1.5 Toprak Analizi

1. Problem Tanımı ve Sistemik Etki

Toprak, tarımsal üretimin temel substratıdır ve fiziksel, kimyasal ve biyolojik özellikleri verim potansiyelini doğrudan belirler. Küresel ölçekte toprak bozulması (degradation) yıllık ~10,6 trilyon USD ekosistem hizmet kaybına yol açmaktadır (ELD Initiative, 2015). Hassas gübreleme ve toprak yönetimi kararları, toprak organik madde (SOM), azot (N), fosfor (P), potasyum (K), pH ve tuzluluk gibi parametrelerin doğru ölçülmesine bağımlıdır.

Geleneksel toprak analizi yaklaşımları üç temel kısıtlama ile sınırlıdır:

• Laboratuvar Maliyeti ve Süresi: Standart kimyasal analiz (Kjeldahl azotu, Walkley-Black organik karbon, Olsen P) numune başına 30-100 USD maliyet ve 3-14 gün süre gerektirir. Bir tarlanın mekansal heterojenliğini yakalamak için hektar başına 5-10 numune alınması önerilir; bu, büyük çiftliklerde maliyet-etkinliği ortadan kaldırır.
• Yıkıcı Örnekleme: Kimyasal analiz numune için yıkıcıdır — örnek tüketilir ve tekrar ölçüm yapılamaz. Zamansal izleme için her dönemde yeni numune alınması gerekir.
• Mekansal Yetersizlik: Nokta bazlı örnekleme, tarlanın mekansal değişkenliğini temsil edemez. Toprak özellikleri birkaç metre mesafede bile belirgin biçimde değişebilir; ancak ekonomik kısıtlar seyrek örneklemeyi dayatır.
• Standardizasyon Sorunları: Farklı laboratuvarlar arasında aynı numune için %5-15 ölçüm farkı yaygındır; bu, zamansal karşılaştırmaları güvenilmez kılar.

Spektroskopik yöntemler — özellikle yakın kızılötesi (NIR, 700-2500 nm) ve orta kızılötesi (MIR, 2500-25000 nm) spektroskopisi — toprak özelliklerinin hızlı, ucuz ve yıkıcı olmayan tahminini mümkün kılar. Makine öğrenmesi, spektral veriden toprak parametrelerine geçişi sağlayan kalibrasyon modelleri oluşturur. Bir NIR taraması 30 saniye sürer ve numune başına maliyeti <1 USD'ye düşürür.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1990-2010)

Erken dönem kemometrik yaklaşımlar, doğrusal regresyon modelleri üzerine kuruluydu:

• Kısmi En Küçük Kareler Regresyonu (Partial Least Squares, PLS): Spektral değişkenler arasındaki çoklu doğrusallığı (multicollinearity) latent değişkenler aracılığıyla aşar. Viscarra Rossel et al. (2006), MIR spektroskopisi + PLS ile toprak organik karbon (SOC) tahmininde R²=0,86 ve RPD=2,7 elde etmiştir. PLS, kemometrinin altın standardıdır; ancak doğrusal olmayan ilişkileri modelleyemez.
• Temel Bileşenler Regresyonu (Principal Component Regression, PCR): PCA ile boyut indirgemesi ardından çoklu regresyon uygular. PLS'ye kıyasla genellikle %5-10 daha düşük R² verir çünkü PCA boyut indirgemesinde hedef değişkeni dikkate almaz.
• Çoklu Doğrusal Regresyon (MLR): Seçilmiş dalga boylarını girdi olarak kullanır. Model yorumlanabilirliği yüksektir; ancak dalga boyu seçimi subjektiftir ve örnekleme dışı genellenebilirliği zayıftır.

