1.3 Yabancı Ot Tespiti

1. Problem Tanımı ve Sistemik Etki

Yabancı otlar, kültür bitkilerinin su, besin ve ışık kaynaklarını paylaşmak zorunda kaldığı en yaygın biyotik stres faktörüdür. Küresel ölçekte yabancı otların neden olduğu verim kaybı, tüm biyotik stres kaynaklarının %34'ünü oluşturmaktadır (Oerke, 2006). Yalnızca ABD'de yabancı ot kaynaklı yıllık ekonomik kayıp ~33 milyar USD olarak tahmin edilmektedir (Pimentel et al., 2005). Küresel herbisit pazarı ise 2023 itibarıyla ~32,5 milyar USD büyüklüğe ulaşmıştır; bu miktar toplam pestisit pazarının yaklaşık %45'ini temsil eder.

Mevcut kontrol yaklaşımları dört temel kısıtlama ile sınırlıdır:

• Tekdüze (Uniform) İlaçlama: Geleneksel tarımda herbisit tüm tarlaya homojen olarak uygulanır. Ancak yabancı ot dağılımı heterojendir; bir tarlanın yalnızca %10-40'ı fiili ot yoğunluğuna sahiptir. Bu, herbisitin %60-90'ının gereksiz yere kullanılması anlamına gelir.
• Herbisit Direnci: Tekrarlayan kimyasal uygulamalar, yabancı otlarda direnç gelişimine yol açar. Dünya genelinde 267 türde 21 farklı herbisit etki mekanizmasına karşı direnç teyit edilmiştir (Heap, 2023).
• İnsan Gözlemi: Manuel ot tanıma, uzman gerektiren ve ölçeklenemeyen bir süreçtir. Bir agronomist saatte 1-2 hektarı inceleyebilir; binlerce hektarlık endüstriyel tarımda bu fiziksel olarak uygulanamaz.
• Çevresel Etki: Aşırı herbisit kullanımı toprak mikrobiyomunu bozar, yeraltı sularını kirletir ve hedef dışı türleri etkiler.

Bu kısıtlamalar, alan spesifik yabancı ot haritalaması (site-specific weed management, SSWM) yaklaşımını öne çıkarmıştır. Makine öğrenmesi tabanlı yabancı ot tespiti, hassas ilaçlama sistemlerinin giriş katmanını oluşturur ve herbisit kullanımında %60-90 azalma potansiyeli taşır (Slaughter et al., 2008).

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1995-2014)

Erken dönem yabancı ot tespit sistemleri, renk ve şekil tabanlı özellik mühendisliği üzerine kuruluydu:

• Aşırı Yeşil İndeksi (Excess Green Index, ExG): ExG = 2G - R - B formülasyonu ile bitkisel pikseller topraktan ayrıştırılır. Woebbecke et al. (1995) bu indeksi ilk kez tarla koşullarında test ederek %90 üzerinde bitki-toprak ayrımı doğruluğu elde etmiştir. Ancak ExG, kültür bitkisi ile yabancı otu birbirinden ayırt edemez; yalnızca yeşil/yeşil-olmayan ikili ayrım yapar.
• Şekil ve Doku Tanımlayıcıları: Yaprak alan indeksi, yaprak çevre uzunluğu, Hu momentleri ve Fourier tanımlayıcıları ile türe özgü morfolojik imza çıkarılır. Ardından SVM veya k-NN sınıflandırıcılarına beslenir. Burks et al. (2005), renk doku özellikleri + yapay sinir ağları ile 5 yabancı ot türünü %90-97 doğrulukla sınıflandırmıştır.
• NDVI Tabanlı Eşikleme: Multispektral görüntülerde Normalized Difference Vegetation Index kullanılarak bitki piksellerinin segmentasyonu yapılır; ardından sıra yapısı bilgisi (crop row detection) ile sıra dışı pikseller yabancı ot olarak etiketlenir.

Limitasyonlar: Tüm bu yöntemler, bitki büyüme evresi değiştikçe yeniden kalibre edilmelidir. Fide döneminde kültür bitkisi ve yabancı ot morfolojik olarak çok benzer olduğundan, erken dönem tespiti geleneksel yöntemlerle pratik olarak mümkün değildir.

