LSTM Ağları (LSTM Networks)
Uzun Kisa Sureli Bellek (Long Short-Term Memory - LSTM) aglari, sirasal verilerdeki uzun menzilli bagimliliklari öğrenmeye yonelik tasarlanmis bir tekrarlayici sinir agi sınıfıdir. Sonuçlarin haftalar ila aylar boyunca biriken hava durumu, buyume ve yonetim olaylarina bagli oldugu tarımda, LSTM'ler zamansal modelleme için dogal bir cerceve sunar.
Mimari Detaylar
LSTM hucresi, bilgi akisini duzenleyen uc kapi içerir:
- Unutma kapisi (Forget gate): Onceki hucre durumundan hangi bilgilerin atilacagina karar verir. Tarımsal zaman serileri için bu, orta mevsim kosullari baskin hale geldiginde agin ilgisiz erken mevsim hava durumunu unutmasina olanak tanir.
- Girdi kapisi (Input gate): Hucre durumuna hangi yeni bilgilerin yazilacagini kontrol eder. Guncel gözlemlerin (bugunun sıcaklığı, bu haftanin NDVI'si) dahil edildigi yerdir.
- Cikti kapisi (Output gate): Hucre durumunun ne kadarinin mevcut zaman adimi için gizli durum olarak sunulacagini belirler.
Hucre durumu, gradyanlarin kaybolan gradyan sorunu olmaksizin bircok zaman adimi boyunca akmasina izin veren bir bilgi tasiyici bant gorevi gorur; bu, LSTM'lerin sade tekrarlayici sinir aglarina kiyasla cozdugu temel sorundur.
LSTM Varyantlari
Cift Yonlu LSTM (Bidirectional LSTM), dizileri hem ileri hem de geri yonde isleyerek hem gecmis hem de gelecek zaman adimlarindan bağlam yakalar. Tarımda, tum mevsim verisinin mevcut oldugu durumlarda (mevsim sonu verim analizi) faydali olmakla birlikte, gelecek gözlemlerin bilinmedigi gerçek zamanli tahminleme için daha az uygulanabilirdir.
Yigin LSTM (Stacked LSTM), birden fazla LSTM hucresini dikey olarak katmanlar; her katmanin çıktısi bir sonrakinin girdisi olarak hizmet eder. Daha derin yiginlar giderek daha soyut zamansal kaliplari yakalar. Tarımsal gorevler için iki ila uc katman tipiktir; otesinde, artik bağlantıler olmaksizin eğitim zorlasir.
Kodlayici-cozucu LSTM (Encoder-decoder LSTM), girdi dizisini sabit uzunlukta bir temsile sikistirmak için bir LSTM, bu temsili bir çıktı dizisine çözümlemek için ikinci bir LSTM kullanir. Bu mimari, son 30 gunun verilerinden sonraki 14 gunun toprak nemini tahmin etmek gibi cok adimli tahminleme gorevlerine uygundur.
Tarımsal Uygulamalar
Verim zaman serisi tahmini, ürün verimini tahmin etmek için cok yillik hava durumu ve uydu veri dizilerini kullanir. LSTM'ler, ciceklenme sirasindaki kurak donem veya hasat zamanindaki aşırı yağış gibi kaliplari ogrenerek Gradient Boosting gibi tablo tabanli yöntemlerin yalnizca manuel özellik mühendisliği ile yaklasabilecegi zamanlar arasi etkileşimleri yakalar.
Hava durumu tahmini, istasyon verileri üzerinde eğitilmiş LSTM'lerden yerel ciftlik olceginde yararlanir. Kuresel sayisal hava tahmin modelleri cok gunluk tahminler için üstün kalirken, LSTM'ler kaba model çıktılarini sulama planlamas ve don uyarilari için ilgili tarla düzeyinde tahminlere sapma duzeltebilir ve ölçek kucultur.
Toprak nemi tahmini, yağış, buharlasiim-terleme ve onceki nem kosullari dizilerini modeller. LSTM'ler, süreçac tabanli modellerin kalibrasyonunun pratik olmadigi veri zengini ortamlarda fiziksel modellerden daha iyi performans gösterir. Ilgili IoT tabanli nem yonetimi için Smart Greenhouse'e bakiniz.