Limitasyonlar: Tüm doğrusal modeller, toprak matrisindeki karmaşık etkileşimleri (nem × organik madde × kil mineralojisi) yakalamada yetersiz kalır. Ön işleme (preprocessing) adımının seçimi — SNV, MSC, Savitzky-Golay türev, baz çizgisi düzeltmesi — model performansını %10-20 değiştirebilir; bu seçim büyük ölçüde deneyime dayalıdır.

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

Rastgele Orman Regresyonu (Random Forest Regression)

Doğrusal olmayan ilişkileri modelleyebilen topluluk yöntemi.

• Girdi: Ön işlenmiş spektral yansıtıcılık değerleri; tipik olarak 200-2000 dalga boyu noktası
• Çalışma prensibi: Yüzlerce karar ağacının bootstrap örnekleriyle eğitilmesi ve ortalama tahmin üretmesi. Özellik önem sıralaması ile kritik dalga boylarını belirler.
• Performans: Viscarra Rossel ve Behrens (2010), Avustralya toprak spektral kütüphanesi (n=4.526) üzerinde RF ile SOC tahmininde R²=0,82, RMSE=0,48% elde etmiştir. PLS'ye (R²=0,78) göre doğrusal olmayan toprak matrislerinde üstün performans gösterir.

Yapay Sinir Ağları (ANN)

Çok katmanlı algılayıcı (MLP) mimarileriyle spektral veriden toprak parametrelerine doğrusal olmayan eşleme yapar.

• Girdi: PCA veya PLS ile boyutu indirgenmiş spektral özellikler (tipik 5-30 latent değişken)
• Çalışma prensibi: Gizli katmanlardaki aktivasyon fonksiyonları doğrusal olmayan dönüşümleri öğrenir. Geri yayılım ile ağırlıklar optimize edilir.
• Performans: Ramirez-Lopez et al. (2013), Cubist ve ANN karşılaştırmasında ANN'in SOC tahmininde R²=0,85 ve RPD=2,6 ile PLS'den (RPD=2,2) üstün olduğunu göstermiştir. Ancak aşırı öğrenme riski yüksektir ve hiperparametre ayarlaması kritiktir.

Derin Öğrenme (1D-CNN)

Spektral veriyi doğrudan girdi alarak el ile özellik çıkarma gerekliliğini ortadan kaldırır.

• Girdi: Ham veya minimal ön işlenmiş spektral yansıtıcılık (1D sinyal)
• Çalışma prensibi: 1D evrişim filtreleri spektral desenleri otomatik öğrenir; havuzlama katmanları ölçek değişmezliği sağlar.
• Performans: Padarian et al. (2019), LUCAS toprak kütüphanesi (n=19.036) üzerinde 1D-CNN ile SOC tahmininde R²=0,89, RPD=3,1 elde etmiştir — PLS (R²=0,82) ve Cubist (R²=0,85) modellerinden belirgin olarak üstün. Ancak eğitim veri seti 5.000 örneğin altına düştüğünde performans avantajı kaybedilir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Nem Etkisi (Moisture Effect)

Toprak nemi, NIR spektrumunda 1400 nm, 1900 nm ve 2200 nm civarında güçlü su emilim bantları oluşturarak diğer bileşenlerin spektral imzasını maskeler. Kuru numunelerde R²=0,90 olan SOC kalibrasyon modeli, nemli numunelerde R²=0,55'e düşebilir. Stenberg et al. (2010), bu etkinin giderilmesi için harici parametre ortogonalizasyonu (EPO) tekniğini önermiş ve nemli koşullarda R²'yi 0,72'ye yükseltmiştir; ancak EPO her nem seviyesi için kalibrasyon numunesi gerektirir.

Toprak Heterojenliği ve Transfer Edilebilirlik

Bir bölgede (örn. kireçli topraklar) geliştirilen kalibrasyon modeli, farklı mineralojik yapıya sahip bölgeye (örn. laterit topraklar) doğrudan aktarılamaz. LUCAS gibi büyük ölçekli kütüphaneler genel modeller oluşturmayı mümkün kılar; ancak lokal doğruluk, bölgesel kalibrasyona göre %10-20 düşük kalır. Spiking (yerel numunelerle büyük kütüphaneyi zenginleştirme) bu soruna kısmi çözüm sunar.

