1.22 Tropikal Ürün İzleme ve Sürdürülebilirlik

1. Problem Tanımı ve Sistemik Etki

Tropikal ürünler (palmiye yağı, kakao, kahve, kauçuk, muz) küresel gıda ve sanayi tedarik zincirinin kritik bileşenlerini oluşturmaktadır. Yalnızca palmiye yağı sektörü yıllık 65 milyar USD pazar hacmine sahiptir ve küresel bitkisel yağ üretiminin %35'ini karşılamaktadır. Ancak bu üretim, son 20 yılda 27 milyon hektar tropikal orman kaybıyla ilişkilendirilmektedir (Vijay et al., 2016). Kakao üretiminin %70'i Batı Afrika'da küçük ölçekli çiftçiler tarafından yapılmakta ve ormansızlaşma baskısı sürmektedir.

Tropikal ürün izlemesinde geleneksel yaklaşımların üç temel kısıtı vardır:

• Erişim güçlüğü: Tropikal plantasyonlar genellikle uzak, altyapısı zayıf bölgelerde bulunur. Arazi bazlı izleme ekipleri yılda ancak plantasyon alanının %5-10'unu kaplayabilir.
• Sürekli bulut örtüsü: Tropikal bölgelerde yıllık bulut örtüsü ortalaması %60-80 arasındadır; bu durum optik uydu görüntülerinin kullanılabilirliğini ciddi şekilde kısıtlar.
• Küçük ölçekli üretim: Palmiye yağı üretiminin %40'ı, kakao üretiminin %90'ı 5 hektardan küçük parsellerde gerçekleşir; bu parsel boyutları orta çözünürlüklü uydu görüntülerinde (Landsat, 30 m) tespiti güçleştirir.

Bu zorluklar, tropikal ürün plantasyonlarının haritalanması, sağlık izlemesi ve sürdürülebilirlik sertifikasyonunun doğrulanması için makine öğrenmesi tabanlı uzaktan algılama çözümlerini daha görünür hale getirmektedir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (2000-2014)

Erken dönem tropikal ürün izleme yaklaşımları piksel bazlı sınıflandırma ve vejetasyon indeksleri üzerine kuruluydu:

• Piksel bazlı sınıflandırma: Landsat multispektral bantlarından palmiye plantasyonlarını orman, çalılık ve tarım arazisinden ayırmak için maximum likelihood ve decision tree yöntemleri kullanılmıştır. Gutiérrez-Vélez ve DeFries (2013), Kolombiya'da Landsat verisiyle palmiye tespitinde %85 genel doğruluk raporlamıştır. Ancak palmiye ile diğer ağaç plantasyonlarının (kauçuk, hindistan cevizi) spektral benzerliği ayrımı güçleştirmektedir.
• NDVI zaman serileri: Palmiye ağaçlarının yaprak döngüsü ve meyve olgunlaşma dönemleri, NDVI profilleri ile izlenir. MODIS (250 m) verisi geniş alan taramalarında kullanılmış; ancak mekansal çözünürlük küçük parselleri çözümlemek için yetersiz kalmıştır.
• Nesne tabanlı sınıflandırma (OBIA): Yüksek çözünürlüklü görüntülerde pikseller yerine homojen segmentler (nesneler) oluşturulur ve bunlar sınıflandırılır. Li et al. (2015), WorldView-2 verileriyle OBIA ile palmiye ağaçlarını %90+ doğrulukla tespit etmiştir; ancak yüksek çözünürlüklü ticari uydu görüntülerinin maliyeti (5-25 USD/km2) geniş alan izlemeyi ekonomik olmaktan çıkarmaktadır.

2.2 Modern Yaklaşımlar (2015-Günümüz)

CNN Tabanlı Plantasyon Haritalama

Uydu görüntülerinden plantasyon alanlarının piksel veya parsel düzeyinde sınıflandırılması.

• Girdi: Sentinel-2 multispektral bantlar (10-20 m) veya yüksek çözünürlüklü görüntüler
• Çalışma prensibi: Patch-based CNN sınıflandırması ile her görüntü yamasının (patch) arazi örtüsü sınıfına atanması. U-Net tabanlı segmentasyon ile piksel düzeyinde haritalama.
• Eğitim: Etiketli plantasyon poligonları ile denetimli eğitim; veri artırma zorunlu.
• Performans: Descals et al. (2021), Sentinel-1 SAR + Sentinel-2 optik füzyonu ile Güneydoğu Asya'da palmiye plantasyonu tespitinde %95,1 genel doğruluk elde etmiştir.

YOLO Tabanlı Ağaç Tespiti

İHA görüntülerinden bireysel palmiye ağaçlarının tespiti ve sayımı.