Fenoloji dönemi tahmini, ürünlerin temel buyume donemlerine (çıkış, ciceklenme, olgunlasma) ne zaman ulasacagini tahmin etmek için birikimli sıcaklık ve fotoperiyot dizilerini kullanir. Dogru donem tahmini, yonetim zamanlamsini bilgilendirir ve verim tahmininin bir yapi tasi niteligindedir.
GRU ve Zamansal CNN ile Karşılaştırma
GRU (Kapili Tekrarlayici Birim - Gated Recurrent Unit), unutma ve girdi kapilarini tek bir guncelleme kapisinda birlestirerek ve hucre ile gizli durumlari birlestirerek LSTM'yi basitlestirir. GRU'lar daha hizli egitilir ve daha kisa tarımsal dizilerde karsilastiirlabilir performans gösterir; hesaplama kaynaklari sinirli oldugunda pratik bir alternatiftir.
Zamansal Evrisimsel Aglar (Temporal Convolutional Networks - TCN), uzun menzilli bagimliliklari paralellestirilebilir eğitimle yakalamak için nedensel genisletilmis evrisimler kullanir. TCN'ler, GPU donaniminda daha hizli egitilirken tarımsal zaman serilerinde genellikle LSTM doğruluğunu yakalar. Ancak LSTM'ler, duzensiz zamansal kaliplara sahip cok uzun dizilerde üstünlugunu korur.
Dikkat ile Entegrasyon
LSTM çıktılarina Attention Mechanisms eklenmesi, modelin farkli zaman adimlarini oneme gore ağırlıklandirmasina olanak tanir. Zamansal dikkat, tahminii en cok etkileyen donemleri ortaya koyar; örneğin tane doldurma sirasindaki iki haftalik bir pencerenin verim varyasyonunu yonlendirdigini vurgular. Bu yorumlanabilirlik, Precision Agriculture is akislarindaki ziraat muhendişlerine sonuçlarin iletilmesinde degerlidir.
Ingest Edilen Makalelerden Bulgular
Kis Bugdayi Verim Tahmininde Açıklanabilir Bi-LSTM Modeli
[Joshi et al., 2025] — ABD'nin 10 eyaletinde 2008-2021 yillari arasında ilce düzeyinde kis bugdayi verimi, MODIS EVI uzaktan algılama verileri ve TerraClimate meteorolojik değişkenleri (maksimum sıcaklık, yağış, referans buharlasma-terleme, ruzgar hizi) kullanilarak tahmin edilmistir. Bi-LSTM modeli, 2019-2021 test yillarinda ortalama R2=0.85 ile LSTM (R2=0.81), 1D-CNN (R2=0.78) ve Random Forest (R2=0.73) modellerinden tutarli olarak üstün gelmistir. Bi-LSTM'nin cift yonlu dizi işleme yetenegi, hem gecmis hem de gelecek zamansal bağlamlari yakalayarak tek yonlu LSTM'ye gore iyilesme saglamistir. SHAP, LIME ve Integrated Gradients olmak uzere uc açıklanabilirlik yöntemi ile yapilan global özellik onem analizi, tum modellerde yüksek tutarlilik gostermistir. Hasat oncesi aylardaki EVI (özellikle Mayis-Temmuz) ve maksimum sıcaklık en etkili değişkenler olarak belirlenmistir. SHAP uzamsal haritalamasinda, Texas'taki yüksek sıcaklıklarin düşük verimle güçlü negatif korelasyon gösterdigi; Haziran ayindaki düşük yağışlarin belirli bölgelerde verim dususune neden oldugu tespit edilmistir. Calisma, Bi-LSTM'nin zamansal tarımsal verilerdeki karmaşık bagimliliklari yakalamada saf CNN ve geleneksel ML yöntemlerinden üstün oldugunu ve XAI yöntemlerinin model kararlarini ziraat muhendişleri için seffaf kildigini gostermistir.