İçeriğe geç
Doğa Keşifleri

Madencilikten Etkilenen Şehirde Toprak Bakır Erişilebilirliğinin Haritalanması: UAV Hiperspektral Tahminleri ve Çok Zamanlı Sentinel-1/2 Verileri Kullanılarak

Madencilikten Etkilenen Şehirde Toprak Bakır Erişilebilirliğinin Haritalanması: UAV Hiperspektral Tahminleri ve Çok Zamanlı Sentinel-1/2 Verileri Kullanılarak

Orijinal Araştırma Makalesi

\n

Front. Environ. Sci., 09 Kasım 2026

\n

Bölüm: Çevresel Bilişim ve Uzakdan Algılama

\n

Cilt 14 – 2026 | https://doi.org/10.3389/fenvs.2026.1983433

\n

  • YZ

    Yangxi Zhang 1,2,3

  • YW

    Yu Wang 1,3*

  • LW

    Lifei Wei 2*

  • ZY

    Ziran Yuan 4

  • WS

    Wei Si 5

  • SL

    Songpu Li 1

\n

  • 1. Jingchu Teknoloji Üniversitesi, Yapay Zeka Fakültesi, Jingmen, Çin

  • 2. Hubei Bölgesel Gelişme ve Çevresel Tepki Ana Laboratuvarı, Hubei Üniversitesi, Wuhan, Çin

  • 3. Jingchu Teknoloji Üniversitesi, Akıllı Bilgi Teknolojileri Araştırma Merkezi, Jingmen, Çin

  • 4. Çin Bilimler Akademisi, Toprak ve Sürdürülebilir Tarım Ana Laboratuvarı, Nanjing, Çin

  • 5. Zhejiang Normal Üniversitesi, Coğrafya ve Çevresel Bilimler Fakültesi, Jinhua, Çin

\n

Makale metrikleri

Özet

\n

Giriş:

\n

Koper, bitkiler için gerekli bir mikronutrienttir; ancak topraktaki erişilebiliropper (ACu) konsantrasyonundaki artış, madencilikten etkilenen ortamlarda bitki büyümesini olumsuz etkileyebilir. Konvansiyonel toprak örneklemeye dayalı ACu için yapılan geniş alan araştırmaları zaman ve emek gerektiren çalışmalar olup, belediye çapında sürekli haritalama için yeterli kapsama sunmamaktadır.

\n

Yöntem:

\n

Bu çalışma, Çin’in Daye şehrinde açığa çıkan topraklarda ACu haritalamasını yapmak için UAV hiperspektral tahminlerini çok zamanlı Sentinel-1/2 verileriyle birleştiren bir ölçekler arası çerçeve geliştirmiştir. İki örnek alım alanında elde edilen UAV kaynaklı ACu tahminleri Sentinel 10 m ızgarasına özetlenmiş ve yanıt etiketleri olarak kullanılmıştır. Dört modele özgü öngörücü seçim ve regresyon hattı, tek alanın çıkarılmasıyla yapılan doğrulama kullanılarak bağımsız olarak optimize edilmiş ve değerlendirilmiştir.

\n

Sonuçlar:

\n

Rekabetçi adaptif ağırlıklı örnekleme ile derin bir sinir ağını birleştiren (CARS-DNN) model, tutulan UAV kaynaklı etiketlerle en güçlü uyumu gösterdi (R² = 0,70; RMSE = 0,28 mg kg⁻¹). Elde edilen 10 m’lik harita, çoğunlukla daha düşük tahmini ACu değerleri gösterirken, yüksek değerli yerel yamalar madencilik faaliyetleriyle bozulmuş alanlarda yoğunlaşmış ve temsili madencilik bölgeleri arasında belirgin alansal farklılıklar ortaya çıkmıştır.

\n

Tartışma:

\n

Detaylı UAV kaynaklı ACu bilgisini bireysel araştırma alanlarının ötesine taşıyarak çerçeve, toprak Cu kullanılabilirliğinin nispeten düşük maliyetli belediye çapında taraması ve madencilik etkilenmiş bölgelerde sonraki toprak ve bitki araştırmalarının önceliklendirilmesi için pratik bir temel sağlamaktadır.

\n

1. Giriş

\n

Kupra madenciliği, mineral işleme, kuyruk (kuyrukkuyruğu) depolama ve ergitme, madencilik şehirlerinde topraklara Cu girişinin başlıca insan kaynaklı kaynaklarıdır. Süreklilik arz eden girişler ve tarihsel birikimler, uzun süreli Cu zenginleşmesine yol açabilir; bunun da toprak işlevi ve çevre yönetimi açısından sonuçları vardır (Li ve ark., 2014; Wu ve ark., 2022). Bu zenginleşmenin çevresel önemi, yalnızca toplam Cu ile karakterleştirilemez çünkü Cu farklı formları reaktivite ve olası bitki kullanılabilirliği bakımından belirgin biçimde ayrışır. Kullanılabilir kupra (ACu), nispeten reaktif ve olası bitki kullanılabilirliği gösterilen Cu havuzunun operasyonel olarak tanımlanmış bir ölçüsüdür ve dolayısıyla toplam Cu’ya tamamlayıcı, ekolojik açıdan anlamlı bilgi sağlar (Brun ve ark., 2001; Lindsay ve Norvell, 1978). Belediye ölçeğinde, madencilik ve ergitme emisyonları, endüstriyel faaliyetler, kentsel gelişim ve tarımsal yönetim Cu girişini, birikimini ve yeniden dağılımını birlikte etkileyerek ACu’da belirgin alansal heterojenlik üretmektedir (Shi ve ark., 2023). Dolayısıyla alanl süreklilik gösteren ACu bilgileri, olası yükselmiş Cu kullanılabilirliğine sahip alanları belirlemek ve sonraki toprak araştırmalarını önceliklendirmek için belediye ölçekli bir ekolojik tarama göstergesi olarak hizmet edebilir (Wang ve ark., 2024; Tan ve ark., 2021).

\n

Geleneksel ACu değerlendirmesi, alan toprağı örnekleme ve laboratuvar çıkarma işlemlerine dayanmakta ve yalnızca örnekleme noktalarında güvenilir ölçümler sunmaktadır (Lindsay and Norvell, 1978; Zhang et al., 2009). Alan içi ve analiz çabaları açısından büyük bir maliyet ve zaman gerektiren madencilik etkilenmiş bölgelerin alan bakımından heterojen yapısını betimlemek için yeterli yoğunlukta gözlemler elde etmek, belediye ölçeğinde yapılan araştırmaları hem pahalı hem de zaman alıcı kılmaktadır (Paul et al., 2019; Carstensen et al., 2024). Dijital toprak eşleştirme, sınırlı toprak gözlemlerini alan bakımından kapsamlı çevresel değişkenlerle ilişkilendirerek ve örneklenmemiş alanlar için sürekli tahminler üreterek eşleştirme verimliliğini artırabilir (McBratney et al., 2003; Minasny and McBratney, 2016). Ancak bu tahminlerin güvenilirliği, kalibrasyon örneklerinin sayısı ve alan bakımından dağılımı ile mevcut değişkenlerin çözünürlüğü ve açıklayıcı kapasitesi bakımından hassastır (Paul et al., 2019; Saurette et al., 2022). Sonuç olarak, laboratuvar gözlemleri başlı başına, büyük ve heterojen bir belediye genelinde verimli ve alan bakımından detaylı bir ACu eşlendirmesi için genellikle yeterli bir temel sağlamamaktadır.

\n

İnce alan çözünürlüğü ve ardışık dar bant ölçümleriyle UAV hiperspektral görüntüleme, sınırlı nokta ölçümlerini toprak özelliklerinin sürekli yerel haritalarına dönüştürebilir (Adăo ve ark., 2017). Madencilik ve kirlenmiş alanlarda bu teknoloji, As ve Cu gibi toprak metallerinin konsantrasyonlarını tahmin etmek için kullanılmış ve son derece heterojen yüzeylerde ince ölçekli alansal değişkenliği karakterize etme yeteneğini göstermiştir (Wei ve ark., 2021; Chen H. W. ve ark., 2022). Spektraldan ayrışmayan bir toprak bileşeni olan ACu için hiperspektral tahmin, öncelikle bakır dağılımı ve kullanılabilirliğiyle ilişkili olan organik madde demir oksitleri gibi spektraldan duyarlı bileşenler tarafından sağlanan dolaylı bilgilerden yararlanır (Shen ve ark., 2019; Wu ve ark., 2010). Makine öğrenmesi yöntemleri, bu dolaylı bilgilerden yüksek boyutlu spektralarda ek bilgi çıkarabilir ve dolaylı bilgiler ile ACu arasındaki doğrusal olmayan ilişkileri modelleyerek madencilik alanlarında detaylı ACu haritalaması için etkili bir yaklaşım sunabilir (Zhang ve ark., 2023). Bu nedenle UAV hiperspektral görüntüleme, çalışma alanı ACu karakterizasyonu için uygun olsa da, uçuş kapsamı ve veri işleme gereksinimleri, bunun belediye ölçeğinde sürekli haritalamaya doğrudan genişletilmesini sınırlar.

\n

UAV araştırmalarının sınırlı kapsama alanını aşmanın pratik bir yolu, UAV kaynaklı tahminleri uydu gözlemleriyle daha geniş alanlara yaymak için detaylı UAV haritalarını eğitim verisi olarak kullanmaktır; benzer platformlar arası stratejiler bitki örtüsü ve toprak özelliği eşleştirmede uygulanmıştır (Kattenborn ve ark., 2019; Beltrán-Marcos ve ark., 2023). Bu ölçek genişletmeyi Sentinel-1/2 ile uygulamak tamamlayıcı optik ve radar değişkenleri sağlar, ancak metre altı UAV tahminleri doğrudan daha kaba uydu piksellerine uydurulamaz ve bu nedenle ortak bir uzaysal destek düzeyinde ifade edilmelidir (Gotway ve Young, 2002; Nguyen ve ark., 2022). Yalnızca uzaysal uyumlandırma zamansal değişkenliği ortadan kaldırmaz; çünkü bulut, bitki örtüsü ve değişen yüzey koşulları toprak görünürlüğünü ve optik veya radar yanıtlarını alım dönemleri arasında değişirerek tek tarihli gözlemlerin temsil yeteneğini azaltır (Dvorakova ve ark., 2023; Dahhani ve ark., 2024). Bu nedenle çok tarihli birleştirme, geçerli açığa çıkmış toprak bilgisini tarihler boyunca bütünleştirerek uzaysal kapsamı artırır ve bireysel alım koşullarına bağımlılığı azaltır (Dvorakova ve ark., 2021; Zhu ve ark., 2024). Ancak bu ölçekler arası, çok tarihli stratejinin belediye ölçeğinde UAV kaynaklı ACu etiketlerinin genişletilmesine uygulanması yeterince incelenmemiştir.

\n

Çok zamanlı Sentinel-1/2 gözlemleri, edinme dönemleri boyunca spektral, endeks tabanlı ve radar saçılma bilgisi sağlayarak ACu modellemesi için aday öngörücü alanını genişletmektedir. Ancak çok kaynaklı zamanlı değişkenler sık sık güçlü biçimde ilişkili olur; etiket sayısının sınırlı olduğu durumlarda gereksiz öngörücüler model karmaşıklığını artırabilir ve öngörü istikrarını azaltabilir (Poggio et al., 2013; Vohland et al., 2014). Öngörücü seçimi, öngörücü alanını daraltabilir ve model sadeliğini artırabilir; ancak etkinliği regresyon algoritmasına bağlıdır, çünkü modeller eşanlılığı ve doğrusal olmayan ilişkileri karşılayabilme konusunda farklılıklar gösterir (Khaledian and Miller, 2020). Dolayısıyla, çok zamanlı Sentinel gözlemlerini kullanarak UAV kaynaklı ACu bilgisini belediye ölçeğine yaymak için bir strateji belirlemek amacıyla, öngörücü seçimi ile regresyon modellemesinin farklı birleşimlerinin karşılaştırılması gerekir (Brungard et al., 2015; Wadoux et al., 2020).

