilerin geniş alanlar
üzerinde işlenmesini ve çevrenin uzun süreler boyunca izlenmesini kolaylaştıran
platform 2010 yılında piyasaya sürülmesine ve farklı uygulamalar için yüksek
potansiyelini kanıtlamasına rağmen, son yıllara kadar UA uygulamaları için tam
olarak araştırılmamış ve kullanılmamıştır. Bu çalışma GEE platformunun
genel özellikleri, kullanımı, bileşenleri, fonksiyonları, ve Fiziki Coğrafya
araştırmalarına ilişkin uygulama alanları ve örnekleri konusunda temel
bilgileri vermeyi amaçlamaktadır.
1.1.Uydu-Veri Kullanılabilirliği, Bulut Bilişim ve Makine
Öğrenimindeki Trendler
Artan teknolojik
uygulamalar ve araçlar, büyük miktarda veri üretmektedir. Uyduların çoğalması
ve yeryüzüne yönelik bilimsel çalışmalar bu veri miktarını daha da artırmakta,
veri kümeleri karmaşık bir hal almakta, sorunlara çözüm bulmaya yönelik kişisel
uygulama ve çalışmaların zorluklarını artırmaktadır.
Dijital bilgi çağına özgü
bu zorluklar, büyük miktarda verinin gezegen ölçeğinde analizini yapabilen,
özellikle uzaktan algılama için bulut tabanlı platformların ortaya çıkmasına
neden olmuştur
Bir süreden beri derin
öğrenme tabanlı algoritmalar ve bulut bilgi işlem altyapısı, uydu uzaktan
algılamanın görüntü işlemesinde devrim yaratma konusunda büyük bir potansiyele
sahip hale gelmiştir.
Jeo-uzamsal veri
setlerinin yeryüzüne ait birçok doğal ve beşeri olay ve ortamlarının izlenmesi
ve incelenmesi ve haritalanmasında kullanılması aşağıdaki aşağıdaki gelişmelere
bağlı olarak artış göstermiştir:
-Açık erişimli uydu veri
akışlarının çoğalması,
-Bulut bilişimin ve veri
madenciliğinin ortaya çıkışı,
-Bilgisayar
algoritmalarının ve yapay zeka uygulamalarının artan kullanımı.
Böylece çeşitli, büyük
hacimli veri setlerinin işlenmesi ve entegrasyonu her zamankinden çok daha
kolay ve daha fazla sayıda kullanıcı tarafından mümkün olmuş, bu faktörlerin
kombinasyonu, yakın zamana kadar çoğu durumda pratik veya mümkün olmayan yeni
mekânsal ve zamansal ölçeklerde daha geniş uygulama biçimlerinin kapılarını
açmıştır (Hird vd., 2017).
Kabul etmek gerekir ki,
büyük hacimli açık erişimli uydu veri akışlarından yararlanmak bulut bilişim
teknolojileri ve hizmetlerinin eşzamanlı olarak ortaya çıkması ile mümkün
olmuştur. Zira çok daha geniş alanlar üzerinde çok yıllık zaman serilerini
kapsayan uydu görüntülerini indirmek, analiz etmek ve yönetmek, geleneksel
masaüstü bilgi işlem kaynakları kullanılarak yapmak imkansız olmaya
başlamıştır. Tüm bu nedenlere bağlı olarak ortaya çeşitli uygulama platformları
ortaya çıkmıştır. Google Earth Engine (Google, 2024), NASA Earth Exchange (National Aeronautics and
Space Administration, 2024), Amazon'un Web
Servisleri (Amazon Web Services Inc. Earth on AWS, 2024) veya Microsoft'un Azure servisleri (Microsoft
Azure, 2024) gibi hizmetlerden faydalanmak
ve muazzam miktarda veriye erişmek,
bunları işlemek ve analiz etmek için gereken şey iyi bir internet bağlantısıdır
(Hird vd., 2017).
1.2. Uzaktan Algılamada
Bulut Tabanlı Yeni Bir Platform: GEE
Google Earth Engine
(GEE), coğrafi araştırmalar ve uzaktan algılama çalışmalarında kullanılan, analiz
ve nihai karar verme için büyük veri setlerini (petabayt ölçeğinde) depolamak
ve işlemek üzere tasarlanmış devrim niteliğinde bir bulut bilişim platformudur
(Kumar vd., 2018). GEE'nin temelleri, 2008 yılında Landsat serisinin
ücretsiz olarak kullanıma sunulması ile atılmıştır. Landsat serisinin 2008
yılında ücretsiz olarak kullanıma sunulmasının ardından Google, tüm veri
kümelerini arşivleyerek açık kaynak kullanımı için bulut bilişim motoruna
bağladı. Mevcut veri arşivi, diğer uydulardan gelenlerin yanı sıra Coğrafi
Bilgi Sistemleri (CBS) tabanlı vektör veri setleri, sosyal, demografik, hava
durumu, dijital yükseklik modelleri ve iklim veri katmanlarını içermektedir
(Mutanga & Kumar 2019). Bu gelişme, büyük veri setlerine erişim ve analiz
süreçlerinde önemli bir değişim yaratmıştır. Uygulama uzaktan algılama ve
coğrafi bilgi teknolojileri alanında bir devrim sayılabilir. Çünkü Kolay
erişilebilir ve kullanıcı dostu olan platform, etkileşimli veri ve algoritma
geliştirmek için de uygun bir ortam sağlamaktadır.
GEE, uydu görüntülerini
ve Coğrafi Bilgi Sistemleri (CBS) tabanlı vektör veri setlerini içeren geniş
bir veri kataloğuna sahiptir. Google, tüm bu veri kümelerini arşivleyerek ve
bulut bilişim motoruna bağlayarak, kullanıcıların ücretsiz ve kolayca erişebileceği
bir platform oluşturmuştur.
Google Earth Engine,
kullanıcıların uydu görüntülerini görselleştirmelerine ve bu görüntüler
üzerinden analiz yapmalarına olanak tanıyan bir platformdur. Büyük veri
setlerini (petabayt ölçeğinde) depolamak ve işlemek üzere tasarlanmış olan GEE,
bulut tabanlı yapısı sayesinde analiz süreçlerini hızlandırır. Bu platform,
geleneksel masaüstü bilgisayarlarda yürütülen işlemlere göre çok daha hızlı ve
verimli sonuçlar sunar.
Kullanıcılar tüm
işlemleri üstlenmek için Google'ın bulut kaynaklarını kullanırken, kendi
verilerini ve koleksiyonlarını da ekleme ve düzenleyebilme imkanına
sahiptirler. Bu gelişme artık akademisyenlerin, bağımsız araştırmacıların,
sivil toplum kuruluşlarının ve kişisel amaçlı görsel üreticileri için yeryüzündeki
değişikliklerin izlenmesi, eğilimlerin ve dağılışların haritalanması,
projeksiyonların üretilmesi ve daha önce hiç olmadığı kadar yeryüzündeki
kaynakların ölçülmesi adına büyük bir veri deposunun ve madenciliğinin
kitlelerin kullanımına açılması anlamına gelmektedir. GEE, çevresel
değişikliklerin izlenmesi, iklim analizleri, ormansızlaşma, tarım arazilerinin
yönetimi gibi birçok alanda kullanılmaktadır. Platform, bilim adamlarının,
araştırmacıların ve diğer kullanıcıların büyük veri setleri üzerinde hızlı ve
etkili analizler yapmalarına olanak tanır.
GEE'nin sunduğu yüksek
işlem gücü, özellikle büyük coğrafi verilerin geniş alanlar üzerinde
işlenmesini kolaylaştırır. Bu durumda çok gelişmiş bilgisayarlara veya pahalı
yazılımlara ve büyük işlemcilere gerek yoktur. Bulut tabanlı olması sebebiyle,
GEE kullanarak yapılan analizler, lokal bilgisayarlara göre çok daha hızlı
sonuçlanmaktadır. Bu hız ve verimlilik, kullanıcıların daha karmaşık ve büyük
ölçekli projeleri yönetmelerini mümkün kılar. Bu da dünyanın yoksul
ülkelerindeki kaynakları kıt araştırmacıların, en gelişmiş ülkelerdeki
araştırmacılarla aynı analiz yapma yeteneğine sahip oldukları anlamına gelir
(Mutanga & Kumar 2019).
Platformun sahip olduğu
çok çeşitli, zengin ve geniş veri tabanı, kullanıcıların çeşitli zaman
dilimlerinde ve coğrafi bölgelerde analiz yapmasına olanak tanır. Kullanıcılar,
bu verileri analiz ederek çevresel değişiklikler, kentsel gelişim ve diğer
coğrafi olaylar üzerinde çalışabilirler
Aşağıdaki bölümlerde, GEE
platformunun genel özellikleri, kullanımı, bileşenleri, fonksiyonları ve Fiziki
Coğrafya araştırmalarına ilişkin uygulama alanları hakkında okuyuculara temel
bilgiler sunmayı amaçlanmaktadır. Ayrıca, GEE'nin sağladığı imkanlar ve
sınırları hakkında da fikir vermektedir.
2. PLATFORM ÖĞELERİ
2.1.EE Explorer (EE Gezgini):
EE Explorer,
kullanıcıların EE Veri Kataloğu'nda bulunan büyük veri kümelerine erişmesine
olanak sağlayan bir veri görüntüleme platformudur. Veri Kataloğu, eksiksiz
bir Landsat-4, -5, -7 ve -8 serisi, MODIS, Sentinel-1, -2, -3 ve -5P
görüntüleri, atmosferik, meteorolojik ve vektör veri kümeleri de dahil
olmak üzere milyonlarca kamuya açık veri kümesini barındırır. Veri
Kataloğu, her gün yaklaşık 4000 yeni veri kümesi alır (Bi vd., 2020).
EE Explorer entegre bir Çalışma Alanından ve Veri
Kataloğundan oluşmaktadır. Çalışma Alanı, verilerin görüntülendiği yerdir
ve Veri Kataloğu ise verilerin bulunacağı ve Çalışma Alanına aktarılacağı
yerdir. Bu bölüm kullanıcılara hızlı görüntüleme, yakınlaştırma ve
kaydırma olanağı sağlar. Veri Kataloğu'nda, kullanıcılar büyük veri
kümeleri arasında arama yapabilir ve bunları Çalışma Alanına aktarabilir.
Ayrıca Çalışma Alanında veri kümeleri yönetilebilir ve
görselleştirebilir, Bunun dışında kontrast, parlaklık ve opaklık
seviyeleri gibi görselleştirme ayarıyla ilgili parametrelerin ayarlanmasına
olanak tanır. Zaman içindeki değişiklikleri daha iyi incelemek için
Çalışma Alanına birden çok katman eklenebilir. Katmanlar üç bantlı RGB
veya tek bantlı gri tonlamalı görüntülenebilir (Amani vd., 2020).
EE Explorer uygulamasına
gitmek için https://explorer.earthengine.google.com
bağlantısı takip edilir.
2.2.Veri Kümeleri
Google Earth Engine
(GEE), çok çeşitli uydu verileri, vektör verileri ve diğer jeo-uzamsal veri
setlerini bünyesinde barındıran geniş bir veri kataloğuna sahiptir.
GEE'nin veri kataloğu
büyük oranda uydu görüntüleri ve coğrafi bilgi sistemleri (CBS) tabanlı vektör
veri setlerinden oluşur. Ayrıca sosyal, demografik, hava durumu, dijital
yükseklik modelleri ve iklim veri katmanlarını da içerir.
2.2.1. Uydu
Görüntüleri
GEE, uydu görüntülerinin
geniş bir yelpazesine sahiptir.
