Akademik Veri Yönetim Sistemi
20. Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara, Türkiye, 1 - 03 Ekim 2025, ss.1, (Özet Bildiri)
İklim değişikliği ve aşırı nüfus artışına bağlı olarak artan gıda talebi, küresel gıda güvenliğini ciddi biçimde tehdit etmektedir. Ayrıca, küresel ısınmanın neden olduğu aşırı ve ani yağışlar ile bu yağışların neden olduğu seller ve sıcak hava dalgalarından kaynaklanan kuraklık olayları gıda güvenliğini tehlikeye atmaktadır. Bu tür olağan dışı iklim olayları tarımsal üretimi ve rekolteyi önemli ölçüde düşürerek ciddi ekonomik kayıplara yol açabilmektedir (Yuan vd., 2024). Söz konusu etkiler, pek çok farklı tarım ürününü önemli ölçüde olumsuz etkilemektedir. Mısırın beslenme, hayvancılık ve biyoenerji açısından kritik önemi dikkate alındığında, mevcut tablo karar vericiler için ciddi bir kaygı alanı oluşturmaktadır. Bu nedenle, potansiyel gıda üretiminin doğru biçimde tahmin edilmesi, tedarik zinciri yönetiminde karşılaşılan risk ve belirsizliklerin azaltılması açısından kritik öneme sahiptir.
Bu çerçevede, ürün rekoltesini yüksek doğrulukla tahmin edebilen modellere duyulan ihtiyaç artmaktadır. Doğru rekolte tahmini, gıda güvenliği ile tedarik zinciri yönetimi için stratejik bir araç olup, paydaşların etkili stratejiler geliştirmesine ve arz–talep dengesinin korunmasına somut katkı sağlamaktadır (Muruganantham vd., 2022; Cao vd., 2020). Buna paralel olarak, rekoltenin mekansal ve zamansal değişimini etkileyen çevresel faktörlerin ortaya konması da önemli bir gerekliliktir. Bu faktörler arasındaki ilişkilerin anlaşılması, tarımsal planlama ve yönetim süreçlerindeki karar alma mekanizmalarını güçlendirerek karar alma mekanizmalarını desteklemektedir.
Uydu verileri, iklim faktörleri, toprak yapısı ve topoğrafya bilgilerinin birlikte kullanımı, güçlü bir rekolte tahmin modeli geliştirmeye imkan tanımaktadır. Uzaktan algılama, bitki sağlığı ve fenolojisi hakkında zengin ve önemli bilgi sunmaktadır. Sıcaklık ve yağış gibi iklim değişkenleri ise büyüme döneminin izlenmesinde kritik rol oynamaktadır. Toprak yapısı ve topoğrafya ise su ile besin tutma kapasitesini belirleyerek rekolteyi doğrudan etkilemektedir (Çelik vd., 2022). Böylece, birbirini tamamlayan bu veri katmanları, tarımsal sistemlerin dinamiklerini daha bütüncül bir yaklaşımla modellemeyi mümkün kılmaktadır.
Makine öğrenme teknikleri, son yıllarda çok sayıda rekolte tahmini çalışmalarında yaygın biçimde kullanılmaya başlanmıştır. Bu yöntemler, uzaktan algılama, iklimsel koşullar, toprak yapısı ve topografik değişkenler gibi çok kaynaklı verilerden anlamlı bilgiler çıkararak rekolte tahminini geliştirmektedir. Ayrıca çevresel faktörler ve rekolte arasındaki karmaşık ilişkileri ve mekansal–zamansal örüntüleri de etkili biçimde modellenebilmektedir (Khaki & Wang, 2019; Peichl vd., 2021; Khan vd., 2022). Bununla birlikte, son çalışmalar model doğruluklarını artırmış olsa da özellikle mısır rekoltesini etkileyen çok sayıda değişken dikkate alındığında açıklanabilirlik önemli bir sorun olmaya devam etmektedir (Mateo-Sanchis vd., 2023; Paudel vd., 2023). Bu nedenle rekolte ile model girdi değişkenleri arasındaki ilişkilerin şeffaf biçimde ortaya çıkarılması, tarımsal planlama ve politika geliştirmede güvenirlik açısından kritik öneme sahiptir (Çelik vd., 2023). Tam da bu noktada, sabit aktivasyon fonksiyonları yerine parametreleri öğrenilebilir aktivasyon fonksiyonları kullanan Kolmogorov–Arnold Network (KAN), klasik MLP’ye kıyasla doğrusal olmayan ilişkileri modelleyebilme kapasitesi sayesinde umut verici bir alternatif olarak öne çıkmaktadır (Liu vd., 2024; Seydi vd., 2025; Jamali vd., 2024).
Bu çalışmada, 2016–2023 dönemi için CONUS bölgesinde idari bölge düzeyinde (county-level) rekolte tahmin modeli geliştirmek amacıyla uzamsal–zamansal bir makine öğrenme modeli önerilmiştir. Yer gözlem verileri, yıllık tarım alanı haritalarıyla örtüştürülerek yalnızca mısır alanları seçilmiş ve idari bölge bazlı rekolte istatistikleri ile eşleştirilmiştir. Ön işleme sonrasında elde edilen veri seti, KAN, MLP, SVR, RFR, KNN ve LASSO modelleriyle hem sezon içi hem de sezon sonu tahminlerinde kullanılmıştır. Modeller, eyalet dışı bırakma (leave-one-state-out) çapraz doğrulamasıyla test edilmiştir. Ayrıca Bayesian model parametre optimizasyonu sayesinde modellerin uygun biçimde eğitilmesi sağlanmıştır. KAN’ın açıklanabilirlik özelliği kullanılarak yer gözlem değişkenlerinin mısır fenolojisine etkileri ayrıntılı biçimde incelenmiştir.