\n

Bu bağlamda, bu çalışma, Çin’in Hubei Eyaleti’ndeki Daye Kentinde, yerel UAV kaynaklı ACu tahminlerini çok zamanly Sentinel-1/2 gözlemleriyle birleştirerek yerel ACu bilgisini, belediye ölçeğinde açığa çıkan toprakların taraması için bir alan göstergesine dönüştüren bir ölçeklerarası yaklaşım geliştirmiştir. Çalışma üç soruyu yanıtlamayı hedeflemiştir: (1) UAV kaynaklı ACu tahminleri, Sentinel pikselleriyle uyumlu alan desteğine sahip etiketlere nasıl dönüştürülebilir; (2) alternatif modelleme stratejileri bu etiketlerdeki değişimi ne kadar etkili biçimde temsil eder ve öngörülere en çok hangi optik, radar ve zamanlı bilgi katkı sağlar; ve (3) ortaya çıkan 10 m ACu göstergesi belediye genelinde ve temsili madencilik bölgelerinde hangi alan karşılaştırmalarını ortaya koyar. Bu çalışma, yerel UAV kaynaklı ACu bilgisinin belediye ölçeğine yayılabilirliğini değerlendirmiş ve madencilikten etkilenen şehirlerde kullanılabilir toprak Cu için ekolojik tarama ile sonrasında öncelikli araştırmalar için bir alan temeli sağlamıştır.

\n

2 Materyaller ve yöntemler

\n

2.1 Çalışma alanı

\n

Daye Şehri, Çin’in merkezinde Hubei Eyaleti’nin güneydoğusunda yer almaktadır (29–30K, 114–115D; Şekil 1) ve Yangtze Nehri’nin orta kesiminin güney kıyısında konumlanmıştır. Bölge, sıcak ve nemli koşullar ile bol yağışla karakterize edilen subtropikal muson iklimine sahiptir (Hua ve ark., 2018; Wang ve ark., 2021). Arazi; düşük dağlar, tepeler, ovalar ve vadi çökentilerinden oluşur. Tarım arazisi, orman, kentsel ve sanayi arazisi ile madencilik arazisi alan içine serpilerek heterojen bir madencilik-kentsel-tarım manzarası oluşturur.

\n

ŞEKİL 1

\n

Daye, bakır madenciliği, mineral işleme ve ergitme konusunda uzun bir geçmişe sahiptir ve Çin’deki başlıca demir dışı metal madenciliği ve metalurjik bölgelerden biridir (Hua ve ark., 2018). Önceki bölgesel toprak araştırmaları, Daye genelinde topraktaki Cu konsantrasyonlarında belirgin alansal değişkenlik rapor etmiş ve madencilik ile ergitme faaliyetlerini önemli insan kaynaklı kaynaklar olarak tespit etmiştir (Hua ve ark., 2018; Wang ve ark., 2021). Maden alanları, kuyruk havuzları tesisleri, ergitme ve sanayi siteleri, kentsel araziler ve tarım arazileri yakın mesafede yer alarak insan kaynaklı Cu girişlerinin ve yüzey bozulmasının alansal açıdan değişken yoğunluklarına yol açmaktadır. Madencilik bozulması, kuyruk havuzu depolama ve mevsimsel ekimle ilişkili açık yüzeyler, çalışma alanında arazi yüzeyi koşullarının alansal ve zamansel değişkenliğini daha da artırmaktadır.

\n

2.2 Toprak örnekleme ve ACu tayini

\n

Toprak örnekleme, 13 ve 14 Ağustos 2018 tarihlerinde, UAV hiperspektral araştırma alanlarının ikisinde aynı anda UAV görüntü elde edilmesiyle gerçekleştirilmiştir (Şekil 1). Toplam 74 yüzey toprağı örneği, her alandaki temel yüzey koşullarını kapsayacak şekilde seçilen açık toprak konumlarından alınmıştır. Her örnekleme konumunun koordinatları, toprak gözlemleri ile UAV hiperspektral görüntüleri arasında doğru alansal eşleştirme sağlamak amacıyla gerçek-zamanlı kinematik küresel navigasyon uydu sistemi (RTK-GNSS; Trimble R10, Trimble Inc., Sunnyvale, California, Amerika Birleşik Devletleri) kullanılarak kaydedilmiştir (Zhang ve ark., 2023).

\n

Her konumda, görünür bitki artıkları, kum ve diğer yüzey kalıntıları temizlendikten sonra toprak 0–5 cm tabakasından alınmıştır. Numuneler laboratuvara taşınmış ve oda sıcaklığında kurutulmuştur. Kökler, taşlar ve diğer sazlıklar elle uzaklaştırıldıktan sonra numuneler öğütülmüş ve 2 mm elekten geçirilmiştir.

\n

Toprak ACu değeri, Lindsay ve Norvell (1978)’in DTPA çıkarma yöntemine göre, Zhang ve ark.’nın (2023) bildirdiği analiz prosedürü kullanılarak belirlenmiştir. UAV hiperspektral modellemesinde kullanılan referans ACu değeri elde etmek için üç tekrarlı belirleme ortalamıştır.

\n

2.3 UAV hiperspektral görüntüler ve sentinel ölçeğinde ACu etiketi üretimi

\n

UAV hiperspektral görüntüler, toprak numunelemesiyle eşzamanlı olarak 13 ve 14 Ağustos 2018’de iki araştırma alanında elde edilmiştir. Görüntüler, Nano-Hyperspec görüntü spektrometresi (Headwall Photonics Inc., Bolton, MA, Amerika Birleşik Devletleri) ile donatılmış DJI Matrice 600 Pro UAV kullanılarak toplanmıştır. Sensör, yaklaşık 6 nm spektral çözünürlükle 270 ardışık banttan oluşan 400–1.000 nm spektral aralığını kapsamıştır. Uçuş kapsamı, tüm numune konumlarını ve çevredeki açık toprak yüzeylerini içermiştir.

\n

Ham görüntüler, Headwall SpectralView yazılımı kullanılarak radyometrik kalibrasyondan, ardından geometrik düzeltme, uçuş şeridi mozaikleme ve yansıtma dönüşümünden geçirilmiştir. İşlenmiş görüntüler ardından RTK-GNSS numune konumlarıyla uzaysal olarak eşzamanlanmıştır. Önceki UAV ölçeğinde yapılan çalışmada, yansıtma spektraları Savitzky–Golay yumuşatma ve ilk türev dönüşümü kullanılarak işlenmiştir. Rekabetçi adaptif ağırlıklı örnekme, bilgilendirici dalga boylarını seçmek için kullanılmış ve siteye özgü simüle edilmiş soğutma derin sinir ağı modelleri laboratuvar ölçümlü ACu’ya karşı kalibre edilerek yüksek uzaysal çözünürlüklü ACu haritaları üretilmiştir (Zhang ve ark., 2023). Bu UAV kaynaklı haritalar, mevcut çalışmada ölçekler arası modelleme için kaynak tepki verisi olarak kullanılmıştır.

\n

Sayısal değişkenin uzaysal desteğini uyumlandırmak ve uydu öngörücülerini eşlemek için UAV kaynaklı ACu haritaları, Sentinel’ın 10 m’lik ızgarasına indirgenmiştir (Gotway ve Young, 2002; Carbonneau ve ark., 2020). Her ızgara hücresi için geçerli UAV kaynaklı ACu pikselleri çıkarılmış ve Sentinel ölçeğinde ACu etiketi olarak aritmetik ortalamaları kullanılmıştır. Önceden belirlenmiş geçerli kapsama kriterini karşılamayan veya karşılık gelen uydu gözlemlerini içermeyen hücreler hariç tutulmuştur. Elde edilen ızgara düzeyindeki etiketter, ardından konumsal olarak eşleştirilmiş çok zamanlı Sentinel-1/2 öngörücüleriyle eşleştirilmiştir.

\n

2.4 Sentinel-1/2 veri edinimi ve çok zamanlı öngörücü yapımı

\n

Sentinel-2 çoklu spektrumlu görüntüler ve Sentinel-1 C-bant sentetik deprem radarı gözlemleri Google Earth Engine üzerinden elde edilmiştir. Toprak numune alma ve UAV taramalarıyla örtüşen Ağustos 2018, zaman referansı olarak kullanılmış; tarama döneminin çevresindeki aday aylık birleşimler, bir site-out bırakma (leave-one-site-out) doğrulamasıyla karşılaştırılmıştır. Taramalarla uzaysal uyumu ile sonbahar sonundan kışa yüzey koşullarındaki değişimi dengelemek için Ağustos, Eylül, Kasım ve Aralık aylarının görüntüleri korunmuştur; diğer ayların eklenmesi site-ler arası öngörü stabilliğini daha da iyileştirmemiştir. %30’un altında bulut kapsamasına sahip sahne, aylık ortalamalı atmosfer üstü yansıma görüntüleri halinde birleştirilmiştir. Aylık ortalamalı VV ve VH geri saçılım birleştirmeleri Sentinel-1 Girişimsel Geniş Tarama imagery’sinden üretilmiştir. Tüm katmanlar ortak 10 m’lik ızgaraya konumlandırılmış ve yeniden örneklenmiştir. Sentinel-2 B9’un doğal uzaysal çözünürlüğü 60 m’dir ve atmosferik su buharı soğurmasıyla ilişkilidir (Copernicus Data Space Ecosystem, 2026). Ortak ızgaraya yeniden örneklenmesi piksel düzeyinde eşlemeyi mümkün kılmıştır.

\n

Her aylık bileşik veri setinden onyed temel değişken oluşturuldu; bunlara beş orijinal Sentinel-2 bandı, sekiz optik indeks veya band farkı ve dört Sentinel-1 polarizasyon kombinasyonu dahildi. Bu değişkenler yakın kızılötesi ve kısa dalga kızılötesi tepkileri, açığa çıkan toprak arka planı, bitki örtüsü ve nem koşulları, spektral şekil ve radar saçılma kontrastını temsil ediyordu. Adları, tanımları ve kaynakları Tablo 1’de verilmiştir.

\n

TABLE 1

\n

Grup Değişken Tanım Kaynaklar
Sentinel-2 bandları , , , , Aylık atmosfer üstü yansıtma –
Optik indeks NDMI Gao (1996)
Optik indeks NDSI Khan ve ark. (2005)
Optik indeks BSI Rikimaru ve ark. (2002)
Optik indeks NDVI Rouse ve ark. (1974)
Optik indeks NBR2 –
Optik indeks NDWI McFeeters (1996)
Band farkı slope_nir_swir Viscarra Rossel ve ark. (2006); Ben-Dor ve ark. (2009)
Optik indeks CYEX Wang ve ark. (2022)
Radar kombinasyonu VH_over_VV Chen ve ark. (2022b)
Radar kombinasyonu NDI_VV_VH Schulz ve ark. (2024)
Radar kombinasyonu VV fraction Zhang ve ark. (2024)
Radar kombinasyonu RVI_dual Mandal ve ark. (2020)
Zamansal tanımlayıcılar Ortalama, standart sapma, minimum, maksimum, aralık ve Aralık–Ağustos farkı Her temel değişken için dört aylık gözlem üzerinden hesaplandı Sorenson ve ark. (2021); Dvorakova ve ark. (2023)

\n

Çok zamansal Sentinel-1/2 öngörücü setinin oluşturulmasında kullanılan temel değişkenler ve zamansal tanımlayıcılar.