Veri deposu, tüm dünya
için 40 yılı aşkın uydu görüntülerinden oluşan bir koleksiyondur; birçok
lokasyon, tüm dönem için iki haftalık tekrar verisine ve ayrıca büyük bir
günlük ve günlük altı veri koleksiyonuna sahiptir
Bu görüntüler, çevresel
değişikliklerin izlenmesi, arazi kullanımı ve örtüsü analizleri, tarım izleme
gibi geniş bir uygulama alanına sahiptir. Başlıca uydu verileri:
Landsat Serisi: Tüm
tarihi Landsat verileri dahil olmak üzere 1972'den bu yana alınan görüntülerin
tamamını içerir. Landsat serisi, orta çözünürlüklü (30 metre) çok spektral
görüntüler sağlar ve çevresel izlemeler, arazi örtüsü değişiklikleri ve daha pek
çok analiz için kullanılır.
Landsat veri kümeleri,
zamansal analiz yapmak için değerli kaynaklardır. Landsat koleksiyonu yedi
multispektral uydu içerir: Landsat 1–3 (1972–1983), Landsat-4 (1982–1993),
Landsat-5 (1984–2012), Landsat-7 (1999–günümüz) ve Landsat-8 (2013 -günümüz)
(Amani vd., 2020).
Landsat uydu görüntüleri zamansal
bulut algılama, maskeleme ve kaldırma, çok zamanlı görüntü sınıflandırmaları
gibi farklı uygulamalarda tercih edilmektedir (Mateo-García, 2018). Ayrıca
çok zamanlı Landsat veri setleri hem lokal hem de küresel ölçekli analizleri
kolaylaştırmıştır (Li vd., 2019). GEE içindeki Landsat tabanlı veri
kümeleri çeşitli uygulamalarda özellikle Arazi Örtüsü/Arazi Kullanımı (LCLU),
kentsel gelişme alanları haritalarının oluşturulmasında yaygın olarak
kullanılır.
Sentinel Serisi: GEE,
Avrupa Uzay Ajansı (ESA) tarafından geliştirilen Sentinel-1, Sentinel-2,
Sentinel-3 gibi uydularından elde edilen veri kümelerini de içerir. Sentinel-1,
C-bandı sentetik açıklıklı radar (SAR) görüntüleri üretirken; Sentinel-2, çok
spektral görüntüleme sağlar ve 10 metre çözünürlükte görüntüler sunar.
Sentinel-3 ise okyanus ve kara gözlemleri yapar . Earth Engine şu anda, yirmi
beş yıldan fazla bir süredir toplanan L5 ve L7 verilerinin neredeyse tüm tarihi
Landsat arşivini çevrimiçi olarak barındırıyor. Yeni toplanan Landsat
görüntüleri, USGS EROS Center'dan günlük olarak Earth Engine'e indirilir (Moore
& Hansen, 2011).
Sentinel
koleksiyonu; Sentinel-1 ve Sentinel-2 multispektral (2015–günümüz), Sentinel-3
Okyanus ve Kara Rengi (2016–günümüz) ve Sentinel-5P Troposferik İzleme
(2018–günümüz) bantlarını içerir. Özellikle. Sentinel-1 ve Sentinel-2, GEE
kullanıcıları tarafından farklı uygulamalar için yoğun bir şekilde
kullanılmaktadır. Çünkü bu veriler 10 m uzaysal çözünürlükleri ile
nesneleri Landsat görüntülerine kıyasla daha iyi bir çözünürlükte analiz etmeyi
mümkün kılar. Ayrıca görüntü sınıflandırma görevlerinde eğitim ve
doğrulama adımlarını basitleştirebilirler (Amani vd., 2020).
MODIS: GEE platformunun içerdiği veri kümelerinden
biri de MODIS görüntüleridir. MODIS (Moderate Resolution Imaging
Spectroradiometer), geniş spektral bant aralığına sahip bir uydu sensörüdür. MODIS,
yer yüzeyinin ulusal ve küresel ölçekte neredeyse gerçek zamanlı (NRT)
haritalanmasında büyük bir potansiyele sahiptir. MODIS, uzamsal
çözünürlükleri 250 m ile 1 km arasında değişen 36 spektral bantta görüntü elde
eder. MODIS zaman serileri, GEE Veri Kataloğu'nda 2000'den günümüze kadar
mevcuttur. Bu veriler yeryüzüne ait zamansal analizi kolaylaştırmaktadır (Amani
vd., 2020).
Earth Engine ayrıca bir
dizi geçmiş ve güncel MODIS veri ürünü içerir. Platform, talep üzerine
uzamsal ve zamansal mozaiklerin, "en iyi piksel" kompozitlerinin
(örneğin uydu görüntülerindeki bulutları ve boşlukları ortadan kaldırmak için)
ve ayrıca çeşitli spektral indekslerin oluşturulmasını destekler.
Platform ayrıca, bilim adamlarının bu hesaplama ve veri kaynaklarına
erişmelerine, mevcut algoritmalarını ölçeklendirmelerine veya yenilerini
geliştirmelerine olanak tanıyan yeni bir uygulama programlama çerçevesi veya
"API" içerir (Moore & Hansen, 2011).
Diğer Uydu Verileri:
Ayrıca NOAA AVHRR, ALOS, ASTER, SRTM, DMSP OLS gibi başka uydu verileri de
GEE'nin veri kataloğunda mevcuttur.
GEE ayrıca farklı görüntü
kaynaklarının kombinasyonu, veri kümelerinin zamansal yoğunluğunu
iyileştirebilir ve füzyon algoritmalarının daha fazla güce sahip olmasına
yardımcı olabilir. Ayrıca, birkaç NRT veri seti günlük olarak GEE'ye
yüklenmektedir. Bir veri seti GEE Veri Kataloğu'nda yoksa sunuculardan da
yüklenebilir. İş akışının herhangi bir noktasında bir masaüstü iş
istasyonundan devam etmek için veri kümeleri de indirilebilir (Amani vd.,
2020).
GEE, veri kümelerini tüm
orijinal veriler ve meta verilerle birlikte orijinal projeksiyonlarında
saklar. Çözümler doğrudan platform tarafından yönetilir. Veriler
orijinal çözünürlüğünde saklanır, ancak verimlilik adına farklı yakınlaştırma
seviyelerinde kullanılan her görüntünün yanında bir görüntü piramidi de
oluşturulur ve saklanır. Görüldüğü gibi, kullanıcılar GEE'de çok iyi
işlenen veri kategorizasyonu içinde sağlanan etiketleri kullanarak istedikleri
verileri kolayca arayabilirler (Amani vd., 2020).
Veri kümelerine
kullanıcılar tarafından önceden birkaç ön işleme adımı uygulanmış ham verilerin
yanı sıra düzeltilmiş veriler de kullanılabilir. Örneğin, ortorektifiye
edilmiş, atmosferik olarak düzeltilmiş ve Kalibre Edilmiş Landsat verilerine
ham verilerden (Sunar vd., 2019; Çolak vd., 2019) kolayca
erişilebilir.
Tablo 1,
Dünya çapında kapsama alanına sahip ham ve önceden işlenmiş bantlar, endeksler,
kompozitler ve yükseklik modelleri dahil olmak üzere çeşitli uydu tabanlı ürünlerin
bir listesini vermektedir (Kumar & Mutanga 2018).
Tablo 1. Google
Earth Engine'de bulunan ana uydu görüntülerinin bir özeti (Kumar & Mutanga
2018).
|
Resim
Koleksiyonu |
Tanım |
Veri Kullanılabilirliği (Zaman) |
Çözünürlük (Metre) |
Tekrar (Gün) |
Tekrar (Gün) |
|
Sentinel-1 SAR GRD |
C-bandı Sentetik Açıklıklı Radar
Yer Aralığı, günlük ölçeklendirme |
3 Ekim 2014–günümüz |
10 |
3 |
Avrupa Birliği/ESA/Kopernik |
|
Sentinel-2 MSI |
Çoklu Spektral Alet, Seviye-1C |
23 Haziran 2015–günümüz |
10, 20, 60 |
5 |
Av.Bir./ESA/Kopernik |
|
Sentinel-3 OLCI EFR |
Okyanus ve Kara Renk Enstrüman
Dünya Gözlem Tam Çözünürlük |
18 Ekim 2016–günümüz |
300 |
2 |
Avrupa Birliği/ESA/Kopernik |
|
Landsat 1 MSS |
Katman 1 ve 2 (ham) |
23 Temmuz 1972–7 Ocak 1978 |
30, 60 |
16 |
USGS |
|
Landsat 2 MSS |
Katman 1 ve 2 (ham) |
22 Ocak 1975–26 Şubat 1982 |
30, 60 |
16 |
USGS |
|
Landsat 3 MSS |
Katman 1 ve 2 (ham) |
5 Mart 1978–31 Mart 1983 |
30, 60 |
16 |
USGS |
|
Landsat 4 MSS |
Katman 1 ve 2 (ham) |
16 Tem. 1982–14 Aralık 1993 |
30, 60 |
16 |
USGS |
|
Landsat 4 TM |
Katman 1 ve 2 (ham, TOA yansıması,
yüzey yansıması); 8 gün, 32 gün ve yıllık kompozitler (BAI, EVI, NDSI,
NDVI, NDWI, Raw, TOA Reflectance), Yıllık en yeşil piksel TOA Reflectance
Composite |
22 Ağustos 1982–14 Aralık 1993 |
30 |
16 |
USGS |
|
Landsat 5 MSS |
Katman 1 ve 2 (ham) |
1 Mart 1984–31 Ocak 2013 |
30, 60 |
16 |
USGS |
|
Landsat 5 TM |
Katman 1 ve 2 (Ham, TOA yansıması,
yüzey yansıması); 8 gün, 32 gün ve yıllık kompozitler (Landsat 4 ile
aynı) |
1 Ocak 1984-5 Mayıs 2012 |
30 |
16 |
USGS |
|
Landsat 7 |
Katman 1 ve 2 (Gerçek zamanlı, Ham,
TOA yansıması, yüzey yansıması); 8 gün, 32 gün ve yıllık kompozitler
(Landsat 4 ile aynı) |
1 Ocak 1999–günümüz |
15, 30 |
16 |
USGS |
|
Landsat 8 |
Katman 1 ve 2 (Gerçek zamanlı, Ham,
TOA yansıması, yüzey yansıması); 8 gün, 32 gün ve yıllık kompozitler
(Landsat 4 ile aynı) |
11 Nisan 2013–günümüz |
15, 30 |
16 |
USGS |
|
MODIS (Su ve Terra) |
Çeşitli bantlar, indeksler ve
kompozitler |
24 Şubat 2000–günümüz |
250, 500, 1000 |
1 |
USGS EROS -NASA LP DAAC |
|
DMSP OLS |
Küresel Parlaklık Ayarlı Gece
Işıkları Versiyon 4, Savunma Meteoroloji Programı Operasyonel Linescan
Sistemi |
16 Mart 1996–Temmuz 2011 |
≈1 km (30 ark saniye) |
|
NOAA |
|
DMSP OLS |
Gece Işıkları Zaman Serisi Versiyon
4, Savunma Meteoroloji Programı Operasyonel Linescan Sistemi |
1 Ocak 1992–1 Ocak 2014 |
≈1 km (30 ark saniye) |
|
NOAA |
|
NOAA AVHRR |
Çeşitli bantlar, indeksler ve
kompozitler |
24 Haziran 1981–günümüz |
≈1,09 km |
1 |
NOAA |
|
ALOS/AVNIR-2 ORI |
Gelişmiş Kara Gözlem Uydusu (ALOS)
“DAICHI” üzerindeki Gelişmiş Görünür ve Yakın Kızılötesi Radyometre tip 2
(AVNIR-2) sensöründen ortorektifiye edilmiş görüntüler. |
26 Nisan 2006–18 Nisan 2011 |
10 |
|
JAXA Dünya Gözlem Araştırma Merkezi |
|
ALOS DSM'si |
Küresel AW3D30 |
|
30 (1 ark saniye) |
