Tarımda Uzaktan Algılama (Remote Sensing in Agriculture)

Uzaktan algılama, tarımda pek çok büyük ölçekli makine öğrenmesi uygulamasının ana veri kaynaklarından biridir. Uydu görüntüleri, İHA/drone verileri ve havadan algılama platformları; verim tahmininden hastalık tespitine, toprak haritalamaya kadar makine öğrenmesi modellerinin kullandığı uzamsal, spektral ve zamansal bilgiyi sağlar.

Uydu Platformları

Sentinel-1 (ESA)

5.4 GHz'de çalışan C-bandı Sentetik Açıklıklı Radar (SAR). Bulut örtüsünden etkilenmeyen, her hava koşulunda, gündüz ve gece görüntüleme sağlar -- bu özellik tropikal ve muson bölgelerinde belirgin bir avantaj sunar. Çift polarizasyon (VV, VH), bitki yapısı, biyokütle ve toprak nemi hakkında bilgi yakalar. IW modunda 5x20 m çözünürlük ile 12 günlük yeniden ziyaret döngüsü (her iki uyduyla 6 gün). Temel tarımsal uygulamalar: pirinç tarlası haritalama (su baskını tespiti), bitki türü sınıflandırma, toprak nemi tahmini.

Sentinel-2 (ESA)

Tarımsal uzaktan algılamanın temel aracı. Görünürden SWIR'e kadar 10-60 m çözünürlükte 13 spektral bant, ekvatorда 5 günlük yeniden ziyaret süresiyle. 10 m bantlar (B2-B4 görünür, B8 NIR) çoğu tarımsal peyzajda tarla düzeyinde analize olanak tanır. Kırmızı kenar bantları (B5-B7) bitki örtüsü izleme için özellikle değerlidir; klorofil içeriği ve kanopi yapısına duyarlıdır. Ücretsiz ve açık veri politikası, Sentinel-2'yi tarımsal makine öğrenmesi araştırmaları için varsayılan tercih haline getirmiştir.

Landsat (NASA/USGS)

Landsat 1'den (1972) Landsat 9'a (2021) uzanan en uzun sürekli Dünya gözlem kaydı. 16 günlük yeniden ziyaretle 30 m multispektral çözünürlük. Uzun vadeli trend analizi, arazi kullanımı değişikliği tespiti ve geçmiş eğitim veri setleri oluşturmak için vazgeçilmezdir. Birleşik Landsat-Sentinel arşivleri (HLS gibi harmonize ürünler) yoğun zaman serileri sağlar.

MODIS (NASA)

Terra ve Aqua uydularındaki Orta Çözünürlüklü Görüntüleme Spektroradyometresi. 250 m ile 1 km çözünürlükte günlük küresel kapsam. Ulusal ve kıtasal ölçekte verim tahmini, fenoloji takibi ve kuraklık izleme için yoğun biçimde kullanılır. Uzun kayıt süresi (2000-günümüz) iklim-tarım çalışmaları için çok değerlidir.

PlanetScope (Planet Labs)

4-8 spektral bantta 3-5 m çözünürlükte günlük küresel görüntüleme sağlayan ticari uydu takımyıldızı. Yüksek uzamsal ve zamansal çözünürlük kombinasyonu, onu tarla düzeyinde izleme için benzersiz biçimde uygun kılar; ancak veri erişimi ticari lisans gerektirir.

İHA/Drone Görüntüleme

İnsansız hava araçları, uydu ve yer tabanlı algılama arasındaki boşluğu doldurur: - Uzamsal çözünürlük: Santimetre altından santimetre düzeyine kadar GSD; bireysel bitki analizine olanak tanır - Zamansal esneklik: Uydu yeniden ziyaret programlarından bağımsız olarak talep üzerine uçuş - Sensör çeşitliliği: RGB, multispektral, hiperspektral, termal ve LiDAR yükleri - Sınırlamalar: Küçük alan kapsamı (uçuş başına 10-100 hektar), düzenleyici kısıtlamalar, hava koşullarına duyarlılık, veri işleme yükü

İHA verileri; yabancı ot haritalama, fenotipleme, meyve sayımı ve tarla içi değişkenlik değerlendirmesi için merkezidir.