Ön İşleme Bağımlılığı

Aynı spektral veri setine uygulanan farklı ön işleme kombinasyonları (1. türev + SNV vs. 2. türev + MSC vs. ham veri + baz çizgisi düzeltmesi), PLS model performansını RPD 1,5 ile RPD 3,0 arasında değiştirebilir. Bu, sonuçların ön işleme seçimine aşırı duyarlı olduğunu gösterir. Otomatik ön işleme optimizasyonu (AutoML tarzı) bu sorunu hafifletebilir; ancak optimal ön işleme toprak tipine ve hedef parametreye bağımlıdır.

Referans Analiz Hataları

Kalibrasyon modelinin performansı, referans laboratuvar değerlerinin doğruluğuyla sınırlıdır. Walkley-Black yöntemiyle organik karbon ölçümünde tekrarlanabilirlik %5-10 göreli standart sapma gösterir. Bu, modelin öğrenmesi gereken ilişkiye gürültü ekler ve teorik doğruluk tavanını belirler. Daha doğru referans yöntemler (kuru yanma) maliyet artışı getirir.

Portatif Cihaz Sınırlılıkları

Laboratuvar sınıfı FT-NIR spektrometreleri yüksek spektral çözünürlük (0,5-2 nm) ve sinyal/gürültü oranı sunar; ancak tarla uygulamaları portatif cihazlar gerektirir. Portatif NIR cihazları (ASD FieldSpec, SCiO) düşük spektral çözünürlük (10-20 nm), sınırlı dalga boyu aralığı ve çevresel koşullara duyarlılık gösterir. Laboratuvar kalibrasyonları portatif cihazlara doğrudan aktarılamaz.

Bölgesel Senaryo: Siirt Tarım Toprakları

Siirt ili ve çevresi, Güneydoğu Anadolu'nun karakteristik kireçli toprak yapısına sahiptir. Bu bağlamda üç spesifik mühendislik problemi öne çıkar:

1. Yüksek Kireç İçeriği: Bölge toprakları %15-40 CaCO₃ içerir. Kireç, MIR bölgesinde 2500 cm^-1 civarında güçlü emilim bandı oluşturarak organik madde bantlarıyla örtüşür. Bu, SOC tahmin modellerinin kireçli topraklarda sistematik olarak düşük performans göstermesine neden olur. Bu nedenle bölgesel kalibrasyon seti oluşturmak çoğu durumda gereklidir.
2. Mevsimsel Nem Dinamiği: Yarı-kurak iklimde toprak nemi Kasım-Mart arası %20-35, Haziran-Eylül arası %3-8 arasında değişir. Bu geniş nem aralığı, tarla içi portatif ölçümlerin güvenilirliğini ciddi olarak etkiler. EPO veya SMOTE tabanlı nem normalizasyonu olmadan tarla tahminleri kullanılamaz düzeyde hatalı olacaktır.
3. Fıstık Bahçesi Toprak Yönetimi: Siirt fıstığının kök bölgesinde organik madde, pH ve mikro besin element düzeyleri verim ve meyve kalitesiyle doğrudan ilişkilidir. Ağaç altı ve ağaç arası toprak özelliklerinin birkaç metre mesafede farklılaşması, yüksek çözünürlüklü mekansal haritalama gerektirir — bu, portatif NIR ile yoğun örnekleme stratejisinin değerini artırır.