|
JAXA Dünya Gözlem Araş. Mer. |
|
SRTM |
DEM 30m |
11 Şubat 2000–22 Şubat 2000 |
30 (1 ark saniye) |
|
NASA/USGS/JPL-Caltech |
|
SRTM |
DEM 90m sürüm 4 |
11 Şubat 2000–22 Şubat 2000 |
90 |
|
NASA/CGIAR |
|
YILDIZ ÇİÇEĞİ |
L1T Parlaklık |
4 Mart 2000–günümüz |
15, 30, 90 |
5 |
USGS EROS Merk. NASA LP DAAC |
|
ASTER Küresel Emisivite Veri Kümesi |
Bu ürün, beş ASTER termal
kızılötesi bandının tümü için ortalama emisyon ve standart sapma, ortalama
arazi yüzey sıcaklığı (LST) ve standart sapma, yeniden örneklenmiş bir ASTER
GDEM, kara-su maskesi, ortalama Normalleştirilmiş Fark Bitki Örtüsü İndeksi
(NDVI) ve standart içerir. sapma ve gözlem sayısı. |
1 Ocak 2000–31 Aralık 2008 |
100 |
|
NASA |
|
TRMM 3B42 |
3 Saatlik Yağış Tahminleri |
1 Ocak 1998–31 Mayıs 2018 |
0.25 ark der. |
|
NASA GSFC'si |
|
TRMM 3B43 |
Aylık Yağış Tahminleri |
1 Ocak 1998–1 Mayıs 2018 |
0.25 ark der. |
|
NASA GSFC'si |
|
GPM Küresel Yağış Ölçümü v5 |
30 dakikalık kadansta sağlanan
veriler |
12 Mart 2014–günümüz |
0.1 ark der. |
|
NASA PMM'si |
|
GSMaP Operasyonel |
Saatlik kadansta sağlanan veriler |
1 Mart 2014–günümüz |
0.1 ark der. |
|
JAXA Dünya Gözlem Araş. Mer. |
|
GSMaP Yeniden Analizi |
Saatlik kadansta sağlanan veriler |
1 Mart 2000–12 Mart 2014 |
0.1 ark der. |
|
JAXA Dünya Gözlem Araş. Mer. |
|
CHIRPS Günlük yağış |
İklim Tehlikeleri Grubu İstasyon
Verileri ile Kızılötesi Yağış (versiyon 2.0 final) |
1 Ocak 1981–31 Temmuz 2018 |
0,05 ark der. |
|
UCSB/CHG |
|
CHIRPS Pentad yağış |
İklim Tehlikeleri Grubu İstasyon
Verileri ile Kızılötesi Yağış (versiyon 2.0 final) |
1 Ocak 1981–26 Temmuz 2018 |
0,05 ark der. |
|
UCSB/CHG |
|
WorldClim V1 |
Klimatolojik ve Biyo değişkenler |
1 Ocak 1960–1 Ocak 1991 |
30 ark san. |
|
Kaliforniya Üniv.Berkeley |
|
Terraİklim |
Küresel Karasal Yüzeyler için Aylık
İklim ve İklimsel Su Dengesi, Idaho Üniversitesi |
1 Ocak 1958–1 Aralık 2017 |
2.5 ark dak. |
|
1 Ocak 1958–1 Aralık 2017 |
Kısaltmalar:
Avrupa Uzay Ajansı (ESA), Amerika Birleşik Devletleri Jeolojik Araştırmalar
Dairesi (USGS), TOA (Atmosferin Üstü), Yanık Alanı İndeksi (BAI), Gelişmiş
Bitki Örtüsü İndeksi (EVI), Normalleştirilmiş Fark Kar İndeksi (NDSI),
Normalleştirilmiş Fark Bitki İndeksi (NDVI), Normalleştirilmiş Fark Su İndeksi
(NDWI), Orta Çözünürlüklü Görüntüleme Spektrometresi (MODIS), Ulusal Oşinografi
ve Atmosfer İdaresi Gelişmiş çok yüksek çözünürlüklü radyometre (NOAA AVHRR),
Savunma Meteoroloji Programı (DMSP) Operasyonel Hat Tarama Sistemi (OLS) ,
Mekik Radar Topografya Misyonu (SRTM), Gelişmiş Uzaydan Termal Emisyon ve
Yansıma Radyometresi (ASTER), Tropikal Yağış Ölçme Misyonu (TRMM), Goddard Uzay
Uçuş Merkezi (GSFC). Japonya Havacılık ve Uzay Araştırma Ajansı (JAXA).
2.2.2. Vektör
Verileri
CBS tabanlı vektör veri
setleri, yeryüzündeki çeşitli yapıları ve fenomenleri temsil eden veriler
içerir. Bu veriler, sosyal, demografik, çevresel ve ekonomik analizlerde
kullanılır.
İklim Veri Katmanları: GEE'nin
iklim veri setleri, uzun yıllar boyunca elde edilen verileri içerir ve iklim
değişikliği, hava durumu tahminleri gibi analizlere olanak tanır.
Yükseklik Modelleri: GEE,
SRTM (Shuttle Radar Topography Mission) ve ALOS (Advanced Land Observing
Satellite) DSM (Digital Surface Model) gibi yükseklik modellerini içerir. Bu
veriler, topoğrafik analizlerde ve arazi modellerinde kullanılır.
2.2.3. Veri
Kataloğunun Güncellenmesi
GEE'nin veri kataloğu
sürekli olarak güncellenir ve yeni veriler eklenir. Günde yaklaşık 6000 yeni
sahne eklenerek kataloğun dinamik ve güncel kalması sağlanır
Earth Engine,
araştırmacıların sonuçlarını diğer araştırmacılara, politika yapıcılara, STK'lara ,
saha çalışanlarına ve hatta genel halka kolayca yaymasına yardımcı olmak için
tasarlanmıştır. Earth
Engine'de bir algoritma geliştirildikten sonra, kullanıcılar uygulama
geliştirme, web programlama veya HTML konusunda uzman olmaya
gerek kalmadan sistematik veri ürünleri üretebilir veya Earth Engine'in
kaynakları tarafından desteklenen etkileşimli uygulamaları dağıtabilir (Gorelick
vd., 2017).
Kullanıcılar, Earth
Engine API tarafından sağlanan bir operatör kitaplığını kullanarak kendi özel
verilerinin yanı sıra genel katalogdaki verilere erişebilir ve bunları analiz
edebilir. Bu operatörler, hesaplamaları otomatik olarak alt bölümlere ayıran
ve dağıtan, yüksek verimli analiz yetenekleri sağlayan büyük bir paralel işleme
sisteminde uygulanmaktadır. Kullanıcılar API'ye ya bir ince istemci
kitaplığı aracılığıyla ya da bu istemci kitaplığının üzerine inşa edilmiş bir
web tabanlı etkileşimli geliştirme ortamı aracılığıyla erişir
https://earthengine.google.com/
Earth Engine ana sayfasında erişim için kaydolabilir ve kullanıcı ara yüzünün
yanı sıra bir kullanıcı kılavuzuna, öğreticilere, örneklere, eğitim videolarına,
işlev referanslarına ve eğitim müfredatına erişebilir. GIS, uzaktan
algılama ve komut dosyası oluşturma ile ilgili önceki
deneyimler, başlamayı kolaylaştırsa da, bunlar kesinlikle gerekli değildir
ve kullanıcı kılavuzu, alan acemilerine yöneliktir. Hesaplar, kişisel
verileri yüklemek ve ara ürünleri kaydetmek için bir kota ile gelir ve herhangi
bir girdi veya sonuç çevrimdışı kullanım için indirilebilir (Gorelick vd.,
2017).
2.2.4. Kullanıcı
Verilerinin Eklenmesi
GEE platformuna sadece
mevcut veri setleri değil, aynı zamanda kullanıcıların kendi verilerini de
ekleyebilme imkânı sunar. Kullanıcılar, yerel bilgisayarlarından shapefile
(.shp) gibi dosyalarını GEE ortamına aktarabilir ve bu dosyalar üzerinde analiz
yapabilirler.
Katalog, sahne alma
süresinden itibaren yaklaşık 24 saatlik tipik bir gecikme ile aktif
görevlerden günde yaklaşık 6000 sahne hızında sürekli olarak güncellenir. Kullanıcılar,
genel kataloğa yeni veri setlerinin eklenmesini talep edebilir veya tarayıcı
tabanlı veya komut satırı araçlarını kullanan bir ara yüz oluşturarak diğer
kullanıcılar veya gruplarla paylaşabilir (Gorelick ve diğ. 2017).
2.3. EE Kod Düzenleyicisi
EE Explorer platformu
veri kümelerini görselleştirmek için tasarlanırken, EE Code Editor, bir
JavaScript programlama dili kullanarak büyük verileri işlemek ve EE
uygulamaları geliştirmek için tasarlanmıştır.
Merkezi panel,
kullanıcıların JavaScript kodlarını yazmasına olanak tanır. GEE, yazılı
kodları işler ve sonuçları Harita panelinde görüntü olarak veya Konsol
Sekmesinde mesaj olarak gösterir. EE Explorer'a benzer şekilde,
kullanıcılar Kod Düzenleyicideki Katman yöneticisi aracılığıyla görselleştirme
parametrelerini ayarlayabilir. Komut Dosyası sekmesinde, çok sayıda komut
dosyası örneği uygulama geliştirmeyi kolaylaştırır. EE kitaplığında
800'den fazla önceden oluşturulmuş işlev vardır. Kullanıcılar API referans
belgeleri sağlayarak Doc sekmesini kullanarak bunlara aşina olabilir
(Gorelick vd. 2017).
GEE, büyük açık erişim
veri kümelerini içerir. Ancak kullanıcılar yalnızca bu veri kümelerini
kullanmakla sınırlı değildir. Kendi verilerini yükleyebilir ve
yönetebilir, haritayı etkileşimli olarak sorgulayabilirler. Geometri
araçları da, kullanıcıların daha sonraki analizlerde kullanılabilecek noktalar,
çizgiler ve çokgenler gibi geometrik özellikleri çizmesine olanak tanır (Gorelick
vd., 2017).
Kod editörü doğrudan web
tarayıcıları üzerinden kullanılmaktadır. Bu yapısı sayesinde kullanıcılar
işlemlerini çok daha hızlı bir biçimde gerçekleştirebilmektedirler. Üyelik onay
mailinin ardından https://code.earthengine.google.com/
linki ile kod editörüne ulaşılabilir.
GEE kod editörü 5 temel
bölümden oluşmaktadır. Bunlar "Yönetici Paneli, Kod Editörü, Konsol, Arama
Çubuğu ve Harita"dır.
Yönetici Paneli;
Bu kısım GEE için temel
dosya yönetim paneli olarak düşünülebilir. Yönetici paneli kendi içinde 3
bölümden oluşmaktadır;
·
Scripts: kodların
depolandığı ve klasörlendiği alandır.
·
Docs: GEE ile ilgili
dokümanların bulunduğu bölümdür.
·
Assets: Lokal
bilgisayarlarımızda bulunan shapefile (.shp) gibi dosyalarını GEE ortamına
aktarıldığı ve bu dosyaların yönetildiği bölümdür.
Kod Editörü;
JavaScript ile yazılan
kodların düzenlendiği bölümdür. GEE içinde bulunan kod düzenleyicisi, yazılan
kodu formatlar, yazım yanlışlarını (syntax) işaretler ve kodlara tamamlamalar
yapar. Bölümün üst kısmında "Get Link", "Save",
"Run", "Reset", “Apps” ve "Ayarlar" butonları yer
almaktadır (Şekil 1).
·
Get Link: Bu buton ile
üzerinde çalışılan kod sayfasının adres bağlantısına ulaşılır.
·
Save: Yazılan kodun
kaydedilerek yönetim panelinde görüntülenmesi sağlanır.
·
Run: Yazılan kodu
çalıştırır, sonuçlar harita üzerinde ya da konsolda görüntülenir.
·
Reset: İşlemleri resetler.
Apps:
Kullanıcıların kendi veri görselleştirme ve
analiz uygulamalarını oluşturmasına ve paylaşmasına olanak tanır. Bu modül,
kullanıcıların GEE platformundaki verileri ve analizleri interaktif ve
kullanıcı dostu bir şekilde sunmalarını sağlar. Yapılan çalışma Web uygulaması
olarak sunulur ve kullanıcılara yapılan uygulama için erişim linki verilir.
Aşağıdaki linke tıklandığında Manisa Alaşehir ilçesi için hazırlanmış bir
uygulamaya (aplication) gidilebilir. Örneğin yapılmış olan bir aplikasyon için:
https://ee-nusretsatar.projects.earthengine.app/view/alaehir-ik-enerjisi-kullanm
adresine gidildiğinde
tarihleri belirterek Alaşehir ilçesinin ışık kullanım katmanları oluşturulup
bunların görünümleri incelenebilir (Şekil 2). Böylece geniş kitlelerin ve
araştırmacıların rahatlıkla erişebileceği bir bilgi kaynağı oluşturulabilir.
Konsol:
Konsol bölümü 3 alt
bölümden oluşmaktadır;
·
Inspector:
Haritada tıklanan noktadaki bilgiler etkileşimli olarak bu bölümde
görüntülenebilir.
Google Earth Engine (GEE)
üzerindeki "Inspector" modülü, kullanıcıların harita üzerindeki
belirli bir nokta hakkında ayrıntılı bilgi almasına olanak tanıyan bir araçtır.
Bu modül, kullanıcıların analiz ettikleri verileri ve görselleştirmeleri daha
iyi anlamalarını sağlar. İşte "Inspector" modülünün başlıca
işlevleri:
Piksel Değerlerini
İnceleme: Harita üzerinde herhangi bir noktaya
tıkladığınızda, o noktadaki farklı veri katmanlarının piksel değerlerini
görüntüler. Bu, özellikle farklı zaman dilimlerinde veya veri setlerinde
karşılaştırma yapmak için faydalıdır.
Katman Bilgileri: Seçili noktadaki tüm etkin katmanlardan gelen verileri
gösterir. Bu, kullanıcının aynı anda birden fazla veri kümesindeki bilgileri
analiz etmesine yardımcı olur.
Veri Keşfi: Kullanıcıların verileri daha ayrıntılı bir şekilde
keşfetmelerini sağlar. Örneğin, uydu görüntülerindeki belirli bir pikselin
yansıma değerlerini veya topoğrafik verilerdeki yükseklik bilgilerini
görüntüleyebilirsiniz.
Anlık Geri Bildirim: Harita üzerinde gezindikçe veya tıkladıkça, anında geri
bildirim alırsınız. Bu, veri kümesini daha iyi anlamak ve analiz etmek için
hızlı ve etkili bir yöntemdir.
Karmaşık Analizleri
Basitleştirme: Özellikle karmaşık veri
kümeleriyle çalışırken, belirli bir nokta üzerindeki verileri ayrıntılı bir
şekilde incelemek, analizleri daha anlaşılır ve yönetilebilir hale getirir.
·
Console: print() fonksiyonu
içerisinde yazılan her şey bu bölümde görüntülenir.
Google Earth Engine (GEE)
üzerindeki "Console" modülü, kullanıcıların kodlarını çalıştırırken
mesajları, çıktıları ve hata raporlarını görüntülemelerini sağlayan bir
araçtır. Bu modül, kod yazarken ve analiz yaparken kullanıcıların iş akışlarını
daha verimli yönetmelerine yardımcı olur. İşte "Console" modülünün
başlıca işlevleri:
Çıktı Görüntüleme: "Console" modülü, kodun çalıştırılması sonucunda
elde edilen çıktıları görüntüler. Bu, kullanıcıların analiz sonuçlarını ve veri
manipülasyonlarını anında görmelerini sağlar.
Hata Ayıklama: Kod çalıştırma sırasında oluşan hatalar ve uyarılar
"Console" modülünde görüntülenir. Bu, kullanıcıların hataları hızlı
bir şekilde tespit etmelerine ve düzeltmelerine yardımcı olur.
Mesaj Yazdırma: Kullanıcılar, kodlarının belirli noktalarında mesajlar
yazdırarak kodun nasıl çalıştığını takip edebilirler. Bu, özellikle karmaşık
analizlerde ve veri işleme adımlarında kodun doğru çalışıp çalışmadığını
kontrol etmek için faydalıdır. print() fonksiyonu kullanılarak, önemli
değişkenler veya süreçler hakkında bilgi yazdırılabilir.
Veri İnceleme: Kullanıcılar, veri yapıları ve içerikleri hakkında bilgi
almak için "Console" modülünü kullanabilirler. Örneğin, bir veri
kümesinin özelliklerini veya özet istatistiklerini görüntüleyebilirler.
İlerleme Takibi: Uzun süren analiz ve veri işleme süreçlerinde,
"Console" modülü, işlemlerin hangi aşamada olduğunu takip etmek için
kullanılabilir. Bu, kullanıcıların işlemlerinin ne kadar sürdüğünü ve ne zaman
tamamlanacağını tahmin etmelerine yardımcı olur.
Özetle, GEE'deki
"Console" modülü, kullanıcıların kodlarını daha etkili bir şekilde
yazmalarına, hata ayıklamalarına ve analiz sonuçlarını izlemelerine yardımcı
olan temel bir araçtır.
·
Task: Gönderilen ve
tamamlanması zaman alan (örneğin uydu görüntüsünü Google Drive'a indirmek)
işlemlerin görüntülendiği alandır.
Google Earth Engine (GEE)
üzerindeki "Tasks" modülü, kullanıcıların uzun süreli işlemleri ve
dışa aktarma (export) görevlerini yönetmelerini sağlar. Bu modül, veri analizlerinin
ve büyük veri setlerinin işlenmesinin ardından sonuçların dışa aktarılmasını,
ilerlemesinin izlenmesini ve yönetilmesini kolaylaştırır. İşte
"Tasks" modülünün başlıca işlevleri:
Dışa Aktarma İşlemleri: Kullanıcılar, analiz sonuçlarını Google Drive, Google Cloud
Storage veya yerel diske dışa aktarmak için görevler oluşturabilirler. Bu dışa
aktarma işlemleri, görüntü, tablo veya video formatlarında olabilir.
Görev İlerlemesini
İzleme: Başlatılan dışa aktarma görevlerinin
ilerlemesini gerçek zamanlı olarak izlemeye olanak tanır. Kullanıcılar,
görevlerin ne zaman başladığını, ne kadar süre geçtiğini ve ne zaman
tamamlanacağını görebilirler.
Görev Yönetimi: Kullanıcılar, "Tasks" modülünde görevleri
duraklatabilir, iptal edebilir veya yeniden başlatabilirler. Bu, özellikle uzun
süren işlemler için kullanıcıların işlem kontrolünü elde tutmalarını sağlar.
Hata Bildirimi: Görevler sırasında oluşan hatalar "Tasks"
modülünde bildirilir. Bu sayede kullanıcılar, dışa aktarma işlemleri sırasında
meydana gelen sorunları hızlıca tespit edebilir ve düzeltebilirler.
Kuyruk Yönetimi: Birden fazla görev sıraya konulabilir ve aynı anda
çalıştırılabilir. Bu, kullanıcıların birden fazla dışa aktarma veya işleme
görevini verimli bir şekilde yönetmelerine olanak tanır.
Otomatik Bildirim: Görevlerin tamamlanması veya başarısız olması durumunda
kullanıcılar bildirim alabilirler. Bu, işlemlerin durumunu takip etmeyi ve
gerektiğinde müdahale etmeyi kolaylaştırır.
Özetle, GEE'deki
"Tasks" modülü, kullanıcıların analiz sonuçlarını dışa aktarmalarını,
görevlerin ilerlemesini izlemelerini ve bu işlemleri etkili bir şekilde
yönetmelerini sağlayan güçlü bir araçtır.
Arama Çubuğu:
GEE'nin header bölümünde
bulunan arama çubuğu ile GEE içerisinde bulunan veri setlerinin isimlerini
yazılarak arama yapılabilir.
Harita:
Bu bölüm GEE'nin alt
kısmında bulunan bölümdür. Herhangi bir işlem yapılmadığında bizleri temel
harita altlığı karşılamaktadır. Kod editörü aracılığı ile çağırdığımız uydu
görüntülerini bu alanda görüntüleri ve yaptığımız analiz sonuçları da aynı
şekilde katman olarak bu alanda görselleştirilir (https://www.remotesensinghub.com/).
Tablo 2. Google Earth Engine kod düzenleyicisinde bulunan
algoritmaların ve yeteneklerin bir özeti. (Tamiminia vd., 2020).
2.4. Zamansal İzleme (Timelapse)
Timelapse platformu, GEE
platformunun büyük hesaplama gücünün bir örneğidir. Bu platform,
yeryüzünün nasıl değiştirildiğinin en kapsamlı resmidir. EE Time-lapse
aracılığıyla, örenğin Alaska'daki Mendenhall Buzulu'nun hızla geri çekildiğini,
Amazon'da orman kaybını ve İran'daki Urmiye Gölü’nün zamanla nasıl
kuruduğunu rahatlıkla gözlemlemek mümkündür
(Amani vd., 2020).
Timelapse, Dünya'nın son
34 yılda nasıl değiştiğini görmenizi sağlayan küresel, yakınlaştırılabilir bir
yeryüzü filmidir.
1984'ten 2018'e kadar
Earth Engine'i kullanılarak, 5 farklı uydu tarafından elde edilen 15 milyondan
fazla uydu görüntüsü birleştirilerek her yıl için bir tane olmak üzere,
bulutsuz 35 yıllık mozaikten yapılmıştır. Görüntülerin çoğu, 1970'lerden beri
Dünya'yı gözlemleyen ortak bir USGS/NASA Dünya gözlem programı olan Landsat'tan
gelmektedir. 2015'ten 2018'e kadar, Landsat 8 görüntüleri, Avrupa Komisyonu ve
Avrupa Uzay Ajansı'nın Copernicus Dünya gözlem programının bir parçası olan
Sentinel-2A'dan alınan görüntülerle birleştirilmiştir.
Timelapse, bilim
adamları, araştırmacılar ve gazeteciler gibi kullanıcıların Google'ın hesaplama
altyapısını ve çoklu petabaytlık veri tabanını kullanarak değişiklikleri
algılamasına, eğilimleri haritalamasına ve Dünya yüzeyindeki farklılıkları
ölçmesine olanak tanıyan Earth Engine'in bulut bilgi işlem modelinin gücünü
gösteren bir örnektir (https://earthengine.google.com/timelapse/).
3. GEE FONKSİYONLARI VE ALGORİTMALAR
Google Earth Engine
(GEE), kullanıcılarının coğrafi veri setlerini analiz etme ve işleme
ihtiyaçlarına cevap verebilmek için geniş bir API (Application Programming
Interface) fonksiyon kütüphanesi içerir. Bu fonksiyonlar, temel matematiksel
işlemlerden ileri düzey görüntü işleme ve makine öğrenimi algoritmalarına kadar
çeşitli veri kümeleri üzerinde spektral ve uzamsal işlemleri gerçekleştirmek
için geniş bir işlev ve algoritma yelpazesi sunar.
