1.4 Tarımda Uzaktan Algılama

1. Problem Tanımı ve Sistemik Etki

Tarımsal alanların izlenmesi, gıda güvenliği politikalarının ve hassas tarım uygulamalarının temel girdisidir. Küresel ölçekte ~1,5 milyar hektar ekilebilir arazi bulunmaktadır (FAO, 2022); bu alanların ürün tipi, fenolojik evre, stres durumu ve verim potansiyeli hakkında zamanında bilgi üretimi, geleneksel tarla ziyaretleriyle mümkün değildir. Uzaktan algılama (remote sensing, RS), uydu ve İHA platformları aracılığıyla geniş alanların düzenli ve tekrarlanabilir biçimde izlenmesini sağlar.

Geleneksel tarla gözleminin kısıtlamaları şunlardır:

• Mekansal Kapsam: Bir agronomist günde 5-10 hektar inceleyebilir. Binlerce hektarlık tarım havzalarının sistematik taranması fiziksel olarak mümkün değildir.
• Zamansal Çözünürlük: Tarla ziyaretleri haftalar veya aylar arayla gerçekleşir. Kuraklık, sel veya zararlı istilası gibi hızlı gelişen olaylar tespit edilemez.
• Öznellik: Gözlemci bağımlı değerlendirmeler tutarsız ve tekrarlanamaz sonuçlar üretir.
• Maliyet: Geniş alan izleme için gereken insan gücü ve lojistik maliyetler, özellikle gelişmekte olan ülkelerde sürdürülebilir değildir.

Sentinel-2 uydusunun 2015'teki fırlatılmasıyla birlikte, 10 m mekansal çözünürlük ve 5 gün zamansal çözünürlük ile ücretsiz ve açık erişimli multispektral veri küresel ölçekte erişilebilir hale gelmiştir. Copernicus programı kapsamında günlük ~12 TB veri üretilmektedir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1980-2014)

Erken dönem uzaktan algılama analizleri, indeks tabanlı eşikleme ve istatistiksel sınıflandırma üzerine kuruluydu:

• Vejetasyon İndeksleri: NDVI = (NIR - Red) / (NIR + Red) formülasyonu, bitki örtüsünün yoğunluğunu 0-1 arasında skaler bir değerle ifade eder. Tucker (1979), NDVI ile biyokütle arasında r=0,96 korelasyon raporlamıştır. Ancak NDVI doygunluk problemi yaşar: LAI (yaprak alan indeksi) >3 olduğunda NDVI değeri sabitlenir ve yoğun bitki örtüsündeki farklılıkları ayırt edemez.
• Maksimum Olabilirlik Sınıflandırması (MLC): Her sınıfın normal dağılım izlediği varsayımıyla piksel düzeyinde sınıflandırma yapar. Gaussian varsayımın bozulduğu heterojen tarım arazilerinde doğruluk %70-80 aralığında kalır.
• SVM ile Sınıflandırma: Kernel trick ile doğrusal olmayan sınıf sınırlarını modelleyebilir. Mountrakis et al. (2011), uzaktan algılama uygulamalarında SVM'nin MLC'ye kıyasla ortalama %5-10 daha yüksek genel doğruluk (OA) sağladığını 100+ çalışmanın meta analiziyle göstermiştir.

Limitasyonlar: Tüm bu yöntemler piksel bazlı çalışır ve mekansal bağlamı (komşuluk ilişkileri, doku bilgisi) göz ardı eder. Karışık pikseller (mixed pixels) — tek bir pikselin birden fazla arazi örtüsü sınıfı içermesi — özellikle 10-30 m çözünürlükte ciddi doğruluk kaybına neden olur.

2.2 Makine Öğrenmesi ve Derin Öğrenme (2014-Günümüz)

Rastgele Orman (Random Forest)

Topluluk öğrenmesi (ensemble learning) yaklaşımıyla yüzlerce karar ağacını paralel eğitir ve çoğunluk oylaması ile sınıflandırma yapar.

• Girdi: Multispektral bantlar + türetilmiş indeksler (NDVI, EVI, NDWI vb.) — tipik olarak 10-50 özellik
• Çalışma prensibi: Bootstrap örnekleme ve rastgele özellik alt kümesi seçimi ile overfitting'e dayanıklı; özellik önem sıralaması (feature importance) üretir.
• Eğitim: Etiketli eğitim pikselleri veya poligonları gerektirir; eğitim süresi SVM'den 5-10x daha kısa.
• Performans: Belgiu ve Dragut (2016), 200+ çalışmayı analiz ederek RF'nin uzaktan algılama sınıflandırmasında ortalama %89,5 OA sağladığını raporlamıştır.

