Scientific Reports'ta 14 Ağustos 2026'da erken erişim biçiminde yayımlanan araştırma, yüksek çözünürlüklü İHA görüntülerinden tek tek hurma taçlarını belirlemek, haritalamak ve saymak için Mask R-CNN örnek bölütleme modelini sınadı. Araştırmacılar görüntüleri küçük parçalara ayırdı, örtüşme ve güven eşiği kullandı, yinelenen tespitleri temizledi ve sonuçları sahada doğrulanmış elle çizilmiş taç poligonlarıyla karşılaştırdı. Üç test sahasında güçlü değerler elde edildi; ancak makale henüz yayınevinin son dil ve biçim düzenlemesinden geçmemiş sürüm olarak işaretleniyor ve sonuçlar benzer görüntüleme koşullarıyla sınırlı.
Model yalnız nokta değil taç sınırı üretti
Mask R-CNN her ağaç için ayrı bir maske oluşturarak taçların birbirinden ayrılmasını hedefliyor. Bu yaklaşım yalnız piksel sınıflandırmasına göre ağaç sayımı ve konum kaydı için daha doğrudan çıktı verir. Görüntülerin döşemelere ayrılması yüksek çözünürlüğü işlenebilir hale getirirken, örtüşmeli kesim kenarda kalan taçların kaybolmasını azaltır.
Örtüşme aynı ağacın birden fazla döşemede görülmesine yol açabileceği için güven filtresi ve yinelenen tespit temizliği sonuç zincirinin kritik parçasıdır. Sayım hatası yalnız modelden değil, uçuş planı, ortofoto üretimi, döşeme boyutu ve birleştirme kuralından da doğabilir.
Üç sahada performans aralıkları değişti
Çalışmada üç saha için kesinlik yüzde 92,74 ile 97,22, duyarlılık yüzde 90,91 ile 96,67, doğruluk yüzde 86,32 ile 94,27 arasında bildirildi. F1 değerleri 0,92 ile 0,97 aralığındaydı. Saha bazında değişen sonuçlar, tek ortalama puanın dikim düzeni ve görüntü koşullarındaki farkı saklayabileceğini gösteriyor.
Kesinlik yüksekken duyarlılığın düşmesi bazı ağaçların kaçırıldığı, duyarlılık yüksekken kesinliğin düşmesi ise yanlış taç üretildiği anlamına gelebilir. Fidan, ölü ağaç, iç içe geçmiş taç ve sıra dışı gölge gibi sınıflar işletme envanteri için ayrı hata maliyetleri taşır.
Işık, yoğunluk ve mevsim yeni doğrulama gerektiriyor
Yazarlar yöntemin daha yoğun veya düzensiz bahçelerde, farklı mevsim ve aydınlatma koşullarında ek doğrulamaya ihtiyaç duyduğunu belirtiyor. Güneş açısı taç gölgesini, rüzgâr yaprak biçimini, uçuş yüksekliği ise yerdeki piksel boyutunu değiştirir. Benzer dikim düzeninde çalışan model başka bahçede aynı sınırı korumayabilir.
Envanter kullanımında yalnız toplam sayı yeterli değildir. Her ağacın konumu, tespit güveni, uçuş tarihi ve manuel düzeltmesi saklanmalı; sonraki uçuşta aynı kimlikle eşleştirilmelidir. Böylece yeni dikim, kayıp ağaç ve bakım ihtiyacı gerçek değişim olarak izlenebilir.
Editoryal değerlendirme: değer sayımdan operasyon kaydına geçince oluşur
İHA ile hızlı envanter, büyük bahçelerde sulama, gübreleme, işçilik ve yenileme planını destekleyebilir. Fakat yüksek model puanı doğrudan girdi tasarrufu kanıtı değildir. İşletme değeri, kaçırılan ve çift sayılan ağaçların sahada düzeltilme süresiyle, envanter güncelliğiyle ve karar süreçlerine entegrasyonla ölçülmeli.
Türkiye'de hurma dışındaki düzenli meyve bahçelerine yöntem aktarılacaksa her ürünün taç mimarisi için yeni etiket ve bağımsız saha testi gerekir. Ruhsat, uçuş güvenliği ve kişisel veri sınırları ayrıca yönetilmeli. Araştırma bir işleme tarifi sunuyor; genel amaçlı hazır sayım garantisi sunmuyor.
Neden önemli?
Ağaç bazlı İHA envanteri büyük bahçelerde saha sayımını hızlandırabilir; model, uçuş ve görüntü birleştirme hataları birlikte ölçülmeden işletme kaydı güvenilir olmaz.
Türkiye için ne ifade ediyor?
Türkiye'deki meyve bahçesi pilotları yerel taç yapısı, farklı sezon ve uçuş koşullarında kör saha doğrulaması yaparak sayım hatasını operasyon maliyetiyle birlikte değerlendirebilir.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
