Yazarlar:

Kağan Şen & Tunay Güneş

Teknolojinin gün geçtikçe ilerlemesi ile birlikte, uyduların kullanımı ileri teknoloji gerektiren alanlardan daha günlük alanlara doğru ilerlemeye başlamıştır. İlk başlarda haberleşme ve astronomi uyduları bu alanda daha çok kullanılırken, günümüzde meteoroloji uyduları, keşif (casus) uydular, seyir (navigasyon) uyduları, gözlem uyduları oldukça yaygın kullanılmaya başlanmıştır.

Türkiye’de uydu tarihçesi

1968 yılında PTT Genel Müdürlüğü bünyesinde Peyk Telekomünikasyon Grup Başmühendisliği kuruldu ve aynı yıl Intelsat (Uydular Aracılığı ile Haberleşme Uluslararası Organizasyonu) Organizasyonuna üye olundu. Daha sonra 1979 yılından 2015 yılına kadar diğer ülker ile birlikte ortak uydu projelerinde yer alındı.

Ağustos 2011, tasarımı ve üretimi Türkiye'de gerçekleştirilen ilk yer gözlem uydusu olan RASAT yerleştirildi. Türkiye’nin BiLSAT uydusundan sonra ikinci uzaktan algılama uydusudur.

2016'da fırlatılan Göktürk-1 uydusu ile birlikte 2012'de fırlatılan Göktürk-2 uydusu Türkiye için gözlem uyduları kullanımlarında önemli farklar yaratmaya başlamıştır. Türksat 3A, Türksat 4A ve Türksat 4B uyduları haberleşme ihtiyacını karşılarken, Rasat, Göktürk-1 ve Göktürk-2 uyduları gözlem amacıyla kullanılmaktadır.

Gözlem Uydularının Önemi

Yer gözlem uyduları ilk olarak daha çok askeri alanda kullanılmaya başlansa da dünya nüfusunun artışı, insanların yer küre üzerinde daha çok bilgiye daha kısa sürede erişme ihtiyacı ile birlikte farklı alanlarda kullanılmaya başlamıştır.Dünya nüfusundaki artış ile birlikte tarım alanlarının öneminin artışı ve insanoğlunun aksiyon alma gereksinimleri ile birlikte yer gözlem uydularının kullanımları bu alanlara kaymaya başlamıştır.

 

İlk başlarda uydulardan gelen tarım alanları fotoğraflarının incelenmesi ile daha önceki bilgi ve birikimlerin birleşmesi ile çeşitli analizler yapılmaktaydı. Örneğin bir alanın bir yıllık düzenli fotoğraflarına bakılıp, yine o bölgenin o yıl ki hava durumu şartları ile birleştirip o bölgedeki tarımın verimliliğini arttırmak, rekolte tahminlemesi yapmak gibi işlemler yapılıyordu fakat buradaki tahminlemeler o bölgedeki bilgi ve birikim ile sınırlı kalıyordu. Peki bu işi makinelere öğretip insanoğlunun bu zamana kadar karşılaşmadığı veya düşünemediği değişkenler ile analiz yapılabilir miydi?

Bitkiler ve renkleri bize neler söylüyor?

Bir tarım arazisinin fotoğrafından analiz yapılırken en çok kullanılan metot Normalleştirilmiş Bitki Fark İndeksi (NDVI (Normalized Difference Vegetation Index))dir. Tarım alanlarında bulunan bitki örtüleri üzerine gelen ışıkların bazılarını soğururken, bazılarını yansıtır ve renkleri bu ortaya çıkarır. Bitkilerin yansıttığı ışıklara göre renklerine göre sınıflandırmak mümkündür.

 

Uydu fotoğraflarını kullanarak bölgelere göre yetişen ürünlerin sınıflandırılması, yansıyan ışık modeli ile yapılmaktadır. Ülkemizin ilk yüksek çözünürlüklü yer gözlem uydusu olan Göktürk-2 2,5 metre çözünürlüğü ve sahip olduğu kızılötesi bandı ile tarımsal izleme amacı ile kullanılabilmektedir. Göktürk-2 uydusu ile 2015 ve 2016 yıllarında Harran Ovası’ndan uydu görüntüleri çekilmiştir.Görüntülenen alan mavi ile işaretlenmiştir.

                                                                                 Göktürk-2 Temsili Harran Ovası Görüntü Çekimi (Blog Gezgin)

Uydulardan çekilen ilk fotoğraflarda daha basit renk ayrımları ile yapılsa da, daha sonra çözünürlük 2-2.5 metre seviyelerine geldiğinde tarım arazileri kendi içersinde sınıflandıracak kadar detaylı veriler elde edilmeye başlandı. Peki hala eski analiz metotları kullanılması mantıklı mıdır? Makine öğrenimi ile bu verileri birleştirerek daha verimli sonuçlar elde edilebilir mi?

 

Makine Öğrenimi ve Uydu Verileri

Stanford Üniversitesi’nde bilgisayar mühendisi olan Arthur Samuel, eyalet dama şampiyonuna bir meydan okmuştu. Bir makine ile dama oynayacak ve eyalet şampiyonu yenilecekti. Makineye daha önce oynanmış dama oyun senaryolarını kaydetti, daha sonra makineye bir sonraki hamleyi yapmadan önce tüm bu senaryolara bakmasını aralarından başarıya erişecek olanı seçip o hamleyi yapmasını söyledi, ilk başlarda makine karşısındakine karşı kaybediyordu fakat yeni bir hamleyide kaydetmiş oluyordu.Daha sonra kayıtlı işlem sayısı arttığı için makine en iyi yolu daha verimli bulmaya başladı ve yenilmez bir hale geldi. İşte tam olarak makine öğrenimi budur. Makineye kaydedilen oyun senaryoları da dama modelidir. Her yeni senaryonun eklenmesi modelin eğitilmesidir.

Peki bu makineler damada elde ettiği başarıları tarım arazileri üzerindeki analizlerde de yapamaz mı? Cevap çok basit tabiki yapar ve hatta yapıyor. Toprağın işlenmesi, ekilmesi dikilmesi, gübrelenmesi, ilaçlanması, sulanması, hasat edilmesi gibi biraz manuel yapılan hesaplamalar uydu verileri ile birleştirilebilinir.

Yaklaşım ve Yöntem

Yapay zekanın çalışıp tahminler ve analizler üretebilmesi için önce eğitilmesi gerekiyor. Bu eğitimi, yapay zeka algoritmalarına verileri tanıtarak yapıyoruz. Ne kadar çok veri kullanarak eğitirsek o kadar doğru ve tutarlı sonuçlar elde edebiliriz. Ancak yapay zeka sadece veriye değil aynı zamanda insanların da uzmanlığına ihtiyaç duymakta. Peki ekinlerin verimlilikleri yapay zeka ve uydu fotoğrafları kullanılarak nasıl takip ediliyor?

Görüntü Toplama:

Analitik dünyanın ilk adımı ve tüm yolculuğun başlangıcı verilerdir. Bu yüzden öncelikle algoritmalarımıza öğreteceğimiz verilerin toplanması gerekiyor. Tarım alanlarındaki verimliliğin takibi için de ihtiyacımız olan veri tipi uydu görüntüleri. Bitkilerin cinslerine ve sağlıklarına göre farklı dalga boyutlarında ışık yansıttığından bahsetmiştik. Bu yüzden farklı dalga boyutlarında uydu görüntülerine ihtiyacımız bulunuyor.

Görüntü Sınıflandırma:

Makineler, henüz kendi kendilerine karar verip verilerden sonuçlar üretecek kadar zeki değiller. Bu yüzden uydu görüntülerini, algoritmalarımıza tanıtmadan önce etiketleyip sınıflandırmamız gerekiyor. Hangi alanların verimli, hangilerinin verimsiz olduğu bilgisini de görüntülere eklememiz gerekiyor. Hangi tarım alanlarının hangi sebeple verimsiz kaldığı bilgisini de bu veri setimize eklediğimizde geriye sadece bu bilgileri makinelere öğretmek kalıyor.

Makine Öğrenimi:

Hangi tarım alanları verimsiz, hangileri verimli ve verimsiz tarım alanları niye verimsiz bilgilerini algoritmalarımıza öğrettiğimiz zaman aşağıdaki analizleri ve sonuçları üretmemiz mümkün:

• Hasat zamanı ne kadar mahsül alınacak?
• Hangi tarım alanları verimsiz?
• Verimsiz kalan arazilere nasıl müdahaleler yapılmalı?
• Yapılan müdahaleler işe yarıyor mu?

Örneğin aşağıdaki grafikte SAS Visual Analytics kullanılarak üretilen bir algoritmanın sonucu yer alıyor:

Burada çeşitli gübrelerin bitki gelişimine etkisini görebiliyoruz. Örneğin Azot en önemli faktör olarak karşımıza çıkıyor. Bunu fosfor takip ediyor. Şu tarım alanında fosfor eksikliği sebebiyle verimsizlik var, şu alanlarda sodyum eksikliği var gibi sonuçlar elde ettiğimizde hangi alanlara nasıl müdahaleler yapmamız gerektiği bilgisine ulaşabiliyoruz.

Aynı zamanda hasat miktarının ne kadar olacağını da tahmin edebiliyoruz.

Değerlendirme:

Yapay zeka teknolojilerinin gelişmesi ve kullanılan algoritma sayılarının artmasıyla beraber kullanabileceğimiz araç sayısı geçtiğimiz senelerle beraber artış gösterdi. Bu yüzden makine öğrenimi aşamasında çeşitli algoritmalara bu verileri öğrettikten sonra en doğru tahminleri üreten modeli seçmemiz gerekiyor.

İmplementasyon:

En doğru tahminleri üreten modelimizi seçtikten sonra bu modeli otomatik olarak tahminler üretip gerekli zamanlarda uzmanlara analizler ve uyarılar gönderecek bir sisteme entegre etmemiz gerekiyor. Bu sayede hiçbir insan hatasına yer kalmayan ve sürekli olarak tarım alanlarımızın takibini yapabildiğimiz bir sistemimiz oluyor.

SAS, daha önce palmiye yağı verimliliği ve sürdürebilirliği, arıların verimliliği, pamuk bitkileri üzerindeki verimlilik çalışmaları gibi alanlarda çok etkili sonuçlar aldığı çalışmaları tamamlamıştır. Şimdi Göktürk uydularından toplanan fotoğrafların makine öğrenimi, görüntü işleme gibi analitik işlemler ile birleştirip SAS Viya platformunda görsel raporlar ile mevcut tarım arazilerimizin verimliliğini arttırıp, dünya pazarında ciddi söz sahibi olmamıza olanak tanıyan anadolu topraklarının dünyada tek olmasını sağlayabiliriz.