3.1. Temel Fonksiyonlar:
GEE, temel görüntü
işleme, vektör işleme ve geometrik analiz fonksiyonlarına sahiptir. Bu
fonksiyonlar, verilerin özelliklerini çıkarmak, analiz etmek ve sonuçları
görselleştirmek için kullanılır.
Görüntü İşleme: GEE,
piksel bazlı işlemler ve renk alanı dönüşümleri gibi fonksiyonlar sunar.
Örneğin, piksel matrislerinin yeniden adlandırılması ve bant genişliklerinin
seçimi gibi işlevler bu kategoriye girer
Vektör İşleme: Vektör
verileri üzerinde yapılan işlemler, poligon ve çizgi verilerini analiz etmek ve
görselleştirmek için kullanılır.
Geometrik Analiz: Bu
fonksiyonlar, mekânsal hesaplamalar ve ilişkilendirmeler yapmak için
gereklidir. Kesme, birleştirme ve tampon gibi işlemler içerir
3.2. Gelişmiş Fonksiyonlar ve Algoritmalar
GEE, daha karmaşık
gereksinimleri karşılamak için gelişmiş fonksiyonlar ve algoritmalar da sunar.
Bu fonksiyonlar, özellikle büyük veri setlerinin işlenmesi ve analiz edilmesi
için tasarlanmıştır.
Spektral İşlemler: Bu
işlem kümesi, belirli bant kombinasyonlarının çıkarılması ve analizi için
kullanılır. Örneğin, Normalleştirilmiş Fark Bitki Örtüsü İndeksi (NDVI) gibi
spektral indekslerin hesaplanması yaygındır
Zamansal Analiz: Farklı
zaman dilimlerinde alınan görüntüler üzerinde analizler gerçekleştirilir. Bu
fonksiyonlar, zamansal trendlerin ve değişimlerin izlenmesini sağlar
Makine Öğrenimi Algoritmaları: GEE, denetimli ve denetimsiz öğrenme algoritmaları dahil
olmak üzere çeşitli makine öğrenimi araçları sunar. Rastgele orman (Random
Forest), Destek Vektör Makineleri (SVM) ve K-Means gibi algoritmalar bu kapsamda
yer alır.
3.3. Veri Görselleştirme
GEE, verilerin
görselleştirilmesi için çeşitli araçlar sunar. Bu araçlar, verilerin analiz
sonucunda daha anlaşılır ve anlamlı bir şekilde sunulmasına olanak tanır.
RGB Kompozitleri: Çeşitli
spektral bantların birleştirilmesiyle oluşturulan kompozit görüntüler.
Harita Görselleştirme ve Katman Yönetimi: Kullanıcılar, harita üzerinde birden fazla veri katmanı
ekleyebilir ve bu katmanları yönetebilir. Bu özellik, zaman serisi analizleri gibi
kompleks işlemlerin görselleştirilmesi için kullanılır
3.4. Geo-Processing Fonksiyonları
GEE, çeşitli coğrafi
işlemler için bir dizi özel fonksiyon sunar. Bu fonksiyonlar, çoğunlukla
bilimsel projeler ve büyük veri analizleri için gereklidir.
Geometrik İşlemler: Nokta,
çizgi ve çokgen gibi temel geometrik şekiller üzerinde uzunluk, alan, ve çevre
hesaplamaları yapar. Ayrıca, tampon, dönüştürme ve basitleştirme gibi işlemler
içerir.
Raster İşlemleri: Bant
ekleme, seçme, yeniden adlandırma gibi raster veriler üzerinde işlemler
yapılabilir. Ayrıca, piksel bazlı işlemler ve uzamsal gradyanlar gibi türev ve
kenar algılama işlemleri de desteklenir
Coğrafi Dönüşümler:
Verilerin farklı coğrafi projeksiyonlarda dönüştürülmesi ve kaydedilmesi
işlemlerini içerir
3.5. Diğer Görüntü İşlemleri
GEE, kapsamlı bir görüntü
işleme fonksiyon seti sunar. Kullanıcılar, bu fonksiyonlar yardımıyla
görüntüleri analiz edebilir, geliştirebilir ve sınıflandırabilir.
Mozaikleme ve Kırpma: Görüntü
verilerini birleştirme ve istenilen bölgelere göre kırpma işlemleri.
Veri Maskeleme: Bulut
ve gölge gibi istenmeyen piksellerin maskeleme işlemleri.
Görüntü Sınıflandırma:
Eğitimli veri setleri kullanarak, görüntülerin belirli kategorilere ayrılması.
Türev ve Kenar Algılama: GEE,
piksel-uzay türevlerini ve kenar algılama işlevlerini içerir. Bu, özellikle
nesne tabanlı Görüntülerin analizi için özel yöntemler ve fonksiyonlar içerir.
3.6. Diğer Çeşitli Fonksiyonlar:
Zaman Serisi Analizi:
Yıllık, mevsimlik ve aylık veriler üzerinde zaman serisi analizleri
yapılabilir.
Histogram ve Grafikler:
Çeşitli grafik ve histogram türleri oluşturulabilir.
Kullanıcı Tanımlı Algoritmalar: GEE, kullanıcıların kendi özel algoritmalarını
geliştirmelerine de olanak tanır. Bu, kullanıcılara özel ihtiyaçlarına yönelik
çözümler üretme esnekliği sunar.
Görüldüğü gibi GEE,
kullanıcıların geniş coğrafi veri setlerini etkili bir şekilde analiz
etmelerine ve görselleştirmelerine olanak tanıyan çok çeşitli fonksiyon ve
algoritmalar içermektedir. Bu fonksiyonların doğru ve etkili kullanımı,
kullanıcıların büyük veri setlerinden anlamlı bilgiler çıkarmasını sağlayarak
GEE'nin sunduğu geniş işlev yelpazesi, araştırmacılara ve analistlere sınırsız imkânlar
sağlamaktadır.
4. GOOGLE EARTH ENGİNE (GEE) KULLANIM ALANLARI ve YAYIN İSTATİSTİKLERİ
GEE, 2010 yılında
piyasaya sürülmesinden bu yana, bilim adamları ve araştırmacılar arasında
giderek daha popüler hale gelmiştir. Kullanıcılar, platformun sağladığı büyük
veri işleme kapasitesinden ve küresel veri erişiminden yararlanarak bir dizi
inovatif araştırmaya imza atmışlardır. GEE teknoloji platformunu kullanarak
yapılan araştırmaların çeşitliği ve yelpazesi de gün geçtikçe genişlemektedir.
Bazı araştırıcılar tarafından yapılan bilimsel çalışmaların tasnifi yapılmış ve
bazı temalar belirlenmiştir.
GEE kullanan makalelerin
sayısı yıllar içinde hızla artmıştır. GEE kullanan ilk makale 2011'de yayınlanmış
ve bu yıl toplamda 9 makale yayınlanmıştır. Yayınları sayısı 2016'da 109'a, 2017'nin
ilk yarısında ise 90'a yükselmiştir.
Kumar & Mutanga
(2018) Google Earth Engine platformunun kullanım kalıplarını ve gelişmekte olan
ülkelerdeki araştırmacıların bu fırsattan yararlanıp yararlanmadığını
araştırmıştır. 2016'da 109, 2017'nin ilk yarısında ise 90 makale
yayınlanmıştır. 2011-2017 yılları arasında GEE'yi kullanan toplam ve 158 farklı
dergide 300 dergi makalesi yayınlanmıştır.
Platformun kullanımı
açısından gelişmiş ülkelerdeki kurumların baskın olduğu ve çalışma alanlarının
ağırlıklı olarak gelişmiş ülkelerde olduğunu görülmektedir. Landsat en yaygın
kullanılan veri setidir (Kumar & Mutanga
(2018).
Mutanga & Kumar (2019), küresel uygulamalar için büyük veri
kümelerini işlemek üzere Google Engine bulut bilişim jeo-uzamsal araçlarından
yararlanan makaleleri araştırmıştır. Toplam 158 dergiden alınan makaleler
kullanılarak yapılan araştırmada 2010'daki başlangıcından bu yana, Google
Earth motorunun kullanımında, Landsat'ın en
yaygın kullanılan veri seti olduğu görülmüştür. Araştırılan konular: Bitki
Örtüsü Haritalama ve İzleme, Arazi Örtüsü Haritalaması, Tarımsal
Uygulamalar, Afet Yönetimi ve Yer
Bilimleri olmak üzere beş ana temaya ayrılmıştır.
Tamiminia vd., (2020)
tarafından gerçekleştirilen meta-analiz çalışması, 2010-Ekim 2019 tarihleri
arasında 146 farklı dergide yayınlanan toplam 349 hakemli makaleyi içermektedir.
Bu çalışma, GEE’nin küresel ölçekte geniş bir uygulama yelpazesi sunduğunu ve
özellikle optik uydu görüntülerinin yoğun olarak kullanıldığını ortaya
koymuştur. Yayınların coğrafi dağılım eğilimleri, hem bölgesel hem de küresel
ölçekte çevresel analizlerde geniş bir uygulama yelpazesi göstermiştir. Özellikle 40
yılı aşan bir arşive sahip Landsat
verileri yoğun olarak kullanılmıştır. Linear
Regresyon ve Random Forest makine öğrenme algoritmaları, uydu görüntü işleme
için en sık kullanılan algoritmalardır. Kullanıma hazır
ürünler arasında vejetasyon, mahsul, arazi örtüsü haritalama ve kuraklık
izleme çalışmaları oluşturur. Bunların % 27'sinde normalleştirilmiş fark
bitki örtüsü indeksi (NDVI) kullanılmıştır. Çalışmaya konu edilen 37 makale,
kullanıma hazır ürünleri kullanmıştır. Bu maddeler 6 grupta
sınıflandırılmıştır: habitat haritalaması, CBS tarımsal arazi uygunluğu, afet
yönetimi, sosyo-ekonomik, sürdürülebilir
kalkınma ve “diğerleri”. "Diğerleri" kategorisi,
topografik modelleme, hastalık izleme ve görüntü alımını içerir. GEE
veri kataloğundaki mevcut tüm kullanıma hazır ürünler arasında, bitki örtüsü
endeksleri, arazi örtüsü, küresel orman değişimi ve Dijital Yükseklik Modelleri
(DEM'ler) yaygın olarak uygulanmıştır (Tamiminia vd., 2020).
Bir başka kapsamlı çalışma
Amani vd., (2020) ne aittir. Ocak 2010 ile Mayıs 2020 arasında 150 dergide
yayınlanan 450 dergi makalesi incelenmiştir. Landsat ve Sentinel veri
setlerinin GEE kullanıcıları tarafından yoğun olarak kullanıldığı gözlemlenmiştir. Ayrıca,
Random Forest gibi denetimli makine öğrenimi algoritmaları, görüntü
sınıflandırma görevlerine daha yaygın olarak uygulanmıştır. GEE ayrıca
Arazi Örtüsü/arazi Kullanımı sınıflandırması, hidroloji, şehir planlaması,
doğal afet, iklim analizleri ve görüntü işleme gibi çok çeşitli uygulamalarda
kullanılmıştır. Genel olarak son birkaç yılda GEE yayınlarının sayısının
önemli ölçüde arttığı gözlemlenmiş ve GEE'nin büyük veri işleme zorluklarını
çözmek için farklı alanlardan daha fazla kullanıcı tarafından kullanılmasının
beklendiği belirtilmiştir.
