1.13 Spektroskopi ve Kemometrik Analizler

1. Problem Tanımı ve Sistemik Etki

Tarımsal ürünlerin ve gıdaların kimyasal bileşiminin hızlı, tahribatsız ve düşük maliyetli analizi, gıda güvenliği, kalite kontrolü ve süreç izleme açısından kritik öneme sahiptir. Geleneksel kimyasal analiz yöntemleri (Kjeldahl azot tayini, Soxhlet yağ ekstraksiyonu, Karl Fischer nem analizi) numune başına 2-48 saat sürmekte, kimyasal reaktif maliyeti ve atık oluşturması nedeniyle sürdürülebilirlik açısından sorunludur. Küresel gıda analiz pazarı yıllık 22 milyar USD büyüklüğünde olup, hızlı analiz yöntemlerine olan talep yıllık %8-10 büyüme göstermektedir.

Spektroskopik yöntemlerin geleneksel kimyasal analize göre kısıtlamaları ve potansiyeli şu şekilde özetlenebilir:

• Dolaylı ölçüm: Spektroskopi, kimyasal bileşenleri doğrudan ölçmez — moleküler bağların elektromanyetik radyasyonla etkileşiminden kaynaklanan soğurma/yansıma örüntülerini ölçer. Bu örüntülerin kimyasal konsantrasyona dönüştürülmesi, kemometrik (chemometric) modeller gerektirir.
• Matris etkisi: Gıda ve tarımsal numuneler karmaşık matriks yapılarıdır — protein, yağ, karbonhidrat, su ve mineral bileşenlerin spektral bantları birbirleriyle örtüşür. Bu örtüşme, tek dalga boyunda doğrudan kalibrasyon yaklaşımlarını geçersiz kılar.
• Ön işleme bağımlılığı: Ham spektral verideki baz çizgisi kayması, saçılma etkileri ve gürültü, uygun ön işleme (SNV, MSC, türev alma) uygulanmadığında model performansını belirgin biçimde düşürür — doğru ön işleme seçimi, model doğruluğu kadar önemlidir.
• Hız avantajı: NIR veya FTIR spektrometre ile bir numune analizi 30 saniye-2 dakika sürmekte — geleneksel yöntemlere göre 100-1000x daha hızlıdır. Reaktif maliyeti yoktur ve numune tahrip edilmez.

Bu koşullar, spektroskopi + kemometri kombinasyonunu tarımsal makine öğrenmesinin en olgun ve endüstriyel olarak en yaygın uygulama alanlarından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Kemometrik Yöntemler (1980-2010)

Kemometrinin temel taşları, çok değişkenli istatistiksel yöntemlerdir:

• PCA (Principal Component Analysis): Yüksek boyutlu spektral verideki varyansın ana bileşenler boyunca sıkıştırılması. Keşifsel veri analizi, aykırı değer tespiti ve sınıflandırma ön adımı olarak kullanılır. Tipik olarak 200-2000 dalga boyundaki spektral veri, 3-15 bileşene indirgenir.
• PLS (Partial Least Squares) Regresyon: Spektral matris (X) ile referans analiz değerleri (Y) arasındaki kovaryansı maksimize eden latent değişkenlerin çıkarılması. Wold et al. (2001), PLS'in gıda ve tarım alanında en yaygın kullanılan kemometrik yöntem olduğunu belirtmiştir. NIR + PLS ile protein tahmininde R²=0,92-0,98 ve RMSECV=%0,3-0,8 değerleri yaygın olarak raporlanmaktadır.
• PCR (Principal Component Regression): PCA ile boyut indirgeme ardından çoklu doğrusal regresyon. PLS'ten daha basit; ancak X-Y kovaryansını optimize etmediği için genellikle PLS'ten daha yüksek tahmin hatası verir.

Limitasyonlar: PLS doğrusal bir modeldir — spektral bileşenler arası doğrusal olmayan etkileşimler (ör. su bantlarının sıcaklığa bağlı nonlineer kayması) yeterince modellenemez. Ayrıca PLS modeli, kalibrasyon veri setinin kapsadığı konsantrasyon aralığının dışında güvenilmezdir (extrapolasyon yok).