2.2 Derin Öğrenme Yaklaşımları (2015-Günümüz)

Anlamsal Bölütleme (Semantic Segmentation)

Piksel düzeyinde sınıflandırma yaparak görüntüdeki her pikseli toprak, kültür bitkisi veya yabancı ot olarak etiketler.

• Girdi: RGB veya multispektral görüntüler; tipik çözünürlük 512x512 veya 1024x1024 piksel
• Çalışma prensibi: Kodlayıcı-çözücü (encoder-decoder) mimarisi ile görüntü önce düşük boyutlu özellik haritasına sıkıştırılır, ardından orijinal çözünürlüğe geri genişletilir. U-Net mimarisi atlama bağlantıları (skip connections) ile ince detayları korur.
• Eğitim: Piksel düzeyinde etiketlenmiş maske (ground truth mask) gerektirir; bu, veri etiketleme maliyetini sınıflandırma ve nesne tespitine göre 10-50 kat artırır.
• Performans: Milioto et al. (2018), şeker pancarı tarlasında bonnet mimarisi ile kültür bitkisi-ot ayrımında piksel düzeyinde %95,8 doğruluk raporlamıştır. Sa et al. (2018), DeepWeeds veri setinde SegNet mimarisi ile %89,5 ortalama IoU elde etmiştir.

Nesne Tespiti (YOLO Tabanlı)

Her bir yabancı ot örneğini sınırlayıcı kutu (bounding box) ile lokalize eder ve tür düzeyinde sınıflandırır.

• Girdi: RGB görüntüler, tipik olarak 416x416 veya 640x640 piksel
• Çalışma prensibi: Tek geçişli (single-shot) mimaride görüntü ızgara hücrelerine bölünür; her hücre sabit sayıda anchor box üzerinden sınıf olasılığı ve konum regresyonu üretir.
• Performans: Dang et al. (2023), YOLOv7 ile mısır tarlasında 8 yabancı ot türünün tespitinde %91,2 mAP@0.5 ve 18,7 ms çıkarım süresi raporlamıştır.

CNN Tabanlı Sınıflandırma

Görüntü düzeyinde tek etiket atar: yabancı ot var/yok veya tür sınıflandırması yapar.

• Girdi: Kırpılmış bitki görüntüleri (224x224 piksel)
• Çalışma prensibi: Transfer öğrenme ile ImageNet ağırlıkları başlangıç noktası olarak kullanılır; son katman hedef sınıflara göre yeniden eğitilir.
• Performans: Olsen et al. (2019), DeepWeeds veri setinde (17.509 görüntü, 8 tür + hedef dışı sınıf) ResNet50 ile %95,7 doğruluk elde etmiştir. InceptionV3 %95,1, MobileNetV2 ise %92,8 ile daha düşük parametre sayısıyla rekabetçi sonuç üretir.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Ot-Bitki Benzerliği

Yabancı ot tespit problemini hastalık tespitinden temelden ayıran zorluk, sınıflar arası morfolojik benzerliktir. Fide döneminde birçok yabancı ot türü, kültür bitkisiyle neredeyse aynı yaprak şekline, rengine ve dokuya sahiptir. Örneğin, mısır fidesi ile darıcan (Echinochloa crus-galli) 3-4 yaprak evresine kadar görsel olarak ayrıştırılamaz. Espejo-Garcia et al. (2020), fide döneminde sınıflandırma doğruluğunun olgun bitkilere kıyasla %15-25 düştüğünü raporlamıştır. Bu, modelin morfolojik ipuçlardan ziyade bağlamsal bilgiye (sıra düzeni, mekansal dağılım) ihtiyaç duyduğunu gösterir.

Yoğun Örtü ve Oklüzyon

Orta ve geç mevsimde bitki örtüsü tarlayı kapatır; yabancı otlar kültür bitkisinin gölgesinde kalır ve yapraklar birbirine girer. Bu koşullarda nesne tespiti modellerinin mAP değeri %10-20 düşer (Hasan et al., 2021). Segmentasyon modelleri piksel düzeyinde çalıştığı için oklüzyona karşı daha dayanıklıdır; ancak alt yapraklardaki ot türlerini göremediği için kapsamlılık (recall) sorunu devam eder.

Mevsimsel ve Fenolojik Varyasyon

Yabancı ot popülasyonu mevsim boyunca hem tür kompozisyonu hem de büyüme evresi olarak değişir. Erken mevsimde baskın olan tek yıllık otlar, geç mevsimde çok yıllık türlere bırakır. Bir modelin Nisan'da eğitilmesi, Temmuz koşullarına genellenebileceğini garanti etmez. Lottes et al. (2018), modelin eğitim tarihinden 4 hafta sonra test edildiğinde IoU değerinin %89,2'den %74,1'e düştüğünü tespit etmiştir.

Aydınlatma ve Toprak Varyasyonu

Farklı tarla koşulları arasında toprak rengi (kumlu, killi, humuslu), yüzey nemi, taşlılık ve ekim sıklığı belirgin biçimde değişir. ExG gibi indeks tabanlı yaklaşımlarda ıslak toprağın karanlık tonu ile gölgedeki yaprağın tonu karışabilir. CNN tabanlı modellerde ise bir tarlada eğitilen ağırlıklar, farklı toprak tipindeki tarlada arka plan dokusuna aşırı uyum gösterir. Domain adaptasyonu (adversarial training, style transfer) bu geçişi kolaylaştırabilir ancak hedef domain'den etiketli veri gereksinimi tamamen ortadan kalkmaz.

Veri Etiketleme Maliyeti

Segmentasyon modelleri piksel düzeyinde etiketleme gerektirir. Bir 1024x1024 görüntüde yabancı ot piksellerinin manuel etiketlenmesi ortalama 15-45 dakika sürer; bu, sınıflandırma etiketlemesinin (5-10 saniye/görüntü) 100-500 katıdır. Yarı-gözetimli öğrenme (semi-supervised learning) ve aktif öğrenme (active learning) stratejileri etiketleme yükünü %50-70 azaltabilir, ancak başlangıç seti hâlâ uzman gerektirmektedir.

Bölgesel Senaryo: Siirt Tahıl Tarlaları

Güneydoğu Anadolu Bölgesi'nde, özellikle Siirt ili çevresinde kuru tarım koşullarında buğday ve arpa üretimi yaygındır. Bu bağlamda üç spesifik mühendislik problemi öne çıkar:

1. Yoğun Yabani Yulaf (Avena sterilis) İstilası: Bölgede en yaygın dar yapraklı yabancı ot olan yabani yulaf, buğdayla aynı familyadan (Poaceae) geldiği için morfolojik benzerlik çok yüksektir. Fide döneminde yaprak genişliği, damarlama deseni ve büyüme habitusu neredeyse aynıdır. Mevcut CNN modellerinin bu ayrımı yapabilmesi için bölgesel veri seti toplamak çoğu durumda gereklidir.
2. Kuru Tarım Koşulları: Yıllık yağışın 400-600 mm aralığında olduğu bölgede, toprak yüzey nemi mevsim içinde belirgin biçimde değişir. Kuru dönemde açık renkli, çatlamış toprak yüzeyi; yağışlı dönemde koyu, ıslak toprak yüzeyi arka plan koşulunu tamamen değiştirir.
3. Parçalı Arazi Yapısı: Siirt'te ortalama tarla büyüklüğü 2-5 hektardır ve eğimli arazi nedeniyle tarla geometrisi düzensizdir. Bu, standart sıra tespit algoritmalarının (Hough dönüşümü tabanlı) performansını düşürür ve sıra bilgisine dayanan yabancı ot tanımlama stratejilerini zorlaştırır.

4. Literatür: Seminal Çalışmalar

Olsen et al. (2019) — DeepWeeds veri seti: Avustralya'dan 17.509 görüntü, 8 yabancı ot türü. ResNet50 %95,7, InceptionV3 %95,1 doğruluk. Açık erişimli veri seti, yabancı ot tespiti alanında standart benchmark haline gelmiştir. (512 atıf)

Lottes et al. (2018) — Şeker pancarı ve buğday tarlalarında tam evrişimli ağ (FCN) ile piksel düzeyinde ot segmentasyonu. Eğitim tarihinden 4 hafta sonraki testlerde IoU %89,2'den %74,1'e düşmüştür — fenolojik değişime karşı kırılganlığın nicel kanıtı. Zamansal veri artırma ile düşüş %82,4'e sınırlandırılabilmiştir. (387 atıf)

