Kuş Gözlem

Proje Hakkında

Kuş Gözlem, doğa severler ve kuş gözlemcileri için geliştirilmiş kapsamlı bir saha rehberi ve gözlem günlüğü uygulamasıdır. Kullanıcılar fotoğraf veya ses kaydı ile kuş türlerini tanımlayabilir, gözlemlerini konum ve zaman bilgisiyle kayıt altına alabilir ve Türkiye'nin kuş çeşitliliği haritasını keşfedebilirler. Uygulamanın tür tanımlama motoru iki modda çalışır: görsel tanıma ve ses tanıma. Görsel tanıma, Core ML üzerinde eğitilmiş özel bir model ile Türkiye'de gözlemlenen 480'den fazla kuş türünü tanıyabilir. Ses tanıma modülü, kuş ötüşlerini analiz ederek türü belirler. Her iki mod da internet bağlantısı olmadan çalışır. Gözlem günlüğü, her gözlem için detaylı kayıt imkanı sunar: tür, sayı, davranış, habitat, hava koşulları, fotoğraf ve ses kaydı. GPS ile otomatik konum ve rakım kaydedilir. Gözlemler tarih, tür, konum ve mevsim bazında filtrelenebilir ve istatistiksel analizler sunulur. Interaktif harita modülü, kullanıcının kendi gözlemlerini ve topluluk verilerini katmanlı olarak gösterir. Mevsimsel göç haritaları, hotspot bölgeler ve yakın çevredeki gözlem noktaları önerilir. MapKit ile offline harita desteği sayesinde doğada internet bağlantısı olmadan da harita kullanılabilir. Topluluk özellikleri arasında gözlem paylaşımı, liderlik tablosu, türe özel tartışma forumları ve uzman doğrulama sistemi bulunur. Nadir tür gözlemleri uzman kuş gözlemcileri tarafından doğrulanır ve topluluk haritasına eklenir. Yıllık kuş sayım etkinliklerine uygulama üzerinden katılım mümkündür.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Uygulama mimarisi Clean Architecture prensipleri ile katmanlı yapıda tasarlanmıştır. Domain katmanı platform bağımsız iş mantığı içerir: tür tanımlama, gözlem kaydetme, istatistik hesaplama. Data katmanı Core Data, CloudKit ve ML model erişimini yönetir. Presentation katmanı SwiftUI ile declarative UI sunar. Görsel tanıma modeli EfficientNet-B0 tabanlıdır. Transfer learning ile ImageNet ağırlıkları üzerine kuş türleri için fine-tune edilmiştir. Input: 224x224 RGB, Output: 1920 sınıf (480 tür x 4 varyant) probability distribution. Create ML ile iteratif eğitim, veri artırma (random crop, color jitter, horizontal flip) ve focal loss kullanılmıştır. Model boyutu INT8 quantization ile 45MB. Ses tanıma pipeline'ı AVAudioEngine + Core ML entegrasyonudur. Ses kaydı 44.1kHz mono olarak alınır. 3 saniyelik sliding window ile segmentlere ayrılır. Her segment Mel spektogramına dönüştürülür (128 mel band, 256 time step). Spektogram Core ML modeline (MobileNetV2-Audio tabanlı) gönderilir. Top-5 sonuç confidence score ile sunulur. Veri katmanı Core Data + CloudKit mimarisindedir. Observation, Species, Location ve User entity'leri ilişkisel olarak modelllenmiştir. Gözlem fotoğrafları CloudKit Asset olarak saklanır. Ses kayıtları m4a formatında compressed olarak yüklenir. NSPersistentCloudKitContainer ile otomatik senkronizasyon sağlanır. Harita modülü MapKit + Core Location entegrasyonudur. Gözlem noktaları MKClusterAnnotation ile gruplanır. Heatmap overlay ile yoğunluk görselleştirmesi yapılır. Offline harita desteği MKTileOverlay cache mekanizması ile sağlanır. Kullanıcının favori bölgelerinin tile'ları Wi-Fi bağlantısında arka planda indirilir. watchOS companion app, hızlı gözlem kaydı için tasarlanmıştır. Konum otomatik alınır, tür ses komutu ile seçilir, sayı Digital Crown ile ayarlanır. Watch → iPhone senkronizasyonu WatchConnectivity ile gerçek zamanlı yapılır. Bildirim sistemi: nadir tür gözlemleri CloudKit subscription ile push notification tetikler. Kullanıcı yarıçapı (5km, 10km, 25km, 50km) ve tür filtresi ayarlayabilir. Mevsimsel göç dönemlerinde göç alarmları otomatik aktifleşir.