\n

Her bir temel değişken için dört aylık gözlem korundu ve altı zamanlı betimleyici hesaplandı: ortalam, standart sapma, asgari, azami, aralık ve Aralık ile August arasındaki fark. Bu işlemlen aday öngörücüler elde edildi. Dört aya ait bilgiler öngörücü düzeyinde birleştirildi ve sonraki modele özgü öngörücü seçimi ile model karşılaştırmasında kullanıldı.

\n

2.5 Öngörücü seçimi ve model kalibrasyonu

\n

Zıt model yapılarına sahip dört regresyon hattı değerlendirildi. PLSR, yüksek boyutlu ve doğrusal bağımlı öngörücülerini sınırlı sayıda gizli değişkene sıkıştırır ve doğrusal bir kıyaslama olarak kullanıldı. SVR, öngörücüler ile ACu arasındaki doğrusal olmayan ilişkileri temsil etmek için çekirdek fonksiyonları kullanırken, XGBoost-gblinear düzenlenmiş doğrusal ağırlıklar aracılığıyla toplamsal etkileri tahmin eder. DNN’ler çok katmanlı doğrusal olmayan dönüşümler aracılığıyla daha karmaşık öngörücü etkileşimlerini yakalar (Wold et al., 2001; Smola and Schölkopf, 2004; Chen and Guestrin, 2016; Goodfellow et al., 2016).

\n

Aday öngörücü kümesi, mevcut etiketlere göre büyük olduğundan, öngörücü seçimi model kalibrasyonuna dahil edildi. PLSR, SVR ve XGBoost-gblinear, öngörücü uzayını sırasıyla VIP, tek değişkenli t-istatistikleri ve kazanım önemliliği kullanarak azalttı. CARS-DNN için, bilgi veren öngörücüler önce tekrarlı örnekleme ve PLS regresyon katsayıları kullanılarak belirlendi (Li et al., 2009), ardından iki öngörücü alt kümesi üç çok katmanlı algılayıcıya sunuldu. Her ağ dokuz rastgele başlangıç ile uyarlandı; tahminler her ağ içinde medyan alınarak ve ardından üç üye üzerinden ortalamaya alınarak birleştirildi. Ön eleme işleminin ardından, model karşılaştırmasında kullanılan temel hiperparametreler ve son aşama arama aralıkları Tablo 2’de özetlenmiştir.

\n

TABLE 2

\n

Model İyileştirilen hiperparametreler Arama alanı
PLSR Gizli bileşen sayısı 1–6
SVR ; ; 1–300; 0.001–0.03; 0.001–0.10
XGBoost-gblinear Tekrar sayısı; öğrenme hızı; ; 1–2000; 0.001–0.20; –1; –
CARS-DNN Gizli katman mimarisi; aktivasyon; ceza penalitesi 1–2 katman (24–96 birim); ReLU veya tanh; : 0.01–3.0

\n

Dört modelleme hattının temel hiperparametreleri ve son aşama arama aralıkları.

\n

2.6 Tek-site-out model doğrulaması

\n

Her modelin bir UAV araştırma alanından diğerine ne kadar iyi genelleştiğini değerlendirmek için tek-site-out (LOSO) doğrulama uygulanmıştır (Roberts et al., 2017). Doğrulama iki turdan oluşmuştur: bir araştırma alanına ait örnekler model kalibrasyonu için kullanılmış, diğer alana ait örnekler ise dışarıda tutulmuş ve ardından roller değiştirilmiştir. Her aday model ve parametre kombinasyonu için eksik değer imputasyonu, değişken dönüşümü, öngörücü seçimi ve model uydurma yalnızca kalibrasyon alanına ait veriler kullanılarak gerçekleştirilmiştir. Uydurulan ön işleme adımları ve model ardından doğrudan dışarıda tutulan alana uygulanmıştır. Böylece her örnek, kendisiyle aynı araştırma alanına ait hiçbir örnek kullanmayan bir model tarafından tahmin edilmiştir. Model performansı, iki LOSO turundan elde edilen dışarıda tutulan tahminler üzerinden belirlenmiş; belirleme katsayısı (R²), karekök ortalama kare hatası (RMSE) ve ortalama mutlak hatası (MAE) sırasıyla 1–3 denklemleri kullanılarak hesaplanmıştır (Legates and McCabe, 1999; Willmott and Matsuura, 2005): burada ve sırasıyla numune için UAV kaynaklı ACu etiketi ve ilgili model tahmini, dışarıda tutulan etiketlerin ortalaması ve iki LOSO turundan gelen toplam dışarıda tutulan tahmin sayısıdır.

\n

2.7 UAV’den Sentinel’e belediye ölçeğinde ACu eşleştirme için genel iş akışı

\n

UAV kaynaklı ACu bilgilerinin Sentinel verileriyle belediye ölçeğinde haritalandırılması için üç aşamalı bir çerçeve oluşturuldu (Şekil 2). İlk aşamada, laboratuvar ortamında ölçülen ACu değerleri, görüntü ön işleme ve bilgilendirici bant seçimini takiben UAV hiperspektral modellerinin kalibre edilmesinde kullanıldı ve iki araştırma alanında yüksek alan çözünürlüklü ACu haritaları üretildi. UAV kaynaklı tahminler ardından Sentinel’ın 10 m’lik hücreleri içinde ortalaması alındı. Yetersiz geçerli UAV kapsamına sahip olan veya konumsal olarak eşleşen gözlemleri eksik olan hücreler dışarıda bırakıldı ve geri kalan hücre düzeyindeki ortalamalar ölçekler arası modellemenin yanıt etiketleri olarak kullanıldı.

\n

ŞEKİL 2

\n

İkinci aşamada, Ağustos, Eylül, Kasım ve Aralık 2018’de elde edilen Sentinel-1/2 görüntüleri aylık olarak birleştirildi, konumsal olarak hizalandı ve öngörücü oluşturulması için işlendi. Orijinal Sentinel-2 bantlarından ve optik indislerden, Sentinel-1 radar birleşimlerinden ve çok zamanlı tanımlayıcılardan toplam 170 aday öngörücü üretildi. Bu öngörücüler ortak 10 m’lik grid’e uyumlandırıldı ve belediye ölçeğinde ACu modelleme veri setini oluşturmak için birleştirilmiş UAV etiketleriyle konumsal olarak eşleştirildi.

\n

Üçüncü aşamada, dört aday modelleme hattı bir-out-site (her turda bir araştırma alanının çıkarılması) doğrulamasıyla optimize edildi ve değerlendirildi. Veri ön işlemesi, öngörücü seçimi ve model uydurma işlemleri her doğrulama turunda yalnızca eğitim alanında gerçekleştirildi. Model karşılaştırmasının ardından CARS-DNN topluluğu, geri kalan tüm hücre örnekleriyle yeniden kalibre edildi ve permütasyon önemliliği öngörücülerin katkılarını nicelendirmek için kullanıldı. Son model, 4 aylık Sentinel-1/2 öngörücü yığını üzerinde birlikte uygulandı. Ardından şehir sınırı ile yollar, su, bitki örtüsü ve yapılandırılmış veya geçirimsiz yüzeyler için maskeler uygulandı ve Daye City genelinde açık topraklarda 10 m’lik bir ACu haritası üretildi.

\n

Konumsal örtüşme analizi için, Maus ve ark. (2022) tarafından yayımlanan madencilik arazi kullanımı çokgenleri, tahmin raster’ının koordinat sistemine yeniden projelendirildi, birleştirildi ve piksel merkezinde dahil etme kullanılarak hizalanmış 10 m’lik grid’e rasterlaştırıldı.

\n

3 Bulgular

\n

3.1 Sentinel ölçeğinde ACu örneklerinin üretilmesi ve özellikleri

\n

İki araştırma alanında UAV ile elde edilen yüksek çözünürlüklü ACu haritaları, Sentinel 10 m gridine indirgenmiş; her grid hücresi içindeki geçerli UAV piksellerinin aritmetik ortalaması, Sentinel ölçeğinde ACu etiketi olarak kullanılmıştır. Önceden tanımlanan geçerli kapsama kriterinin uygulanmasının ardından, korunan hücreler karşılık gelen çok zamanlı Sentinel-1/2 öngörücileriyle alansal olarak eşleştirilmiş ve 112 geçerli eğitim örneği elde edilmiştir. Korunan hücreler içindeki UAV kapsama oranı %75,3 ile %100,0 arasında değişmiş, ortalaması %93,9 olarak bulunmuştur; bu durum, çoğu Sentinel-ölçekli etiketin nispeten tam UAV gözlemleriyle desteklendiğini göstermektedir (Tablo 3).

\n

TABLE 3

\n

Araştırma alanı UAV kapsama (%) ACu (mg kg-1)
Ortalama Aralık Min Ortalama Medyan SD Max
A Alanı (14 Ağustos) 74 96,8 75,3–100,0 1,411 2,348 2,373 0,289 2,941
B Alanı (13 Ağustos) 38 88,3 76,8–95,1 2,698 3,252 3,177 0,330 3,829
Tüm örnekler 112 93,9 75,3–100,0 1,411 2,655 2,543 0,525 3,829

\n

UAV ile elde edilen ACu etiketlerinin Sentinel 10 m gridine indirgenmesine ilişkin betimleyici istatistikler.

\n

UAV kapsama, her Sentinel 10 m grid hücresi içindeki geçerli UAV ile elde edilen ACu piksellerinin oranını; SD ise sapma standartını ifade eder.

\n

Tüm örneklerde, UAV kaynaklı ACu etiketleri 1,411 ile 3,829 mg k arasında değişmekte, ortalaması 2,655 mg k ve medyanı 2,543 mg k’dır. Etiket dağılımları iki araştırma alanında belirgin biçimde farklılık göstermektedir. 14 Ağustos’ta taranan A Alanı, 74 örnek içermekte ve 2,348 mg k ortalamasına sahipken; 13 Ağustos’ta taranan B Alanı 38 örnek içermekte ve daha yüksek olan 3,252 mg k ortalamasına sahiptir. Dolayısıyla B Alanı genel olarak daha yüksek UAV kaynaklı ACu etiket değerleri gösterirken, A Alanı daha düşük değerli etiketlerin daha büyük bir oranını içermekte ve iki etiket dağılımı arasında yalnızca sınırlı bir örtüşme bulunmaktadır. Bu alanlar arası fark daha sonra alandan bağımsız doğrulama yoluyla değerlendirilmiştir.

\n

3.2 Model performansı ve öngörücü yorumu

\n

3.2.1 Alternatif modelleme hatlarının performansı

\n

K alanları arası öngörü performansını karşılaştırmak için PLSR, SVR, XGBoost-gblinear ve bir CARS-DNN topluluğu, aynı tek-alan-out (LOSO) prosedürü kullanılarak değerlendirilmiştir. İlk tur, 74 A Alanı örneği üzerinde eğitilmiş ve ayrılan 38 B Alanı örneğini öngörmüştür; ikinci tur ise 38 B Alanı örneği üzerinde eğitilmiş ve ayrılan 74 A Alanı örneğini öngörmüştür. LOSO, RMSE ve MAE, tüm 112 ayrılan öngörü-etiket çiftinden hesaplanmıştır. Modeller yüksek boyutlu, doğrusal bağımlı ve doğrusal olmayan öngörücüleri karşılama konusunda farklı yeteneklere sahip olduğundan, modele özgü öngörücü seçim prosedürleri ve parametre yapılandırmaları benimsenmiştir (Tablo 4).

\n

TABLE 4

\n

Model Öngörücü optimizasyonu RMSE MAE
PLSR Uzlaşımlı PLS–VIP 0,49 0,37 0,31
SVR Tek değişkenli öngörücü tarama 0,68 0,29 0,23
XGBoost-gblinear XGBoost-kazanım tarama 0,40 0,41 0,31
CARS-DNN topluluğu CARS seçimi ve model topluluğu 0,70 0,28 0,22

\n

Tek-alan-out analizi altında dört modelleme hattının ACu öngörü performansı.