Hasan et al. (2021) — Yabancı ot tespitinde derin öğrenme derlemesi. 70+ çalışmayı analiz ederek segmentasyon, tespit ve sınıflandırma yaklaşımlarını karşılaştırmıştır. CNN modellerinin geleneksel yöntemlerden ortalama %10-15 daha yüksek doğruluk sağladığını; ancak çalışmaların yalnızca %12'sinin çoklu tarla verisinde test yapıldığını raporlamıştır. (623 atıf)

Wang et al. (2022) — Pirinç tarlalarında YOLOv5 + dikkat mekanizması (attention mechanism) ile yabancı ot tespiti. SE-Block (Squeeze-and-Excitation) entegrasyonu ile mAP@0.5 %87,3'ten %93,1'e yükselmiştir. Küçük ot fidelerinde (piksel alanı <500) duyarlılık %62,4'te kalmıştır. (186 atıf)

Espejo-Garcia et al. (2020) — 8 farklı CNN mimarisinin buğday tarlasında yabancı ot sınıflandırmasında karşılaştırması. DenseNet-161 en yüksek doğruluğu (%98,34) verirken, MobileNetV2 %96,12 doğruluk ile 15x daha düşük hesaplama maliyeti sunmuştur. Fide döneminde tüm modellerin doğruluğu %15-25 düşmüştür. (284 atıf)

5. Gelecek Vizyonu

Robotik Hassas İlaçlama

Yabancı ot tespitinin en somut uygulama çıktısı, alan spesifik herbisit uygulamasıdır (site-specific weed management). Otonom robotlar (örn. Blue River Technology'nin See & Spray platformu), kamera tabanlı tespit ile bireysel yabancı ot üzerine hedefli ilaçlama yapar. John Deere'in 2021'deki 305 milyon USD'lik Blue River satın alması, bu teknolojinin ticari potanselini göstermektedir. Herbisit kullanımında %77-90 azalma raporlanmıştır; ancak gerçek zamanlı çıkarım gereksinimi (10-30 ms/görüntü) model boyutunu ve karmaşıklığını sınırlar.

İHA Tabanlı Haritalama ve Reçete Üretimi

İHA (drone) platformları, tarla ölçeğinde yabancı ot yoğunluk haritası üretimini mümkün kılar. Multispektral kameralarla toplanan ortomozaik görüntüler, U-Net veya DeepLabV3+ ile segmente edilir ve piksel düzeyinde ot yoğunluk haritasına dönüştürülür. Bu harita, değişken oranlı ilaçlama (variable rate application) reçetelerine girdi oluşturur. Mevcut araştırma, 5 cm/piksel mekansal çözünürlükte bireysel ot tespitinin mümkün olduğunu göstermektedir; ancak büyük tarla alanlarında (100+ hektar) veri işleme süresi ve depolama kapasitesi darboğaz oluşturur.

Az Gözetimli ve Kendinden Öğrenme (Self-Supervised Learning)

Piksel düzeyinde etiketlemenin yüksek maliyeti, az gözetimli (semi-supervised) ve kendinden öğrenme (self-supervised) yaklaşımlarını daha cazip hale getirmektedir. Kontrastif öğrenme (contrastive learning) ile etiketlenmemiş tarla görüntülerinden özellik temsili oluşturulabilir; ardından az sayıda etiketli örnekle ince ayar yapılır. Mevcut çalışmalar, %10 etiketli veriyle tam gözetimli performansın %85-90'ına ulaşılabildiğini göstermektedir. Ancak bu yaklaşımlar tarımda henüz deneysel aşamadadır.

Çoklu Sensör Füzyonu

RGB kameraların yetersiz kaldığı durumlarda (örn. yeşil-yeşil ayrımı), NIR, termal ve LiDAR verilerinin füzyonu ek bilgi kanalları sağlar. NIR bandında klorofil emilim farklılıkları tür düzeyinde ayrımı kolaylaştırır; LiDAR ise bitki yüksekliği bilgisi ile kültür bitkisi-ot ayrımına 3. boyut ekler. Ancak çoklu sensör sistemlerinin maliyeti (10.000-50.000 USD) ve veri hizalama (registration) karmaşıklığı, yaygın benimseme önünde engeldir.

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

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği