Su kalitesi parametrelerinin uzaktan algılama ve derin öğrenme teknikleriyle modellenmesi

Küresel ölçekte artan su kirliliği ve su kaynakları üzerindeki baskılar, doğal ekosistemlerin dengesini tehdit eden en önemli çevre sorunlarından biri haline gelmiştir. Hızlı nüfus artışı, sanayileşme, iklim değişimi ve arazi örtüsü değişimi gibi çeşitli insan kaynaklı faaliyetler yüzey sularının kalitesini olumsuz yönde etkilemekte su kütlelerinin düzenli bir şekilde izlenmesini zorunlu kılmaktadır. Uzaktan algılama teknikleri, yüksek spektral çözünürlüklü veri setleri ve çok bantlı gözlem kapasiteleri sayesinde, su kalitesi parametrelerinin sinoptik ölçekte izlenmesi ve mekânsal olarak modellenmesinde güçlü bir altyapı sunmaktadır. Son yıllarda, uzaktan algılama tabanlı su kalitesi araştırmalarında, doğrusal olmayan ilişkileri çözümleme ve gizli örüntüleri öğrenme yeteneği sayesinde makine ve derin öğrenme yaklaşımları sıklıkla tercih edilmektedir. Bu çalışma kapsamında, Landsat-8 uydu görüntülerinden temin edilen veriler makine ve derin öğrenme teknikleriyle entegre edilerek; Mogan Gölü'nün 2018-2024 tarihleri arasındaki klorofil-a (CHL-A) ve askıda katı madde (AKM) konsantrasyonları ile secchi diski derinliği (SDD) değerleri modellenmiştir. Su kalitesi parametreleri ile uydu görüntülerinin bantları ve hesaplanan spektral indeksler arasındaki ilişkiler ilk aşamada Rastgele Orman (RO) modeli kullanılarak analiz edilmiştir. Devamında, Yapay Sinir Ağları (YSA) ve Evrişimli Sinir Ağları (ESA) modelleri ile çok katmanlı ve yüksek temsil gücüne sahip kestirim modelleri geliştirilmiştir. Mekânsal ilişkileri öğrenme kabiliyeti sayesinde, parametrelerin tümünde en yüksek performansı sağlayan ESA modeli kullanılarak tematik haritalar üretilmiştir. Tematik haritalar üzerinden gerçekleştirilen piksel bazlı istatistiksel analizler ile kestirim sonuçlarının mekânsal tutarlılığı ve zamansal davranışı ayrıntılı olarak incelenmiştir. Ayrıca çalışma tarihlerine ait sıcaklık, yağış, rüzgâr ve toz taşınımına ilişkin veriler analiz edilerek göl ve çevresindeki meteorolojik koşullar değerlendirilmiştir. Elde edilen sonuçlar, Mogan Gölü su kalitesinin değerlendirilmesi, ekosistem süreçlerinin sürdürülebilirliği açısından önemli bilgiler sunmakta ve uzaktan algılama tabanlı derin öğrenme yaklaşımlarının su kalitesi izleme çalışmalarındaki potansiyelini ortaya koymaktadır.

Increasing water pollution and pressures on water resources on a global scale have become one of the most significant environmental issues threatening the balance of natural ecosystems. Various human-induced activities such as rapid population growth, industrialization, climate change, and land cover change negatively impact the quality of surface waters, making the regular monitoring of water bodies imperative. Remote sensing techniques, with their high spectral resolution datasets and multispectral observation capabilities, provide a robust infrastructure for monitoring water quality parameters at a synoptic scale and modeling them spatially. In recent years, machine and deep learning approaches have been frequently preferred in remote sensing-based water quality research due to their ability to analyze nonlinear relationships and learn hidden patterns. Within the scope of this study, data obtained from Landsat-8 satellite images were integrated using machine and deep learning techniques to model chlorophyll-a (CHL-A) and suspended solids (SS) concentrations, as well as secchi disk depth (SDD) values for Lake Mogan between 2018 and 2024. The relationships between water quality parameters and satellite image bands and calculated spectral indices were initially analyzed using a Random Forest (RF) model. Subsequently, multi-layer prediction models with high representational power were developed using Artificial Neural Networks (ANN) and Convolutional Neural Networks (CNN) models. Thanks to its ability to learn spatial relationships, thematic maps were produced using the ESA model, which provided the highest performance across all parameters. The spatial consistency and temporal behavior of the prediction results were examined in detail through pixel-based statistical analyses performed on the thematic maps. Furthermore, data related to temperature, precipitation, wind, and dust transport for the study dates were analyzed to evaluate the meteorological conditions in and around the lake. The results obtained provide important information regarding the assessment of Mogan Lake water quality and the sustainability of ecosystem processes, and demonstrate the potential of remote sensing-based deep learning approaches in water quality monitoring studies.