Tropikal Ürün İzleme ve Sürdürülebilirlik
Tropikal tarım ürünleri, yani yağ palmiyesi, muz, kakao, kahve ve mango gibi ürünler, küresel gıda güvenliği ve ekonomik kalkınma açısından önemlidir. Bu ürünlerin üretimi; iklim değişikliği, hastalıklar ve sürdürülebilirlik baskıları nedeniyle ciddi zorluklarla karşı karşıyadır. Makine öğrenmesi ve derin öğrenme, verim tahmini, hastalık tespiti, kalite sınıflandırma ve plantasyon izleme konularında bu alan için yararlı araçlar sunmaktadır. Koleksiyondaki yaklaşık 44 makale bu temayı kapsamaktadır.
Yağ Palmiyesi Üretimi ve Verim Tahmini
Yağ palmiyesi (Elaeis guineensis), hektar başına 3,30 ton yağ verimi ile dünyadaki en verimli yağ bitkilerinden biridir; soya (0,46 t/ha), ayçiçeği (0,66 t/ha) ve kolza (1,33 t/ha) gibi alternatifleri önemli ölçüde geride bırakır. Küresel bitkisel yağ tüketiminin yaklaşık %35'ini oluşturan palm yağı üretimi, 1968'deki 1,8 milyon tondan 2018'de 65 milyon tona yükselmiştir.
ML ile Verim Tahmin Modelleri
Jamshidi ve ark. (2024), Malezya'da 49 deneme parselinden toplanan kapsamlı bir agronomi veri seti üzerinde 17 makine öğrenmesi ve derin öğrenme modelini karşılaştırmıştır. Çalışma; toprak bileşimi, iklim koşulları, bitki yaşı ve tarım teknikleri gibi çok boyutlu parametreleri içermektedir.
| Model | MSE | RMSE | R² |
|---|---|---|---|
| Extra Trees Regressor | 860,36 | 29,33 | 0,65 |
| LightGBM Regressor | 891,03 | 29,85 | 0,64 |
| CatBoost Regressor | 991,96 | 31,49 | 0,60 |
| Random Forest Regressor | 1001,27 | 31,64 | 0,60 |
| Deep Neural Network | 1082,91 | 32,90 | 0,56 |
| Decision Tree Regressor | 1610,90 | 40,13 | 0,35 |
Extra Trees Regressor, 1000 tahminci ve 32 maksimum derinlik ile en iyi performansı sergilemiştir. Özellik önemi analizinde bitki yaşı, bor seviyeleri ve kanopi uzunluğunun en belirleyici faktörler olduğu görülmüştür. Ağaç tabanlı modeller, yağ palmiyesi verimindeki doğrusal olmayan ilişkileri yakalama konusunda doğrusal modeller ve sinir ağı temelli yaklaşımlardan daha iyi sonuç vermiştir.
Uydu ile Plantasyon İzleme
Uzaktan algılama verileri (Landsat 7) ile NDVI, EVI ve SAVI gibi vejetasyon indeksleri hesaplanarak bitki sağlığı izlenebilmektedir. Yüksek çözünürlüklü UAV görüntüleri kullanılarak bireysel yağ palmiyesi ağaçlarının tespiti ve plantasyon haritalama çalışmaları da yapılmaktadır.
Kakao Verim Tahmini ve Agro-ormancılık
Lamos-Diaz ve ark. (2020), Kolombiya'nın Santander bölgesindeki deneysel kakao tarlalarında ML algoritmalarını karşılaştırmıştır. 10 kakao çeşidi, 3 gübreleme seviyesi ve 2 güneş maruziyeti tipi (gölge/güneş) ile tasarlanan deneyde şu sonuçlar elde edilmiştir:
| Model | MAE | RMSE | R² (%) |
|---|---|---|---|
| Gradient Boosting | 13,32 | 20,41 | 68 |
| Random Forest | 14,70 | 26,65 | 44,19 |
| SVM | 15,69 | 27,41 | 41,17 |
| LASSO | 20,65 | 31,73 | 20,65 |
Gradient Boosting, 480 ağaç ile en iyi tahmin alternatifi olarak belirlenmiştir. Verim değişkenliğini en çok etkileyen faktörler şunlardır: hasattan bir ay önce radyasyon, hasat ayındaki birikimli yağış ve hasattan bir ay önceki sıcaklık. Önemli bir bulgu, gölge ve güneş altında yetişen kakao verimi arasında anlamlı bir fark bulunmamasıdır. Bu durum, agro-ormancılık sistemlerinin teşviki açısından olumlu yorumlanabilir; gölge, toprak yönetimi, nem ve sıcaklık kontrolü için yararlı etkiler sağlayabilir.
Muz Hastalık Tespiti
Muz, dünya genelinde en önemli tropikal meyvelerden biridir. Koleksiyonda muz yaprak hastalığı tespiti için çeşitli derin öğrenme yaklaşımları yer almaktadır:
- CNN tabanlı sınıflandırma: Yaprak hastalıklarının (Sigatoka, Panama hastalığı) otomatik tespiti
- Nesne algılama: Yüksek çözünürlüklü uzaktan algılama görüntülerinden muz bitkisi tespiti ve sayımı
- Xanthomonas solgunluğu tespiti: Piksellerden bitki sağlığına, ticari muz tarlalarında sahada doğrulama
- Çeşit tanıma: Vision Transformer tabanlı özellik çıkarma ile yüksek hassasiyetli muz çeşidi tanımlama
Kahve Kalite Sınıflandırma ve Hastalık Tespiti
Kahve üretimi, iklim değişikliği ve hastalıklar (pas hastalığı, antrakoz) nedeniyle tehdit altındadır. ML uygulamaları şunları kapsamaktadır:
- Coğrafi köken tespiti: Terahertz spektroskopisi ile kahve çekirdeklerinin menşeini belirleme
- Yaprak hastalık sınıflandırma: MobileNetV2, CNN ve özellik birleştirme yöntemleri ile biyotik stres sınıflandırma
- Üretim tahmini: Yapay sinir ağları ve çoklu regresyon ile Arabica kahve üretim tahmini
- İklim adaptasyonu: İklim değişikliği altında kahve üretiminin mekânsal ve zamansal değişimi
Mango Yaprak Hastalığı ve Zararlı Tespiti
Mango, tropikal bölgelerde geniş yetiştiricilik alanına sahiptir. Koleksiyondaki çalışmalar şunları içermektedir:
- CNN tabanlı hastalık tespiti: Feed-Forward Neural Network, Vision Transformer ve ConvNeXt modelleri
- Zararlı tespiti: Entropy-ELM ve Balina Optimizasyon Algoritması ile mango zararlıları
- Hasat sonrası kalite: Antrakoz tespiti için ViT tabanlı yeni modeller
- MangoLeafBD veri seti: Kapsamlı mango yaprak görüntü veri seti
Tropikal Meyve Olgunluk Tespiti
Meyve olgunluğunu doğru tespit etmek, hasat zamanlaması ve kalite kontrolü açısından kritiktir:
- Muz olgunluk değerlendirmesi: Görüntü işleme ile meyve olgunluk aşamasının belirlenmesi
- Ananas tespiti: DPD-YOLO algoritması ile karmaşık ortamlarda yoğun ananas meyvesi algılama
- Yağ palmiyesi meyve olgunluğu: Optik spektrometre ve yapay sinir ağları ile taze meyve salkımı değerlendirmesi
Sürdürülebilirlik ve Ormansızlasma
Tropikal ürün üretiminin çevresel etkileri önemli bir araştırma alanıdır:
- Yağ palmiyesi plantasyonlarının tropikal orman kaybına etkisi (Güneydoğu Asya'da 1990-2010 arası değişim)
- Kakao tarlalarının Fildişi Sahili ve Gana'da ormansızlaşma ile ilişkisi
- Planet uydu verileri ile tropikal orman karbon stokları ve emisyonlarının izlenmesi
- Küçük ölçekli çiftçi arazilerinde çok işlevlilik ve kâr arasındaki ödünleşimler (trade-off)
Zorluklar ve Gelecek Yönelimler
- Veri kıtlığı: Tropikal ürünler için kapsamlı veri setleri sınırlıdır; Jamshidi ve ark. yalnızca 49 parsel ve 550'den az veri noktası ile çalışmak zorunda kalmıştır
- Çevresel değişkenlik: Tropikal bölgelerdeki yüksek nem, bulutluluk ve yoğun vejetasyon, uzaktan algılama verilerinin kalitesini olumsuz etkiler
- Transfer öğrenmesi: Bir tropikal üründe eğitilen modellerin başka ürünlere uyarlanabilirliği araştırılmalıdır
- Gerçek zamanlı izleme: Kenar bilişim (edge computing) ve IoT entegrasyonu ile saha düzeyinde anlık karar destek sistemleri geliştirilebilir
- Adil ticaret ve izlenebilirlik: Blockchain ve ML entegrasyonu ile tedarik zinciri şeffaflığı artırılabilir
İlgili Konular
- Crop Yield Prediction -- Genel verim tahmin yöntemleri
- Crop Disease Detection -- Bitki hastalığı tespit teknikleri
- Fruit Detection Counting -- Meyve algılama ve sayma
- Climate Agriculture -- İklim-tarım etkileşimi