Zhao vd., (2021)
çalışmalarında GE (Google Earth) ve GEE (Google Earth Engine)'nin
kullanımındaki uygulamalar ve eğilimler, bilimsel makaleleri bilimetrik analiz
(scientometric analysis) CiteSpace ve meta-analiz kullanarak analiz ederek
gözden geçirmişler ve şu sonuçlara ulaşmışlardır: (1) GE veya GEE kullanımını
anlatan makalelerin sayısı 2006'da iki iken 2020'de 530'a önemli ölçüde
artmıştır. GEE makalelerinin sayısı GE kullanımı ile ilgili makalelere göre çok
daha hızlı artmıştır. (2) Hem GE hem de GEE, çok disiplinli araçlar olarak
uzaktan algılama topluluğu tarafından yaygın olarak kullanılmıştır. GE
makaleleri, GEE kullanımını anlatan makalelere göre daha geniş bir araştırma
alanı (örneğin, biyoloji, eğitim, hastalık ve sağlık, ekonomik ve bilgi bilimi)
kapsamıştır ve daha geniş bir dergi yelpazesinde yer almıştır. (3) GE ve GEE
benzer anahtar kelimeler paylaşmıştır (örneğin, "arazi örtüsü",
"su", "model", "bitki örtüsü" ve
"orman"), bu da uygulamalarının belirli araştırma alanlarında çok
önemli olduğunu göstermektedir. Ana fark, GE kullanımını anlatan makalelerin
bir görsel gösterim platformu olarak kullanımına vurgu yaparken, GEE ile ilgili
makalelerin büyük veri ve zaman serisi analizine daha fazla vurgu yapmasıdır.
(4) GE ve GEE'nin çoğu uygulaması ABD, Çin ve Birleşik Krallık gibi ülkelerde
gerçekleştirilmiştir. (5) GEE, analiz için önemli bir araçtır, GE ise
görselleştirme için yardımcı bir araç olarak kullanılmaktadır.
Velastegui-Montoya vd.,
(2023), Google Earth Engine (GEE) platformunun bilimsel üretimini ve bilişsel
yapısını bibliyometrik bir yaklaşımla incelemişler, gelecekteki araştırmalar
için bibliyometrik haritaları kullanarak alandaki iş birliğini ve araştırma
trendlerini anlamayı amaçlamışlardır. Araştırma, 2011 ve 2022 yılları arasını
kapsayan dönem için Scopus veritabanı kullanılarak yürütülmüştür. GEE'nin çok
disiplinli uygulamaları ve büyük uydu verilerini yönetmedeki potansiyeli
vurgulandığı ve dört aşamalı bir metodolojik sürecin kullanıldığı (arama
kriterlerinin belirlenmesi, veri toplama, yazılım seçimi ve veri analizi)
çalışmada şu sonuçlara ulaşılmıştır: (1) Çalışmada 2800 belgede 39.228 atıf
alınan dokümanlar analiz edilmiştir. (2) Bilimsel üretimde Çin ve ABD önde
gelen ülkeler olmuş ve iş birliği yapmışlardır. (3) Araştırmalar, ağırlıklı
olarak arazi kullanımı ve örtüsü, tarım, iklim değişikliği ve hidroloji gibi
konulara odaklanmıştır. (4) GEE, büyük uydu verilerini yönetmede etkin bir
platform olarak kabul edilmiş ve çok disiplinli bir araç olduğu vurgulanmıştır.
(5) Bulgular, GEE'nin çeşitli alanlarda sunduğu fırsat ve katkıların önemli
olduğunu ve gelecekteki araştırmalarda nasıl yönlendirici bir rol
oynayabileceğini göstermektedir.
Vijayakumar vd., (2024), GEE'nin, ağırlıklı olarak tarım,
bitki örtüsü haritalaması, afet yönetimi, hidroloji çalışmaları, kentsel
planlama, iklim değişikliği analizi ve ormancılık gibi çeşitli sektörlerde
kullanıldığı belirterek, platformun kullanımının, gelişmiş ülkelerde daha
yaygın olduğu; ancak gelişmekte olan ülkelerde hala beklenen seviyede olmadığı
vurgulanıyor. Bunun nedenlerinin arasında teknik bilgi eksikliği, altyapı
yetersizlikleri, internet bağlantısının kısıtlı olması ve iş birliği eksikliği
gibi faktörler bulunduğunu ileri sürmüşlerdir. Önerilen çözümler arasında,
teknik becerileri artıracak eğitim programları düzenlemek, farkındalık
kampanyaları yapmak ve altyapıyı geliştirmek gibi müdahaleler yer alıyor. Bu
sayede, GEE'nin sunduğu çeşitli uygulamalardan tam anlamıyla yararlanarak
sürdürülebilir kalkınma amaçlarına katkı sağlanabileceği belirtilmektedir.
Google Akademik
sayfasında “google earth engine” sözcüklerini içeren ve tüm zamanları kapsayan
yayın sorgulamasında 393.000 sonuç çıkarken, sadece 2024 yılı ile
sınırlandırılmış aramada ise 18.100 sonuç çıkmaktadır.
Yayınlardaki ve araştırma
konusu yelpazesindeki artış, GEE'nin akademik ve araştırma çevrelerinde hızla
kabul gördüğünü ve kullanıldığını göstermektedir.
Mevcut eğilimler, GEE
yayınlarının ve kullanımının önümüzdeki yıllarda da devam edeceği ve genişleyeceği
anlamına gelmektedir. Platformun, büyük veri işleme zorluklarını çözmek adına
daha fazla kullanıcı tarafından benimsenmesi beklenmektedir.
5. GEE PLATFORMUNDA YAPILAN ÖRNEK
UYGULAMALAR
Bu bölümde, web tabanlı
bir uzaktan algılama platformu olan Google Earth Engine (GEE) platformu
kullanarak yapılan uzaktan algılama çalışmaları örneklendirilmiş ve platformun
web ara yüzü üzerinde elde edilen çıktılar çeşitli açılardan
değerlendirilmiştir.
GEE platformundan veri
alabilmek için JavaScript ve Python yazılım dillerinden yararlanılmaktadır. Bu
yazılım dillerinin GEE’ye erişimi kendilerine has bazı artılar ve eksiler
içermektedir. JavaScript kodları uzun hesaplamalar yapılacağı zaman platform
ile iletişiminizin kesilmemesi, değişkenlerin doğru konumlandırılması ve GEE
platformunun tüm özelliklerine tam erişim sağlaması açısından önemli artılara
sahiptir. Python yazılım dili ile GEE platformuna tam erişim biraz daha zayıf
olsa bile sahip olduğu yapay zekâ ve robotik kütüphaneleri ona çok büyük
avantajlar sağlamaktadır (Tamiminia vd., 2020; Kumar & Mutanga, 2018).
Python ile yazılan bir
kodla JavaScript kodları doğrudan Python diline çevrilebilmektedir. Ancak
burada çevirim yapıldıktan sonra platformdan istenen değişkenlerin
özelliklerine dikkat etmek yerinde olacaktır.
Yapılan örnek
çalışmalarda JavaScript yazılım dili kullanılmıştır. Kodların ihtiyaç duyulan
kısımlarında kod bloklarının kullanım amacı ile ilgili açıklamalar yapılmıştır.
GEE platformunun web
arayüzünde gösterilen çıktılar, istenildiğinde GEE tarafından belirlenen
fonksiyon kodları ile Google Drive'a indirilebilmektedir. Bu çıktılar, Coğrafi
Bilgi Sistemleri (GIS) programları tarafından desteklenen format ve netlikte
kaydedilebilmektedir.
Kod Editörünün orta sütunda,
JavaScript dilinde kodların yazılabileceği IDE (Entegre Geliştirme Ortamı)
bulunmaktadır. İndirilmek istenen görüntüler IDE kısmına yazılacak
“Export.image.toDrive()” fonksiyonu ile indirilebilmektedir:
Export.image.toDrive({
image:image,
description:'landsat8kesilmiş',
scale:30,
region:alasehirsinir
})
Burada dikkat edilecek
husus indirilecek alanın piksel sayısının belli bir sınırının olması
gerektiğidir. Aksi takdirde çok büyük bir dosya indirildiğinde platform piksel
hatası verecektir.
Yani yukarıdaki
kodlamanın en sonuna “maxPixels:” parametresi de eklenebilir. Bu sayısal değer
eklenirken verilen sayının heksadesimal (16’lık sayı tabanında) olduğu
unutulmamalıdır.
Örneğin: “maxPixels: 1e9”
gibi.
Bu platformu bu kadar
kullanışlı kılan şey, tüm işlemlerin Google'ın bilgisayarları tarafından
gerçekleştirilmesi ve bu sayede bilgisayarınıza ek bir iş yükü
bindirilmemesidir. Bu sayede, basit bir bilgisayar kullanarak bile çok büyük
veri setleri işlenebilmekte ve normalde günler sürecek hesaplamalar dakikalar
içinde tamamlayabilmektedir.
Aşağıdaki paragraflarda
örnek bir çalışma ve ihtiyaç duyuldukça kod blokları verilecektir.
5.1. Renklendirilmiş İnfrared ve NDVI Çalışmaları:
Nesneler, özelliklerine
bağlı olarak belirli dalga boylarındaki ışıkları yansıtır. Bu yansıma
özelliklerine spektral imza denir. İnsanlar sadece mavi, kırmızı ve yeşil dalga
boylarını görebilirken, multispektral ve hiperspektral kameralar daha geniş bir
spektrum aralığını algılar (Gitelson &
Merzlyak, 1996; Süsstrunk vd., 1999; Akgül, 2015).
Şekil 2'de aynı elmanın
farklı bantlardaki görüntüleri gösterilmiştir. İlk görüntü monokromatik, ikinci
görüntü RGB, üçüncü görüntü ise renklendirilmiş infrareddir (optosky.com, 2024).
Şekil 3’de, aynı elmanın
farklı bantlardaki görüntüleri gösterilmektedir (optosky.com,
2024). İlk görüntü, monokromatik banttadır ve nesne siyah-beyaz olarak
algılanır; bu bant netlik üzerine odaklanır ve net bir elma görüntüsü sağlar.
İkinci görüntü, insan gözüyle görülebilen RGB bantları ile oluşturulmuştur ve
bu şekilde insan gözü tarafından algılanır. Üçüncü görüntü ise, insan gözünün
göremediği bantlarla oluşturulmuş ve görülebilir hale getirilmek için
renklendirilmiştir (RGB kompoziti oluşturulmuştur). Yani, görünmeyen dalga
boyları bilgisayar tarafından belirli renklere dönüştürülmüştür. Bu durumda,
insan gözüyle mükemmel görülen elmanın aslında sağlıksız kısımlarının olduğu
anlaşılmaktadır.
Multispektral ve
hiperspektral kameralar, bu yetenekleri sayesinde uzaktan algılama
teknolojilerinin vazgeçilmez unsurları haline gelmiştir. Bu kameraların elde
ettiği görüntüleri yorumlamak için görüntü işleme teknolojileri kullanılır. Bu
teknolojiler sayesinde, görüntüde hangi dalga boylarının hangi oranlarda
alınması gerektiği belirlenebilir. Böylece, oluşturulan görüntü, belirli bir
olayı veya nesneyi hedef alacak şekilde ayarlanabilir.
Uzaktan algılama için
algılanmak istenen cismin spektral özellikleri ve bu spektrumu elde etmek için
görüntü üzerinde hangi dalga boylarının ne oranda alınması gerektiği
hesaplanmalıdır. Daha sonrada bu dalga boyları insan gözünün algılaması için
yeniden renklendirilir (RGB kompoziti oluşturulur). Böylece insan gözünün
göremediği görüntüler renklendirilmiş olur.