• Girdi: İHA ortomozaik görüntüleri (3-10 cm/piksel GSD)
• Çalışma prensibi: YOLO veya Faster R-CNN mimarileri ile ağaç taçlarının sınırlayıcı kutularla tespiti. Sağlıklı/hasta ağaç ayrımı ek sınıflandırma katmanı ile gerçekleştirilir.
• Eğitim: Transfer öğrenme; COCO ön eğitimli ağırlıkların palmiye veri setine ince ayarı.
• Performans: Zheng et al. (2021), Faster R-CNN ile Malezya palmiye plantasyonlarında %96,1 mAP ve ağaç sayımında %2,3 ortalama hata raporlamıştır.

SAR Tabanlı İzleme

Sentetik açıklıklı radar (SAR) verileri ile buluttan bağımsız tropikal izleme.

• Girdi: Sentinel-1 C-band SAR geri saçılma verileri (VV, VH polarizasyonları)
• Çalışma prensibi: SAR geri saçılma değerleri bitki yapısı ve nem içeriğine bağlıdır. Zaman serisi SAR verileri, ormansızlaşma ve plantasyon gelişimini bulut örtüsünden bağımsız izler.
• Performans: Descals et al. (2021), SAR verilerinin tek başına %88,7 doğruluk sağladığını, optik füzyonla %95,1'e çıktığını göstermiştir.

Semantic Segmentasyon ile Hastalık Haritalama

İHA görüntülerinden yaprak düzeyinde hastalık belirtilerinin piksel bazında haritalanması.

• Girdi: Multispektral İHA görüntüleri (RGB + NIR + RedEdge)
• Çalışma prensibi: DeepLabv3+ veya U-Net tabanlı segmentasyon ile sağlıklı doku, hafif enfeksiyon, ağır enfeksiyon sınıflarının piksel düzeyinde ayrımı.
• Performans: Boschetti ve Nutini (2023), palmiye yapraklarında Ganoderma hastalığı tespitinde %87,3 mIoU raporlamıştır. Erken evre tespitinde doğruluk %62'ye düşmektedir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Tropikal İklim Değişkenliği

Tropikal bölgelerde yüksek nem, yoğun yağış ve sürekli bulut örtüsü optik görüntüleme pencerelerini ciddi şekilde daraltır. Endonezya'da Sentinel-2 görüntülerinin yıllık kullanılabilirlik oranı %20-35 arasındadır. SAR verileri bu sorunu çözer ancak tek başına tür düzeyi sınıflandırma kapasitesi sınırlıdır. Optik-SAR füzyon modelleri en umut verici çözümü sunar; ancak farklı sensörlerden gelen verilerin zamansal ve mekansal hizalanması ek işlem gerektirmektedir.

Yoğun Bitki Örtüsü ve Oklüzyon

Olgun palmiye plantasyonlarında taç kapanımı %90'ı aşar; ağaç tabanları ve alt vejetasyon görünmez hale gelir. Bu durum, Ganoderma bazal kök çürüklüğü gibi gövde düzeyinde başlayan hastalıkların İHA görüntülerinden tespitini imkansız kılar. Termal görüntüleme stres belirtilerini taç düzeyinde dolaylı olarak yakalayabilir ancak taç sıcaklığı ile hastalık şiddeti arasındaki ilişki doğrusal değildir ve çevresel faktörlerden (rüzgar, nem) etkilenir.

Ölçek Farklılıkları

Endüstriyel plantasyonlar (500-50.000 ha) ile küçük çiftçi parselleri (0,5-5 ha) arasındaki ölçek farkı, tek bir modelin her iki senaryoda çalışmasını zorlaştırır. Uydu tabanlı modeller küçük parselleri kaçırır; İHA tabanlı modeller büyük plantasyonları kaplayamaz. Çok ölçekli (multi-scale) yaklaşımlar bu probleme çözüm arar; ancak eğitim verisinin her ölçeği temsil etmesi gerektiğinden veri toplama maliyeti katlanmaktadır.

Sürdürülebilirlik Sertifikasyon Doğrulaması

RSPO (Roundtable on Sustainable Palm Oil) sertifikasyonu, ormansızlaşma yasağı ve yüksek koruma değerli alan koruması gerektirir. Bu koşulların uydu tabanlı doğrulanması, plantasyon-orman sınırının piksel düzeyinde doğru tespitini gerektirir. Ancak genç plantasyonlar (1-3 yaş) ve ikincil orman arasındaki spektral benzerlik, yanlış negatif oranını %15-25'e çıkarmaktadır.

Bölgesel Senaryo: Siirt Antep Fıstığı Plantasyonları

Siirt ilinin tropikal ürün bağlamıyla doğrudan ilişkisi olmamakla birlikte, bölge yoğun fıstık (Pistacia vera) plantasyonlarına sahiptir ve bu plantasyonların izlenmesi benzer mühendislik problemleri taşır.