Araştırma Notları

Küresel kuş gözlem uygulamaları pazarında eBird (Cornell Lab) dominant konumda. Merlin Bird ID (Cornell) görsel ve ses tanımlama sunuyor. BirdNET (Chemnitz Üniversitesi) ses tanımada uzmanlaşmış. Ancak hiçbiri Türkiye'ye özel tür veritabanı ve Türkçe içerik sunmuyor. Türkiye, kuş çeşitliliği açısından Avrupa'nın en zengin ülkelerinden biri. 480'den fazla kuş türü gözlemleniyor. Afrika-Avrupa göç yolu üzerindeki stratejik konumu nedeniyle her yıl milyonlarca göçmen kuş Türkiye üzerinden geçiyor. Bu zenginlik, yerel bir kuş gözlem uygulaması için güçlü bir temel oluşturuyor. Türkiye'de kuş gözlemciliği son 5 yılda %150 büyüme gösterdi. Aktif kuş gözlemci sayısı tahminen 80.000-120.000. Doğa fotoğrafçılığının popülerleşmesi, kuş gözlem turizminin artması ve çevre bilincinin yükselmesi bu büyümenin temel itici güçleri. ML model araştırmasında: EfficientNet-B0, mobil cihazlar için optimal performans-boyut dengesi sunuyor. ResNet50 %1.2 daha yüksek doğruluk sağlıyor ancak 3 kat büyük ve 2 kat yavaş. MobileNetV3 daha küçük ancak %2.5 daha düşük doğruluklu. Ses tanıma için BirdNET mimarisi (ResNet tabanlı) referans alındı. Gözlem verisi standardı olarak Darwin Core formatı benimsendi. Bu format, uluslararası biyoçeşitlilik veritabanları (GBIF, eBird) ile uyumlu veri paylaşımını mümkün kılar. Gelecekte Türkiye gözlem verilerinin uluslararası platformlara aktarılması planlanıyor.

Tasarım Süreci

Tasarım süreci, 20 aktif kuş gözlemcisi ile saha araştırması yapılarak başladı. Gözlemcilerle birlikte sahaya çıkılarak gerçek kullanım senaryoları yerinde gözlemlendi. En kritik bulgu: saha koşullarında hız ve tek el kullanımı her şeyden önemli. Kuş kaçmadan türü tanımlayabilmek saniyelerle ölçülür. Görsel kimlik, gökyüzü ve su temasından ilham aldı: sky blue (#0ea5e9) ana renk, orman yeşili ve kumsal bej tamamlayıcı renkler. Doğal tonlar, fotoğraf içeriklerle uyum sağlar. Saha modunda kontrastı artıran high-visibility tema seçeneği eklendi. Tanımlama akışı minimal adımla tasarlandı: kamera aç → çek → sonuç. 3 saniyeden kısa. Ses tanıma için tek dokunuşla kayıt başlar, 5 saniye sonra otomatik analiz yapar. Sonuç kartı swiping ile benzer türler arasında karşılaştırma yapılabilir. Gözlem kayıt formu, saha ergonomisi düşünülerek tasarlandı. Varsayılan değerler akıllıca doldurulur: konum GPS'ten, tarih/saat otomatik, hava durumu WeatherKit'ten. Kullanıcı yalnızca tür ve sayı girişi yaparak hızlıca kayıt tamamlayabilir. Detaylı alanlar (davranış, habitat notu) isteğe bağlıdır. Harita tasarımında katmanlı bilgi sunumu benimsendi. Varsayılan görünümde sadece kullanıcının gözlemleri, zoom-out ile topluluk verileri, tür filtresi ile spesifik tür dağılımı gösterilir. Renk kodlaması: yeşil (yaygın), sarı (az görülen), kırmızı (nadir), mor (istisnai). Accessibility: VoiceOver ile tür tanımlama sonuçları sesli okunur. Ses tanıma sonuçları haptic feedback ile desteklenir. Dynamic Type tam uyumlu. Saha modunda büyük font ve yüksek kontrast otomatik aktif. watchOS app'te Accessibility Shortcut desteği.

