Yazılım I: Veri İşleme Modeli

NDVI veri işleme modeli.

Berlin, Germany15 Aralık 2025 – 31 Ekim 2026

İlk Veri Toplama

2025 sezonu: girdi verilerinin nasıl hazırlandığı, hangi modelin seçildiği ve nasıl eğitildiği.

Girdi Veri Altyapısı Analizi

Genel bakış

Bu rapor, buğday parsellerinden alınan multispektral drone verilerini işlemek ve azot ile su ihtiyacını makine öğrenmesi ve büyük dil modeli (LLM) tabanlı değerlendirmeyle tahmin etmek için yöntemsel bir çerçeve sunar.

Veri Hazırlama ve Tanımlama

Veri seti, multispektral drone görüntülerinden elde edilen XML istatistiklerini parsel bazlı azot ve sulama değişkenleriyle birleştirir.

  • Azot sınıfları: 0 g/m² (düşük), 10 g/m² (orta), 20 g/m² (ideal).
  • Sulama sınıfları: %0 (düşük), %50 (orta), %100 (ideal).
  • Ön korelasyon bulgusu: azotun NDVI ile ilişkisi sulamanınkinden daha güçlüdür.

Yöntem ve Veri İşleme

  • Verinin geniş biçimden (tarih sütunları) uzun/düzenli biçime (her ölçüm anı için bir satır) dönüştürülmesi.
  • Biyolojik yaşın NDVI dinamikleri üzerindeki etkisini modellemek için DAS (ekimden sonraki gün sayısı) eklenmesi.
  • Özniteliklerin StandardScaler ile normalleştirilmesi; kategorik değerlerin LabelEncoder ile kodlanması.
  • Su stresi için önemli olan parsel içi değişkenliği yakalamak amacıyla heterojenlik aralığının (Maks–Min) öznitelik olarak eklenmesi.

Model Seçimi

Makine Öğrenmesi ve Büyük Dil Modelleri

  • ML: düşük hesaplama maliyeti, deterministik güvenilirlik; öznitelik mühendisliği (DAS, ölçekleme) için alan uzmanlığı gerektirir.
  • LLM: yüksek hesaplama/API maliyeti; mantıksal ilişkileri yakalayabilir, ancak halüsinasyon riski taşır.
  • Az örnekli (few-shot) kurulum: 215 gerçek eğitim örneği verilir ve 55 test tahmini istenir.

Analiz Sonuçları

Azot tahmini

Öne çıkanlar

Gemini 3 (LLM) %72,73 doğruluğa ulaştı; makine öğrenmesi modelleri arasında Naive Bayes %65,50 ile önde.

Su stresi (sulama) tahmini

Öne çıkanlar

Gemini 3 ve DeepSeek-V3 %54,55’e ulaştı; makine öğrenmesi modelleri arasında Karar Ağacı %49,10 ile önde.

Tam karşılaştırma

Gömülü sonuç tablosu, değerlendirilen tüm modelleri ve doğruluklarını içerir.

Genel Değerlendirme ve Yol Haritası

  • Temel çıkarım: uzmanlığa dayalı veri işleme (özellikle DAS) kritik öneme sahiptir.
  • Karar: azot için Naive Bayes kullanılacak (makine öğrenmesi modelleri arasında maliyet etkin ve kararlı).
  • Karar: doğrusal olmayan dallanmaları yakalamak için su stresinde Karar Ağacı kullanılacak.

Model Eğitimi

Genel bakış

Bu rapor, işlenmiş tarımsal veriler (DAS, spektral istatistikler, parsel kimlikleri) üzerinde eğitilen sınıflandırma modellerinin eğitim yöntemini, seçim ölçütlerini ve işletim süreçlerini anlatır.

Model Eğitim Stratejisi ve Yöntemi

  • Grup tabanlı ayırma (GroupShuffleSplit): aynı parsel farklı tarihlerde göründüğünde ezberlemeyi önlemek için parsel kimliğine göre gruplama.
  • Algoritma seçiminde salt matematiksel doğruluktan çok sınırlı veriye ve tarımsal mantığa uygunluk ön plandadır.
  • Standartlaştırma ve etiketleme: girdiler StandardScaler ile normalleştirilir, hedefler Label Encoding ile kodlanır.

Temel fikir

Parsel kimliğinin eğitim ve test verileri arasında sızması önlenerek modelin genelleme başarısı hiç görmediği parseller üzerinde değerlendirilir.

Seçilen Modeller ve Gerekçesi

Azot Tahmini

Gaussian Naive Bayes – %65,5 doğruluk

Sınırlı gözlemle kararlı çalışması ve NDVI/spektral indeksler ile azot arasındaki güçlü korelasyon nedeniyle seçildi; bu, aşırı öğrenme riskini azaltır.

Sulama Tahmini

Karar Ağacı – %49,1 doğruluk

Sulamanın bitki morfolojisi üzerindeki doğrusal olmayan, eşik değerlere bağlı etkilerini yakalamak için seçildi.

Model Yönetimi

  • Nesne kalıcılığı: eğitilmiş modeller, ölçekleyiciler ve etiket kodlayıcılar yeniden eğitim gerekmeden kullanılmak üzere .pkl olarak kaydedilir.
  • Çıkarım hattı: ham XML verilerini ve uçuş tarihlerini alır; eğitimde kullanılan ölçekleme/kodlama adımlarının aynısını uygular.

Genel Değerlendirme ve Kısıtlar

Temel darboğaz veri setinin hacimce yetersiz olmasıdır; sulama doğruluğu, genelleme için yeterli çeşitliliğin olmamasıyla sınırlıdır.

Sonuç

Altyapı mantıksal olarak doğrulanmıştır; veri hacmi arttıkça, kodda yapısal değişiklik yapmadan yeniden eğitimle daha yüksek doğruluk beklenmektedir.

İkinci Veri Toplama

İkinci Veri Toplama Sonrası Model Güncellemesi ve Doğruluk Analizi

İkinci Veri Toplama

İkinci veri toplama, Çukurova Üniversitesi’nin Adana’da yürüttüğü aynı 54 parselli deneme alanında 2026 buğday sezonunu kapsar. Deneme deseni ilk sezonla aynıdır: üç azot düzeyi (0, 10 ve 20 g/m²) ve üç sulama düzeyi (%0, %50 ve %100); dokuz kombinasyonun her biri altı parsele, iki ekim bloğunda uygulandı (erken ekim 26 Aralık 2025, geç ekim 9 Mart 2026).

Tarla, 24 Şubat ile 30 Haziran 2026 arasında DJI Mavic 3M multispektral drone ile 50 m yükseklikte yedi kez görüntülendi. Görüntüler NDVI haritalarına işlendi ve her uçuş için bir tablo olmak üzere parsel bazında bölgesel istatistikler halinde teslim edildi.

Her biri uygulamasıyla etiketlenmiş 54 parselin haritası; örneğin N20_IRG100_E: 20 g/m² azot, %100 sulama, erken ekim.
Çukurova’nın veri arşivinden deneme deseni: her parsel azot düzeyi (N0, N10, N20), sulama düzeyi (IRG0, IRG50, IRG100) ve bloğuyla (E erken, L geç) etiketli. Sulama her blokta şeritler halinde uzanır; azot her şeridin içinde değişir.
  • 2025 sezonu: 5 uçuş (15 Nisan – 16 Haziran 2025), 270 parsel ölçümü.
  • 2026 sezonu: 7 uçuş (24 Şubat – 30 Haziran 2026), 324 parsel ölçümü.
  • Toplam: iki sezonda 54 parselden 594 parsel ölçümü.

Nasıl çalıştık

İki sezon tek ve tutarlı bir veri seti olarak hazırlandı, azot ve sulama için en iyi model seçildi ve sonuç analiz edildi. Tüm adımlar yeniden üretilebilir Python not defterleridir; her sayı veriden hesaplanmıştır.

  • İki sezon için aynı ölçüm yöntemi: yalnızca her iki yılda da bulunan istatistikler kullanıldı (parsel başına NDVI ortalaması, maksimumu, minimumu, standart sapması ve aralığı, ayrıca ekimden sonraki gün sayısı).
  • Etiket kontrolü: 2026 etiket tablosunda geç bloktaki 10 parselin bilgisi parsel koduyla çelişiyordu; 2025 deseni ve tarla haritasıyla uyuştuğu için parsel kodu kullanıldı.
  • Geçersiz ölçümler çıkarıldı: 2026’daki iki uçuş geç blok ekilmeden önce yapıldığı için bu 54 ölçüm buğdayı değil çıplak toprağı gösteriyordu.
  • Tarladakiyle aynı kullanım: model bir parselin düzeylerini tek bir uçuştan ve ekimden sonraki gün sayısından tahmin eder; tıpkı yazılımın kullandığı gibi.
  • Adil test: bir parselin tüm ölçümleri birlikte ya eğitimde ya testte kalır; 3 kez tekrarlanan 5 parsel grubu 15 test turu verir. Rastgele tahmin %33 puan alır.

Test Edilen ve Seçilen Modeller

Yaygın tüm aileleri kapsayan on iki sınıflandırma modeli test edildi: Lojistik Regresyon, Ridge, K-En Yakın Komşu, Naive Bayes, Destek Vektör Makinesi, Karar Ağacı, Random Forest, Extra Trees, AdaBoost, Gradient Boosting, XGBoost ve CatBoost. Hepsi dar bir aralıkta kaldı: azotta %42–51, sulamada %27–36. En iyi ile en kötü arasındaki fark (yaklaşık 9 puan), test turları arasındaki olağan değişkenlikle (yaklaşık ±6 puan) aynı; yani algoritma seçiminin etkisi azdır.

Azot: XGBoost

%51 doğruluk · şans %33 · p = 0,01

Gübre almamış parselleri güvenilir biçimde tanır, ancak 10 ve 20 g/m² düzeylerini sık sık karıştırır. Bir permütasyon testi azot sinyalinin gerçek olduğunu doğrular.

Sulama: Extra Trees

%36 doğruluk · p = 0,14

Adaylar arasındaki en yüksek puan, ancak istatistiksel olarak şanstan ayırt edilemiyor. Bütünlük için yazılımda yer alıyor; çıktısı sulama kararlarında kullanılmamalıdır.

Modeller neden Veri Toplama 1’e göre değişti

İlk aşamada Naive Bayes (azot) ve Karar Ağacı (sulama), 11 parsellik tek bir test ayrımına göre seçilmişti. 15 turda ölçüldüğünde Naive Bayes azotta %42’ye ulaştı; bu, 12 model arasındaki en düşüklerden biri. İlk aşama modelleri ayrıca 2026 tablolarında bulunmayan NDVI medyanını kullanıyordu; yani her durumda yeni bir seçim gerekiyordu.

Doğruluk Neden Artmadı

İlk rapor, tek bir test ayrımından azot için %65,5 ve sulama için %49,1 vermişti. Aynı yöntem 200 rastgele ayrımda tekrarlandığında azotta ortalama %44 çıktı; ilk aşama modelleri değiştirilmeden 2026 verisine uygulandığında %47 ve %36’ya ulaştı. Yeni rakamlar bir düşüş değil, aynı sınırın daha güvenilir bir ölçümüdür; bu sınır NDVI’nın bu denemede gösterebildikleriyle ilgilidir.

Çubuk grafik: ortalama NDVI 0 g/m² azotta 0,38, 10 g/m²’de 0,56, 20 g/m²’de 0,51.
Şekil 1. Azot düzeyine göre ortalama NDVI (594 ölçümün tamamı, iki sezon).

Yarım doz NDVI’yı belirgin biçimde artırdı (0,38’den 0,56’ya); tam doz daha fazla artırmadı (0,51). Gübresiz parseller ayırt edilebiliyor (iki sınıflı testte %80; her zaman “gübreli” tahmini %67), ancak yarım ve tam doz ayırt edilemiyor (%49, yazı tura). Bu nedenle azot için pratik üst sınır yaklaşık %67’dir ve seçilen model şanstan bu sınıra kadar olan mesafenin yaklaşık yarısını kat ediyor.

Çubuk grafik: ortalama NDVI %0, %50 ve %100 sulamada neredeyse aynı.
Şekil 2. Sulama düzeyine göre ortalama NDVI (594 ölçümün tamamı, iki sezon).

Üç sulama düzeyinin ortalama NDVI’sı neredeyse aynı; sulanmayan parseller tam sulanan parsellerden (0,47) biraz daha bile yeşildi (0,51). Her sulama düzeyi tarlada kesintisiz bir şerit kaplıyor; bu yüzden sulama düzeyi ve tarladaki konum aynı değişken (Spearman ρ = 0,94; azot için ρ = 0,01): hiçbir model suyu konumdan ayıramaz.

Grafik: her NDVI karşılaştırmasının 22 uçuş grubundan kaçında geçerli olduğu.
Şekil 3. Her karşılaştırmanın geçerli olduğu uçuş grubu sayısı (12 uçuş × 2 ekim bloğu = 22 grup).

Uçuş uçuş kontrol edildiğinde yarım doz, 22 grubun 18’inde gübresizden daha yeşildi; yani azot etkisi tutarlı. Tam doz yarım dozdan yalnızca 22 grubun 4’ünde, tam sulanan parseller ise sulanmayanlardan yalnızca 5’inde daha yeşildi.

Hava: Yeterince yağmur zaten yağmış mıydı?

Tarlanın günlük hava verileri (ERA5 yeniden analizi, Open-Meteo arşivi) ürünün su ihtiyacıyla (referans evapotranspirasyon, ET₀) karşılaştırıldı. Sulama tarihleri ve miktarları mevcut olmadığından yalnızca hava verileri kullanıldı.

Çubuk grafik: 2025’te 580 mm ihtiyaca karşı 507 mm yağış; 2026’da 620 mm ihtiyaca karşı 878 mm yağış.
Şekil 4. Her sezonda erken ekimden son uçuşa kadar toplam yağış ve ürün su ihtiyacı (ET₀).
  • 2025: 580 mm ihtiyaca karşı 507 mm yağış; yağmur ihtiyacın yaklaşık %87’sini karşıladı.
  • 2026: 620 mm’ye karşı 878 mm yağış; yağmur ihtiyacı 257 mm aştı, yani hiç sulanmayan parseller bile gerekenden fazla su aldı.
Grafik: 12 drone uçuşunun her birinden önceki 14 gündeki yağış.
Şekil 5. Her drone uçuşundan önceki 14 gündeki yağış.

12 uçuşun 8’inden önceki iki haftada 25 mm’den fazla yağış düştü (ortalama 55 mm); yani ölçümlerin çoğu, sulama düzeyi ne olursa olsun tüm tarla yakın zamanda ıslanmışken yapıldı.

Genel Değerlendirme

  • Azot: drone NDVI’sı gerçek ve tekrarlanabilir bir azot sinyali taşıyor. Model gübresiz parselleri güvenilir biçimde tespit ediyor, ancak yarım ve tam dozu ayıramıyor. %51’lik sonucu şansın (%33) belirgin biçimde üzerinde ve pratik üst sınıra (yaklaşık %67) giden yolun yaklaşık yarısında.
  • Sulama: veride kullanılabilir bir sulama sinyali yok. Sulama düzeyleri tarladaki konumla örtüşüyor ve her iki sezonda da yağmur su ihtiyacının çoğunu karşıladı. Bu, modelin değil deneme düzeninin ve havanın getirdiği bir sınırdır.
  • Aynı türden daha fazla veri ya da başka bir algoritmanın yardımı olması beklenmez: 12 modelin hepsi benzer sonuç veriyor ve eğitim setini 24’ten 43 parsele çıkarmak azot doğruluğunu yalnızca 2,7 puan artırdı.

Olası iyileştirmeler

Her parselin NDVI’sını aynı uçuştaki diğer parsellere göre ifade etmek, testlerde azot doğruluğunu %49’dan %56’ya çıkardı; bu, teslim edilen modelin parçası değil. Gelecekteki denemeler için: sulama düzeylerini şeritler yerine tarlaya dağıtmak, sulama tarihlerini ve miktarlarını kaydetmek, toprak nemini ölçmek ve kırmızı kenar gibi NDVI ötesindeki spektral bantları denemek.

Raporlar