\n

RMSE ve MAE, mg k biriminde ifade edilmektedir. Her bir pipeline, modele özgü öngörü optimizasyonu ve parametre ayarları kullanmış ancak aynı tutulmuş alan bölümlerini paylaşmıştır. Metrikler, iki LOSO turundaki 112 tutulmuş öngörünün tamamından hesaplanmıştır; kalın değerler her metrik için en iyi performansı göstermektedir. Kalın değerler, her metrik için en iyi performansı (en yüksek R² ve en düşük RMSE ve MAE) işaret etmektedir.

\n

Dört modelleme pipeline’ının tümü pozitif LOSO değerleri üretmiştir, ancak performansları farklılık göstermiştir. CARS-DNN topluluğu, en yüksek LOSO (0.70) ve en düşük RMSE (0.28 mg k) ve MAE (0.22 mg k) değerlerine ulaşmıştır. SVR, 0.68’lik bir R², 0.29 mg k’lik bir RMSE ve 0.23 mg k’lik bir MAE ile karşılaştırılabilir sonuçlar vermiştir. SVR’a göre CARS-DNN, 0.02 daha yüksek bir R² ve her biri 0.01 mg k daha düşük RMSE ve MAE değerleri sağlamıştır. PLSR ve XGBoost-gblinear daha düşük performans göstermiş, sırasıyla 0.49 ve 0.40 R² değerleri ile 0.37 ve 0.41 mg k RMSE değerleri kaydetmiştir.

\n

CARS-DNN için Site A’dan Site B’ye doğrulama (38 tutulmuş örnek), 0.30 mg k’lik bir RMSE ve 0.26 mg k’lik bir MAE vermiştir; Site B’den Site A’ya doğrulama (74 tutulmuş örnek) 0.28 mg k’lik bir RMSE ve 0.20 mg k’lik bir MAE vermiştir. Ortalama yanlıklar (öngörü minus UAV kaynaklı etiket) sırasıyla 0.00 ve 0.01 mg k olmuştur. Her bir tutulmuş alandaki ortalama UAV kaynaklı etikete göre MAE, Site B’de %7.9, Site A’da %8.5 olmuştur. Mutlak öngörü hatasının 90. yüzdelikleri sırasıyla 0.45 ve 0.41 mg k olup, nispeten küçük hataların birkaç örnekle sınırlı olmadığını göstermektedir. Dolayısıyla her iki aktarım yönü de belirgin bir ortalama kayması olmaksızın karşılaştırılabilir mutlak hata büyüklükleri göstermiş; herhangi bir yönde, tutulmuş alanlardan birinde başarısızlığı ima edecek şekilde önemli ölçüde daha büyük hatalar gözlemlenmemiştir.

\n

UAV kaynaklı ACu etiketleri ile model tahminleri arasındaki ilişkiler, genel olarak LOSO performans metrikleriyle uyumluydu (Şekil 3). CARS-DNN ve SVR, UAV kaynaklı ACu etiket aralığı boyunca görülen genel artışı yeniden üretti ve tahminleri PLSR ile XGBoost-gblinear’ın tahminlerine göre 1:1 çizgisine daha yakındı. Yine de CARS-DNN tahminleri, düşük değerlerin hafif aşırı tahmini ve yüksek değerlerin hafif düşük tahminiyle karakterize edilen, aralığın her iki ucunda sıkışma gösterdi. PLSR tahminleri daha büyük bir saçaklanma sergilerken, XGBoost-gblinear tahminleri ara etiket aralığında yoğunlaştı ve bu da alt uçta daha belirgin bir aşırı tahmin, üst uçta ise daha belirgin bir düşük tahminle sonuçlandı. Yöne özgü RMSE ve MAE değerlerinin karşılaştırılabilir olması, aktarım yönlerinden hiçbirinin belirgin ölçüde daha büyük mutlak hatalara sahip olmadığını gösteriyor. CARS-DNN, dört hattın en iyi LOSO metriklerine sahip olması nedeniyle, sonraki öngörücü önem analizi ve belediye ölçeğinde ACu haritalaması için seçildi.

\n

ŞEKİL 3

\n

3.2.2. Modelling hatları boyunca öngörücü sıralamaları

\n

Dört modelling hattının öngörücü tercihlerini karşılaştırmak için, site-ler arası değerlendirmenin tamamlanmasının ardından modele özgü sıralama istatistikleri 112 numunenin tamamı kullanılarak yeniden hesaplandı. Aday öngörücüler, PLSR için konsensüs VIP, SVR için tek değişkenli -istatistikleri ve XGBoost-gblinear hattı için XGBoost kazancı kullanılarak sıralandı; son CARS-DNN birleşimindeki öngörücü katkılar ise permütasyon önemini kullanarak değerlendirildi. Her hattan en yüksek 15 öngörücü Şekil 4’te sunulmuştur. Bu sıralama istatistikleri tanımları ve ölçekleri bakımından farklı olduğundan, yorum skor büyüklüklerinin doğrudan karşılaştırılması yerine, hattın içindeki sıralama düzeni ve hatlar arasında öngörücülerin tekrarlanması üzerine odaklanmıştır.

\n

ŞEKİL 4

\n

Prediktör sıralamaları karşılaştırmalı modeller arasında farklılık göstermekle birlikte, birkaç optik indeks farklı hatlar boyunca tekrar etti. PLSR’de Kasım NDVI birinci sırayı alırken, onu Ağustos ve Kasım NDSI, Aralık NDVI ve Kasım NDWI izledi. SVR eleme süreci NDSI ve NDWI’nin çok zamanlı ortalamaları, maksimumları ve aylık gözlemleri tarafından domine edildi; ortalamalı NDSI, ortalamalı NDWI, Kasım NDSI ve Kasım NDWI en üst sıraları aldı. XGBoost-gblinear için kazanç tabanlı seçici Eylül NDVI ve NDSI’yı birinci ve ikinci sıraya yerleştirirken, ardından Kasım ve Ağustos NDSI, Kasım B8A ve Eylül NDMI geldi. Genel olarak NDVI, NDSI, NDWI ve NDMI önde gelen prediktörler arasında tekrar tekrar karşımıza çıktı, ancak bu indekslerin edinildiği aylar ve seçim süreçleri arasındaki göreli sıralamaları farklılık gösterdi.

\n

Nihai CARS-DNN topluluğu, aday prediktörlerden 170’inin 92’sini birlikte korudu; bunlar 77 Sentinel-2 ve 15 Sentinel-1 değişkeninden oluşuyordu. Permütasyon önemliliği Ağustos B9’u en üst sıra prediktör olarak belirledi; bu değişkenin permütasyonu RMSE’yi 0.07 ± 0.01 mg k kadar artırdı. Kasım NDVI ve Ağustos B8 ikinci ve üçüncü sırayı alarak sırasıyla 0.05 ± 0.01 ve 0.04 ± 0.01 mg k RMSE artışları üretti. Aralıktan Ağustos’a NDMI’daki değişim ve NDVI’nin çok zamanlı minimumu dördüncü ve beşinci sıraları aldı. Önde gelen 15 prediktör aynı zamanda Aralık B8 ve B8A’yı, aylık NDSI gözlemlerini ve B8 ile NBR2’deki zamansal değişimleri de içeriyordu. Sentinel-1 VH/VV’nin çok zamanlı minimumu 13. sırayı aldı ve üst 15 arasındaki tek radar değişkeniydi. Böylece, en üst sıralı CARS-DNN prediktörleri çoğunlukla yakın kızılötesi bantlar, optik indeksler ve bunların zamansal tanımlayıcıları iken, Sentinel-1 değişkenleri nispeten daha alt sıraları işgal etti.

\n

3.3 Belediye ölçeğinde ACu eşleştirme ve alansal örüntüler

\n

Model karşılaştırması ve öngörücü analizinden sonra, nihai CARS-DNN topluluğu; Ağustos, Eylül, Kasım ve Aralık 2018’e ait çok zamanlı Sentinel-1/2 öngörücüleri uygulayarak Daye Şehri için 10 m ACu öngörü haritası oluşturdu (Şekil 5). Belediye sınırları içinde, birleşik alan maskesi yolları, su kütlelerini, yapılaşmış veya geçirmez yüzeyleri ve bitki örtüsünü dışarıda bırakarak yalnızca açığa çıkmış topraklarda ve madencilikten etkilenmiş yüzeylerde geçerli öngörüleri korudu.

\n

ŞEKİL 5

\n

Geçerli belediye ölçekli öngörüler 0,42 ile 19,51 mg k arasında değişti. Ortanca 1,26 mg k’ydı, geçerli piksellerin %95’i 2,45 mg k’nın altında kaldı ve %0,21’i 5 mg k’yı aştı. Bu nedenle öngörülen değerlerin çoğu eşleştirilmiş pikseller için öngörü aralığının alt kısmında yer alırken, daha yüksek değerler yerel alanlarda görüldü. Geçerli piksellerin %66,39’u, UAV kaynaklı alt etiket sınırının (1,411 mg k) altında; %32,83’u 1,411–3,829 mg k aralığında ve %0,79’u üst sınırın üzerinde öngörüye sahipti.

\n

Genişletilmiş sunum için dört madencilik alanı seçildi; çünkü bunlar Daye’deki başlıca madencilik ortamlarını temsil ediyordu ve maskelemeden sonra bitişik geçerli öngörüleri korudu. Tonglushan ve Tongshankou başlıca bakır madenciliği bölgeleri iken, Jinshandian demir madenciliği baskın ve Fengjiashan ise başka bir bakır madenciliği bölgesidir (Hua ve ark., 2018; Wang ve ark., 2021; Deng ve ark., 2018). Öngörü raster’ı, gösterilen her uzantı için ayrı ayrı kırpıldı (Şekiller 6–9). Dört haritada 3 mg k’nın altındaki değerler yeşille, 3 ile 5 mg k arasındaki değerler sarıya dönerek, 5 mg k’nın üzerindeki değerler ise redle gösterildi. Üst lejand sınırları, sırasıyla Tonglushan, Tongshankou, Jinshandian ve Fengjiashan için yerel maksimumlar olan 8,32, 8,29, 6,53 ve 17,34 mg k olarak belirlendi. Bu renk kırılımları, besinsel veya fitotoksik eşikleri değil, öngörülen değerlerdeki mekânsal farkları tanımlar.

\n

ŞEKİL 6

\n

Tonglushan (Şekil 6), 1.34 mg k ortanca tahmini, 3.47 mg k 95. yüzdelik dilimi ve 8.32 mg k maksimum değere sahipti. Buna karşılık Tongshankou için (Şekil 7) bu değerler 1.52, 3.29 ve 8.29 mg k olarak bulundu. 5 mg k değerini aşan pikseller, sırasıyla Tonglushan ve Tongshankou’daki geçerli eşleştirilmiş piksellerin 0.67’si ve 0.26’sını oluşturdu. Her iki alanda da orta ve yüksek tahminler kesikli yamalar ve şeritler halinde görüldü; orta değerler, 5 mg k’nın üzerinde değerlerden daha geniş bir alanı kapsadı.

\n

ŞEKİL 7

\n

Jinshandian (Şekil 8), 1.28 mg k ortanca, 2.29 mg k 95. yüzdelik dilimi ve 6.53 mg k maksimum değere sahipti; geçerli piksellerinin yalnızca 0.03’ü 5 mg k değerini aştı. Fengjiashan (Şekil 9) ise 1.14 mg k ortanca, 3.04 mg k 95. yüzdelik dilimi ve 17.34 mg k maksimum değere sahipti ve geçerli piksellerinin 0.46’sı 5 mg k değerini aştı. 5 mg k’nın üzerindeki değerler Jinshandian’da seyrek ve dağılmış durumdayken, Fengjiashan’da birkaç yoğun yama oluşturdu. Gösterilen dört alan arasında Tonglushan ve Tongshankou en geniş orta-d değer dağılımlarını içerirken, Fengjiashan en büyük yerel maksimumu gösterdi.