İdari bölge bazında mısır rekoltesinin hem sezon sonunda hem de sezon içinde tahmin edebilmek amacıyla kapsamlı bir veri kümesi hazırlanmıştır. Bu veri kümesi, bitki fenolojisine ilişkin biyofiziksel parametrelerin yanı sıra iklim, topografik ve toprak özelliklerini içermektedir. USDA tarafından sağlanan tarım alanı sınıflandırma haritası (Cropland Data Layer) kullanılarak 13 eyalete ait mısır sınıflandırma haritaları ve yıllık rekolte verileri 2016–2023 yılları için derlenmiştir. Rekolte tahmini kapsamında toprak yapısı, topoğrafik değişkenler ve iklim verileri birlikte değerlendirilmiştir. Toprak yapısı (kum, silt ve kil oranları) su tutma kapasitesi, besin döngüsü ve kök gelişimini etkileyerek ürün fenolojisinin anlaşılmasına katkı sağlamaktadır. Topoğrafik faktörler olan yükselti ve eğim, mikro iklim koşullarını ve toprak neminin dağılımını belirlemektedir. İklim verileri ise yağış ile minimum ve maksimum sıcaklıkları kapsayarak büyüme döngüsünün izlenmesinde kritik rol oynamaktadır. Söz konusu veriler GEE platformundan elde edilmiştir (Poggio vd., 2021; Jarvis vd., 2008; Thornton vd., 2020). Bu bütünleşik yaklaşım, farklı süreçlerin rekolte üzerindeki bileşik etkilerinin daha doğru yakalanmasını mümkün kılmaktadır.
2016–2023 dönemi için uydu, iklim, toprak yapısı ve topoğrafya verileri ilçe düzeyinde ön işleme tabi tutulmuştur. Değişkenler dinamik (iklim ve uydu verileri) ve statik (toprak ve topoğrafik) özellikler olarak sınıflandırılmıştır. Dinamik veriler dört haftalık dönemler halinde gruplandırılmıştır. Eksik veriler enterpolasyonla tamamlanmış ve gürültüyü azaltmak amacıyla Savitzky–Golay filtresi uygulanmıştır. Gerçekleştirilen analizler sonucunda, özellikle uydu kaynaklı değişkenlerin güçlü korelasyonlar sunduğunu göstermektedir. EVI (0.79), LST (0.55) ve LAI (0.51) en yüksek korelasyonu göstermektedir. Bu korelasyonlar çoğunlukla Ağustos–Ekim döneminde belirginleşmiştir. İklim değişkenleri ise daha zayıf fakat istatistiksel açıdan anlamlı ilişkiler sergilemiştir. Bu bulgu, bitki örtüsü dinamiklerini yakalayan uzaktan algılama verilerinin rekolte tahmininde kritik rolüne işaret etmektedir.
Nihai veri seti, Nisan–Kasım arasında belirlenen sekiz zaman aralığında 56’sı dinamik ve 6’sı statik olmak üzere 62 özelliği içermektedir. Dinamik özellikler, fenoloji boyunca dört haftalık ortalama ve toplamlarla türetilmiştir. Farklı kaynaklardan gelen veriler öznitelik boyutunda birleştirilerek yaklaşık 6700 gözlemden oluşan ve 2016–2023 döneminde 13 eyaleti kapsayan geniş bir veri seti oluşturulmuştur. Veriler %80 eğitim ve %20 test olarak ayrılmıştır. ML modelleri tek eyaleti dışı bırakma yaklaşımıyla çapraz doğrulamadan geçirilerek genellenebilirlik yönü güçlendirilmiş ve nihai performans test veri seti üzerinde değerlendirilmiştir. Böylece hem modelin öğrenme kapasitesi hem de sahadaki olası transfer kabiliyeti nesnel biçimde test edilmiştir.
Çalışma kapsamında, yakın zamanda önerilen derin öğrenme yöntemlerinden biri olan Kolmogorov–Arnold Ağı (KAN) kullanılarak eğitilmiş, açıklanabilir bir mısır rekolte tahmin modeli sunulmaktadır. KAN, mısır rekolte tahmininde 0.85 R² ve 0.84 t/ha RMSE değerleri elde ederek yaygın şekilde kullanılan makine öğrenme modellerini geride bırakmıştır. RFR modeli de güçlü bir model olarak öne çıkarken, LASSO en düşük sonuçları elde etmiştir. KNN ve MLP ise orta düzeyde performans sergilemiştir. Bu sonuçlar, KAN’ın hem doğruluk hem de model açıklanabilirliği bakımından pratik üstünlükler sunduğunu göstermektedir. Hasat öncesi rekolte tahmini ve üretim kayıplarının erken tespitini mümkün kılarak çiftçilere kaynak kullanımında ve karar verici yapılara gıda güvenliği planlamasında önemli katkılar sağlamaktadır.
Sonuç olarak, ortaya konan rekolte tahmini ve potansiyeli özellikle tarımsal planlama ve stratejik karar alma süreçleri açısından değerli bir katkı sunmaktadır. Bulgular, KAN’ın idari bölge düzeyinde mısır rekoltesi tahmininde hem yüksek doğruluk hem de açıklanabilirlik sağladığını göstermektedir. Gelecekte ise farklı iklim ve toprak koşullarına sahip bölgelerde, transfer öğrenme yaklaşımları kullanılarak modelin genellestirilebilirliğinin test edilmesi planlanmaktadır. Bu sayede, ölçeklenebilir ve açıklanabilir rekolte tahmini çözümleriyle tarımsal karar destek sistemlerinin etkinliği daha da artırılabilir.