İHA ile Tarım (UAV Agriculture)

İnsansız Hava Araçları (İHA'lar veya dronlar), yüksek çözünürlüklü görüntüleme yeteneklerini doğrudan çiftçilerin ve araştırmacıların eline vererek tarımsal izlemeyi dönüştürmüştür. Uydu görüntüleri metre ölçeğinde çözünürlükle sabit yeniden ziyaret programlarında geniş kapsam sağlarken, İHA'lar istek üzerine santimetre çözünürlüğünde veri sunarak daha önce pahalı insanlı uçaklar olmaksızın imkânsız olan tarla düzeyindeki analizleri mümkün kılar.

Görüntüleme Modaliteleri

RGB kameralar, standart renkli görüntüleri yakalayan en erişilebilir sensörlerdir; ürün sayımı, kanopi örtme tahmini ve görsel hastalık değerlendirmesi için uygundur. Entegre kameralı tüketici sınıfı dronlar, 1-3 cm/piksel çözünürlükte ortomozaikler üretebilir.

Çok spektral kameralar (örneğin MicaSense RedEdge, Sentera), kırmızı kenar ve yakın kızılötesi dahil 4-6 ayrı bant yakalayarak klorofil içeriği, azot durumu ve bitki stresiyle ilişkili bitki indekslerinin (NDVI, NDRE, GNDVI) hesaplanmasını mümkün kılar. Bu indeksler, verim ve besin gereksinimlerini tahmin eden Random Forest ve Gradient Boosting modelleri için girdi özellikleri olarak kullanılabilir.

Termal kameralar, ürün su stresi için vekil kabul edilen kanopi sıcaklığını algılar. Sulanan ve stresli bitkiler arasındaki yalnızca 1-2 santigrat derecelik sıcaklık farkları bile yakalanabildiği için Precision Agriculture sistemlerinde sulama planlamasına yardımcı olur.

LiDAR sensörleri, milimetre hassasiyetiyle kanopi yüksekliğini ve yapısını ölçer. Yükseklik modelleri, biyokütle tahmini, yatma tespiti ve bahçe ile ormancılıkta ağaç envanterini destekler.

Uçuş Planlama

Etkili İHA taramaları sistematik uçuş planlaması gerektirir. Parametreler arasında uçuş irtifası (yer örnekleme mesafesini belirler), bitişik görüntüler arasındaki örtüşme oranı (fotogrametrik işlem için tipik olarak %75-80 ön ve %60-70 yan) ve uçuş hızı yer alır. Rüzgâr koşulları, güneş açısı ve bulut örtüsü de görüntü kalitesini ve radyometrik tutarlılığı etkilediği için dikkate alınmalıdır. Bu koşulların analiz boru hattına nasıl yansıdığı için Image Preprocessing bölümüne bakılabilir.

Fotogrametri ve Ortomozaik Üretimi

Hareket-ten-Yapı (Structure-from-Motion - SfM) fotogrametri yazılımları (Agisoft Metashape, OpenDroneMap, Pix4D), örtüşen İHA görüntülerini coğrafi referanslı ortomozaiklere, dijital yükseklik modellerine (DEM) ve 3 boyutlu nokta bulutlarına dönüştürür. İşleme boru hattı; özellik eşleştirme, demet ayarlaması, yoğun nokta bulutu üretimi, ağ oluşturma ve ortorektifikasyon adımlarını içerir. Bu çıktılar, Unet Architecture ve Yolo Family modellerinin analiz ettiği uzamsal katmanlara dönüşür.

Ürün Sağlığı Haritalama

İHA görüntülerinin başlıca tarımsal uygulamalarından biri, tarla içindeki ürün sağlığı değişkenliğinin haritalanmasıdır. İş akışları tipik olarak şu adımları içerir:

1. Temel büyüme dönemlerinde çok spektral görüntü edinimi.
2. Yer kontrol noktaları ve yansıma panelleri kullanılarak kalibre edilmiş yansıma ortomozaiklerinin üretimi.
3. Bitki indeks haritalarının hesaplanması.
4. İndeks haritalarının, bölgeleri sağlıklı, stresli veya hastalıklı olarak sınıflandıran makine öğrenmesi modellerine verilmesi.
5. Precision Agriculture müdahaleleri için yönetim bölgesi veya reçete haritalarının üretilmesi.