\n

ŞEKİL 8

\n

ŞEKİL 9

\n

Maus ve ark. (2022) tarafından belirlenen madencilik amaçlı kullanım çokgenleriyle örtüştürme, çokgenlerin içi ve dışındaki geçerli pikseller için sırasıyla 2.21 ve 1.25 mg k ortanca tahmini ACu değerleri verdi. Eşleştirilmiş madencilik arazisi, geçerli eşleştirme alanının 1.54’ünü oluşturuyordu ancak 5 mg k’nın üzerindeki tahminlere sahip piksellerin 14.34’ünü içeriyordu; bu da daha yüksek tahminlerin eşleştirilmiş madencilik arazisinde orantısız bir şekilde ortaya çıktığını gösteriyor. Dört büyütülmüş harita (Şekiller 6-9), eşleştirilmiş çokgenlerin hem daha düşük hem de daha yüksek tahminlerini gösterirken, bazı yüksek tahminli yamalar çokgen sınırlarının dışına da uzanıyor.

\n

Son haritada, tahmin edilen ACu değerinin 10 mg k üzerinde olduğu 60 piksel, toplamda 0.006 alanı kapsayan P1–P3 olarak adlandırılan üç bağlantılı yama oluşturdu. Bu yamalar sırasıyla 22, 17 ve 21 piksel içermekte ve maksimum tahminleri 17.34, 15.55 ve 19.51 mg k düzeyindeydi. Çok zamanlı Sentinel-2 görüntüleri, bu konumlarda kazı benzeri morfolojiye sahip açık yüzeyler gösteriyordu. P1 ve P3’teki tüm yüksek değerli piksel merkezleri, hem Maus ve ark. (2022) hem de Tang ve Werner (2023) tarafından çizilen maden alanları içinde kalmaktaydı. P2 ise bu iki veri setiyle örtüşmüyordu; ancak görüntülerde açık bir kazı benzeri yüzey ve erişim yolu gözlemlenebiliyordu.

\n

ŞEKİL 10

\n

4 Tartışma

\n

4.1 UAV kaynaklı ACu etiketlerinin ölçekler arası aktarımı

\n

UAV kaynaklı ACu haritalarının Sentinel 10 m ızgarasına toplanması, iki araştırma alanı arasındaki temel ACu farkını korurken 112 geçerli etiket üretmiş ve ortalama UAV kapsama oranı %93.9 olarak bulunmuştur. Bu durum, ızgara ortalamasının hücre içi ince ölçekli değişkenliği düzleştirmiş olsa da, ölçek geçişinin sonraki uydulama modelleri için gerekli temel bilgileri ortadan kaldırmadığını göstermektedir. Toplamanın temel rolü, yanıt etiketleriyle Sentinel öngörücülerinin uzaysal desteğini uyumlaştırmaktı. Sentinel pikselleri, optik ve radar yanıtları 10 m’lik yüzey birimleri üzerinde bütünleştirir ve bunların metre altı UAV tahminleriyle doğrudan eşleştirilmesi piksel içi heterojenliğe ve konumsal uyumsuzluğa duyarlı olurdu; ızgara ortalaması bunun yerine UAV kaynaklı bilgiyi, Sentinel gözlemlerinin uzaysal desteğine uyumlu yanıt etiketlerine dönüştürmüştür (Gotway ve Young, 2002; Bishop ve ark., 2015).

\n

Uydu uzaysal çözünürlüğünü artırmayı hedefleyen görüntü birleştirme yaklaşımlarından (Beltrán-Marcos ve ark., 2023) farklı olarak, bu çalışma ACu bilgisini etiket düzeyinde genişletmiştir: UAV haritaları araştırma alanları içinde ayrıntılı tepki bilgisi sağlarken, çok zamanlı Sentinel-1/2 gözlemleri, belediyede çok zamanlı görüntülerde gözlemlenebilir açık topraklara yönelik öngörücü kapsama alanını genişletmiştir. Bu çerçeve, sınırlı alanlar üzerinde yürütülen UAV araştırmalarının, oldukça daha büyük bir bölgede ACu taramasını desteklemesini ve böylece belediyeye yayılan uzaysal açıdan yoğun örneklemeye yönelik bağımlılığı azaltmasını sağlamıştır. Etiketler, iki araştırma alanında UAV modelleri tarafından üretildiği için, üst düzeyde yapılan gerianımlamalardaki belirsizlik belediye modeline aktarılmış ve bu modelin, kaynak araştırmalar tarafından temsil edilen çevresel aralığın ötesindeki geçerliliğinin daha değerlendirmeye ihtiyaç vardır. UAV sensörü 400–1.000 nm arasında bir spektrum kapsadı ve dolayısıyla bazı killi mineraller için bilgilendirici olan kısa dalga kızılötesi soğurma özelliklerini yakalamamıştır (Stenberg ve ark., 2010). ACu tahminleri, doğrudan mineralojik ölçümler yerine dolaylı görünür-kısa dalga kızılötesi spektral ilişkilere dayanmaktadır. Aşağı düzeydeki Sentinel modeli kısa dalga kızılötesi öngörücüler içerse de, bunlar UAV kaynaklı etiketlerdeki belirsizliği geriye dönük olarak ortadan kaldıramamıştır. Daha geniş UAV spektral kapsama alanı, toprak ve mineralojik ölçümler eşliğinde değerlendirilmeye değerlidir. Elde edilen harita, belediyeye ölçekli ACu taraması ve sonraki toprak araştırmalarının önceliklendirilmesi için uzaysal bir temel sağlamaktadır.

\n

4.2 Alanlar arası tahmin performansı ve öngörücü katkıları

\n

Dört modelleme hattı, LOSO performanslarında farklılıklar gösterdi. CARS-DNN en yüksek (0.70) ve en düşük RMSE (0.28 mg k) değerlerine ulaşırken, SVR sırasıyla 0.68 ve 0.29 mg k ile karşılaştırılabilir değerler verdi. PLSR ve XGBoost-gblinear daha düşük R² değerleri olan 0.49 ve 0.40 üretti. SVR’ye yönelik bu mütevazı artış, CARS-DNN avantajının sinir ağı mimarisinden çok, öngörücü eleme, doğrusal olmayan modelleme ve model birleştirme etkilerinin birleşimine yansıyor olabilir. 170 aday öngörücü ve 112 örnek ile CARS, gereksiz ve doğrusal ilişkili değişkenlerden kaynaklanan parazitleri azaltırken, DNN korunmuş öngörücüler arasındaki doğrusal olmayan birleşimleri temsil etti ve birleştirme, bireysel özellik seçimi ve model başlatmalarıyla ilişkili değişkenliği azalttı. Yine de, tahmin sıkışıklığı konsantrasyon aralığının her iki ucunda da belirgindi; bu da çok düşük ve çok yüksek ACu değerlerinin ayrıştırılmasının, sınırlı örneklem koşulları altında hata kaynağı olmaya devam ettiğini gösteriyor.

\n

İki aktarım yönü sırasıyla 0.06 ve 0.17 R² değerleri, buna karşılık 0.28 ve 0.30 mg k RMSE değerleri üretirken, genel LOSO R² değeri 0.70 olarak bulundu. Yönelikli değerlendirmeler saha içi değişkenliği değerlendirirken, genel değerlendirme sahalar arasındaki ortalama etiket seviyeleri farklarını da içeriyor. Bu sonuçlar, saha içi değişkenliğe kıyasla saha arasındaki etiket farklarının daha iyi temsil edildiğini gösteriyor. Haha arka planları ve görüntü koşulları bu ilişkiye katkıda bulunabilir ve mevcut değerlendirme, bu katkının aktarılabilir toprakla ilgili bilgilerden ayrıştırılamaz. Dolayısıyla genel LOSO sonucu, uydudan türetilen ACu etiketlerinin UAV kaynaklı ACu etiketleriyle tahmininin uygulanabilirliğini destekliyor, ancak belediye genelinde güvenilir ince ölçekli tahmin kurmuyor.

\n

Final CARS-DNN topluluğu, 170 aday öngörücüden 92’sini bir araya getirdi; bunlar 77 Sentinel-2 ve 15 Sentinel-1 değişkeninden oluşuyordu. Permütasyon önem sıralaması, başlıca öngörücüler arasında Ağustos ayı B9 ve B8, Kasım ayı NDVI ile NDMI, NDVI ve NBR2’deki çok zamanlı istatistikleri veya değişimleri belirledi. Sentinel-1 VH/VV’nin çok zamanlı minimum değeri 13. sırayı aldı. Bu sonuçlar, modelin yüzey durumları ayırt ederken öncelikle yakın kızılötesi bilgiyi ve bitki örtüsü arka planı ile nem koşullarıyla ilişkili zaman değişimlerini kullandığını, radar gözlemlerinin ise yüzey pürüzlülüğü ve nemden kaynaklanan saçılma ile ilgili tamamlayıcı bilgi sağladığını gösteriyor (Dvorakova ve ark., 2023; Nguyen ve ark., 2022). ACu, Sentinel çoklu spektrum bantlarıyla doğrudan çözülebilecek izole bir soğurma özelliği göstermediğinden, bu öngörücüler daha çok ACu ile alan birliği içinde değişen toprak rengi, mineral arka planı, nem koşulları ve yüzey bozulması gibi faktörleri temsil ediyor olmalı; bakır (Cu) doğrudan spektral tepkisi yerine (Wu ve ark., 2010; Laurent ve ark., 2020; Mirzaei ve ark., 2021). Sentinel-1 değişkenleri en yüksek önem sıralamalarını domine etmese de, topluluk tarafından korunmaları radar katkısının dağılımlı ancak tamamlayıcı olduğunu gösteriyor.

\n

Mevcut topluluğun B9 ile ilgili bilgiye bağımlılığını incelemek için sabit alt küme hassaslık analizi yürütüldü. Kaydedilmiş öngörücü alt kümesinden tüm 4 ayın B9’u ve onun altı zaman tanımlayıcısı çıkarıldı; geri kalan öngörücüler, LOSO bölümleri, ağ hiperparametreleri, rastgele tohumlar ve topluluk süreci korundu. Modellerin yeniden uydurulması LOSO değerini 0,70’ten 0,66’ya düşürdü ve RMSE’yi 0,28’den 0,31 mg k değerine yükseltti.

\n

Bu değişim, B9 ile ilgili bilginin mevcut modele istatistiksel katkısını göstermekle birlikte, bu katkının kaynağını ortaya koymaz. B9’un atmosferik su buharına duyarlı olması nedeniyle, atmosferik koşullar veya gözlem koşulları, araştırma alanı arka planları ile ortalı ACu etiket düzeyleriyle birlikte değişebilir. Duyarlılık analizi, bu alanla ilgili katkıları ACu ile ilişkili toprak bilgisinden ayıramaz. Dolayısıyla B9’un önemi, ACu’ya özgü bir tepkinin kanıtı değil, modele bağlı bir istatistiksel katkı olarak yorumlanmalıdır.

\n

Bu çalışmada elde edilen 0.70 değerinde LOSO, önceki Sentinel tabanlı toprak özelliği eşleştirmesi çalışmalarında bildirilen aralığa düşmektedir. Çok zamanlı Sentinel-1/2 çalışması, toprak organik karbon tahmini için yaklaşık 0.70 değeri bildirirken, UAV ve Sentinel-2 verilerini birleştiren bir çalışma yaklaşık 0.52 değeri elde etmiştir (Dahhani ve ark., 2024; Beltrán-Marcos ve ark., 2023). Hedef özelliklerdeki, örneklem tasarımındaki ve doğrulama prosedürlerindeki farklar, bu çalışmalar arasında kesin sıralama yapmayı olanaksız kılar. Çerçeve, UAV kaynaklı ACu bilgisini uydudan uzaktan algılama tabanlı mekânsal tahminlere genişletmekle birlikte, yöneldirici sonuçlar alan içi değişime dair sonuçları sınırlar. Dolayısıyla belediye düzeyindeki tahminler, sonraki araştırmalar için ön hazırlık niteliğinde modele dayalı bilgi olarak değerlendirilmelidir.