U-Net ile Segmentasyon

Piksel düzeyinde arazi örtüsü / ürün tipi sınıflandırması yapar.

• Girdi: Uydu görüntü yamaları (patches), tipik olarak 256x256 piksel, multispektral bantlar
• Çalışma prensibi: Kodlayıcı-çözücü mimarisinde atlama bağlantıları mekansal detayı korur; piksel bazlı sınıf olasılık haritası üretir.
• Performans: Stoian et al. (2020), Sentinel-2 zaman serisi ile Fransa genelinde ürün tipi sınıflandırmasında U-Net ile %94,2 OA elde ederken, RF %89,7'de kalmıştır.

Zamansal CNN ve LSTM

Uydu zaman serisi verilerinden fenolojik profilleri öğrenerek ürün sınıflandırması yapar.

• Girdi: Piksel bazlı NDVI/bant zaman serileri (yıl boyunca 30-70 gözlem)
• Çalışma prensibi: 1D-CNN veya LSTM ile zamansal desenleri yakalayarak benzer spektral imzaya sahip ancak farklı fenolojiye sahip ürünleri ayırt eder.
• Performans: Pelletier et al. (2019), TempCNN ile Sentinel-2 zaman serisinde 20 ürün sınıfının ayrımında %93,5 OA elde etmiştir; bu, RF (%89,1) ve tek tarihli CNN'den (%85,4) belirgin olarak yüksektir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Atmosferik Düzeltme

Uydu sensörü, atmosfer tabakasından geçen elektromanyetik radyasyonu algılar. Aerosol, su buharı ve ozon konsantrasyonundaki değişimler, yüzey yansıtıcılığını (surface reflectance) sistematik olarak bozar. Sentinel-2'nin Sen2Cor atmosferik düzeltme modülü standart çözümdür; ancak yarı-kurak bölgelerde toz konsantrasyonunun yüksek olduğu dönemlerde düzeltme hatası %5-15 artabilir.

Bulut Örtüsü Paraziti

Optik uydu görüntülerinin en temel kısıtlaması, bulut örtüsünün altındaki yüzeyin görünmez olmasıdır. Tropik bölgelerde bulut örtüsü oranı yıllık bazda %60-80'e ulaşır; ılıman bölgelerde bile kritik fenolojik dönemlerde bulutlu gün oranı %30-50'dir. Bulut gölgesi tespiti (cloud shadow detection) ek bir zorluk oluşturur: gölge pikselleri düşük yansıtıcılık göstererek su veya koyu toprak olarak yanlış sınıflandırılabilir.

Mekansal Çözünürlük Sınırları

Sentinel-2'nin 10 m çözünürlüğü büyük tarım alanlarında yeterlidir; ancak küçük ve parçalı arazi yapısında her piksel birden fazla arazi örtüsü sınıfı içerebilir (mixed pixel). Türkiye'de Güneydoğu Anadolu'da 1-3 hektarlık parseller yaygındır. 10 m çözünürlükte 1 hektarlık bir parsel yalnızca ~100 saf piksel içerir; kenar pikselleri karışık sınıf oluşturur.

Zamansal Çözünürlük ve Veri Füzyonu

Yüksek mekansal çözünürlüklü uydular düşük zamansal çözünürlüğe sahiptir (Landsat: 16 gün) ve tam tersi (MODIS: günlük ama 250-500 m). Veri füzyonu yaklaşımları (STARFM algoritması) farklı sensörleri birleştirerek hem yüksek mekansal hem zamansal çözünürlük elde etmeye çalışır; ancak heterojen peyzajlarda füzyon hataları %10-20 artabilir.

Yer Gerçekliği (Ground Truth) Toplama

Sınıflandırma modellerinin eğitimi ve doğrulaması, tarla ziyaretiyle toplanan yer gerçekliği verisine bağımlıdır. Bu veri toplama pahalı, zaman alıcı ve GPS doğruluğuna bağımlıdır. Sınıflandırma doğruluğu genellikle eğitim noktalarının yoğun olduğu bölgelerde yüksek, seyrek olduğu bölgelerde düşük çıkar — mekansal örnekleme yanlılığı (spatial sampling bias).

Bölgesel Senaryo: Siirt Fıstık Bahçeleri

Siirt ilinde uzaktan algılama uygulamalarında üç spesifik mühendislik problemi öne çıkar:

1. Fıstık Bahçelerinin Haritalanması: Siirt fıstığı yarı-kurak iklimde, genellikle eğimli ve taşlı arazilerde yetişir. Bahçeler 0,5-3 hektar büyüklüğünde ve düzensiz geometriye sahiptir. Sentinel-2'nin 10 m çözünürlüğünde küçük bahçeler yalnızca birkaç saf piksel içerir; ağaç taç örtüsü arasındaki açık toprak karışık piksel oluşturur.
2. Alternans Döngüsünün İzlenmesi: Fıstık ağaçlarında belirgin alternans (biennial bearing) döngüsü bulunur; yüklü yıl ile düşük yıl arasında NDVI profili farklılaşır. Zamansal uydu verileriyle bu döngünün havza ölçeğinde izlenmesi verim tahmininde kritik bir girdi olabilir.
3. Toz ve Aerosol Etkisi: Güneydoğu Anadolu yaz aylarında Sahara kaynaklı toz taşınımına ve yerel toprak erozyonu kaynaklı yüksek aerosol konsantrasyonuna maruz kalır. Bu koşullarda standart atmosferik düzeltme algoritmalarının hata oranı artar ve NDVI değerleri sistematik olarak düşük tahmin edilir.

4. Literatür: Seminal Çalışmalar

Belgiu ve Dragut (2016) — Uzaktan algılamada Random Forest kullanımının kapsamlı derlemesi. 200+ çalışmayı analiz ederek RF'nin ortalama %89,5 OA sağladığını, SVM ile karşılaştırılabilir olduğunu ancak eğitim süresinin 10x daha kısa olduğunu göstermiştir. (4.122 atıf)

Mountrakis et al. (2011) — SVM'nin uzaktan algılama uygulamalarında kapsamlı incelemesi. 100+ çalışmadan SVM'nin MLC'ye göre ortalama %5-10 üstün doğruluk sağladığını raporlamıştır. Büyük veri setlerinde ölçeklenebilirlik sorununu vurgulamıştır. (3.847 atıf)

Pelletier et al. (2019) — TempCNN: Sentinel-2 zaman serisiyle ürün sınıflandırmasında 1D evrişimli ağ. 20 ürün sınıfında %93,5 OA elde edilmiştir; RF (%89,1) ve LSTM (%91,2) ile karşılaştırmalı analiz yapılmıştır. (512 atıf)

Stoian et al. (2020) — U-Net ile Sentinel-2 zaman serisi kullanılarak Fransa genelinde arazi örtüsü sınıflandırması. U-Net %94,2 OA, RF %89,7 OA. Mekansal bağlamın küçük parsellerin sınıflandırılmasında belirleyici olduğu gösterilmiştir. (287 atıf)

Kussul et al. (2017) — Derin öğrenme ile Sentinel-1 SAR ve Sentinel-2 optik verisinin füzyonu. Ukrayna'da ürün sınıflandırmasında %94,6 OA elde edilmiştir; yalnızca optik veriyle %89,8. SAR verisinin bulutlu dönemlerde kritik katkı sağladığı nicel olarak gösterilmiştir. (621 atıf)

5. Gelecek Vizyonu

Temel Modeller (Foundation Models)

Büyük dil modellerinden esinlenen yaklaşımla, milyonlarca uydu görüntüsü üzerinde önceden eğitilmiş genel amaçlı uzaktan algılama modelleri geliştirilmektedir. Microsoft'un SatMAE ve IBM'in Prithvi modeli bu alandaki ilk örneklerdir. Bu modeller, spesifik tarımsal görevlere az sayıda etiketli veriyle ince ayar yapılarak adapte edilebilir. Ancak modellerin hesaplama gereksinimleri ve bölgesel genellenebilirlik sınırları henüz araştırma aşamasındadır.

SAR-Optik Veri Füzyonu

Sentetik Açıklık Radarı (SAR) bulut örtüsünden bağımsız olarak yüzey bilgisi toplar. Sentinel-1 SAR ve Sentinel-2 optik verisinin birlikte kullanılması, bulutlu bölgelerde zamansal boşlukları kapatır. Kussul et al. (2017), SAR-optik füzyonunun yalnızca optik veriye göre %4-5 doğruluk artışı sağladığını göstermiştir.

CubeSat Konstelasyonları ve Yüksek Frekanslı İzleme

Planet Labs'in 200+ CubeSat'ından oluşan Dove konstelasyonu, tüm kara yüzeyini günlük 3-5 m çözünürlükte görüntüler. Bu, mekansal-zamansal çözünürlük ödünleşimini kısmen ortadan kaldırır. Ancak küçük sensör boyutu nedeniyle radyometrik kalite düşüktür ve bant sayısı sınırlıdır. Makine öğrenmesi tabanlı kalite iyileştirme (super-resolution) bu sınırlamaları aşmayı hedeflemektedir.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği