Destek Vektör Makineleri (SVM'ler)

Destek Vektör Makineleri, özellik uzayında sınıflar arasındaki marjı maksimize eden optimal hiper düzlemi bulur. Tarihsel olarak tarımsal uzaktan algılama ve spektroskopide en önemli makine öğrenmesi algoritmalarından biri olan SVM'ler, veri setlerinin küçük, özellik boyutluluğunun yüksek ve eğitim örneklerinin sınırlı olduğu belirli niş alanlarda hâlâ geçerliliğini korumaktadır.

Temel İlkeler

Maksimum Marjlı Sınıflandırma (Maximum Margin Classification): SVM'ler, farklı sınıfların en yakın örnekleri (destek vektörleri) arasındaki geometrik marjı maksimize eden karar sınırını bulur. Bu marj maksimizasyonu, eğitim verisi sınırlı olduğunda -- yaygın bir tarımsal senaryo -- güçlü genelleme garantileri sağlar.

Yumuşak Marj (Soft Margin): C parametresi, marjı maksimize etme ile eğitim setindeki sınıflandırma hatalarını minimize etme arasındaki dengeyi kontrol eder. Daha küçük bir C, daha geniş bir marj için daha fazla yanlış sınıflandırmaya izin verir (daha iyi genelleme); daha büyük bir C ise eğitim verilerine daha sıkı uyum sağlar.

Çekirdek Hilesi (Kernel Trick): SVM'ler, dönüşümü açıkça hesaplamadan verileri doğrusal ayrımın mümkün hale geldiği daha yüksek boyutlu özellik uzaylarına projekte eder. Yaygın çekirdekler şunlardır:

• Doğrusal çekirdek (Linear kernel): Özellikler zaten yüksek boyutlu olduğunda (örn. hiperspektral bantlar) etkilidir.
• RBF (Radyal Tabanlı Fonksiyon) çekirdeği: Doğrusal olmayan problemler için varsayılan seçimdir. Gamma parametresi, her destek vektörünün etki yarıçapını kontrol eder.
• Polinom çekirdeği: Belirtilen dereceye kadar özellik etkileşimlerini yakalar.

Yüksek Boyutlu Tarımsal Verilerdeki Güçlü Yönleri

SVM'ler, özellik sayısının eğitim örneklerinin sayısına yaklaştığı veya onu aştığı rejimde üstün performans gösterir -- tarımsal spektroskopi ve hiperspektral uzaktan algılamada tam olarak karşılaşılan durum.

Hiperspektral Görüntü Sınıflandırma: Hiperspektral sensörler yüzlerce dar spektral bant yakalar. Etiketli piksel sayısı spektral bant sayısından daha az olduğunda, RBF veya doğrusal çekirdekli SVM'ler önceki yöntemlerden üstün performans göstermiş ve 2000'li ve 2010'lu yıllar boyunca hiperspektral ürün ve toprak sınıflandırmasında referans algoritma olarak kendilerini kabul ettirmiştir.

Vis-NIR Spektroskopi: Yüzlerce dalga boyuna sahip spektral yansıma ölçümlerinden toprak özelliklerinin (organik karbon, nem, azot) veya ürün kalite parametrelerinin (protein içeriği, şeker seviyeleri) tahmin edilmesi. SVM'ler, spektral verilerdeki çoklu doğrusal bağıntıyı (multicollinearity) sıradan regresyon yöntemlerinden daha zarif biçimde ele alır.

FTIR ve Raman Spektroskopisi: Spektroskopik parmak izlerinden ürün çeşitlerinin tanımlanması, gıda ürünlerinde tağşiş tespiti ve tahıl kalitesinin sınıflandırılması.

Tarımsal Uygulamalar

Ürün Tipi Sınıflandırma: Uydu görüntülerindeki piksellerin spektral ve zamansal özellikler kullanılarak ürün tipine göre sınıflandırılması. SVM'ler, derin öğrenme öncesinde uzaktan algılamada denetimli sınıflandırma için standart kıyaslama modeliydi.

Hastalık Tespiti: Spektral ölçümlerden veya elle tasarlanmış görüntü özelliklerinden sağlıklı ve hastalıklı örneklerin sınıflandırılması. Derin öğrenme öncesi dönemde, renk histogramları, doku tanımlayıcıları (GLCM, LBP) ve şekil metriklerinden çıkarılan özelliklerle SVM'ler baskın analiz hattıydı.

Yabancı Ot Tespiti: Özellikle fotosentetik aktivitenin türe özgü imzalar oluşturduğu yakın kızılötesi bölgede spektral yansıma farklılıklarını kullanarak ürünleri yabancı otlardan ayırt etme.

Toprak Sınıflandırma: Spektral, topografik ve jeofizik özelliklerden toprak tiplerinin haritalanması. SVM'ler, çok sınıflı problemi bire bir (one-vs-one) veya bire karşı hepsi (one-vs-all) stratejileriyle ele alır.

Derin Öğrenme Tarafından Yerinden Edilme Süreci

Yaklaşık 2016'dan bu yana Convolutional Neural Networks, özellikle büyük etiketli veri setleri ve ham görüntü girdilerin mevcut olduğu durumlarda, tarımsal görüntü analizi görevlerinin çoğunda SVM'lerin yerini almaktadır. CNN'lerin temel avantajları otomatik özellik öğrenme (elle özellik mühendisliğini ortadan kaldırma), büyük veri setlerine ölçeklenebilirlik ve karmaşık görsel görevlerde üstün performanstır.

Ancak SVM'ler belirli senaryolarda avantajlarını korur:

• Çok küçük veri setleri (200'den az etiketli örnek) burada derin öğrenme aşırı uyum gösterir.
• Yüksek boyutlu spektroskopik veriler burada özellik mühendisliği adımı doğrudan olup alan bilgisi özellik seçimine rehberlik eder.
• Gömülü sistemler burada SVM çıkarımının (destek vektörleri üzerinde çekirdek değerlendirmeleri) hesaplama maliyeti bir CNN çalıştırmaktan daha düşüktür.
• Yorumlanabilirlik gereksinimleri burada destek vektörleri ve karar sınırı, derin sinir ağlarından daha şeffaf bir karar mantığı sağlar.

Pratik Hususlar

SVM performansı hiperparametre seçimine (C, RBF çekirdeği için gamma) duyarlıdır. Çapraz doğrulanmış performans üzerinde ızgara araması (grid search) veya Bayesian optimizasyonu standart uygulamadır. Özellik ölçekleme (standardizasyon) SVM'ler için kritik öneme sahiptir; bu, ölçek değişmez olan ağaç tabanlı Ensemble Methods yöntemlerinin aksine bir gerekliliktir. Çok sınıflı problemlerde, bire bir stratejisi (her sınıf çifti için sınıflandırıcılar oluşturma), tarımsal sınıflandırma kıyaslamalarında daha iyi ampirik performans nedeniyle genellikle bire karşı hepsi stratejisine tercih edilir.

Ingest Edilen Makalelerden Bulgular

Bachhal et al., 2024 — PRF-SVM entegrasyonu ile mısır yaprak hastalığı tanıma. PSPNet, ResNet50 ve Bulanık SVM (Fuzzy SVM) bileşenlerini birleştiren otomatik bir hastalık tanıma sistemi önerilmiştir. Temel bulgular:

• Beş farklı mısır hastalığı (yaygın pas, güney pası, gri yaprak lekesi, maydis yaprak yanıklığı, turcicum yaprak yanıklığı) ve sağlıklı yapraklar PlantVillage veri setinden seçilmiştir.
• Önerilen PRFSVM modeli ortalama %96,67 doğruluk ve 0,81 mAP değeri elde etmiştir.
• PSPNet ve ResNet50 kombinasyonu, ince görsel özelliklerin yakalanmasını sağlarken uçtan uca eğitime olanak tanımıştır.
• Bulanık SVM, son sınıflandırma katmanı olarak eklenmiş; gerçek dünya görüntü verilerindeki doğal bulanıklık ve belirsizliği ele almak için kullanılmıştır.
• Gelişen ülkelerde küçük ölçekli çiftçilerin tarımsal üretimin %80'inden fazlasını gerçekleştirdiği ve hastalık/zararlılardan dolayı %40'ın üzerinde ürün kaybı yaşandığı vurgulanmıştır.

Murawwat et al., 2018 — SVM kullanarak yabancı ot tespiti. Pakistan tarımında yabancı ot sorununu ele almak üzere SVM ve blob analizi birleştirilerek otomatik bir yabancı ot tespit aracı geliştirilmiştir. Temel bulgular:

• Havuç tarlasının dijital görüntüleri üzerinde çalışılmış; 72 görüntüden oluşan eğitim seti kullanılmıştır.
• RGB renk bileşenleri toprak-bitki ayrımı için, centroid ve uzunluk gibi morfolojik özellikler ise ürün-yabancı ot yaprak şekli ayrımı için kullanılmıştır.
• SVM ve blob analizi kombinasyonu %50-95 arası doğruluk elde etmiştir.
• Özellik çıkarma sonrasında ayırıcı hiper düzlem, karar yüzeyi olarak görev yapmıştır.
• Çalışma, SVM'nin küçük eğitim setleriyle bile tarımsal yabancı ot tespitinde uygulanabilir olduğunu göstermiş; gelecekteki tarım robotları için bir tespit aracı olarak konumlandırılmıştır.