Manisa Alaşehir’in 2024
Mayıs ayına ait Sentinel-2 uydu görüntüleri için yazılan kod blokunda daha önce
“Assets” kısmına verileri girilen Alaşehir ilçe sınırları alınmış ve
“Map.centerObject()” fonksiyonu kullanılarak Alaşehir ilçesi harita merkezi
olarak kabul edilmiştir. Fonksiyon içerisine eğer istenirse zoom değerleri ve
görüntü parametreleri de girilebilmektedir (Şekil 4).
Yazılan algoritmada
Alaşehir merkez olarak seçildikten sonra 2024 Nisan ayına ait 30 günlük
Sentinel-2 uydu görüntüleri çağırılmıştır. Daha sonra bu görüntüler % 10 bulut
filtresine sokulmuştur.
Bulut filtresinin mantığı
sadece bulutların yansıtabileceği dalga boyları baz alınarak bulutların
etkisini azaltılmasıdır. Böylece daha net bir görüntü elde edilmektedir. Bulut
filtresi bu çalışmada olduğu gibi GEE tarafından hazırlanan hazır bir fonksiyon
ile yapılabildiği gibi filtre kullanıcı tarafından da yazılabilmektedir. Şekil
5’teki kod bloku ile bir bulut filtre fonksiyonu oluşturulmuştur.
Bulutlar temizlendikten
sonra yazılan algoritma ile ilk aşamada alınan her görüntünün kırmızı “B4”,
yeşil “B3” ve mavi “B2” bantları istenmiştir ve bu şekilde haritanın insan gözü
ile görülebilecek RGB görüntüsü oluşturulmuştur. Algoritmada görüntünün doğru
bantlarını çağırmak için Sentinel-2 bant kombinasyonlarının bilinmesi gerekir.
Bu bant kombinasyonları Sentinel-2 için Tablo 4’teki gibidir.
Tablo 4. Sentinel-2 bantları ve kombinasyonları (gisgeography, 2024).
İstenilen bantlar
çağırıldıktan sonra “mean()” fonksiyonu ile bütün resimlerin piksellerinin
ortalaması alınmıştır. Bu işlem aslında Nisan ayı boyunca çekilen görüntülerin
her bir piksel değerinin ortalamasıdır. Böylece tek bir resim oluşturulmuş ve
bu resim de “clip()” fonksiyonu ile kesilmiştir. Elde edilen görüntü
algoritmanın 14. satırındaki “Map.addLayer()” fonksiyonu ile harita alanına
katman olarak eklenmiştir.
Tüm bu işlemlerden sonra
insan gözü için doğal olan renklerle Alaşehir ilçesinin 30 günlük kısmen
buluttan arındırılmış ortalama görüntüsü elde edilmiştir (Şekil 6).
Tüm bu işlemler, infrared
ışıkların görüntüsünü elde etmek için de kullanılmıştır. Fakat işlemlere ek
olarak algoritmaya 17-19 satırlar eklenmiştir. İnsan gözü infrared ışıkları
göremediği için, bu dalga boyunun kırmızı olarak görünebilmesi adına görüntü
parametrelerinde bir değişiklik yapılır. Kırmızı, yeşil ve mavi bantların
sıralaması değiştirilerek kırmızı yerine Sentinel’de infrared bandı olan “B8”
kullanılmış ve böylece görüntünün kırmızı şekilde ekrana aktarılması
sağlanmıştır (RGB kompozit oluşturulmuştur, Şekil 7).
Alaşehir RGB ve
Renklendirilmiş infrared görüntülerinin elde edilmesi için yapılan işlemlere ek
olarak yazılan algoritmaya 22-24. satırlar eklenerek tarım alanlarının tespiti
için kullanılan bantlar olan VNIR (Görülebilir yakın infrared) ve SWIR (Kısa
dalga infrared) görüntülerinden de RGB kompoziti oluşturulmuştur (Şekil 8).
Şimdiye kadar yapılan
çalışmaların dışında, hedeflenen nesnelerin daha net ve doğru bir şekilde
görüntülenebilmesi için bantlar üzerinde bazı matematiksel işlemlerin yapılması
gerekmektedir. Örneğin Alaşehir’in vejetasyon özelliklerinin görüntülenmesi için
bitkilerin klorofillerinin yansıttığı ve emdiği dalga boyları arasındaki fark
kullanılmaktadır.
Basitçe bitkiler kırmızı
ışığı emer ve NIR (yakın infrared) ışığı güçlü bir şekilde yansıtır. Bu
spektrumların farkları bitkinin sağlık durumu hakkında bize bilgi verir. Bu
farkın bilgisayar işlemlerine sokulabilmesi için -1 ile +1 arasına
sıkıştırılması gerekir. Bu nedenle elde edilen değer normalleştirme denen
formüle sokulur (Roderick vd., 1996). Normalleştirme bir değişkenin diğer
değişkene olan farkının yine bu iki değişkenin toplamına bölünmesiyle oluşur.
Böylece Normalleştirilmiş bir vejetasyon indeksi elde edilmiş olur. NDVI
(Normalized Difference Vegetation Index) olarak da isimlendirilen bu formül
kullanılarak vejetasyon formasyonlarının dağılışı ve sağlık durumları ile
ilgili bilgiler alınır.
NDVI formülü aşağıdaki
gibi ifade edilebilir:
NDVI = (NIR-Red)
/(NIR+Red)
Bu çalışmada Alaşehir
ilçesinin NDVI görüntüsünü almak için bir algoritma yazılmıştır fakat bu
algoritmadaki tüm kod satırları bir önceki çalışmalarda da benzer olduğu için
açıklanmayacaktır. Sadece farklılık oluşturan bloklara açıklık getirilecektir
(Şekil 9).
NDVI için normalleştirme
formülü yazılabileceği gibi GEE tarafından hazır sunulan normalleştirme
fonksiyonu da kullanılabilmektedir. Bu normalleştirme fonksiyonu
“normalizedDifference()” komutu ile çağırılmaktadır. Yapılan çalışmada GEE
tarafından tanımlanan normalleştirme fonksiyonu yazılan “addNDVI” adındaki yeni
fonksiyon içinde kullanılmıştır. Kod bloku çok uzun olduğu için blok parça
parça alınıp açıklanmıştır (Şekil 9).
Bu kod blokunda yeni NDVI
hesabı yapabilmek için ve bu hesaplamanın sonucunda oluşan yeni bandın mevcut
bant listesine eklenmesi için bir fonksiyon yazılmıştır. Dikkat edilirse
önceden 16 banta sahip olan görüntü, sahip olduğu bantlardan matematiksel işlemlerle
tanımlanan yeni bir banta sahip olmuş ve bant sayısı 17’ye çıkmıştır.
Görüntünün sol sütununda 16. bant olarak “ndvi” isimli float karakterli bir
bant eklenmiştir.
Bu oldukça önemli bir özellik
olarak karşımıza çıkmaktadır, çünkü ileri kodlama uygulamalarında kullanıcı
tarafından oluşturulan bu bantlar, normal sunulan bantlarmış gibi işlemlere
sokulmakta ve çok daha net sonuçlar elde edilmektedir.
Tüm bu işlemler
yapıldıktan sonra elde edilen kompozitin yeniden renklendirilmesi için harita
katmanı ekleme sırasında kullanılacak parametreler oluşturulmuştur. Bunun
içerisinde kullanılacak her bir rengin sayısal değeri verilmiştir. Her renk
kodu 16’lık sayı tabanına göre isimlendirilmiştir. Bu renkler haritanın
oluşturulması sırasında NDVI görüntünün -1 ile +1 arasındaki değer geçişinde
kullanılmıştır. Elde edilen görüntü Şekil 10’daki gibi olmuştur.
NDVI için elde edilen
görüntüde palet renklerinin görüntüleme parametreleri kutucuğunda gösterildiği
görülmektedir. Burada koyu yeşil +1 (NDVI değerlerinin yüksek olduğu sağlıklı
ve güçlü klorofillere sahip bitki örtüsü) ve beyaz için -1 (NDVI değerlerinin
en düşük olduğu ve klorofilin neredeyse hiç olmadığı Afşar Barajı gibi yerler)
arasında geçişin yapıldığı görülmektedir.
İstendiğinde daha küçük
bir alan için NDVI ortalama değeri alınabilmektedir. Bu tarım alanlarındaki ya
da belli orman alanlarındaki ortalama canlılık seviyesinin tespiti açısından
oldukça önemlidir. Bu değerin alınabilmesi için konum bilgilerinin doğru
şekilde girildikten sonra bu konumda bulunan sahanın NDVI değerlerinin
ortalamasının yapılması gerekecektir.
Bunlarla beraber topluca
bir bölgedeki NDVI değerlerinin yıllara göre değişimi ile ilgili bilgiler de
alınabilmektedir. Bu bilgiler istendiğinde grafik olarak
görselleştirilebilmektedir. Çalışmada “ui.Chart.image.seriesByRegion()”
fonksiyonu kullanılarak Alaşehir’in 2018 – 2023 yıllarına ait NDVI grafiği elde
edilmiştir (Şekil 11).
Oluşturulan grafik
“Consol” modülünde ortaya çıkmış ve görüntü genişletilince görüntünün hangi
formatlarda indirilebileceği sağ üstteki indirme butonlarında belirtilmiştir.
Grafik elde etmek için
kullanılan “ui.Chart.image.seriesByRegion()” fonksiyonundaki “ui.” “user
interface” kelimelerinin kısaltılmış halidir ve “kullanıcı arayüzü” anlamına
gelmektedir. Kod Editöründe sol sütunda Docs içerisinde (UI) kısmında
kullanıcılar için görselliği çok kolay ve anlaşılır hale getirecek fonksiyonlar
tanımlanmıştır. Bu fonksiyonlar Fiziki Coğrafya araştırmaları sırasında elde
edilecek katmanların daha efektif kıyaslanması için kullanılabilecektir.
(UI) kısmında tanımlanan
“ui.SplitPanel()” fonksiyonu kullanılarak Alaşehir’e ait RGB görüntü üzerine
perde gibi yukarı aşağı çekilebilecek, 11 sınıftan oluşan ve Avrupa Uzay Ajansı
tarafından oluşturulmuş olan ESA WorldCover 2020 (Avrupa Uzay Ajansı Yeryüzü
Örtüsü 2020) 10 m çözünürlükteki arazi örtüsü
katmanı uygulanmıştır (Şekil 12).
Şekil 12’de verilen
görüntünün sol sütununda “Docs” kısmı altında “ui” için tanımlanan fonksiyonlar
görülmektedir. Çalışmada “ui.SplitPanel()” fonksiyonu ile oluşturulan kayar
panel sayesinde ana RGB haritası üzerindeki diğer katman kolaylıkla hareket
ettirilmekte, bu sayede görüntüler arasındaki kıyaslamalar anlık olarak yapılabilmektedir.
Ayrıca sağ sütunda Consol sekmesi altında da
“ESA WorldCover 2020” katmanına ait renk kombinasyonlarının anlamları
verilmiştir. “ui” fonksiyonları arasında kullanıcı ile etkileşimi arttıran ve
kullanıcının işini kolaylaştıran pek çok fonksiyon bulunmaktadır.