Sonuçlar & Etki

Kuş Gözlem, Türkiye'nin en kapsamlı kuş gözlem uygulaması olarak kısa sürede benimsendi. Lansmanın ardından 10 ayda 45.000 aktif kullanıcıya ulaştı. Toplam 680.000'i aşkın gözlem kaydı oluşturuldu. Türkiye Kuş Gözlem Derneği tarafından tavsiye edilen uygulama statüsü kazandı. Görsel tanıma performansı: top-1 doğruluk %94.2, top-5 doğruluk %98.7. Ses tanıma doğruluğu temiz kayıtlarda %89, gürültülü ortamda %72. Ortalama tanımlama süresi görsel için 0.8 saniye, ses için 3.5 saniye. Model boyutu optimizasyonu ile toplam uygulama boyutu 165MB'da tutuldu. Topluluk etkileşim metrikleri güçlü: haftalık aktif gözlemci %56, ortalama oturum süresi 8.2 dakika (saha kullanımı hariç), aylık ortalama gözlem kaydı kullanıcı başına 12. Nadir tür alarm bildirimleri %78 açılma oranıyla en etkili etkileşim kanalı. Bilimsel katkı: Uygulama verileri 3 akademik çalışmada referans olarak kullanıldı. 12 nadir tür gözlemi uygulamadan raporlandı ve doğrulandı. Yıllık kuş sayımına uygulama üzerinden 2.400 gözlemci katıldı — önceki yılın 3 katı. Teknik metriklerde: crash-free oranı %99.7, offline mod kullanım oranı %34, CloudKit sync conflict oranı %0.2. Core Data query P95 28ms. watchOS companion app kullanım oranı %18. Uygulama 4.9 ortalama puanla 420'yi aşkın değerlendirme aldı.

Öğrenilen Dersler

Kuş türü tanımlama modelinde veri dengesizliği çok belirgin. Serçe, güvercin gibi yaygın türler binlerce örnekle temsil edilirken, nadir türler için yalnızca düzinelerce görüntü mevcuttu. Class-weighted loss ve synthetic augmentation ile dengesizlik giderildi, ancak en etkili yöntem ornitolog danışmanın curate ettiği kaliteli az veri oldu. Saha testi, laboratuvar testinden tamamen farklı sonuçlar verir. İlk versiyonda masa başı testlerde %96 doğruluk gösteren model, sahada %82'ye düştü. Farklı ışık koşulları, mesafe, arka plan karmaşıklığı ve hareket bulanıklığı model performansını etkiler. Düzenli saha testi sprint'leri ile model iteratif olarak iyileştirildi. Offline-first mimari baştan planlanmalı, sonradan eklenmemeli. İlk versiyonda online-first yaklaşımıyla geliştirilen uygulamaya offline destek eklemek, büyük bir refactoring gerektirdi. Core Data migration, conflict resolution ve sync queue mekanizmaları sonradan eklendiğinde karmaşıklık katlanarak arttı. Domain uzmanı (ornitolog) katılımı, sadece veri kalitesi değil, ürün kararları için de kritik. Gözlem formu tasarımından tür bilgi kartlarının içeriğine, topluluk moderasyonundan bilimsel doğrulama sürecine kadar uzmanın aktif katılımı ürünün güvenilirliğini ve kullanışlılığını sağladı. Gamification öğeleri (yaşam listesi, rozetler, liderlik tablosu) kullanıcı bağlılığını dramatik artırdı. Ancak aşırı gamification, gözlem kalitesini düşürebilir. Bazı kullanıcılar sayı artırmak için düşük kaliteli gözlemler girmeye başladı. Kalite puanı ve doğrulama sistemi ile denge sağlandı.