Zararlı Tespiti (Pest Detection)

Makine öğrenmesi kullanarak böcek zararlısı tanımlama ve izleme, entegre zararlı yönetimini (Integrated Pest Management - IPM) destekleyerek, keşif, yakalama, tanımlama ve zararlı türlerini sayma gibi emek yoğun süreçleri otomatikleştirir. Böcek zararlılarından kaynaklanan küresel ürün kayıpları yıllık olarak %10-20 olarak tahmin edilmektedir ve zamanında, doğru zararlı tespiti, gereksiz pestisit uygulamasını en aza indirirken bilinçli müdahale kararları almak için vazgeçilmezdir.

Tuzak Görüntü Analizi

Yapışkan tuzaklar, feromon tuzaklar ve ışık tuzakları, IPM'de standart izleme araçlarıdır. Geleneksel olarak, tuzak içerikleri periyodik olarak toplanır ve mikroskop altında manuel olarak tanımlanır -- zararlının gelişi ile tespiti arasında gecikme yaratan zaman alıcı bir süreç.

Makine öğrenmesi tabanlı tuzak analizi bu iş akışını otomatikleştirir:

1. Görüntü yakalama: Kameralar (sabit veya akıllı telefon) tuzak yüzeylerini düzenli aralıklarla fotoğraflar
2. Tespit: Nesne tespiti modelleri (YOLO, Faster R-CNN) tuzaktaki bireysel böcekleri konumlandırır
3. Sınıflandırma: Tespit edilen her böcek tür veya familya düzeyinde sınıflandırılır
4. Sayım: Tespitler zaman içinde zararlı bolluk metriklerine toplanır
5. Uyarı oluşturma: Popülasyonlar müdahale gerektirdiğinde eşik tabanlı veya trend tabanlı uyarılar tetiklenir

Tuzak Analizinde Teknik Zorluklar

• Yoğun kümelenme: Tuzaklar genellikle birbirine örtüşen yüzlerce böcek içerir
• Hedef dışı türler: Yakalanan böceklerin çoğu zararsızdır; modeller hedef zararlıları çok sayıda hedef dışı türden ayırt etmelidir
• Boyut varyasyonu: Hedef zararlılar milimetre altından (yaprak bitleri, beyaz sinekler) santimetre ölçeğine (güveler, böcekler) kadar değişir
• Bozulma: Yapışkan tuzaklardaki böcekler günler içinde bozularak görünümlerini değiştirir
• Yön değişkenliği: Böcekler rastgele pozisyonlarda konar (sırt, karın, yan görünümler)

İyi çalışılmış zararlı türleri için tespit doğruluğu tipik olarak %85-95 mAP'ye (ortalama hassasiyet ortalaması) ulaşır, ancak küçük böcekler ve karmaşık tuzak görüntülerinde düşer.

Akustik Tespit

Birçok zararlı türü, akustik tanımlamaya olanak tanıyan karakteristik sesler üretir:

• Depo zararlıları: Buğday biti ve deliciler, tahıl depolama silolarında temas mikrofonlarıyla tespit edilebilen beslenme ve hareket sesleri üretir
• Ahşap delici zararlılar: Ağaç gövdesi içinde beslenen larvalar, akustik sensörlerin algılayabileceği titreşimler oluşturur
• Uçan böcekler: Kanat çırpma frekansı imzaları türleri ayırt eder; optoakustik sensörler uçan böcekleri gerçek zamanlı sayar ve sınıflandırır
• Sivrisinekler: Tarımsal ve halk sağlığı bağlamlarında ilgili kanat çırpma tabanlı sınıflandırma

Akustik zararlı tespiti için makine öğrenmesi yaklaşımları: - 2D-CNN'ler tarafından işlenen ses sinyallerinin mel-spektrogram temsili - 1D-CNN'ler ile ham dalga formu işleme - Sürekli izleme akışları için tekrarlayan ağlar (LSTM) - Mühendislik özellik yaklaşımları için zaman-frekans analizi ile gradyan artırma birleşimi

Akustik tespit, görsel erişimin sınırlı olduğu depo ürünü koruma ve orman zararlısı izlemede üstündür.

Feromon Sensörü + Makine Öğrenmesi

Kimyasal sensör dizileriyle donatılmış elektronik bürün (e-bürün) sistemleri, zararlı aktivitesiyle ilişkili uçucu organik bileşikleri (VOC) tespit eder: - Zararlı kaynaklı feromonlar: Eser konsantrasyonlarda seks feromonları, kümelenme feromonları - Bitki kaynaklı uçucular: Bitkiler saldırıya uğradığında salınan herbivor kaynaklı bitki uçucuları (HIPV'ler) - Dışkı ve zarar uçucuları: Zararlı beslenme aktivitesinin kimyasal izleri

Sensör dizileri, makine öğrenmesi modellerinin (PCA + SVM, Rastgele Orman, derin otokodlayıcılar) zararlı varlığı/yokluğu veya tür kimliğine sınıflandırdığı yüksek boyutlu tepki örüntüleri üretir. Umut verici olmasına rağmen, tarla zararlı tespiti için e-bürün teknolojisi büyük ölçüde deneysel aşamada olup, seçicilik ve sapma kalibrasyonu devam eden zorluklar olarak sürmektedir.

Popülasyon Dinamiği Tahmini

Tespitin ötesinde, makine öğrenmesi modelleri salgın riskini tahmin etmek için zararlı popülasyon yörüngelerini öngörür:

• Girdi özellikleri: Tuzak sayımı zaman serileri, hava durumu verileri (sıcaklık, nem, rüzgar), bitki fenolojik aşaması, geçmiş salgın örüntüleri, peyzaj bağlamı (çevre bitkiler, doğal habitatlar)
• Modeller: Zaman serisi tahmini için LSTM ve zamansal CNN'ler; belirsizlik nicelendirmesi için Bayesian yaklaşımlar; derece-gün modellerini öğrenilmiş çerçeveler içine gömen mekanistik-ML melezleri
• Çıktı: 1-4 hafta öncesine ait tahmini zararlı bolluğu; reaktif yerine önleyici yönetimi sağlar

Popülasyon modelleri, ekonomik açıdan kritik zararlılar olan güz tırtılı (Spodoptera frugiperda), elma içkurdu (Cydia pomonella) ve başlıca yaprak biti türleri için en ileri düzeydedir.

Tür Düzeyinde Sınıflandırma Zorlukları

Tür düzeyinde doğru zararlı tanımlama, yönetim stratejilerinin türe özgü olması nedeniyle kritik öneme sahiptir, ancak önemli makine öğrenmesi zorlukları sunar:

• İnce taneli görsel benzerlik: Birçok zararlı familyası, yalnızca ince özelliklerle (anten şekli, kanat damarlanması, genital yapılar) ayırt edilebilen düzinelerce morfolojik olarak benzer tür içerir
• Yaşam evresi varyasyonu: Aynı türün yumurta, larva, pupa ve erginleri belirgin biçimde farklı görünebilir
• Eşeysel dimorfizm: Erkek ve dişiler görünüm açısından önemli ölçüde farklılık gösterebilir
• Sınırlı eğitim verisi: Tahmini 900.000'den fazla böcek türünün yalnızca bir kısmı makine öğrenmesi eğitimi için yeterli görüntü veri setlerine sahiptir
• Taksonomik uzmanlık kıtlığı: Uzman etiketli eğitim verisi, dünya genelinde azalan eğitimli taksonomist sayısı nedeniyle darboğazdadır

Mevcut yaklaşımlar, tür düzeyinden ziyade cins düzeyinde doğruluğu daha güvenilir şekilde elde etmekte olup, büyük ve iyi derlenmiş görüntü koleksiyonlarına sahip zararlı gruplarında (Lepidoptera, Coleoptera, Hemiptera) en başarılıdır.

Entegre Zararlı Yönetimi (IPM) Entegrasyonu

Makine öğrenmesi destekli zararlı tespiti, IPM programlarının izleme omurgası olarak hizmet eder: - Sürekli, otomatik izleme periyodik manuel keşfin yerini alır - Uzamsal olarak referanslanmış tespit verileri alana özgü tedavilere olanak tanır - Popülasyon tahmini, ekonomik eşik tabanlı karar almayı destekler - Uzun vadeli trend analizi, iklim değişikliği ile bağlantılı gelişen zararlı baskılarını belirler

Bağlantılar

Zararlı tespiti, tarımda biyotik stres izlemenin üçlüsünü oluşturarak hastalık tespiti ve yabancı ot tespiti ile bilgisayarlı görü metodolojisini paylaşır. Uzaktan algılama, peyzaj ölçeğinde zararlı hasar haritalamayı sağlar. İklim değişikliği modellemesi, gelecek senaryolar altında tarımsal zararlıların alan kaymaları ve popülasyon dinamiklerini tahmin eder.

Ingest Edilen Makalelerden Bulgular

Pestisit Kullanımının Tarıma Etkisi

[Aktar et al., 2009] — Tarımda pestisit kullanımının faydaları ve zararlarını kapsamlı biçimde derleyen seminal çalışma. Hindistan'da pestisit kullanım örüntüsü dünya ortalamasından belirgin biçimde farklıdır: küresel düzeyde insektisitler %44, herbisitler %30 ve fungisitler %21 oranında kullanılırken, Hindistan'da insektisitler %76 ile baskın konumdadır. Pestisitlerin birincil faydaları arasında verim artışı (Hindistan'da gıda tahıl üretimi 1948-49'da 50 milyon tondan 1996-97'de 198 milyon tona yaklaşık 4 kat artmıştır), yabancı otların neden olduğu %28-79 arası verim kaybının önlenmesi ve vektör kaynaklı hastalıkların kontrolü yer almaktadır. Ancak zararlar da ciddi boyuttadır: dünya genelinde pestisit zehirlenmesine bağlı yıllık ölüm ve kronik hastalık sayısı yaklaşık 1 milyon olarak tahmin edilmektedir. ABD Jeolojik Araştırma Kurumu (USGS) çalışmalarında nehir havzalarındaki su ve balık numunelerinin %90'ından fazlasında bir veya birden fazla pestisit tespit edilmiştir. Uygulanan pestisitin %2-25'i hedef dışı alanlara sürüklenmekte (drift) ve %80-90'ı birkaç gün içinde buharlaşabilmektedir. Toprak mikroorganizmaları üzerindeki etkiler kritik düzeydedir: glifosat topraktaki serbest yaşayan azot bağlayıcı bakterilerin büyümesini azaltmakta, triklopir amonyağın nitrite dönüşümünü engellemektedir. AB izleme programlarında (1996-1999) analiz edilen gıda numunelerinin ortalama %22-34'ünde MRL altında pestisit kalıntısı, %1-8.7'sinde ise MRL üzerinde kalıntı saptanmıştır. Hindistan'da süt numunelerinin %82'sinde DDT kalıntısı tespit edilmiş, %37'si tolerans limitini aşmıştır. (3.453 atıf)

Kuzey Amerika Arı Kovanlarında Yüksek Düzey Pestisit Kontaminasyonu

[Mullin et al., 2010] — ABD genelinde 23 eyalet ve bir Kanada eyaletinde 2007-2008 yetiştirme sezonlarında bal arısı kovanlarından toplanan 887 balmumu, polen, arı ve ilişkili numunede LC/MS-MS ve GC/MS ile kapsamlı pestisit taraması yapılmıştır. Toplamda 121 farklı pestisit ve metabolit tespit edilmiştir. Neredeyse tüm petek ve vakıf balmumu numuneleri (%98) fluvalinate (204 ppm'e kadar) ve coumaphos (94 ppm'e kadar) ile kontamine bulunmuştur; numune başına ortalama 6 pestisit tespiti yapılmış, en yüksek değer tek bir numunede 39 farklı pestisittir. Arı poleninde chlorothalonil 99 ppm'e kadar saptanmış; aldicarb, carbaryl, chlorpyrifos ve imidacloprid 1 ppm düzeyinde tespit edilmiştir. Polen numunelerinde numune başına ortalama 7.1 farklı pestisit kalıntısı bulunmuştur. Numunelerin %77.7'sinde fluvalinate ve coumaphos birlikte, %52.5'inde en az bir fungisit başka bir insektisit/akarisit ile birlikte tespit edilmiştir. Neredeyse %60'ında en az bir sistemik pestisit saptanmıştır. Son üç kışın her birinde ABD bal arısı kolonilerinin üçte biri kaybedilmiş olup (2006-2009), Koloni Çöküş Bozukluğu (CCD) ile bu yüksek düzey pestisit karışımları arasındaki ilişki araştırılmaya devam etmektedir. Arı poleni tek başına 98 pestisit ve metabolit içermesi, bu birincil tozlayıcının besin kaynağında dikkat çekici düzeyde yüksek toksik madde varlığını göstermektedir. (1.465 atıf)