Prithvi-EO-2.0 Jeosansal Modelinin Üç Kıtadaki Testi Fenolojik Uyumsuzlukları Ortaya Koydu

Büyük uydu arşivleri üzerinde ön eğitmenle geliştirilen jeosansal temel modeller (GeoFM), tarım sınıflandırma doğruluğunu artırma potansiyelleriyle dikkat çekiyor. Ancak bu modellerin eğitim dağılımının ötesindeki operasyonel performansları ve coğrafi transfer kabiliyetleri bugüne kadar sınırlı düzeyde incelenmişti. Venkatesh Kolluru, Rajat Shinde, Abdelhak Marouane, Caden Helbling, Deepak Shah, Othneil Drew, Srinivas Kolluru, Iksha Gurung, Manil Maskey ve Rahul Ramachandran'dan oluşan araştırma ekibi, 20 Eylül 2026 tarihinde yayımlanan çalışmada, geniş çapta benimsenen Prithvi-EO-2.0 modelinin dağılım dışı (out-of-distribution) performansını masaya yatırdı.

Araştırma kapsamında model, üç kıtada yer alan 12 ülkedeki 37 farklı olay üzerinden değerlendirildi ve bölgesel referans ürünlerle kıyaslandı. Elde edilen bulgular, modelin coğrafi ve fenolojik değişimler karşısında ciddi operasyonel sınırlarla karşılaştığını gösterdi.

Üç Kıtadaki Testlerde Doğruluk Oranları Düştü

Bölgesel referans ürünlerle yapılan kıyaslamalarda modelin performansında belirgin bölgesel düşüşler tespit edildi. Amerika Birleşik Devletleri'nde 0,65 olan ortalama genel doğruluk (OA) oranı, Avrupa'da 0,40 seviyesine kadar geriledi.

Çalışma yalnızca doğruluk metrikleriyle sınırlı kalmayarak beş kritik performans unsurunu detaylıca inceledi: 1. Model güveninin sinyal başarısızlığını gösterip göstermediği 2. Gözlem pencerelerine duyarlılık 3. Sınıf şemalarının kabalaştırılmasının etkisi 4. Bant kaybına karşı dayanıklılık 5. Bulut ve gölge kontaminasyonuna karşı dayanıklılık

Analiz sonuçları, gözlem penceresi yerel mahsul fenolojisiyle uyuşmadığında model doğruluğunun çöktüğünü, buna karşın deterministik güven skorlarının yüksek kalmaya devam ettiğini ortaya koydu. Sekiz eşleştirilmiş olayın yedisinde beklenen kalibrasyon hatası artarken, etkilenen sahnelerin yüzde 12 ila 51'lik kısmının sıfıra yakın bir hassasiyetle yanlış etiketlendiği görüldü. Buna karşın Monte Carlo dropout entropisi, coğrafi düşüşün önemli bir kısmının mekânsal aktarım sorunundan değil, fenolojik uyumsuzluktan kaynaklandığını net bir şekilde doğruladı.

Yeniden Eğitmeden Doğruluğu Artırma Yöntemleri

Araştırmacılar, modeli baştan sona yeniden eğitmek zorunda kalmadan doğruluğu artırabilecek iki pratik düzeltme yöntemi geliştirdi.

* Sınıf Konsolidasyonu: Modelin en sık yaptığı karışıklıklara dayanarak 13 sınıfın 10 sınıfta konsolide edilmesi, ortalama genel doğruluk oranını 8,4 yüzde puanı yükseltti. * Gözlem Penceresi Optimizasyonu: Gözlem penceresinin gerçek zamanlı kullanıma doğru daraltılması, 45 ila 90 günlük bir plato boyunca doğruluğu korumayı başardı ve tepe noktası yaklaşık 75 günde görüldü. Buna karşın 30 günden daha kısa tutulan pencere süreleri, bu platodan yaklaşık 0,11 oranında aşağıda kaldı.

Sonuç ve Operasyonel Rehberlik

Çalışmanın sonuçları, tarımsal amaçlı ince ayar yapılan jeosansal temel modellerinin yalnızca gözlem pencerelerinin yerel büyüme mevsimleriyle tam olarak örtüştüğü senaryolarda güvenilir bir şekilde transfer edilebileceğini ortaya koyuyor. Araştırma ekibi, elde edilen bu bulguları yayımlanan modelin gelecekteki operasyonel dağıtımları için somut kılavuzlara ve stratejik yönlendirmelere dönüştürdü.