2.2 Makine Öğrenmesi Yaklaşımları (2010-Günümüz)

SVM (Destek Vektör Makineleri)

• Girdi: Ön işlenmiş spektral veri (SNV, 1. veya 2. türev uygulanmış). PCA ile boyut indirgeme sonrası veya seçilmiş dalga boyları ile.
• Çalışma prensibi: Çekirdek fonksiyonları (RBF, polinom) ile doğrusal olmayan sınıflandırma/regresyon. Kernel trick, spektral verideki nonlineer ilişkileri örtük olarak yüksek boyutlu uzayda doğrusallaştırır.
• Performans: Mouazen et al. (2010), toprak organik karbon tayininde NIR + SVM ile R²=0,90 ve RMSECV=%0,21 raporlamış — PLS'e kıyasla %3-5 iyileşme. Ancak SVM'in hiperparametre hassasiyeti (C, gamma) dikkatli optimizasyon gerektirir.

Yapay Sinir Ağları (ANN)

• Girdi: PCA bileşenleri veya seçilmiş dalga boyları (tipik olarak 5-30 girdi nöronu).
• Çalışma prensibi: Gizli katmanlardaki doğrusal olmayan aktivasyon fonksiyonları, spektral-kimyasal ilişkinin karmaşık yapısını yakalar.
• Performans: Cen ve He (2007), çay kalite sınıflandırmasında NIR + ANN ile %97,5 doğruluk raporlamıştır. Ancak aşırı öğrenme (overfitting) riski, küçük kemometrik veri setlerinde (n=50-200) ciddi bir sorundur.

1D-CNN (Konvolüsyonel Sinir Ağları)

• Girdi: Ham veya minimal ön işlenmiş spektral veri (1D sinyal olarak).
• Çalışma prensibi: 1D evrişim filtreleri, spektral bantlar boyunca lokal örüntüleri otomatik olarak öğrenir — el ile dalga boyu seçimine veya PCA'ya gerek kalmaz.
• Performans: Acquarelli et al. (2017), NIR verisi üzerinde 1D-CNN'in PLS'e kıyasla RMSEP'i %5-15 iyileştirdiğini; ancak 100'den az numune ile eğitildiğinde PLS'ten daha kötü performans gösterdiğini raporlamıştır. Veri seti boyutu kritik eşik noktasıdır.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Baz Çizgisi Kayması ve Saçılma Etkileri

Katı numunelerde (tahıl, toprak, toz) difüz yansıma ölçümlerinde partikül boyutu dağılımı, saçılma (scattering) etkisiyle baz çizgisinde sistematik kaymalara neden olur. Aynı kimyasal bileşime sahip numune, farklı öğütme derecesinde farklı spektrum verir. SNV (Standard Normal Variate) ve MSC (Multiplicative Scatter Correction) yaygın düzeltme yöntemleridir; ancak her iki yöntem de saçılma modelinin doğrusal olduğunu varsayar — bu, büyük partikül boyutu varyasyonlarında geçerli olmayabilir.

Spektral Örtüşme ve Dalga Boyu Seçimi

NIR bölgesinde (780-2500 nm) harmonik ve kombinasyon bantları geniştir ve birbirleriyle örtüşür. Protein N-H, yağ C-H ve su O-H bantları aynı spektral bölgede (2000-2200 nm) yakınlaşır. Bu örtüşme, tek bir kimyasal bileşenin izolasyonunu zorlaştırır. Değişken seçim yöntemleri (iPLS, CARS, SPA) performansı artırabilir; ancak optimal dalga boyu seti numune matriks yapısına bağımlıdır ve genellenemez.