Spektral İndeksler

Spektral indeksler, çok bantlı görüntüleri bitki örtüsü özellikleriyle korelasyonlu tek değerlere indirger:

Bu indeksler makine öğrenmesi modelleri için mühendislik özellikleri olarak hizmet eder; ancak derin öğrenme yaklaşımları giderek artan biçimde ham bant yansıtıcılıklarından doğrudan spektral özellikler öğrenmektedir.

Her Koşulda İzleme için SAR

Sentetik Açıklıklı Radar bulutları geçerek, optik görüntülemenin sürekli bulut örtüsünden muzdarip olduğu bölgelerde (Güneydoğu Asya, Batı Afrika, Güney Amerika'nın bazı bölgeleri) kesintisiz izleme sağlar. SAR geri saçılımı şunlara duyarlıdır: - Bitki yapısı ve biyokütle (hacim saçılımı) - Toprak nemi (dielektrik sabiti) - Yüzey pürüzlülüğü (toprak işleme, bitki artığı) - Su baskını (pirinç tarlaları, sel hasarı değerlendirmesi)

İnterferometrik SAR (InSAR), yüzey deformasyonunu ölçer ve sulanan alanlarda toprak çökmesini tespit edebilir.

Hiperspektral Sensörler

Hiperspektral görüntüleme, yüzlerce dar, bitişik spektral bant (tipik olarak 5-10 nm bant genişliği) yakalayarak, multispektral verilerde görünmez olan ince biyokimyasal izlerin tespitine olanak tanır. Uygulamalar arasında erken hastalık tespiti, besin eksikliği haritalama ve tür düzeyinde yabancı ot tanımlama yer alır. Uydu hiperspektral görevleri (PRISMA, EnMAP, EMIT) erişimi genişletmektedir; ancak çoğu tarımsal uygulama hâlâ havadan veya İHA'ya monte sensörlere dayanmaktadır.

Google Earth Engine ve Bulut İşleme

Google Earth Engine (GEE), tarımsal uzaktan algılamayı şu olanakları sağlayarak dönüştürmüştür: - Petabayt ölçeğinde uydu görüntü arşivleri (Landsat, Sentinel, MODIS ve daha fazlası) - Veri indirme darboğazlarını ortadan kaldıran sunucu taraflı hesaplama - Ölçeklenebilir analiz için JavaScript ve Python API'leri - Önceden hesaplanmış veri setleri (yüzey yansıtıcılığı, komposit, iklim)

Benzer platformlar arasında Microsoft Planetary Computer, AWS Earth Search ve Copernicus Data Space bulunur. Bu bulut platformları, uzaktan algılama verilerine erişimi demokratikleştirerek, yüksek performanslı hesaplama altyapısı olmayan araştırmacıların küresel ölçekli analizler yapmasına olanak tanımıştır.

Zaman Serisi Analizi

Tarımsal uzaktan algılama temelde zamansaldır. Bitki örtüsü indekslerinin büyüme mevsimi zaman serileri, fenolojik aşamaları (çıkış, kardeşlenme, başaklanma, olgunlaşma) kodlar; bunlar bitki türü sınıflandırma, verim tahmini ve anomali tespiti için tanılayıcıdır. Yöntemler şunları içerir: - Fenolojik profillerin karşılaştırılması için Dinamik Zaman Bükmesi (Dynamic Time Warping - DTW) - Düzleştirme ve boşluk doldurma için harmonik uydurma (TIMESAT, HANTS) - Uçtan uca zamansal özellik öğrenimi için LSTM ve Transformer modelleri - Bozulmaların (hasat, kuraklık, sel) belirlenmesi için değişim tespiti algoritmaları

Uzaktan algılama, neredeyse tüm tarımsal makine öğrenmesi alanlarını birbirine bağlayan bağ dokusudur ve Dünya'nın tarımsal peyzajlarının ölçeklenebilir, tekrarlanabilir ölçümlerini sağlar.

Ingest Edilen Makalelerden Bulgular

[Defourny et al., 2019] — NOT: Bu makale (W2905254777, "Near real-time agriculture monitoring at national scale at parcel resolution", 415 atıf) dosyası bozuk olduğu için (indirme sırasında gerçek PDF yerine JPEG görüntü kaydedilmiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makalenin bilinen temel konusu: Sentinel-2 uydu verisi kullanılarak ulusal ölçekte, parsel çözünürlüğünde yakın gerçek zamanlı tarım izleme sistemi geliştirilmesidir.

[Teluguntla et al., 2018] — NOT: Bu makale (W2885406917, "A 30-m Landsat-derived cropland extent product of Australia and China using random forest", 525 atıf) dosyası bozuk olduğu için (indirme sırasında gerçek PDF yerine JPEG görüntü kaydedilmiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makalenin bilinen temel konusu: Landsat verisi ve random forest algoritması kullanılarak Avustralya ve Çin için 30 m çözünürlükte tarım arazisi haritalaması yapılmasıdır.

Yakın Gerçek Zamanlı Küresel Arazi Örtüsü Haritalama — Dynamic World

[Brown et al., 2022] — Google, National Geographic Society ve World Resources Institute iş birliğiyle geliştirilen Dynamic World sistemi, Sentinel-2 görüntüleri üzerine derin öğrenme uygulayarak 10 m çözünürlükte yakın gerçek zamanlı (NRT) küresel arazi kullanımı/arazi örtüsü (LULC) sınıflandırması üretmektedir. Tam Evrişimli Sinir Ağı (FCNN) modeli, 9 LULC sınıfını (su, ağaçlar, çimen, bataklık bitki örtüsü, tarım arazisi, çalılık, yapılaşmış alan, çıplak toprak, kar/buz) piksel düzeyinde olasılık dağılımı olarak tahmin etmektedir.

Eğitim verisi: Yaklaşık 4.000 Sentinel-2 karesi 25 uzman tarafından, 20.000 kare ise 45 uzman olmayan anotasyoncu tarafından etiketlenmiştir. 14 RESOLVE Ekorejyon biyomu ve 3 coğrafi bölge boyunca tabakalı örnekleme uygulanmıştır. Etiket düzleştirme (label smoothing) ile uzman anotasyonlarda %82, uzman olmayanlarda %73 güven düzeyi uygulanmıştır.

Model performansı: 409 bağımsız doğrulama karesinde Uzman Uzlaşısı (Expert Consensus) ölçütüne göre genel uyum %73.8 olarak ölçülmüştür; bu oran uzman olmayan anotasyoncuların uzmanlarla uyumu olan %77.8 ile karşılaştırılabilir düzeydedir. Sınıf bazında en yüksek hassasiyet su (%90.6), tarım arazisi (%88.9), yapılaşmış alan (%86.7) ve kar/buz (%71.2) için elde edilmiştir. En düşük performans çimen (%30.1 recall) ve çalılık (%44.7 recall) sınıflarında gözlenmiştir. Üç uzmanın tam mutabakatıyla (Three Expert Strict) karşılaştırıldığında genel uyum %88.4'e yükselmektedir.

Karşılaştırmalı üstünlük: Dynamic World, ESA CCI (300 m, %61.6), ESA CGLS ProbaV (100 m, %66.3) ve NLCD (30 m, %66.7) gibi mevcut ürünlerden daha yüksek uyum sağlamıştır. Yalnızca bölgesel LCMAP ürünü (30 m, %75.0) marginal olarak daha yüksek uyum göstermiştir; ancak LCMAP yıllık ve bölgesel, Dynamic World ise NRT ve küreseldir. Sistem Sentinel-2 başına yaklaşık 45 dakikada tahmin üreterek günde ortalama 6.000 sahne işlemekte, yeni bir LULC görüntüsü her 14.4 saniyede bir üretilmektedir.

FLUXNET Eddy Kovaryans Gözlemlerinin Küresel Ampirik Ölçek Büyütme

[Jung et al., 2009] — FLUXNET eddy kovaryans kule ağından elde edilen karbon ve su akısı gözlemlerinin küresel ölçeğe genişletilmesi (upscaling) için yeni bir Model Ağacı Topluluk (MTE) yaklaşımı geliştirilmiştir. TRIAL (Tree Induction ALgorithm) adlı özgün model ağacı algoritması ve ERROR (Evolving tRees with RandOm gRowth) adlı topluluk yöntemi önerilmiştir. Yöntem, LPJmL biyosfer modeli simülasyonları kullanılarak doğrulanmıştır.

Model performansı: MTE yaklaşımı, LPJmL tarafından simüle edilen küresel brüt birincil üretimin (GPP) toplam değişkenliğinin %92'sini açıklamıştır. Ortalama uzamsal desen %96, mevsimsel döngü %94 doğrulukla yeniden üretilmiştir. Aylık yıllar arası anomaliler ise yalnızca %41 oranında açıklanabilmiştir; bu durum anomalilerin toplam varyanstaki küçük payına ve toprak nemi gibi bellek etkilerine bağlanmıştır. Modelleme alanının yaklaşık %21.5'inin ekstrapolasyona tabi olduğu tahmin edilmiş olup, MTE ekstrapolasyon bölgelerinde bile %73 doğruluk (R-kare = 0.74) sağlamıştır.

Açıklayıcı değişkenler: 178 FLUXNET kulesinden 3.530 alan-ay gözlemi eğitim verisi olarak kullanılmıştır. Sıcaklık, bulutluluk, yağış gibi meteorolojik değişkenler hem bölme hem regresyon değişkeni olarak; ortalama yıllık iklim verileri ise yalnızca bölme değişkeni olarak dahil edilmiştir. Fotosentetik aktif radyasyonun absorbe edilen fraksiyonu (FAPAR) en önemli regresyon girdilerinden biri olarak belirlenmiştir. Tekil model ağaçlarına kıyasla topluluk yöntemi (25 en iyi bağımsız ağacın medyanı), özellikle ekstrapolasyon koşullarında belirgin üstünlük göstermiş, bireysel ağaçların negatif R-kare verdiği durumlarda bile pozitif performans sağlamıştır.

Kuresel Yesillenmede Cin ve Hindistan'in Rolu — Arazi Kullanim Yonetimi

[Chen et al., 2019] — NASA MODIS verileri (2000-2017) kullanilarak yapılan kuresel analiz, Dunya'nin yesillenen alanlarinin (%5 yaprak alani artisi) bes te ikisini Cin ve Hindistan'in olusturdugunu gostermistir. Cin'deki yesillenmenin %42'si ormanlasdirma programlari, %32'si tarımsal alan genişlemesinden kaynaklanirken; Hindistan'da %82'si yalnizca tarımsal yoğunlasmadan gelmektedir. Hindistan, toplam ekilebilir arazisi Cin'in %60'i kadar olmasina ragmen, kuresel yesillenmeye benzer katkida bulunmaktadir -- bu durum sulama altyapisinin genisletilmesi, coklu ekim döneminin yayginlasmasi ve gübre kullanıminin artmasiyla aciklanmaktadir. Uzaktan algılama indeksleri, arazi kullanım politikalarinin kuresel bitki ortusu trendlerini nasil sekillendirdigini izlemede kritik bir araca donusmustur. (2.800 atif)

Kuresel 30 m Arazi Ortusu Ürünu — GLC_FCS30

[Zhang et al., 2021] — Google Earth Engine bulut hesaplama platformunda Landsat zaman serisi görüntüleri ve yüksek kaliteli GSPECLib eğitim verileri birlestirilerek, 30 m uzamsal çözünürlükta 30 arazi ortusu tipini içeren kuresel bir sınıflandırma ürünu (GLC_FCS30-2015) oluşturulmuştur. Yerel adaptif random forest modelleri her 5x5 derece karede ayri ayri eğitilmiştir. NDVI, NDWI, EVI, NBR indeksleri ile NIR bant doku değişkenleri (GLCM) kullanilarak toplam 48 spektral-doku metrigi ve 3 topografik değişken (DEM, egim, baki) özellik uzayi olusturmustur. 44.043 doğrulama örneği ile değerlendirmede Seviye 0 (9 temel sınıf) için %82.5 genel doğruluk ve 0.784 kappa elde edilmistir. GLC_FCS30, FROM_GLC (%59.1) ve GlobeLand30'a (%76.9) kiyasla en yüksek doğruluğu saglamistir. Tarımsal araziler yağmurla beslenen tarım, sulanan tarım, otsu ortu ve ağaçli/calili ortu olarak ayrintili sınıflandirilmistir. (955 atif)

Makine Öğrenmesi ve Iklim-NDVI Veri Fuzyonu ile Bugday Verim Tahmini

[Ashfaq et al., 2024] — Pakistan'in Multan bölgesinde 2017-2022 dönemi için iklim verileri, NDVI uydu verileri, toprak özellikleri ve sosyoekonomik veriler birlestirilmis; SVM, Random Forest ve LASSO regresyon modelleri karşılaştırmalı olarak değerlendirilmistir. Google Earth Engine üzerinden Landsat 8 görüntüleri ile NDVI hesaplanmis; NASA POWER veri erisim sistemi ile meteorolojik veriler toplanmistir. SVM modeli en yüksek tahmin performansini gösterirken, Random Forest mekansal dagilimlarin görsellestirilmesinde üstünluk saglamistir. Bugday verim dalgalanmalari %35-41 maund/acre arasında seyretmis; 2022 yilinda ekili alan azalmasina ragmen acre basina verim yüksek kalmıştır. NDVI, bitki gelişiminin izlenmesinde ve verim tahmininin iyilestirilmesinde kilit uzaktan algılama girdisi olarak dogrulanmistir.

Optik ve Mikrodalga Uydu Verilerinin Sinerjik Entegrasyonu ile Verim Tahmini

[Mateo-Sanchis et al., 2019] — ABD Misir Kusagi'nda MODIS EVI (optik) ve SMAP VOD (pasif mikrodalga L-bant vejetasyon optik derinligi) zaman serilerinin birlestirilmesiyle mahsul verim tahmini yapilmistir. Yeni bir EVI-VOD gecikme (lag) metrigi onerilerek, tek sensorlu metriklerin otesinde daha iyi tahmin gucune ulaşılmıştır. Kernel ridge regresyon (KRR) ile tam zaman serilerinin doğrudan islendiginde R2=0.76 belirleme katsayisina erisilerek, ozetleme metriklerine dayali modellerden önemli ölçüde üstünluk saglanmistir. Modeller hasat oncesi 4 aya kadar öngörücu guc koruyabilmekte; bu da erken verim tahmini için büyük potansiyel sunmaktadir. Optik indeksler (klorofil/yesillik) ve mikrodalga VOD (su içeriği/biyokutle) birbirini tamamlayici bilgi saglamakta; her iki veri kaynaginin esanli kullanımi, tek sensorlu yaklasimlardan tutarli olarak daha iyi sonuç vermektedir. (Cited as Mateo-Sanchis et al., 2019; yayinlayan Remote Sensing of Environment)

IHA Vejetasyon Indeksleri ve Fenolojik Asamalarla Misir Verim Tahmini

[Shrestha et al., 2023] — Mississippi'de 2020-2022 yillari boyunca UAS multispektral görüntüleme ile 50'den fazla vejetasyon indeksi analiz edilerek, yağmura dayali kosullarda misir verimi için en tutarli tahmin edici indeksler ve fenolojik asamalar belirlenmistir. Uc yillik verilerde 31 indeks verimle anlamli korelasyon (r>=0.7) gostermis; bunlardan 5 tanesi (mND705, mSR705, RIrededge, LCI, MTCI) her uc yilda da tutarli performans saglamistir. En yüksek tahmin gucu ureme (R1) asamasinda elde edilmis; MTCI ile R2=0.92'ye, LCI ile R2=0.82'ye ulaşılmıştır. Kirmizi, kirmizi kenar ve yakin kızılötesi bant kombinasyonlari en güçlü korelasyonlari saglarken; erken vejetatif asamalarda tahmin gucu daha zayif kalmıştır. Random forest değişken onem siralami, korelasyon analizi ile karsılastırıldığında farkli buyume asamalarinda farkli indekslerin on plana çıktıgini gostermistir. Calısma, hassas tarımda değişken oranlı girrdi yonetimi için indeks ve zamanlama seciminin kritik oldugunu ortaya koymustur.