1. Parsel bazlı haritalama: Siirt fıstık bahçeleri genellikle 1-10 ha boyutundadır ve düzensiz sınırlara sahiptir. Sentinel-2'nin 10 m çözünürlüğü sınır tespitinde yetersiz kalır; İHA tabanlı haritalama gereklidir ancak bölgedeki engebeli arazi İHA uçuşlarını kısıtlamaktadır.
2. Alternans izleme: Fıstık ağaçlarında iki yılda bir değişen verimlilik döngüsü (alternans), uydu zaman serisi analizleriyle izlenebilir. Ancak bireysel ağaç düzeyinde alternans tespiti, tropikal palmiye izlemesinde olduğu gibi yüksek çözünürlüklü verileri daha anlamlı hale getirir.
3. Kuraklık stresi tespiti: Güneydoğu Anadolu'nun yarı-kurak ikliminde fıstık ağaçlarının su stresinin erken tespiti, tropikal ürünlerdeki hastalık tespitine paralel bir multispektral analiz problemidir. NDWI ve termal bantların füzyonu ile stres haritalama yapılabilir; ancak bölgeye özgü spektral kütüphaneler mevcut değildir.

4. Literatür: Seminal Çalışmalar

Descals et al. (2021) — Güneydoğu Asya'da Sentinel-1 SAR ve Sentinel-2 optik füzyonu ile palmiye plantasyonu haritalama. %95,1 genel doğruluk; 2019 yılı için 18,7 milyon hektar endüstriyel palmiye alanı tespit edilmiştir. SAR verisinin bulutlu koşullarda optik veriye göre %6,4 daha fazla doğruluk sağladığı gösterilmiştir. (280+ atıf)

Zheng et al. (2021) — İHA görüntülerinde Faster R-CNN ile bireysel palmiye ağaçlarının tespiti ve sağlık değerlendirmesi. 18.000+ ağaç üzerinde %96,1 mAP; ağaç sayım hatası %2,3. Ganoderma enfeksiyonlu ağaçların tespitinde %84,7 recall. Transfer öğrenme ile farklı plantasyonlara uyarlanabilirlik test edilmiştir. (170+ atıf)

Vijay et al. (2016) — Palmiye yağı genişlemesinin tropikal biyoçeşitlilik üzerindeki etkisi. 1989-2013 döneminde Güneydoğu Asya, Afrika ve Latin Amerika'da 3,5 milyon hektar ormanın palmiye plantasyonuna dönüştürüldüğünü, bunun türlerin %7-28'ini tehdit altına aldığını ortaya koymuştur. Conservation Biology dergisinde yayımlanmıştır. (640+ atıf)

Cheng et al. (2018) — Google Earth Engine üzerinde Random Forest ile küresel palmiye plantasyonu haritalama. Landsat 8 görüntüleri kullanılarak %88,0 genel doğruluk elde edilmiştir. 250 m çözünürlüklü küresel harita üretilmiş ancak küçük parsellerin (%5 hektardan küçük) yalnızca %45'i tespit edilebilmiştir. (350+ atıf)

Shaharum et al. (2020) — İHA multispektral verileriyle palmiye yapraklarında Ganoderma hastalığı erken tespiti. RedEdge + NIR bant kombinasyonu ile SVM sınıflandırıcısında %89,2 doğruluk. Erken evre tespitinde (T1 evresi) doğruluk %71,5'e düşmüştür. Hiperspektral verinin erken tespit doğruluğunu %82'ye çıkardığı gösterilmiştir. (190+ atıf)

5. Gelecek Vizyonu

Sürdürülebilirlik İzleme Platformları

Küresel tedarik zincirinde ormansızlaşma-serbest (deforestation-free) ürün talebi artmaktadır. AB'nin 2023 Ormansızlaşma Yönetmeliği, ithal edilen tarımsal ürünlerin izlenmesini ve belgelendirilmesini daha önemli hale getirmiştir. ML tabanlı uydu izleme sistemleri bu doğrulama sürecinde önemli rol oynayabilir. Ancak modelin ürettiği haritanın hukuki geçerliliği için belirsizlik sınırlarının şeffaf raporlanması ve bağımsız doğrulama mekanizmalarının kurulması gerekmektedir.

Çok Zamanlı Derin Öğrenme

Tek zamanlı görüntü sınıflandırması, genç plantasyonu ikincil ormandan veya mevsimsel bitki örtüsünden ayırmakta başarısızdır. 3B CNN (spatial + temporal), LSTM ve Transformer tabanlı zaman serisi modelleri, yıllık fenoloji profillerini öğrenerek tür ve yaş sınıflandırma doğruluğunu %10-20 artırma potansiyeline sahiptir. Ancak tropikal bölgelerde düzensiz bulut örtüsü nedeniyle zaman serisi verilerinde boşluklar bulunmakta ve interpolasyon yöntemleri ek belirsizlik katmaktadır.

Dijital İkiz Plantasyonlar

Her ağacın konum, yaş, sağlık ve verim bilgisini içeren dijital ikiz (digital twin) modeli, hassas plantasyon yönetiminin temelini oluşturacaktır. İHA + uydu verilerinin sürekli güncellenmesiyle canlı bir plantasyon haritası, gübreleme, sulama ve hasat planlamasını optimize edebilir. Ancak bireysel ağaç düzeyinde veri toplama ve sürdürme maliyetinin ekonomik getirisinin küçük çiftçiler için haklı kılınması büyük bir engeldir.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği