Temel fenolojik dönemlerde makine öğrenimiyle entegre optik ve radar uzaktan algılama kullanılarak buğday verimi tahmini

Gıda geleceğimiz için neden önemli

Sıcaklaşan, su açısından baskı altındaki bir iklimde büyüyen bir nüfusu beslemek, biçerdöverler tarlalara girmeden çok önce çiftçilerin ne kadar tahıl hasat edeceğini bilmeye dayanır. Bu çalışma, bilim insanlarının uydular ve yapay zekâ kullanarak İran’ın kurak bir bölgesinde buğday verimini nasıl tahmin edebileceğini gösteriyor; hasattan yaklaşık 50 gün öncesine kadar güvenilir öngörüler sağlayarak su kullanımı, gübreleme, ticaret kararları ve kıtlıkları önleme çabalarına yol gösterebilecek kadar erken bilgi veriyor.

Baskı altındaki kuru bir ova

Çalışma, hem yüksek verimli hem de kronik su kıtlığı yaşayan İran’ın kuzeyindeki önemli bir buğday üretim alanı olan Kâzvin Ovası’na odaklanıyor. Yağışlar düşük ve değişken, sıcaklıklar yüksek ve çiftçiler sınırlı yeraltı suyu ile dağ kaynaklarına büyük ölçüde bağımlı. Bu tür kurak arazilerde, geçmiş deneyime veya basit hava durumu istatistiklerine dayanarak verim tahmini yapmak riskli. Geleneksel bitki modelleri, sıklıkla mevcut olmayan toprak, yönetim ve iklim üzerine ayrıntılı veri gerektirir. Yazarlar bunun yerine bol olan şeye yöneldi: alanları hafta hafta ne kadar parlak ve yeşil göründüklerini kaydeden uydu görüntülerine.

Uzaydan bitki sağlığını görmek

Araştırma ekibi Avrupa’nın Sentinel‑2 uydu optik görüntülerini Sentinel‑1 radar görüntüleriyle birleştirdi. Optik sensörler çok keskin dijital kameralar gibi davranır; mavi’den yakın kızılötesine kadar farklı renklerde yansıtılan güneş ışığını yakalar. Bu renklerden, buğday örtüsünün yoğunluğunu, yapraklığını ve su stresini ortaya koyan 16 farklı “yeşillik” ve nemle ilgili gösterge hesaplandı. Araştırma, verim potansiyelini belirleyen sürgünlerin oluştuğu Nisan ortasındaki Yanlama (Tillering) aşaması ile bitkinin en yüksek yeşillik düzeyine ulaşıp dane doldurmaya hazırlandığı Mayıs ortasındaki Çiçeklenme (Anthesis) olmak üzere iki kritik büyüme anına odaklandı.

Işık yetmediğinde radarla dinlemek

Sentinel‑1’in radarı farklı bir görüş türü ekliyor. Güneş ışığına bağlı kalmak yerine mikrodalga darbeleri gönderir ve bitki yapısı ile hem bitki hem de toprağın neminden etkilenen yankıyı ölçer. Bu, tozlu, bulutlu veya seyrek bitki örtülü bölgelerde özellikle caziptir; optik sinyaller çıplak toprak ve atmosfer tarafından bulanıklaştırılabilir. Araştırmacılar iki polarizasyon kanalından basit radar tabanlı göstergeler türettiler, ardından bunları optik indeksler ve yükseklik, eğim ve tarla yönelimi gibi temel arazi bilgileriyle karıştırdılar.

Makinelere verim desenlerini öğretmek

189 iyi ölçülmüş buğday tarlasına ait uydu kaynaklı değişkenlerle donanan yazarlar, verimi tahmin etmek için üç tür bilgisayar modelini eğitti: standart bir lineer regresyon, eğri ilişkileri yakalayabilen bir destek vektör makinesi ve birçok karar ağacını birleştiren bir rastgele orman. Veriyi, modelleri öğretmek için %70 ve becerilerini test etmek için %30 olacak şekilde böldüler. Genel olarak Çiçeklenme aşamasından elde edilen uydu bilgileri Yanlama’dan daha bilgilendirici çıktı. Sadece Sentinel‑2 ve arazi verilerini kullanan Çiçeklenme dönemindeki rastgele orman modeli en iyi performansı gösterdi; test tarlalarındaki verim varyasyonunun yaklaşık %90’ını açıkladı ve ortalama olarak yalnızca yaklaşık üçte bir ton/ha sapma ile sonuçlandı.

En büyük farkı yaratan neydi

Rastgele ormanın en çok hangi girdilere güvendiğini inceleyerek, çalışmanın örtü yoğunluğu, canlılık ve su durumunu yakalayan indekslerin en büyük ağırlığa sahip olduğunu ortaya koyduğu bulundu. Klasik yeşillik indekslerine benzeyen ölçütler ve suya duyarlılık göstergeleri en önemli katkıcılar olurken, ham renk bantları ve arazi değişkenleri nispeten daha az katkıda bulundu. Radardan türetilen göstergeler eklendiğinde model eğitim verisine uyumu bir miktar iyileşti—bu da radarın nem ve yapı hakkında faydalı ek ayrıntı yakaladığını düşündürüyor—ancak test hataları yükseldi. Bu desen, modelin eğitim örneğine özgü gürültüyü öğrenip genel kuralları yeterince genelleştirmeme eğilimine, yani hafif bir aşırı öğrenmeye işaret ediyor. Yine de, tüm girdileri birleştirmek araştırmacıların tüm ovanın ayrıntılı bir verim haritasını üretmesine izin verdi; düşük verimli cepeler ile yüksek verimli alanlar arasında keskin kontrastlar ortaya çıktı.

Çiftçiler ve planlamacılar için ne anlama geliyor

Kısacası çalışma, dikkatle işlenmiş optik uydu görüntülerinin modern bir makine öğrenimi yöntemiyle yorumlanmasının, zorlu ve su kıtlığı olan bir ortamda saha ölçeğinde doğru buğday verimi tahminleri sağlayabileceğini gösteriyor. Radar potansiyel olarak değerli nüans ekliyor ama bu vakada daha basit optik‑sadece düzeni henüz geride bırakmadı. Elde edilen erken sezon haritaları, kıt sulama suyu ve gübreleri en çok gerekli olan yerlere yönlendirmeye, kayıplar ciddi hale gelmeden önce savunmasız alanları işaretlemeye ve bölgesel gıda arzı planlamasına bilgi sağlamaya yardımcı olabilir. Çalışma bir İran ovası ve tek bir sezon üzerinde yoğunlaşsa da yaklaşım, kurak bölgelerde gıda güvenliğini güçlendirmek için uzay tabanlı izleme ve yapay zekâ uygulamalarına yönelik bir şablon sunuyor.

Atıf: Navidi, M.N., Fazli, E., Kharazmi, R. et al. Wheat yield prediction using integrated optical and radar remote sensing with machine learning across key phenological stages. Sci Rep 16, 10470 (2026). https://doi.org/10.1038/s41598-026-41501-7

Anahtar kelimeler: buğday verimi tahmini, uzaktan algılama, uydu tarımı, makine öğrenimi, kurak bölgeler