4. Literatür: Seminal Çalışmalar

Viscarra Rossel et al. (2006) — Vis-NIR ve MIR spektroskopisi ile toprak özelliklerinin tahmini üzerine kapsamlı derleme. MIR'in SOC tahmininde NIR'den sistematik olarak üstün olduğunu (R²=0,86 vs 0,77) göstermiştir. Kemometrik kalibrasyon yöntemlerinin standardizasyonunu önermiştir. (2.847 atıf)

Stenberg et al. (2010) — NIR ile toprak özelliklerinin tahmini üzerine derleme. Nemin en kritik parazit faktör olduğunu, RPD>2 değerlerinin ancak kuru numunelerde güvenilir şekilde elde edildiğini raporlamıştır. Harici parametre ortogonalizasyonu (EPO) ile nem etkisinin azaltılmasını göstermiştir. (1.234 atıf)

Padarian et al. (2019) — 1D-CNN ile toprak spektral verisinden SOC tahmini. LUCAS kütüphanesi (n=19.036) üzerinde R²=0,89, RPD=3,1 elde etmiştir — PLS ve Cubist modellerinden %4-7 üstün. Derin öğrenmenin büyük ölçekli toprak spektral kütüphaneleri için üstün performans sağladığını göstermiştir. (487 atıf)

Viscarra Rossel ve Behrens (2010) — Avustralya ulusal toprak spektral kütüphanesi (n=4.526) üzerinde RF, Cubist, SVM ve PLS karşılaştırması. RF (R²=0,82) ve Cubist (R²=0,83), PLS'den (R²=0,78) doğrusal olmayan toprak tiplerinde üstün performans göstermiştir. (612 atıf)

Nocita et al. (2015) — Toprak spektroskopisi üzerine kapsamlı derleme. NIR ve MIR spektroskopisinin laboratuvar analizine alternatif olma potansiyelini değerlendirmiş; RPD>2,5 değerlerinin SOC için güvenilir tahmin, RPD 1,5-2,0 aralığının yalnızca tarama amaçlı kullanılabilir olduğunu belirlemiştir. (893 atıf)

5. Gelecek Vizyonu

Dijital Toprak Haritalama (Digital Soil Mapping)

Nokta bazlı spektral ölçümlerin coğrafi bilgi sistemleri (GIS) ile entegrasyonu, tarla düzeyinde mekansal toprak özellik haritaları üretmeyi mümkün kılar. Kriging veya makine öğrenmesi tabanlı mekansal enterpolasyon ile seyrek numune noktalarından sürekli haritalar oluşturulur. Bu haritalar, değişken oranlı gübreleme (variable rate fertilization) reçetelerine doğrudan girdi sağlar. Ancak enterpolasyon doğruluğu numune yoğunluğuna ve mekansal otokorelasyon yapısına kritik olarak bağımlıdır.

Uydu Tabanlı Toprak İzleme

Çıplak toprak dönemlerinde (hasat sonrası, ekim öncesi) uydu multispektral verisi ile toprak özelliklerinin geniş alan tahminleri yapılabilir. Sentinel-2'nin SWIR bantları (B11, B12) kil ve nem içeriğiyle korelasyon gösterir. Ancak uydu çözünürlüğü (10-20 m) laboratuvar spektral çözünürlüğünden çok düşüktür ve atmosferik etkiler ek belirsizlik ekler. SOC tahmininde R² değerleri genellikle 0,50-0,70 aralığında kalır — laboratuvar NIR'den belirgin olarak düşük.

Büyük Spektral Kütüphaneler ve Transfer Öğrenme

LUCAS (Avrupa, ~40.000 numune), USDA KSSL (ABD, ~50.000 numune) ve ICRAF-ISRIC (Afrika, ~25.000 numune) gibi büyük ölçekli toprak spektral kütüphaneleri, genel kalibrasyon modellerinin oluşturulmasını mümkün kılar. Transfer öğrenme yaklaşımıyla bu genel modeller, az sayıda yerel numune ile hedef bölgeye adapte edilebilir. Ancak küresel modellerin lokal doğruluğu, bölgesel kalibrasyona göre düşük kalır ve spiking stratejileri her yeni bölge için yeniden değerlendirilmelidir.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği