Toprak Analizi (Soil Analysis)

Toprak analizi için makine öğrenmesi; spektroskopik ölçümler, uzaktan algılama verileri ve uzamsal modelleme teknikleri kullanılarak toprağın fiziksel, kimyasal ve biyolojik özelliklerinin tahmin edilmesini kapsamaktadır. Toprak, tarımsal verimliliğin temelidir ve toprak özelliklerinin -- organik karbon, pH, besin element mevcudiyeti, tekstür ve nem -- doğru karakterizasyonu; gübreleme, sulama ve arazi yönetimi kararlarını doğrudan bilgilendirir.

Spektroskopi Tabanlı Toprak Analizi

Görünür-Yakın Kızılötesi (vis-NIR) Spektroskopisi

Vis-NIR spektroskopisi (350-2500 nm), en yaygın kullanılan hızlı toprak analizi tekniğidir. Bir spektrometre, bir toprak örneğinin yüzlerce dalga boyundaki yansıtıcılığını ölçerek, organik madde, mineraloji, nem içeriği ve tekstür hakkında bilgi kodlayan spektral bir imza üretir. Makine öğrenmesi modelleri bu yüksek boyutlu spektraları hedef toprak özelliklerine eşler.

Yaygın modelleme yaklaşımları: - Kısmi En Küçük Kareler Regresyonu (Partial Least Squares Regression - PLSR): Klasik kıyaslama; iyi derlenmiş spektral kütüphaneler için hâlâ rekabetçi - Rastgele Orman ve Gradyan Artırmalı Ağaçlar (Random Forest & Gradient Boosted Trees): Doğrusal olmayan ilişkileri ve karma spektral özellikleri etkili şekilde işler - Evrişimli Sinir Ağları (1D-CNN): Ham spektralardan doğrudan spektral özellikler öğrenir, manuel ön işlemeyi ortadan kaldırır - Destek Vektör Regresyonu (Support Vector Regression): Çekirdek tabanlı doğrusal olmayan yapıyla küçük veri setleri için etkili

Ön işleme adımları önemli rol oynar: Savitzky-Golay düzleştirme, standart normal değişken (SNV), çarpımsal saçılma düzeltmesi (MSC) ve sürekli çıkarma; gürültü, taban çizgisi kaymaları ve parçacık boyutu etkilerini azaltmaya yardımcı olur.

Orta Kızılötesi (mid-IR) Spektroskopisi

Orta-IR spektroskopisi (2500-25000 nm / 4000-400 cm-1), vis-NIR'den daha spesifik moleküler bilgi sağlar; organik fonksiyonel gruplar, kil mineralleri ve karbonatlara karşılık gelen daha keskin absorpsiyon bantlarına sahiptir. Genellikle organik karbon ve kil içeriği için daha yüksek tahmin doğruluğu verir, ancak kurutulmuş, öğütülmüş örnekler ve daha pahalı cihazlar gerektirir.

Taşınabilir ve Yerinde Sensörler

Sahada konuşlandırılabilen vis-NIR spektrometreleri ve hareket halinde toprak algılama platformları (traktörlere veya penetrometrelere monte), laboratuvar analizi olmadan gerçek zamanlı toprak özellik haritalama sağlar. Bu sistemler, uzamsal kapsam ve hızda büyük kazanımlar karşılığında bir miktar doğruluktan ödün verir. GPS ile birleştirildiğinde, hassas sulama ve değişken oranlı gübreleme için yoğun toprak özellik haritaları üretirler.

Dijital Toprak Haritalama (Digital Soil Mapping)

Dijital toprak haritalama (DSM), SCORPAN çerçevesini kullanır -- Toprak = f(S, C, O, R, P, A, N) burada S = toprak özellikleri, C = iklim, O = organizmalar/bitki örtüsü, R = rölyef/topografya, P = ana materyal, A = yaş, N = uzamsal konum -- çevresel yardımcı değişkenlerden peyzajlar genelinde toprak özelliklerini tahmin eder.

Yardımcı Değişkenler ve Girdiler

• Arazi özellikleri: Yükseklik, eğim, bakı, eğrilik, topografik nemlilik indeksi; sayısal yükseklik modellerinden (DEM) türetilir
• Uzaktan algılama: Sentinel-2 ve Landsat'tan çıplak toprak kompositleri, toprak verimliliği için vekil olarak bitki örtüsü indeksleri
• İklim verileri: Ortalama yıllık sıcaklık, yağış, kurak indeksleri
• Jeoloji ve ana materyal haritaları: Litolojik varyasyonu kodlayan kategorik girdiler
• Arazi kullanımı ve arazi örtüsü: Mevcut ve geçmiş bitki örtüsü örüntüleri

Modelleme Yöntemleri

• Rastgele Orman (Random Forest): Güvenilirlik ve yorumlanabilirlik nedeniyle operasyonel DSM'de baskın
• Gradyan Artırmalı Ağaçlar (Gradient Boosted Trees): Tahmin yarışmalarında sıklıkla en iyi performansı gösterir
• Kriging ve regresyon-kriging: Uzamsal otokorelasyonu açıkça modelleyen jeoistatistiksel yöntemler; hibrit yaklaşımlar trend tahmini için makine öğrenmesi, artık uzamsal korelasyon için kriging kullanır
• Derin öğrenme: Raster yardımcı değişkenler üzerinde 2D-CNN'ler veya düzensiz uzamsal veriler için çizge sinir ağları (graph neural networks) kullanan gelişmekte olan uygulamalar

Hedef Toprak Özellikleri

Kıtasal ve Küresel Ölçekli Projeler

Büyük ölçekli toprak spektral kütüphaneleri ve haritalama girişimleri şunları içerir: - LUCAS Soil (AB): Avrupa genelinde vis-NIR spektralarına sahip yaklaşık 20.000 üst toprak örneği - AfSIS / iSDA: 30 m çözünürlükte Sahra altı Afrika'yı kapsayan Afrika Toprak Bilgi Servisi - SoilGrids (ISRIC): Standart toprak özellikleri için 250 m çözünürlükte küresel tahminler - OpenLandMap: Toprak tahminleri dahil topluluk güdümlü küresel çevresel katmanlar

Bu projeler, makine öğrenmesi tabanlı toprak haritalamının kıtasal ölçeklerde çalışabileceğini göstermekte olup, verim modellemesi, karbon muhasebesi ve arazi bozulması değerlendirmesini destekleyen serbestçe erişilebilir toprak özellik haritaları üretmektedir.

Jeoistatistik + Makine Öğrenmesi Füzyonu

En etkili toprak haritalama yaklaşımları, makine öğrenmesinin karmaşık yardımcı değişken ilişkilerini modelleme yeteneğini jeoistatistiğin uzamsal bağımlılığı açıkça ele almasıyla birleştirir. Regresyon-kriging, yardımcı değişkenlere bir makine öğrenmesi modeli uydurur, ardından uzamsal olarak ilişkili artıklara kriging uygular. Bu hibrit yaklaşım, özellikle kümelenmiş örnekleme tasarımlarının bulunduğu bölgelerde, her iki yaklaşımdan tutarlı biçimde daha iyi performans gösterir.

Bağlantılar

Toprak analizi, doğrudan sulama yönetimi, verim tahmini ve iklim etki değerlendirmesine beslenir. Spektroskopik yöntemler gıda kalitesi analizi ile metodolojik kökleri paylaşır ve uzaktan algılama girdileri uydu tabanlı izleme boru hatlarına bağlanır.

Ingest Edilen Makalelerden Bulgular

Uzaktan Algılama ile Yüksek Çözünürlüklü Toprak Özellik Haritalama

[Forkuor et al., 2017] — Güneybatı Burkina Faso'da 580 km-kare tarımsal havzada, yüksek uzamsal çözünürlüklü uydu verileri (RapidEye 5 m, Landsat 30 m), arazi/iklim değişkenleri ve laboratuvar toprak analizleri kullanılarak altı toprak özelliğinin (kum, silt, kil, KDK, toprak organik karbonu, azot) mekansal dağılımı haritalanmıştır. Dört istatistiksel model karşılaştırılmıştır: çoklu doğrusal regresyon (MLR), rastgele orman regresyonu (RFR), destek vektör makinesi (SVM) ve stokastik gradyan artırma (SGB).

Model performansı: Dahili çapraz doğrulama sonuçlarına göre R-kare değerleri MLR için %21-53, RFR için %18-53, SVM için %20-51 ve SGB için %16-51 arasında değişmiştir. Silt, tüm modellerde %50'nin üzerinde R-kare'ye ulaşan tek toprak özelliğidir. Bağımsız doğrulama (alt havza içi %20 test verisi) sonuçlarına göre RFR modeli, dört toprak özelliğinde (kum, silt, TOK, azot) en yüksek tahmin doğruluğunu elde etmiş olup silt için %90, kum için %81, azot ve TOK için ise sırasıyla %74 ve %73 doğruluk raporlanmıştır. RFR'nin ortalama dahili doğruluğu %77, ekstrapolasyon alanındaki (alt havza dışı 102 bağımsız numune) ortalama doğruluğu ise %62 olarak belirlenmiştir.

Önemli değişkenler: Haziran ve Mayıs aylarında çekilen uydu görüntüleri (sürüm/erken bitki gelişimi dönemi, toprak yüzeyi açık) en önemli spektral tahminciler olarak öne çıkmıştır. Landsat 8'in kısa dalga kızılötesi (SWIR) ve yakın kızılötesi (NIR) bantları ile kızıllık, renklendirme ve doygunluk gibi toprak spesifik indeksleri en belirleyici spektral değişkenler olarak tespit edilmiştir. Yükseklik, TOK ve azot tahmininde en önemli arazi/iklim değişkeni olarak kaydedilmiştir. MLR'nin doğrusal olmayan ilişkileri yakalayamaması temel bir sınırlılık olarak değerlendirilmiş; RFR ve diğer ML yöntemlerinin bu sınırlamayı aştığı belirlenmiştir. Çalışma, Batı Afrika gibi veri fakiri bölgelerde serbestçe erişilebilir uzaktan algılama verileriyle (Landsat, SRTM, Sentinel) yerel ölçekte toprak bilgisinin görece düşük maliyetle geliştirilebileceğini göstermektedir.

Küresel Dijital Toprak Haritalama — SoilGrids 2.0

[Poggio et al., 2021] — SoilGrids 2.0 projesi, dünya genelinde yaklaşık 240.000 profil gözleminden ve 400'den fazla çevresel yardımcı değişkenden yararlanarak 250 m uzamsal çözünürlükte küresel toprak özellik haritaları üretmiştir. Modelleme yöntemi olarak kantil regresyon ormanları (Quantile Regression Forests, QRF) kullanılmış olup bu yöntem hem tahmin hem de uzamsal belirsizlik kestirimi sağlamaktadır. Modellenen toprak özellikleri: organik karbon içeriği (SOC), toplam azot (N), pH (su), katyon değişim kapasitesi (KDK), hacim ağırlığı (BDOD), kaba fragmanlar (CFVO) ve tekstür fraksiyonları (kum, silt, kil) olmak üzere altı standart derinlik aralığında (0-5, 5-15, 15-30, 30-60, 60-100, 100-200 cm) üretilmiştir.

Model performansı: 10 katlı uzamsal tabakalaştırılmış çapraz doğrulama sonuçlarına göre Model Verimlilik Katsayısı (MEC) en yüksek hacim ağırlığı için 0.74, en düşük kaba fragmanlar için 0.31 olarak raporlanmıştır. pH için MEC yaklaşık 0.60, SOC için ise 0.50 civarında elde edilmiştir. Tahmin derinliği arttıkça performans düşmüş olup bu durum çevresel değişkenlerin derin katmanlarla zayıflayan ilişkisine bağlanmıştır. %90 tahmin aralığı kapsam olasılıkları (PICP) çoğu özellik için 0.88-0.92 arasında gerçekleşerek belirsizlik tahminlerinin gerçekçi olduğunu göstermiştir.

Yardımcı değişken seçimi: 400'den fazla başlangıç değişkeninden de-korelasyon analizi (eşik r < 0.85) ve yinelemeli özellik eleme (RFE) ile yaklaşık 20-40 nihai değişken seçilmiştir. İklim, bitki örtüsü indeksleri (NDVI, EVI), arazi morfolojisi (DEM türevleri), jeoloji ve arazi örtüsü katmanları en önemli girdi gruplarını oluşturmuştur. Tüm modeller açık kaynak yazılımlarla (R ranger paketi, GRASS GIS) geliştirilmiş olup tek bir toprak özelliği için toplam hesaplama süresi yaklaşık 1500 CPU saati tutmuştur.

Afrika Kıtası Ölçeğinde Toprak Haritalama

[Hengl et al., 2015] — Afrika Toprak Bilgi Servisi (AfSIS) projesi kapsamında, 28.000'den fazla örnekleme noktasından (18.000 miras profili + 9.600 sentinel alan gözlemi) yararlanarak Afrika kıtası için 250 m çözünürlükte 15 toprak özelliği (organik karbon, pH, kum, silt, kil, hacim ağırlığı, KDK, toplam azot, değişebilir bazlar vb.) haritalanmıştır. Rastgele orman regresyon-kriging (RF-RK) ile doğrusal regresyon-kriging (LR-RK) sistematik olarak karşılaştırılmıştır.

Model performansı: 5 katlı çapraz doğrulamada rastgele orman, tüm toprak özellikleri için doğrusal regresyona kıyasla RMSE'de %15-75 oranında azalma sağlamıştır. Açıklanan varyans oranları RF modeli için %40-86, doğrusal regresyon için %10-45 arasında değişmiştir. En yüksek iyileşme alüminyum konsantrasyonunda (%74.4) ve değişebilir asitlikte (%64.6) gözlenirken, en düşük iyileşme organik karbon (%15.1) ve toplam azotta (%18.4) kaydedilmiştir. pH için RF modeli %66.9 varyans açıklarken, doğrusal model bu değeri çok daha düşük tutmuştur (RMSE: 0.673 vs 0.886).

En önemli tahmin değişkenleri: Daha önce 1 km çözünürlükte küresel olarak haritalanmış toprak özellikleri (SoilGrids1km) en güçlü tahminci olarak belirlenmiş; bu da küresel modellerin yerel modellerin iyileştirilmesinde transfer edilebilir pedolojik bilgi taşıdığını göstermiştir. USDA Toprak Taksonomisi sınıfları (özellikle Alfisol ve Mollisol olasılıkları) değişebilir bazların tahmininde en önemli ikinci tahminci grubu olarak öne çıkmıştır. Yerel MODIS EVI ve MIR bantları, SRTM DEM türevleri ve GlobeLand30 arazi örtüsü verileri 250 m ölçeğinde detay iyileştirmesine katkıda bulunmuştur.

Küresel Üst Toprak Mikrobiyomu

[Bahram et al., 2018] — NOT: Bu makale (W2887136521, 2.423 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "Structure and function of the global topsoil microbiome." Bu çalışma, küresel üst toprak mikrobiyomunun yapısını ve işlevini kapsamlı biçimde haritalamıştır. Dünya genelinden toplanan toprak örneklerinde bakteriyel ve fungal toplulukların çeşitliliği, kompozisyonu ve işlevsel kapasiteleri analiz edilmiştir. Toprak mikrobiyomu; besin döngüleri (azot, fosfor, karbon), organik madde ayrışması ve bitki sağlığı açısından kritik rol oynamaktadır. Tarımsal topraklarda mikrobiyal çeşitlilik ve işlev, arazi kullanımı değişikliği ve iklim koşullarından doğrudan etkilenmektedir. Bu bulgu, toprak analizi modellerinin yalnızca fizikokimyasal değil aynı zamanda biyolojik parametreleri de entegre etmesi gerektiğini ortaya koymaktadır.

Toprak Nemi ve Evapotranspirasyon Eğilimi

[Jung et al., 2010] — NOT: Bu makale (W1979723077, 2.276 atıf) dosyası bozuk olduğu için (indirme sırasında CAPTCHA sayfası kaydedilmiş, gerçek PDF elde edilememiş) doğrudan okunamadı. Yeniden indirilip ingest edilmesi gerekmektedir. Makale başlığı: "Recent decline in the global land evapotranspiration trend due to limited moisture supply." Bu çalışma, 1998'den itibaren küresel kara evapotranspirasyonundaki artış eğiliminin, sınırlı toprak nemi arzı nedeniyle tersine döndüğünü raporlamıştır. Toprak nemi, toprak analizi ve tarımsal verimlilik arasındaki bağlantı açısından bu bulgu önemlidir: azalan toprak nemi, bitki kökleri tarafından su ve besin alımını sınırlayarak tarımsal verimliliği düşürebilir. Özellikle Güney Yarıküre kara alanlarında (Afrika, Avustralya) belirgin olan bu eğilim, toprak nem izleme sistemlerinin ve dijital toprak haritalama çalışmalarının önemini vurgulamaktadır. Toprak analizi modellerinin, statik toprak özellikleri yanı sıra dinamik nem değişkenlerini de hesaba katması gerektiğini düşündürmektedir.