Yüksek çözünürlüklü Fas Mohammed VI uydu görüntüleri kullanılarak ekili alanların haritalanması için bitki indekslerine uygulanan K‑means kümeleme

Daha akıllı ürün haritalarının önemi

Büyüyen bir dünyayı beslemek, yerde gerçekte neyin yetiştiğini neredeyse gerçek zamanlı olarak bilmeye bağlıdır. Çiftçiler ve hükümetler, ürünlerin nerede ekildiğine, hangi tarlarda yüzeyin çıplak kaldığına ve bu desenlerin sezondan sezona nasıl değiştiğine dair güvenilir haritalara ihtiyaç duyar. Bu çalışma, bir Fas Dünya‑gözlem uydusunun ve basit bir yapay zeka biçiminin ham görüntüleri, verileri elle etiketlemek için insan ordularına gerek duymadan ekili araziye ilişkin yüksek doğruluklu haritalara nasıl dönüştürebileceğini gösteriyor.

Uzaydan çiftlikleri görmek

Çalışma, Dünya etrafında güneş‑eşgüdümlü yörüngede dönen Faslı Mohammed VI uydu sistemi üzerine odaklanıyor. Bu sistem, yakın‑kızılötesi ışık dahil olmak üzere dört renk bandında yarım metrelik çözünürlükte çok keskin görüntüler yakalıyor—bu, bireysel küçük tarlaları ve hatta ağaç sıralarını ayırt edecek kadar ayrıntılı. Yazarlar, kuzey Fas’ta Fes–Meknes bölgesindeki 175 hektarlık tarım alanına odaklandı; burada tahıl, mısır, zeytin, badem, üzüm ve sebze tarları ekili olmayan parseller ve seyrek bitki örtüsüyle yan yana bulunuyor. Bu çeşitlilik, ekili arazileri her şeyden ayırmak zorunda olan araçlar için ideal bir test alanı oluşturuyor.

Renkleri ipuçlarına dönüştürmek

Ham uydu görüntüleri, farklı renk bantlarında parlaklık değerlerinden oluşan ızgaralardır. Bu ızgaraları daha bilgilendirici kılmak için bilim insanları sıklıkla birkaç rengi bitki sağlığı veya su içeriğini yansıtan tek bir sayıda harmanlayan “bitki indeksleri” hesaplar. Bu çalışma, yapraklı, klorofilce zengin bitki örtüsünü öne çıkaran iyi bilinen Normalize Edilmiş Fark Bitki İndeksi (NDVI) ile yeşil ve yakın‑kızılötesi ışık kullanarak nem farklılıklarına duyarlı Modifiye Normalize Edilmiş Fark Su İndeksi’ni (MNDWI) kullanıyor. Orijinal yakın‑kızılötesi bandıyla birlikte bu üç katman, her pikselin bitki örtüsü ve nem durumunun tek bir banttan çok daha zengin bir tanımını oluşturuyor.

Verinin kendini gruplaymasına izin vermek

Binlerce elle etiketlenmiş örnekle karmaşık bir modeli eğitmek yerine, araştırmacılar denetimsiz makine öğrenmesinin basit bir kümeleme algoritması olan K‑means’e yöneldiler. K‑means, verideki desenleri arar ve spektral özellikleri benzer pikselleri sabit sayıda kümeye ayırır. Temel ön işlemelerin—ilgili bantların çıkarılması, iki indeksin hesaplanması, bunların yığılması ve tüm değerlerin sıfır ile bir arasında ölçeklenmesi—ardından ekip, K‑means’e tam olarak üç küme oluşturmasını söyledi. Bunlar daha sonra arka plan (tarla dışındaki alanlar veya kullanışlı sinyalin olmadığı yerler), çıplak toprak ve ürünlerin hakim olduğu alanlar olarak yorumlandı. Yöntem denetimsiz olduğundan ek etiketli eğitim verisi olmadan yeni görüntülere uygulanabilir.

Yöntemi teste sokmak

Yaklaşımın ne kadar iyi çalıştığını değerlendirmek için yazarlar aynı yüksek çözünürlüklü görüntüyü kullanarak coğrafi bilgi yazılımında elle ekili parselleri detaylı şekilde çizerek bir referans harita oluşturdular. Ardından ekili alan payını tahmin etmenin dört yolunu karşılaştırdılar: yalnızca yakın‑kızılötesi parlaklığa dayanan basit bir eşikleme kuralı, yalnızca NDVI’ye dayanan bir kural, orijinal renk bantlarında standart bir K‑means çalıştırması ve indeks‑ve‑kızılötesi verilerini birleştiren yeni “spektral K‑means”leri. Çalışma alanının gerçek ekili oranı %71,07 idi. Yakın‑kızılötesi eşikleme bunu %65,59 ile düşük tahmin etti, yalnızca NDVI %66,13 verdi ve standart K‑means %67,18’e ulaştı. Spektral K‑means yaklaşımı en yakın sonuçla %72,07 verdi; bu, yalnızca %1,41’lik göreli bir hata anlamına geliyor—rakip yöntemlerden birkaç kat daha iyi.

Geleceğin tarımı için anlamı

Çiftçiler, su yöneticileri ve planlamacılar için bu tür otomatik ve doğru haritalama, pahalı saha anketleri veya büyük etiketli veri kümeleri gerektirmeden geniş bölgelerde tarlaları izlemek için pratik bir yol sunuyor. Ekili ile ekili olmayan araziyi güvenilir şekilde ayırarak ve bitkinin nerede iyi durumda ya da stres altında olduğunu vurgulayarak yöntem, hassas sulama, gübre kullanımına rehberlik etme ve arazi kullanımı değişimini izleme konusunda destek sağlayabilir. Mevcut doğrulama tek bir görüntüye dayansa da, yaklaşım basit, denetimsiz algoritmaların yüksek çözünürlüklü uydu verilerine uygulandığında rutin olarak saha ölçekli ürün haritaları sunacağı; böylece gıda üretimini iyileştirirken arazi ve suyun daha sürdürülebilir kullanımını destekleyeceği bir geleceğe işaret ediyor.

Atıf: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

Anahtar kelimeler: hassas tarım, uydu görüntüleri, ürün haritalama, denetimsiz öğrenme, bitki indeksleri