\n

4.3 Belediye ölçeğinde ACu örüntülerinin madencilik ortamlarıyla mekânsal uyumu ve taramaya dair çıkarımlar

\n

Municipal ölçekli harita, Daye’nin açıkta kalan topraklarında çoğunlukla daha düşük tahmini ACu değerleri göstermiş, yerel yüksek değerli alanlarla kesilmiş. Geçerli piksellerin %95’i 2,45 mg k’nın altında tahmini değerlere sahipken, yalnızca %0,21’i 5 mg k’nın üstünde tahmini değerlere sahipti. Dört maden alanında arasındaki farklar, tek bir maksimumdan çok, ara değerlerin yaygınlığı ve yüksek değerli alanların uzaysal sürekliliği üzerinden daha net ortaya çıktı. Tonglushan ve Tongshankou daha geniş bir ara değer dağılımı içeriyordu. Fengjiashan, dört alan içinde en düşük ortalamaya sahip olsa da en yüksek yerel tahmini (17,34 mg k) ile birkaç yoğun yüksek değerli alan sunuyordu; Jinshandian ise 5 mg k’nın üstündeki en az ve en dağılmış piksele sahipti. Bu sonuçlar, uzaysal açıdan yaygın orta düzey tahminleri, sınırlı sayıda yerel yüksek tahminli alanla ayırt ediyor.

\n

Bu çalışmada ACu, işletysel olarak DTPA çıkarmasıyla tanımlandı. Bitki beslenmesi, doğal arka plana göre zenginleşme ve fitotoksisite açısından yorumlanması farklı kanıtlar gerektirir. Neredeyse nötral ve kalkerli topraklar için standartlaştırılmış DTPA test koşulları altında mısır için 0,20 mg k boyunca bir Cu kritik değeri bildirilmiştir (Lindsay ve Norvell, 1978); oysa bir Oxisol üzerinde yürütülen sera çalışması, DTPA çıkarması kullanarak türden türe değişen 6–32 mg k arasında Cu toksisitesi referans değerleri raporlamıştır (Fageria, 2001). Bu değerler, yorumlanmaları çıkarma yöntemine, toprak koşullarına ve bitki türüne bağlı olduğu için Daye için belediye eşikleri olarak benimsenemez. Yerel olarak belirlenmiş bir doğal ACu tabanı ya da saha ile eşleştirilmiş bitki tepkisi ölçümleri olmadan, haritalanan daha yüksek değerler, zenginleşme ya da fitotoksisite kanıtı olmaktan çok, Sentinel tabanlı tahmin olarak kalmaya devam ediyor. Bu nedenle 3 ve 5 mg k’daki harita sınıfları, Bölüm 3.3’te belirtildiği gibi, besinsel ya da toksik eşikler değil, betimleyici görsel kırılımlardır.

\n

Bu farklılıklar, dört alanın madencilik koşullarıyla ve topraktaki kullanılabilir bakırın (Cu) dağılımını kontrol eden süreçlerle genel olarak uyumluydu. Önceki bölgesel çalışmalar, Daye’deki toprak Cu’sunun alansal dağılımını madencilik, mineral işleme, eritme ve buna eşlik eden yüzey bozulmalarıyla ilişkilendirmiştir (Hua ve ark., 2018; Du ve ark., 2015; Sun ve ark., 2013). Tonglushan ve Tongshankou, uzun yıllardır faaliyet gösteren bakır madenciliği bölgeleridir ve nispeten geniş bozulmuş yüzeyleri, bu çalışmada belirlenen daha geniş ara-değerli bölgelerle alansal olarak örtüşmektedir. Jinshandian ise demir madenciliğinin baskın olduğu bir alandır ve daha sınırlı bir tahmini ACu yüksek-değerli alanı içermektedir (Wang ve ark., 2021). Fengjiashan’daki düşük ortanca ile belirgin yerel tepkilerin birleşimi, Fengjiashan ve Daye Gölü’nün kıyı şeridi için bildirilen yerelleşmiş madencilik etkileri ve su–toprak taşımasıyla uyumlu, daha alansal olarak yoğunlaşmış bir etkiyi işaret etmektedir (Deng ve ark., 2018; Zhang ve ark., 2015). Ana kayaç ve ayrışma, arka plan Cu tedarikine katkıda bulunabilirken demir ve mangan oksitler, kil mineralleri, organik madde ve pH, Cu tutulumunu ve DTPA ile çıkarılabilir fraksiyonu etkileyebilir (Bradl, 2004; Sauvé ve ark., 2000). Alansal olarak eşleştirilmiş litolojik, mineralojik ve toprak özellikleri verilerinin mevcut olmaması nedeniyle, jeolojik arka plan ile madencilik kaynaklı girdilerin dört arasındaki farklılıklara göreli katkıları belirlenememiştir.

\n

1.411 mg k değerinin altında veya 3.829 mg k değerinin üstündeki tahminler, UAV kaynaklı etiketlerle temsil edilen tepki aralığının dışında yer alır ve bu nedenle dikkatli yorumlanmalıdır. Aralık dışı tahminler çoğunlukla alt etiket sınırının altında olduğundan, alt kuyruk dışa aktarımının belediye haritasının önemli bir kısmını oluşturduğu görülmektedir. Alan düzeyinde LOSO değerlendirmesi, bu aralık dışı belediye pikselleri için tahmin hatalarını ortaya koymaz. Bu nedenle değerleri, daha ileri doğrulama gerektiren model tahminleri olarak değerlendirilmeli ve altta kalan tahminler baş başına düşük risk kanıtı olarak yorumlanmamalıdır. 10 mg k üzerinde, birbirinden ayrı üç alanlı patch’in uzamsal bağlam analizi, bu patch’lerin takip araştırmaları için önceliklendirilmesini desteklemektedir. P1 ve P3, her iki kamu veri setinde de madencilik arazi kullanımı çokgenleri içinde yer alırken, çok zamanlı görüntüler üç konumda da açık veya kazı benzeri yüzeyler göstermiştir. P2, mevcut madencilik sınırları veri setlerinde yer almamakta ve kamu envanterlerinin yerel bozulmuş tüm yüzeyleri yakalamayabileceğini göstermektedir. Dört ilçe haritası da madencilik arazi kullanımının farklı tahmin değerleri içerdiğini ve yayımlanan sınırların her daha yüksek tahmin patch’ini kapsamadığını ortaya koymaktadır. Bu gözlemler, tahmin edilen ACu büyüklüğünün bağımsız bir doğrulaması değil, öncelik taraması için uzamsal bir bağlam sağlamaktadır.

\n

Bu alansal farklılıklar, belediye ölçeğinde katmanlı incelemenin doğrudan temelini sağlar. Tonglushan ve Tongshankou’daki daha geniş ara değer bölgeleri, madencilik kaynaklı bozulma gradyanları boyunca sistematik örneklemeye uygunken, Fengjiashan’daki sıkı yüksek-değer yamaları yerel düzeyde yoğunlaştırılmış incelemeyi gerektirir. Jinshandian’daki seyrek yüksek-değer pikselleri hedefli inceleme alanları olarak değerlendirilebilir. 10 m ACu haritasını, düşük tahminli, geçiş ve yerel yüksek-değer bölgelerini belirlemek için kullanmak, sınırlı saha ve laboratuvar kaynaklarını daha yüksek bilgi değerine sahip alansal birimlerde yoğunlaştıracak ve belediye genelinde eşit dereinde yoğun örneklemenin maliyetini azaltacaktır. Bu, belediye ölçeğinde taramadan öncelikli alan incelemesine geçişi, dijital toprak eşleştirmenin örneklem verimliliğini ve alansal hedeflemeyi iyileştirmedeki değerini göstermektedir (McBratney et al., 2003; Paul et al., 2019).

\n

5 Sonuç

\n

Bu çalışma, yerel UAV kaynaklı ACu tahminlerini, belediye ölçeğinde açık topraklar için bir ACu göstergesi üretmek üzere çok zamanlı Sentinel-1/2 gözlemleriyle birleştiren bir ölçekler arası çerçeve oluşturdu. Dört ayrı bağımsız optimize edilmiş modelleme hattı arasında, CARS-DNN topluluğu en iyi LOSO performansını gösterdi (, RMSE = 0.28 mg k). Topulunun Daye Kentinde uygulanması, çoğunlukla düşük tahminli değerlerle karakterize edilen ve madencilik kaynaklı bozulma alanlarında yoğunlaşan yerel yüksek-değer yamalarıyla açık topraklar için 10 m ACu göstergesi üretti; temsilci madencilik bölgeleri arasında belirgin alansal karşıtlıklar gözlemlendi.

\n

Sonuçlar, UAV hiperspektral tahminlerinin çok zamanlı uydu gözlemleriyle birleştirilmesinin, yoğun toprak örneklemenin uygunsuz olduğu durumlarda, belediye genelinde çok zamanlı görüntülerde gözlemlenebilir açık topraklara sınırlı alansal ACu bilgisini genişletebileceğini göstermektedir. Elde edilen alansal gösterge, ekolojik tarama, öncelikli alan belirleme ve madencilik etkilenmiş kentlerde hedefli toprak incelemesi için maliyet etkin bir temel sağlamaktadır.

\n

Açıklamalar

\n

Veri erişilebilirliği açıklaması

\n

Bu çalışmanın bulgularını destekleyen veriler, makul talepler üzerine ilgili yazarlardan temin edilebilir.

\n

Yazar katkıları

\n

YZ: Görselleştirme, Biçimsel Analiz, Yazım – özgün taslak, Metodoloji, Yazılım. YW: Yazım – inceleme ve düzenleme, Doğrulama. LW: Kavramsal Tasarım, Metodoloji, Doğrulama, Yazım – inceleme ve düzenleme. ZY: Veri düzenleme, Biçimsel Analiz, Yazım – inceleme ve düzenleme. WS: Veri düzenleme, Biçimsel Analiz, Yazım – inceleme ve düzenleme. SL: Yazım – inceleme ve düzenleme, Doğrulama.

\n

Finansman

\n

Yazar(lar), bu çalışma ve/veya yayımı için finansal destek alındığını beyan etmiştir. Bu araştırma, Çin Ulusal Doğal Bilimler Fonu (42271392, 42601651), Hubei Üniversitesi Bölgesel Gelişme ve Çevresel Tepki Ana Laboratuvarı (2025(A)001) ve Hubei Eyaleti Eğitim Bakanlığı Bilimsel Araştırma Programı (B2024210, B2025278) tarafından desteklenmiştir.

\n

Çıkar çatışması

\n

Yazar(lar), bu çalışmanın ticari veya olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir finansal ilişki olmadan yürütüldüğünü beyan etmiştir.

\n

Üretken yapay zeka beyanı

\n

Yazar(lar), bu metnin hazırlanmasında üretken yapay zeka kullanıldığını beyan etmiştir. Yalnızca İngilizce dilbilgisi ve dilin düzenlenmesi amacıyla OpenAI Codex masaüstü uygulaması (Codex CLI sürümü 0.150.0-alpha.12.2; GPT-5 modeli; kaynak: OpenAI, San Francisco, CA, Amerika Birleşik Devletleri; erişim tarihi: 29 Ağustos 2026) kullanılmıştır. Yazarlar tüm düzenlemeleri inceledi ve onayladı; son metin için tam sorumluluk üstlenmektedir.