Yukarıda verilen
ışınların spektral yansıma özellikleri ile nesneleri tanımlama, bitki sağlığını
NDVI ile değerlendirme (Renklendirilmiş İnfrared ve NDVI) uygulamaları dışında:
-SRTM verileri
kullanılarak topografik analizler (DEM,
Aspect, Hill Shed, Slope)
-Normalize Edilmiş Fark
Kar İndeksi (NDSI) kullanılarak kar
örtüsünü tespit etmek,
-Normalize Edilmiş Yangın
Oranı (NBR) hesaplanarak yanan alanları
tespit etme ve yangın sonrası hasarı oryaya koyma,
-Termal kızılötesi
bantları kullanılarak deniz ve yeryüzü sıcaklıklarının analizi (SST-LST),
-Hava kirleticilerinin
dağılımını belirleme (NO2 ve CO),
-Deprem hasar tespiti ve arazi
değişikliğini ortaya koyma,
-Heyalan duyarlılık
analizleri ile potansiyel heyelan lokasyonlarının tespit edilmesi,
-Arazi örtüsü ve arazi
kullanımı, doğal afetler ve topografik/jeomorfolojik özelliklerdeki
değişikliklerin belirlenmesi,
-JRC global yüzey suyu haritalaması,
-NDWI'nin
(Normalleştirilmiş Fark Su İndeksi) kullanılarak su kütlelerinin izlenmesi,
sulak alanların yönetilmesi ve bitki su stresinin değerlendirilmesi,
-Baraj rezervuarlarındaki
sediment birikiminin tespitinde kullanılabilecek batimetrik görüntü elde edilmesi
gibi birçok fiziki coğrafya ve çevre analizlerinde GEE platformu
kullanılabilir.
6. SONUÇ:
Süper
bilgisayarlar ve yüksek performanslı bilgi işlem sistemleri
çoğalmaktadır. jeo-uzamsal verilerin büyük ölçekli işlenmesini sağlamak için
çok çeşitli araçlar geliştirilmiştir. Ne yazık ki, bu kaynaklardan yararlanmak
ve uygulamak önemli ölçüde teknik uzmanlık ve çaba gerektirmektedir. Çünkü
bilgi teknolojisindeki ayak uydurulamayacak gelişmeler, veri toplama ve
depolama; belirsiz dosya formatlarını ayrıştırma; veri tabanlarının
yönetimi, iş kuyruklarını, CPU'ları, GPU'ları ve ağ oluşturmayı yönetme ve çok
sayıda jeo-uzamsal veri formatları kullanıcılar karşısına çıkan zorluklardır.
Kabul etmek gerekir
ki, tüm bunlar, birtakım araçları birçok araştırmacının ve kullanıcının
erişiminden uzaklaştırma ve birçok büyük uzaktan algılama ve CBS veri kümesinde
bulunan bilgilere ve yüksek performanslı bilgi işlem kaynaklarına ulaşamama
veya kullanamama riski barındırmaktadır.
Google, bulut
tabanlı GEE platformunu herkesin kullanımına açarak, çok büyük jeo-uzamsal veri
kümelerini işlemek için yüksek performanslı bilgi işlem kaynaklarına erişmeyi
kolaylaştırdı ve bu endişeleri gidermiş oldu. Söz konusu bilgi teknolojileri sıkıntılarına
katlanmak zorunda kalmadan ve çoğu süper bilgi işlem merkezinden farklı olarak
Earth Engine, Dünya'nın çevresini ve kaynaklarını izlemeyi ve yönetmeyi sadece mümkün kılmakla kalmayıp
aynı zamanda kolay hale getirerek önemli bir çığır açmıştır. Platform
yalnızca büyük miktarda veriye ve hesaplama gücüne erişim sağlamayı değil, aynı
zamanda giderek daha karmaşık analiz tekniklerine erişim sağlamayı ve bunların
kullanımını kolaylaştırmayı başarmıştır. Böylece araştırmacıların çok karmaşık
gibi görünen bilimsel çalışmalarının sonuçlarını diğer araştırmacılara,
politika yapıcılara, STK'lara ,
saha çalışanlarına ve hatta genel halka kolayca yayılmasına imkân sağlamıştır.
Özetle Google Earth
Engine, iklim, hidrografya, toprak, bitki örtüsü, arazi kullanımı, taopoğrafik
analiz gibi fiziki coğrafya konuları başta olmak üzere, tarım, turizm, sanayi, ulaşım,
nüfus, yerleşme, kuraklık, doğal afet, hastalık, gıda güvenliği, su yönetimi,
koruma ve çevresel birçok konuda sadece uzaktan
algılama ile ilgilenen bilim adamlarını değil, aynı zamanda
geleneksel süper bilgisayarları veya büyük ölçekli emtia bulut bilgi işlem
kaynaklarını kullanmak için gereken teknik kapasiteden yoksun olan çok
daha geniş bir kitleyi güçlendirmek için tasarlanmış entegre bir platform
olarak bu alanda benzersizdir.
KAYNAKLAR:
Akgül,
B. (2015). Hiperspektral görüntülerde boyut indirgeme. Yayınlanmamış Yüksek Lisans Tezi, Yıldız
Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
Amani,
M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S.
M., ... & Brisco, B. (2020). Google earth engine cloud computing platform
for remote sensing big data applications: A comprehensive review. IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13,
5326-5350.
Amazon Web Services Inc. Earth on AWS: Build
Planetary-Scale Applications in the Cloud with Open Geospatial Data. Available
online: https://aws.amazon.com/earth/ (accessed
on 23 May 2024).
Bi,
L., Fu, B. L., Lou, P. Q., & Tang, T. Y. (2020). Delineation water of pearl
river basin using Landsat images from Google Earth Engine. The
International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, 42, 5-10.
Çolak,
E., Chandra, M., & Sunar, F. (2019). The use of multi-temporal sentinel
satellites in the analysis of land cover/land use changes caused by the nuclear
power plant construction. The International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, 42, 491-495.
gisgeography,
Sentinel 2 Bands and Combinations. 12 Temmuz 2024 tarihinde: https://gisgeography.com/sentinel-2-bands-combinations
adresinden alındı.
Gitelson, A. A., & Merzlyak, M. N. (1996). Signature
analysis of leaf reflectance spectra: algorithm development for remote sensing
of chlorophyll. Journal of plant
physiology, 148(3-4), 494-500.
Google. A Planetary-Scale Platform for Earth Science
Data & Analysis. Available online: https://earthengine.google.com/ (accessed
on 29 May 2024).
Gorelick,
N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017).
Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote
sensing of Environment, 202, 18-27.
Hird, J. N., DeLancey, E. R., McDermid, G. J., &
Kariyeva, J. (2017). Google Earth Engine, open-access satellite data, and
machine learning in support of large-area probabilistic wetland mapping. Remote
sensing, 9(12), 1315.
Karadoğan,S.
Kavak M.T. (2016). Fiziki Coğrafya Araştırmalarında Uzaktan Algılama
Teknikleri ve Uygulamaları. Nurettin Özgen, Sabri Karadoğan (Eds), Fiziki Coğrafyada Araştırma Yöntemleri ve
Teknikler içinde, (s.337-354), Pegem Akademi Yayınevi.
Kumar,
L., & Mutanga, O. (2018). Google Earth Engine applications since inception:
Usage, trends, and potential. Remote Sensing, 10(10),
1509.
Li,
H., Wan, W., Fang, Y., Zhu, S., Chen, X., Liu, B., & Hong, Y. (2019). A
Google Earth Engine-enabled software for efficiently generating high-quality
user-ready Landsat mosaic images. Environmental modelling &
software, 112, 16-22.
Mateo-García,
G., Gómez-Chova, L., Amorós-López, J., Muñoz-Marí, J., & Camps-Valls, G.
(2018). Multitemporal cloud masking in the Google Earth Engine. Remote
Sensing, 10(7), 1079.
Microsoft Azure Blog, 12 Temmuz 2024 tarihinde: https://azure.microsoft.com/en-us/blog/
adresinden alındı.
Moore,
R. T., & Hansen, M. C. (2011, December). Google Earth Engine: a new
cloud-computing platform for global-scale earth observation data and analysis.
In AGU Fall Meeting Abstracts (Vol. 2011, pp. IN43C-02).
Mutanga, O., &
Kumar, L. (2019). Google earth engine applications. Remote Sensing, 11(5),
591.
National Aeronautics and Space Administration, Welcome
to the NASA Earth Exchange (NEX). 12 Temmuz 2024 tarihinde: https://www.nasa.gov/nasa-earth-exchange-nex/
adresinden alındı.
optosky.com,
Overview of Hyperspectral Imaging Technology, 12 Temmuz 2024 tarihinde: https://optosky.com/index.php?route=blog/blog&tag=Hyperspectral%20imaging
adresinden alındı.
Parente, L., Taquary, E., Silva, A. P., Souza Jr, C., &
Ferreira, L. (2019). Next generation mapping: Combining deep learning, cloud
computing, and big remote sensing data. Remote Sensing, 11(23),
2881.
Roderick, M., Smith, R., & Cridland, S. (1996). The
precision of the NDVI derived from AVHRR observations. Remote Sensing of Environment, 56(1), 57-65.
Sesören
A. (1999). Uzaktan Algılamada Temel
Kavramlar. Mart Matbaacılık Yay. İstanbul.
Sunar,
A. F., Yagmur, N., & Dervisoglu, A. (2019). Flood analysis with remote
sensing data–A case study: Maritsa river, Edirne. The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42,
497-502.
Süsstrunk, S., Buckley, R., & Swen, S. (1999).
Standard RGB color spaces. In Proc. IS&T;/SID 7th Color Imaging Conference
(Vol. 7, No. CONF, pp. 127-134).
Tamiminia, H., Salehi,
B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020).
Google Earth Engine for geo-big data applications: A meta-analysis and
systematic review. ISPRS journal of photogrammetry and remote sensing, 164,
152-170.
Velastegui-Montoya,
A., Montalván-Burbano, N., Carrión-Mero, P., Rivera-Torres, H., Sadeck, L.,
& Adami, M. (2023). Google Earth Engine: a global analysis and future
trends. Remote Sensing, 15(14),
3675.
Vijayakumar,
S., Saravanakumar, R., Arulanandam, M., & Ilakkiya, S. (2024). Google Earth
Engine: empowering developing countries with large-scale geospatial data
analysis—a comprehensive review. Arabian
Journal of Geosciences, 17(4), 139.
Yomralıoğlu
T. (2000). Coğrafi Bilgi Sistemleri Temel
Kavramlar ve Uygulamalar. 2. Baskı, Akademi Kitabevi.
Zhao,
Q., Yu, L., Li, X., Peng, D., Zhang, Y., & Gong, P. (2021). Progress and
trends in the application of Google Earth and Google Earth Engine. Remote Sensing, 13(18), 3778.
Şekil 2. Kullanıcıların Web uygulaması olarak kendi verilerini görselleştirme ve analiz uygulamalarını oluşturmasına ve paylaşmasına olanak tanıyan Apps modülü.
Şekil 3. Farklı dalga boylarında elma görüntüsü (optosky.com).
Şekil 4. RGB, Renklendirilmiş İnfrared ve Tarım bantlarının
kullanılarak görüntü elde edilen GEE JavaScript kodu.
Şekil 5. GEE kullanıcısı tarafından yazılabilecek bulut maskeleme fonksiyon kodu.
Şekil 6. Sentinel-2 RGB Band kombinasyonu ile Alaşehir 2024
Nisan ayı ortalama görüntüsü.
Şekil 7. Renklendirilmiş İnfrared görüntü, Alaşehir 2024
Nisan.
Şekil 9. NDVI katmanı oluşturmak için yazılmış bir algoritma.
Şekil 12. Kullanıcı arayüzü için tanımlanmış Split Panel
oluşturma fonksiyonu ile katman kıyaslamasının kolaylaştırıldığı bir arayüz.
1Prof. Dr., Dicle Üniversitesi Ziya Gökalp Eğitim Fak. Sosyal Bilimler ve Türkçe
Eğitimi Bölümü, Coğrafya
Eğitimi Anabilim Dalı, Diyarbakır/Türkiye, mail: skaradogan@dicle.edu.tr, https://orcid.org/0000-0002-0680-5745
[2]Dr.
Öğr. Üyesi, Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi, Fizik Eğitimi
Anabilim Dalı, Diyarbakır/ Türkiye, mail: mtkavak@gmail.com