Ön İşleme Bağımlılığının Domino Etkisi

Aynı veri seti üzerinde farklı ön işleme zincirleri (SNV → 1. türev → Savitzky-Golay düzleştirme vs MSC → 2. türev) uygulandığında PLS model performansı R²=0,75-0,95 arasında dramatik değişim gösterebilir. Rinnan et al. (2009), 18 farklı ön işleme kombinasyonunu sistematik olarak karşılaştırmış ve optimal kombinasyonun veri setine bağımlı olduğunu, evrensel bir reçete bulunmadığını göstermiştir. Bu, kemometrik modellemenin "sanat" boyutunu oluşturan ve otomasyonu zorlaştıran bir unsurdur.

Cihaz Transferi ve Kalibrasyon Bakımı

Bir spektrometrede geliştirilen PLS kalibrasyonu, aynı marka/modeldeki farklı bir cihaza doğrudan aktarıldığında performans kaybı yaşanır. Dedektör yanıtı, dalga boyu kalibrasyonu ve optik yol farklılıkları bu transferi zorlaştırır. Bouveresse ve Massart (1996), cihaz transferi sonrası RMSEP'in %20-50 arttığını raporlamıştır. Piecewise Direct Standardization (PDS) ve slope/bias düzeltmesi kısmi çözümler sunar; ancak düzenli transfer numunesi ölçümü operasyonel yük oluşturur.

Nem ve Sıcaklık Etkisi

Su, NIR bölgesinde baskın absorber olup 1450 nm ve 1940 nm'de güçlü bantlar gösterir. Numune nemindeki %1-2'lik değişimler, hedef analite ait zayıf bantları maskeleyebilir. Sıcaklık değişimleri (oda sıcaklığı 20-30°C) su bantlarının pozisyonunu ve yoğunluğunu kaydırır. Bu etki, hat üzeri (inline) ölçümlerde — ortam sıcaklığının kontrol edilemediği koşullarda — model güvenilirliğini ciddi şekilde düşürür.

Bölgesel Senaryo: Siirt Fıstığı ve Zeytinyağı FTIR Analizi

Güneydoğu Anadolu Bölgesi'nde fıstık ve zeytinyağı üretimi büyük ekonomik değer taşımakta ve spektroskopik analiz üç spesifik mühendislik problemi içermektedir:

1. Fıstık aflatoksin taraması: Aspergillus flavus kaynaklı aflatoksin B1 kontaminasyonu, AB ihracat standardı olan 4 ppb eşiğini aştığında partinin reddine neden olur — bu, yıllık milyon dolarlar mertebesinde ekonomik kayıp anlamına gelir. FTIR ile aflatoksin tespiti araştırılmaktadır; ancak ppb düzeyindeki konsantrasyonlarda spektral sinyal-gürültü oranı (SNR) yetersizdir. Ön konsantrasyon adımları (immunoafinite kolonu) kimyasal analiz avantajını ortadan kaldırır.
2. Zeytinyağı tağşiş tespiti: Sızma zeytinyağına daha ucuz yağların (ayçiçeği, kanola) karıştırılması yaygın bir sahtekarlık türüdür. FTIR + PCA ile tağşiş tespiti %5 düzeyinde (hacimsel) mümkündür; ancak %1-3 tağşiş düzeyinde güvenilirlik düşmektedir. Bölgesel zeytinyağı çeşitlerinin (Gemlik, Memecik) referans spektral kütüphanesinin oluşturulması gereklidir.
3. Portatif cihaz kalibrasyonu: Siirt'in kırsal bölgelerinde laboratuvar erişimi sınırlıdır; portatif NIR cihazları (ör. SCiO, MicroNIR) tarla/depo düzeyinde analiz potansiyeli sunar. Ancak bu cihazların düşük spektral çözünürlüğü (10-30 nm vs laboratuvar cihazı 1-2 nm) model performansını %10-20 düşürmektedir. Portatif cihaz spesifik kalibrasyon geliştirme zorunluluğu, her cihaz için ayrı model eğitimi anlamına gelir.