\n

Bu makaledeki şekillerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zekanın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren doğruluk sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz lütfen bizimle iletişime geçin.

\n

Yayıncı notu

\n

Bu makalede ifade edilen tüm görüşler yalnızca yazarlara aittir ve onların bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

\n

  • Adăo T. Hruška J. Pádua L. Bessa J. Peres E. Morais R. ve ark. (2017). Hyperspectral imaging: a review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote Sens. 9, 1110. 10.3390/rs9111110

\n

  • Beltrán-Marcos D. Suárez-Seoane S. Fernández-Guisuraga J. M. Fernández-García V. Marcos E. Calvo L. (2023). Relevance of UAV and Sentinel-2 data fusion for estimating topsoil organic carbon after forest fire. Geoderma 430, 116290. 10.1016/j.geoderma.2022.116290

\n

  • Ben-Dor E. Chabrillat S. Demattę J. A. M. Taylor G. R. Hill J. Whiting M. L. ve ark. (2009). Using imaging spectroscopy to study soil properties. Remote Sens. Environ. 113, S38–S55. 10.1016/j.rse.2008.09.019

\n

  • Bishop T. F. A. Horta A. Karunaratne S. B. (2015). Validation of digital soil maps at different spatial supports. Geoderma 241–242, 238–249. 10.1016/j.geoderma.2014.11.026

\n

  • Bradl H. B. (2004). Adsorption of heavy metal ions on soils and soils constituents. J. Colloid Interface Sci. 277, 1–18. 10.1016/j.jcis.2004.04.005

\n

  • Brun L., Maillet J., Hinsinger P., Pépin M. (2001). Evaluation of copper availability to plants in copper-contaminated vineyard soils. Environ. Pollut. 111, 293–302. 10.1016/S0269-7491(00)00067-1

\n

  • Brungard C. W., Boettinger J. L., Duniway M. C., Wills S. A., Edwards T. C. (2015). Machine learning for predicting soil classes in three semi-arid landscapes. Geoderma 239–240, 68–83. 10.1016/j.geoderma.2014.09.019

\n

  • Carbonneau P. E., Belletti B., Micotti M., Lastoria B., Casaioli M., Mariani S. et al (2020). UAV-based training for fully fuzzy classification of Sentinel-2 fluvial scenes. Earth Surf. Process. Landforms 45, 3120–3140. 10.1002/esp.4955

\n

  • Carstensen J., Murray C. J., Lindegarth M. (2024). Getting the errors right: the importance of partitioning sources of uncertainty for ecological indicators. Ecol. Indic. 167, 112637. 10.1016/j.ecolind.2024.112637

\n

  • Chen T., Guestrin C. (2016). “XGBoost: a scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. 10.1145/2939672.2939785

\n

  • Chen H. W., Chen C.-Y., Nguyen K. L. P., Chen B.-J., Tsai C.-H. (2022a). Hyperspectral sensing of heavy metals in soil by integrating AI and UAV technology. Environ. Monit. Assess. 194, 518. 10.1007/s10661-022-10125-5

\n

  • Chen Y, Du Y, Yin H, Wang H, Chen H, Li X ve diğerleri (2022b). Bitki örtüsü altında farklı derinliklerde toprak tuz içeriğinin tersine çevrilmesi için radar uzaktan algılama tabanlı model. PeerJ 10, e13306. 10.7717/peerj.13306

\n

  • Copernicus Data Space Ecosystem (2026). Sentinel-2 level-1c belgeleri. Çevrimiçi erişim: https://documentation.dataspace.copernicus.eu/APIs/SentinelHub/Data/S2L1C.html (Erişim Tarihi: 23 Eylül 2026).

\n

  • Dahhani S, Raji M, Bouslihim Y (2024). Toprak organik karbon tahmini için çok zamanlı radar ve optik uzaktan algılamanın uyumlu kullanımı. Remote Sens. 16, 1871. 10.3390/rs16111871

\n

  • Deng S, Ke T, Li L, Cai S, Zhou Y, Liu Y ve diğerleri (2018). Metal-tolerant bir bitkinin rizosferindeki tüm mikrobiyal topluluklara çevresel faktörlerin etkileri: Elsholtzia haichowensis Sun. Environ. Pollut. 237, 1088–1097. 10.1016/j.envpol.2017.11.037

\n

  • Du P, Xie Y, Wang S, Zhao H, Zhang Z, Wu B ve diğerleri (2015). Çin’in Daye şehrinde tarım arazilerindeki ağır metallerin olası kaynakları ve ekolojik riskleri. Environ. Sci. Pollut. Res. 22, 3498–3507. 10.1007/s11356-014-3532-1

\n

  • Dvorakova K, Heiden U, Pepers K, Staats G, van Os G, van Wesemael B (2021). Toprak organik karbon tahmini için Sentinel-2 açığa çıkmış toprak bileşkesi üretimi. Remote Sens. 13, 1791. 10.3390/rs13091791

\n

  • Dvořáková, K., Heiden, U., Pepers, K., Staats, G., van Os, G., van Wesemael, B. (2023). Alan koşulları ve belirsizlikler değerlendirilerek Sentinel-2 toprak bileşikinden toprak organik karbon tahminlerinin iyileştirilmesi. Geoderma 429, 116128. 10.1016/j.geoderma.2022.116128

\n

  • Fageria, N. K. (2001). Oxisol üzerinde yetiştirilen kara pirinç, yaygın fasulye, mısır, soya buğdayı ve buğdayda bakır ve manganezin yeterli ve toksik düzeyleri. Commun. Soil Sci. Plant Analysis 32, 1659–1676. 10.1081/CSS-100104220

\n

  • Gao, B.-C. (1996). NDWI: uzaydan bitki sıvı suyunun uzak algılama yoluyla incelenmesi için normalize edilmiş fark su indeksi. Remote Sens. Environ. 58, 257–266. 10.1016/S0034-4257(96)00067-3

\n

  • Goodfellow, I., Bengio, Y., Courville, A. (2016). Derin Öğrenme. Cambridge, MA: MIT Press.

\n

  • Gotway, C. A., Young, L. J. (2002). Uyumlu olmayan uzamsal verilerin birleştirilmesi. J. Am. Stat. Assoc. 97, 632–648. 10.1198/016214502760047140

\n

  • Hua, L., Yang, X., Liu, Y., Tan, X., Yang, Y. (2018). Çin’de tipik bir mineral madencilik şehrinde toprak ağır metallerinin uzamsal dağılımları, kirlilik değerlendirmesi ve nitelikli kaynak ayrıştırması. Sustainability 10, 3115. 10.3390/su10093115

\n

  • Kattenborn, T., Lopatin, J., Förster, M., Braun, A. C., Fassnacht, F. E. (2019). Birleşik Sentinel-1 ve Sentinel-2 verilerine dayalı odunsu istilacı türlerin haritalandırılması için saha örneklemesinin alternatifi olarak UAV verileri. Remote Sens. Environ. 227, 61–73. 10.1016/j.rse.2019.03.025

\n

  • Khaledian, Miller B. A. (2020). Dijital toprak haritalaması için uygun makine öğrenmesi yöntemlerinin seçimi. Appl. Math. Model. 81, 401–418. 10.1016/j.apm.2019.12.016

\n

  • Khan, Rastoskuev V. V., Sato Y., Shiozawa S. (2005). Uzakdan algılama göstergelerinin basit bir yaklaşımı kullanılarak hidrosalin toprak bozulmasının değerlendirilmesi. Agric. Water Manag. 77, 96–109. 10.1016/j.agwat.2004.09.038

\n

  • Laurent, Bravin M. N., Crouzet O., Pelosi C., Tillard E., Lecomte P. ve ark. (2020). Bir on yıllık organik gübre uygulamasının ardından artan toprak pH’ı ve çözünür organik madde, kirlenmeye rağmen bakır ve çinkonun kullanılabilirliğini azaltır. Sci. Total Environ. 709, 135927. 10.1016/j.scitotenv.2019.135927

\n

  • Legates D. R., McCabe G. J. (1999). Hidrolojik ve hidroiklimatik model doğrulamasında “uygunluk ölçüleri”nin kullanımının değerlendirilmesi. Water Resour. Res. 35, 233–241. 10.1029/1998WR900018

\n

  • Li, Liang Y., Xu Q., Cao D. (2009). Çok değişkenli kalibrasyon için rekabetci adaptif ağırlıklı örnekleme yöntemiyle ana dalga boylarının seçimi. Anal. Chim. Acta 648, 77–84. 10.1016/j.aca.2009.06.046

\n

  • Li, Ma Z., van der Kuijp T. J., Yuan Z., Huang L. (2014). Çin’deki madenlerden gelen toprak ağır metal kirlenmesi: kirlenme ve sağlık riski değerlendirmesi üzerine bir değerlendirme. Sci. Total Environ. 468–469, 843–853. 10.1016/j.scitotenv.2013.08.090

\n

  • Lindsay W., Norvell W. A. (1978). Çinko, demir, mangan ve bakır için DTPA toprak testi geliştirmesi. Soil Sci. Soc. Am. J.42, 421–428. 10.2136/sssaj1978.03615995004200030009x

\n

  • Mandal D., Kumar V., Ratha D., Dey S., Bhattacharya A., Lopez-Sanchez J. M. ve ark. (2020). Sentinel-1 SAR verilerini kullanarak mahsul büyümesinin izlenmesi için çift kutuplu radar bitki indeksi. Remote Sens. Environ.247, 111954. 10.1016/j.rse.2020.111954

\n

  • Maus V., Giljum S., da Silva D. M., Gutschlhofer J., da Rosa R. P., Luckeneder S. ve ark. (2022). Küresel madencilik arazi kullanımına dair güncelleme. Sci. Data9, 433. 10.1038/s41597-022-01547-4

\n

  • McBratney A. B., Mendonça Santos M. L., Minasny B. (2003). Dijital toprak haritalaması üzerine. Geoderma117, 3–52. 10.1016/S0016-7061(03)00223-4

\n

  • McFeeters S. K. (1996). Açık su özelliklerinin belirlenmesinde normalize edilmiş fark su indeksi (NDWI)’nin kullanımı. Int. J. Remote Sens.17, 1425–1432. 10.1080/01431169608948714

\n

  • Minasny B., McBratney A. B. (2016). Dijital toprak haritalaması: kısa bir tarih ve bazı dersler. Geoderma264, 301–311. 10.1016/j.geoderma.2015.07.017

\n

  • Mirzaei F., Abbasi Y., Sohrabi T. (2021). Atık suyla sulanan arazilerde ağır metallerin dağılımının Sentinel-2 uydu görüntüleriyle modellenmesi. Egypt. J. Remote Sens. Space Sci.24, 537–546. 10.1016/j.ejrs.2021.03.002

\n

  • Nguyen T. T., Pham T. D., Nguyen C. T., Delfos J., Archibald R., Dang K. B. ve ark. (2022). Çoklu spektrum ve SAR verilerinin birleştirilmesiyle tarım arazi organik karbon tahmini için aktif ve toplu öğrenmeye dayalı yeni bir zeka yaklaşımı. Sci. Total Environ. 804, 150187. 10.1016/j.scitotenv.2021.150187

\n

  • Paul S., Smukler S., Coops N., Johnson M., Krzic M. (2019). Alan ölçeğinde maliyet etkin dijital arazi eşeleme için standart laboratuvar analizleri ve orta kızılötesi spektroskopi örneklem çalışmalarının değerlendirilmesi. Geoderma 356, 113925. 10.1016/j.geoderma.2019.113925

\n

  • Poggio L., Gimona A., Brewer M. J. (2013). Büyük sayıda uydu kaynaklı değişken kullanılarak arazi özelliklerinin ve belirsizliklerinin bölgesel ölçekte eşelenmesi. Geoderma 209–210, 1–14. 10.1016/j.geoderma.2013.05.029

\n

  • Rikimaru A., Roy P. S., Miyatake S. (2002). Tropik orman örtüsü yoğunluğunun eşlenmesi. Trop. Ecol. 43, 39–47.

\n

  • Roberts D. R., Bahn V., Ciuti S., Boyce M. S., Elith J., Guillera-Arroita G. ve ark. (2017). Zamansal, mekansal, hiyerarşik veya filogenetik yapıya sahip veriler için çapraz doğrulama stratejileri. Ecography 40, 913–929. 10.1111/ecog.02881

\n

  • Rouse J. W., Haas R. H., Schell J. A., Deering D. W. (1974). “Great Plains’da ERTS ile bitki sistemlerinin izlenmesi,” Üçüncü Kaynak Teknolojisi Uydu-1 Sempozyumu (Washington, DC: NASA), 309–317.

\n

  • Saurette, D. D. Berg, A. A. Laamrani, A. Heck, R. J. Gillespie, A. W. Voroney, P. ve diğerleri (2022). Numune boyutu ve covaryans çözünürlüğünün saha ölçeğinde toprak karbonunun öngörücü dijital haritalamasına etkileri. Geoderma 425, 116054. 10.1016/j.geoderma.2022.116054

\n

  • Sauvé, S., Hendershot, W., Allen, H. E. (2000). Kirli topraklarda metallerin katı-çözelti dağılımı: pH, toplam metal yükü ve organik maddeye bağımlılık. Environ. Sci. and Technol. 34, 1125–1131. 10.1021/es9907764

\n

  • Schulz, C., Förster, M., Vulova, S. V., Rocha, A. D., Kleinschmit, B. (2024). Orta Avrupa’daki 61 ağaç türü için Sentinel-1 c-bant SAR ve Sentinel-2 çoklu spektrumlu uzaktan algılama zaman serilerindeki spektral-zamansal özellikler. Remote Sens. Environ. 307, 114162. 10.1016/j.rse.2024.114162

\n

  • Shen, Q., Xia, K., Zhang, S., Kong, C., Hu, Q., Yang, S. (2019). Demir cevheri bölgesinde geri kazandırılan topraktaki ağır metal bakırın hiperspektral dolaylı tersine çevrilmesi. Spectrochimica Acta Part A Mol. Biomol. Spectrosc. 222, 117191. 10.1016/j.saa.2019.117191

\n

  • Shi, T., He, L., Wang, R., Li, Z. J., Hu, Z. W., Wu, G. F. (2023). Kentsel topraklarda ağır metallerin dijital haritalaması: bir derleme ve araştırma zorlukları. CATENA 228, 107183. 10.1016/j.catena.2023.107183

\n

  • Smola, A. J., Schölkopf, B. (2004). Destek vektör regresyonu üzerine bir eğitim. Statistics Comput. 14, 199–222. 10.1023/B:STCO.0000035301.49549.88

\n

  • Sorenson P. T., Shirtliffe S. J., Bedard-Haughn A. K. (2021). Predictive soil mapping using historic bare soil composite imagery and legacy soil survey data. Geoderma 401, 115316. 10.1016/j.geoderma.2021.115316

\n

  • Stenberg B., Viscarra Rossel R. A., Mouazen A. M., Wetterlind J. (2010). Visible and near infrared spectroscopy in soil science. Adv. Agron. 107, 163–215. 10.1016/S0065-2113(10)07005-7

\n

  • Sun Q., Yin C., Deng J., Zhang D. (2013). Heavy metal contamination characteristics and health risk assessment of soils and vegetables in mining areas of Daye. Environ. Chem. 32, 671–677. 10.7524/j.issn.0254-6108.2013.04.020

\n

  • Tan K., Ma W., Chen L., Wang H., Du Q., Du P. et al (2021). Estimating the distribution trend of soil heavy metals in mining area from HyMap airborne hyperspectral imagery based on ensemble learning. J. Hazard. Mater. 401, 123288. 10.1016/j.jhazmat.2020.123288

\n

  • Tang L., Werner T. T. (2023). Global mining footprint mapped from high-resolution satellite imagery. Commun. Earth and Environ. 4, 134. 10.1038/s43247-023-00805-6

\n

  • Viscarra Rossel R. A., Walvoort D. J. J., McBratney A. B., Janik L. J., Skjemstad J. O. (2006). Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma 131, 59–75. 10.1016/j.geoderma.2005.03.007

\n

  • Vohland M, Ludwig M, Thiele-Bruhn S, Ludwig B. (2014). Görünür yakın ve orta kızılötesi spektroskopi ile toprak özelliklerinin belirlenmesi: spektral değişken seçiminin etkileri. Geoderma 223–225, 88–96. 10.1016/j.geoderma.2014.01.013

\n

  • WadouxA. M. J.-C, Minasny B, McBratney A. B. (2020). Dijital toprak haritalamasında makine öğrenimi: uygulamalar, zorluklar ve önerilen çözümler. Earth-Science Rev. 210, 103359. 10.1016/j.earscirev.2020.103359

\n

  • Wang Z, Bao J, Wang T, Moryani H. T, Kang W, Zheng J, ve diğerleri. (2021). Orta Çin’deki tipik bir maden şehrindeki kirlenmiş topraklardan farklı sebze türlerinde tehlikeli ağır metal birikimi ve sağlık riski değerlendirmesi. Int. J. Environ. Res. Public Health 18, 2617. 10.3390/ijerph18052617

\n

  • Wang N, Peng J, Xue J, Zhang X, Huang J, Biswas A, ve diğerleri. (2022). Zaman serisi Sentinel-2 görüntüleri ve rastgele orman-zamansal konvolüsyon ağı kullanarak toprak profillerinin toplam tuz içeriğinin belirlenmesi için bir çerçeve. Geoderma 409, 115656. 10.1016/j.geoderma.2021.115656

\n

  • Wang Y, Zou B, Chai L, Lin Z, Feng H, Tang Y, ve diğerleri. (2024). Hiperspektral uzaktan algılama tabanlı toprak ağır metal izlemi: bir derleme. Earth-Science Rev. 254, 104814. 10.1016/j.earscirev.2024.104814

\n

  • Wei L, Zhang Y, Lu Q, Yuan Z, Li H, Huang Q. (2021). UAV taşımalı hyperspektral görüntüler ve derin öğrenme kullanılarak şüpheli kirlenmiş alanda toprak toplam arsenik alansal dağılımının tahmini. Ecol. Indic. 133, 108384. 10.1016/j.ecolind.2021.108384

\n

  • Willmott C. J, Matsuura K. (2005). Ortalama mutlak hata (MAE)’nin ortalama model performansını değerlendirirken karekök ortalama kare hatası (RMSE) önünde avantajları. Clim. Res.30, 79–82. 10.3354/cr030079

\n

  • Wold S, Sjöström M, Eriksson L. (2001). PLS-regresyonu: kimyometrinin temel aracı. Chemom. Intelligent Laboratory Syst.58, 109–130. 10.1016/S0169-7439(01)00155-1

\n

  • Wu C, Luo Y, Zhang L. (2010). Güneydoğu Çin’deki pirinç tarlalarında bakır kullanılabilirliğinin seçili toprak özellikleriyle ilişkili değişkenliği. Geoderma156, 200–206. 10.1016/j.geoderma.2010.02.018

\n

  • Wu Y, Li X, Yu L, Wang T, Wang J, Liu T. (2022). Çin’de toprak ağır metal kirliliği üzerine bir derleme: alansal dağılım, birincil kaynaklar ve iyileştirme alternatifleri. Resour. Conservation Recycl.181, 106261. 10.1016/j.resconrec.2022.106261

\n

  • Zhang X, Lin F, Jiang Y, Wang K, Feng X. L. (2009). Çin Yangtze Delta’sında arazi kullanımı ve toprak özellikleriyle ilişkili toplam ve kullanılabilir bakır konsantrasyonlarının değişkenliği. Environ. Monit. Assess.155, 205–213. 10.1007/s10661-008-0429-9

\n

  • Zhang J, Li X, Zhang Q, Li Q, Xiao W, Wang Y. ve ark. (2015). Çin’deki Daye Gölü kıyı bölgesinden su-toprak ağır metal kirliliğinin taşınması ve risk değerlendirmesi. Huan Jing Ke Xue36, 194–201. 10.13227/j.hjkx.2015.01.025

\n

  • Zhang, Y., Wei, L., Lu, Q., Zhong, Y., Yuan, Z., Wang, Z. ve diğerleri (2023). Simüle edilmiş soğutma (simulated annealing) derin ağ ve UAV hiper spektrum görüntüleriyle maden atık havuzunda toprağa kullanılabilir bakır içeriğinin haritalanması. Environ. Pollut. 316, 120962. 10.1016/j.envpol.2022.120962

\n

  • Zhang, Z., He, Y., Yin, H., Xiang, R., Chen, J., Du, R. (2024). Sentinel-1/2 ile iyileştirilmiş kutuplaşma kombinasyonu indeksi ve doku özellikleri temel alan toprak tuzluluğunun uyumlu tahmini. Trans. Chin. Soc. Agric. Mach. 55, 175–185. 10.6041/j.issn.1000-1298.2024.01.016

\n

  • Zhu, Y., Qi, L., Wu, Z., Shi, P. (2024). Tarım arazilerinde toprak organik karbonunun tayf temelli tahmini: Tek tarihli vs. çok tarihli çıplak toprak birleştirme yaklaşımları. Geoderma 449, 116987. 10.1016/j.geoderma.2024.116987

\n

Özet

\n

Anahtar kelimeler

\n

kullanılabilir bakır, dijital toprak haritalama, madenden etkilenen şehir, Sentinel-1/2, UAV hiper spektrum görüntüleri

\n

Atıf

\n

Zhang Y, Wang Y, Wei L, Yuan Z, Si W ve Li S (2026) UAV hiper spektrum tahminleri ve çok tarihli Sentinel-1/2 verileri kullanılarak madenden etkilenen bir şehirde toprağa kullanılabilir bakırın haritalanması. Front. Environ. Sci. 14:1983433. doi: 10.3389/fenvs.2026.1983433

\n

Makale alındı

\n

31 Ağustos 2026

\n

Düzeltildi

\n

30 Eylül 2026

\n

Kabul edildi

\n

28 Ekim 2026

\n

Yayınlandı

\n

09 Kasım 2026

\n

14 – 2026

\n

Ye Yuan, Çin Bilimler Akademisi (CAS), Çin

\n

Hengqian Zhao, Çin Madencilik ve Teknoloji Üniversitesi, Pekin, Çin

\n

Daniely Vaz Da Silva Sangoi, PhD Science soil, Brezilya

\n

© 2026 Zhang, Wang, Wei, Yuan, Si ve Li.

\n

Bu erişime açık makale, Creative Commons Atıf Lisansı (CC BY) koşulları altında dağıtılmaktadır. Orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının atıf yapılması ve bu dergideki orijinal yayının, kabul edilen akademik uygulama uygunluğunda belirtilmesi koşuluyla, diğer platformlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

\n

*İletişim: Yu Wang, wangyu@jcut.edu.cn; Lifei Wei, weilifei2508@hubu.edu.cn

\n

Frontiers | Mapping soil copper availability in a mining-affected city using UAV hyperspectral estimates and multi-temporal Sentinel-1/2 dat
Frontiers | Mapping soil copper availability in a mining-affected city using UAV hyperspectral estimates and multi-temporal Sentinel-1/2 dat

\n

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve hakemlerin görüşlerini kesinlikle yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

\n

İlginizi Çekebilir: Bolu Sülüklügöl Sonbahar Kampı: Gölet Kenarında Doğa Fotoğrafçılığı ve Yürüyüş →

\n

Kaynak: Frontiersin ↗

İlgili saha rehberleri