Yolo Family ile uygulanan nesne tespiti modelleri, İHA görüntülerinde bireysel bitkileri sayabilir, sıra boşluklarını tespit edebilir, yabani otları belirleyebilir ve yatmış ürün yamalarını konumlandırabilir. Unet Architecture ile kurulan segmentasyon modelleri ise tarla sınırlarını, ürün sıralarını ve kanopi uzantılarını belirler.

İlaçlama Dronları

Görüntülemenin ötesinde, tarımsal dronlar giderek daha fazla uygulama platformu olarak da kullanılmaktadır. İlaçlama dronları 10-30 litre pestisit veya sıvı gübre taşıyarak reçete haritalarıyla yönlendirilen santimetre hassasiyetinde uygulama yapabilir. Bu yaklaşım özellikle dik arazide yetiştirilen ürünlerde (çay, bağ), yer ekipmanlarının ürüne zarar verdiği çeltik tarlalarında ve makine öğrenmesi tabanlı tespit sistemiyle belirlenen yabani otların noktasal ilaçlanmasında değerlidir.

Mevzuat Ortamı ve Maliyetler

Çoğu ülke, drone pilotu sertifikası gerektirir; havaalanları ve yerleşim yerleri yakınındaki uçuşları kısıtlar ve görsel görüş hattı içinde çalışmayı zorunlu kılar. Görüş hattı ötesi (BVLOS) muafiyetleri, tarımsal operasyonlar için giderek daha fazla erişilebilir hale gelmekte ve daha büyük çiftlik alanlarının taranmasına imkân tanımaktadır.

Donanım maliyetleri son yıllarda önemli ölçüde düşmüştür. Yetkin bir çok spektral haritalama sistemi (drone, kamera, yer kontrol hedefleri) 5.000-15.000 dolar arasında olabilir; uçuş başına işletme maliyetleri ise hektar başına 10 doların altına inebilir. 50 hektarın üzerindeki çiftliklerde, mevsim başına iki veya daha fazla taramanın yönetim kararlarını bilgilendirmesi durumunda maliyet-fayda analizi çoğu zaman drone tabanlı izlemeyi manuel taramaya göre avantajlı hale getirir.

Ingest Edilen Makalelerden Bulgular

[Shakhatreh et al., 2019] — İHA'ların sivil uygulamalarını kapsayan geniş ölçekli bu derlemede, hassas tarım bağlamında ürün yönetimi ve izleme, yabani ot tespiti, sulama planlama, hastalık tespiti, pestisit püskürtme ve yer sensörlerinden veri toplama gibi kullanımlar özetlenmiştir. İHA'lar, küçük tarla alanlarında geleneksel insanlı uçaklara ve bazı uydu sistemlerine kıyasla daha düşük maliyetli, daha yüksek çözünürlüklü ve daha hızlı konumlandırılabilen bir alternatif sunmaktadır. Çalışmada, termal uzaktan algılama ile bitki stresi ve hastalık belirtilerinin erken dönemde yakalanabildiği; İHA görüntülerinin toprak nemi, bitki su stresi indeksi, toprak dokusu haritalama ve ürün artığı kapsamının değerlendirilmesinde kullanılabildiği vurgulanmıştır.

[Han et al., 2019] — Pekin'deki Xiao Tangshan Ulusal Hassas Tarım Araştırma Merkezi'nde yürütülen çalışmada, İHA uzaktan algılama verilerinin makine öğrenmesi ile birleştirilmesiyle mısırın yer üstü biyokütlesi (AGB) tahmin edilmiştir. DJI Spreading Wings S1000 oktokopter platformunda Sony DSC-QX100 dijital kamera (20.2 MP) ve Parrot Sequoia çok spektral kamera (yeşil 550 nm, kırmızı 660 nm, kırmızı kenar 735 nm, yakın kızılötesi 790 nm) kullanılmıştır. 60 m uçuş irtifasında dijital görüntülerde yaklaşık 1.3 cm, çok spektral görüntülerde ise 5.5 cm yer örnekleme mesafesi elde edilmiştir. 14 tahmin değişkeninden özyinelemeli özellik eleme (RFE) algoritmasıyla 6 değişken seçilmiştir. Dört makine öğrenmesi algoritmasının (MLR, SVM, ANN, RF) karşılaştırılmasında Random Forest modeli en dengeli sonuçları vermiştir. Önerilen BIOVP göstergesi, dört farklı modelde de AGB tahmini üzerinde en güçlü etkiyi korumuştur. Kriging enterpolasyonu tabanlı bitki yüksekliği çıkarma yöntemi, açıklanan varyans oranını R2=0.85'e yükseltmiş ve RMSE'yi 14.61 cm'ye düşürmüştür. Çalışma, yapısal ve spektral bilginin biyofiziksel ürün parametreleri tahmininde birlikte kullanılmasının yararlı olduğunu göstermiştir.

UAS Multispektral Görüntüleme ile Mısır Verim Tahmini — Fenolojik Aşama ve İndeks Seçimi

[Shrestha et al., 2023] — Mississippi State Üniversitesi'nde yürütülen üç yıllık (2020-2022) tarla denemesinde, MicaSense RedEdge MX multispektral kamera taşıyan UAS platformu ile 61 m irtifada yaklaşık 4 cm uzamsal çözünürlükte veri toplanmıştır. 50'den fazla vejetasyon indeksi analiz edilerek yağmura dayalı koşullarda mısır verimi için en tutarlı ve güçlü tahmin edici indeksler ile fenolojik aşamalar belirlenmiştir.

Temel bulgular: Üç yılda da tutarlı performans gösteren beş indeks tanımlanmıştır: mND705, mSR705, RIrededge, LCI ve MTCI. Bunların tamamı klorofil içeriğine duyarlı, kırmızı kenar bantlarına dayalı indekslerdir. En yüksek tahmin gücü üreme döneminde (R1 - ipek çıkarma) elde edilmiş; MTCI ile R2=0.92 (2021), LCI ile R2=0.82 (2022) raporlanmıştır. Erken vejetatif aşamalarda tahmin gücü daha zayıf kalırken, mevsim ilerledikçe performans iyileşmiştir.

Yöntem: Korelasyon tabanlı özellik seçimi ve Random Forest permütasyon tabanlı değişken önem sıralaması karşılaştırılmıştır. RF yaklaşımı, farklı büyüme aşamalarında farklı indekslerin öne çıktığını göstermiş; ancak korelasyon analizi erken dönem tahminlerde daha iyi performans verebilmiştir. Doğrusal regresyon modellerinde R2 aralığı 0.04-0.92, MAPE aralığı ise %3.01-%11.85 olarak raporlanmıştır. Haftalık uçuş verileri, UAS'in yüksek zamansal esnekliğinin uydu verisine kıyasla önemli avantaj sağladığını göstermiştir. Çalışma, hassas tarımda değişken oran teknolojisi (VRT) için reçete haritası oluşturmada UAS verilerinin doğrudan kullanılabileceğini ortaya koymuştur.

İHA'ların Hassas ve Akıllı Tarımda Benimsenme Durumu

[Makam et al., 2024] — 2014-2024 arası literatürü PRISMA metodolojisiyle inceleyen derleme çalışmasında, İHA'ların tarımsal uygulamalardaki mevcut durumu kapsamlı biçimde haritalanmıştır. İHA'lar sabit kanatlı, tek rotorlu ve çoklu rotorlu olmak üzere üç ana kategoriye ayrılmış; tarımda küçük sınıf dronlar (2-25 kg) ve mikro dronlar (250 g-2 kg) en yaygın kullanım alanını bulmuştur. Sabit kanatlı dronlar 1 saatten uzun uçuş süresi ve 2-15 kg faydalı yük kapasitesiyle geniş alan haritalamada; çoklu rotorlu dronlar ise 20-45 dakika uçuş süresi ve 0.2-2 kg faydalı yük ile gözetim ve denetimde tercih edilmektedir. IoT entegrasyonunda sıcaklık, nem, toprak pH, EC ve NPK sensörleri ile GPS/GIS sistemlerinin İHA'lara bağlanması, gerçek zamanlı tarla izleme ve karar destek sistemleri kurmayı mümkün kılmaktadır. İlaçlama dronları 10-30 litre pestisit veya gübre taşıyarak noktasal uygulama yapabilir ve bazı senaryolarda pestisit kullanımını azaltabilir. Buna karşılık pil ömrü, veri işleme kapasitesi ve mevzuat kısıtları yaygınlaşmanın önündeki başlıca sınırlamalar olarak kalmaktadır.