4. Literatür: Seminal Çalışmalar

Wold et al. (2001) — PLS regresyonun kemometrideki yeri ve gelişimi üzerine kapsamlı derleme. PLS1, PLS2 ve OPLS varyantlarının matematiksel temelleri, validasyon stratejileri ve uygulama alanları. Kemometri alanının en temel referans çalışması. (5.800+ atıf)

Rinnan et al. (2009) — Spektral veri ön işleme yöntemlerinin sistematik karşılaştırması. 18 farklı ön işleme kombinasyonu (SNV, MSC, türev alma, düzleştirme) 6 farklı veri seti üzerinde test edilmiş. Optimal kombinasyonun veri setine bağımlı olduğu, evrensel reçete bulunmadığı gösterilmiştir. (3.200+ atıf)

Mouazen et al. (2010) — Vis-NIR spektroskopi ile tarla koşullarında toprak organik karbon tahmini. SVM ile R²=0,90 ve RMSECV=%0,21 raporlanmış — PLS'e kıyasla %3-5 iyileşme. Tarla içi (in-situ) ölçümlerin laboratuvar ölçümlerinden %8-12 daha düşük doğruluk verdiğini göstermiştir. (420+ atıf)

Acquarelli et al. (2017) — NIR verisi üzerinde 1D-CNN uygulaması. PLS, SVM ve 1D-CNN karşılaştırması; 200+ numune ile 1D-CNN'in RMSEP'i %5-15 iyileştirdiği, ancak 100'den az numunede PLS'in üstün olduğu gösterilmiştir. Derin öğrenmenin kemometride kullanılabilirliğinin ilk kapsamlı kanıtı. (380+ atıf)

Cen ve He (2007) — NIR spektroskopisi ile gıda kalite değerlendirmesi derlemesi. Çay, meyve suyu, süt ve tahıl ürünlerinde NIR + kemometrik model uygulamalarının sistematik analizi. ANN ile %97,5 çay sınıflandırma doğruluğu raporlanmıştır. Hat üzeri (inline) uygulamaların endüstriyel fizibilitesi değerlendirilmiştir. (450+ atıf)

5. Gelecek Vizyonu

Portatif ve Akıllı Telefon Tabanlı Spektroskopi

Miniaturize NIR sensörlerin (ör. Texas Instruments DLP NIRscan, SCiO) fiyatının 300-1000 USD aralığına düşmesi, tarla/depo düzeyinde kimyasal analizi demokratikleştirme potansiyeli taşımaktadır. Akıllı telefon kamerasının modifiye edilmesiyle Vis-NIR (400-1100 nm) bölgesinde ölçüm yapılabilir; ancak spektral çözünürlük ve SNR kısıtları, tahmin doğruluğunu laboratuvar cihazlarının %70-85'iyle sınırlamaktadır. Edge AI ile cihaz üzerinde çıkarım, bulut bağlantısı gerektirmeden anlık sonuç verme potansiyeli sunar.

Transfer Öğrenme — Kemometride

Farklı cihazlar, numune türleri veya ölçüm koşulları arasında kalibrasyon transferi, kemometrinin en büyük pratik zorluklarından biridir. Derin öğrenme tabanlı domain adaptation yöntemleri (ör. DANN — Domain-Adversarial Neural Network), kaynak ve hedef domain arasındaki spektral farklılıkları örtük olarak öğrenerek transfer başarısını artırma potansiyeli taşımaktadır. Ancak bu yöntemlerin kemometrik veri setlerindeki (n=50-300) tipik boyutta yeterli performans gösterip gösteremeyeceği henüz netleşmemiştir.

Çoklu Sensör Füzyonu

NIR + Raman + FTIR verilerinin birlikte modellenmesi, tek sensör kısıtlamalarını aşma potansiyeline sahiptir. NIR su ve organik madde, Raman kristal yapı ve pigmentler, FTIR fonksiyonel gruplar konusunda tamamlayıcı bilgi sağlar. Veri düzeyinde (low-level), özellik düzeyinde (mid-level) ve karar düzeyinde (high-level) füzyon stratejileri araştırılmaktadır. Mid-level füzyonun en tutarlı performans artışını sağladığı raporlanmıştır (%3-8 R² iyileşmesi); ancak çoklu sensör maliyeti ve kalibrasyon karmaşıklığı pratik engeller oluşturmaktadır.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği