Scientific Reports'ta 21 Ağustos 2026'da yayımlanan araştırma, küçük ve düzensiz tarım parsellerinde ürün türünü uydu zaman serisiyle belirlemenin sınırlarını inceledi. Güney Kore'nin Naju, Yeongcheon, Uiseong ve Namhae bölgelerinde 20 ürün sınıfı ele alındı. Altı aylık Sentinel-2 görüntüleri on günlük ortalama yansıtım değerlerine dönüştürüldü; parsel etiketleri drone tabanlı saha araştırmasıyla doğrulandı. Karşılaştırılan on makine öğrenmesi ve derin öğrenme modeli içinde XGBoost, 0,7175 mikro F1 ve 0,5474 makro F1 ile en yüksek genel performansı verdi. Bu sonuç, her üründe yüzde 71,75 doğruluk anlamına gelmiyor ve farklı ülkelere hazır bir sınıflandırma servisi vaat etmiyor.
Parsel düzeyi yapı, sınır piksellerinin etkisini azaltmayı hedefledi
Sentinel-2'nin piksel boyutu, büyük ve düzenli tarlalarda ürün sinyalini izlemek için elverişli olabilir. Küçük, kıvrımlı veya birbirine yakın parsellerde ise bir piksel birden fazla ürünü, tarla yolunu ya da çevre bitki örtüsünü içerebilir. Araştırmacılar bu soruna, her parsel için altı aylık spektral zaman serisini zaman ve bant eksenlerinde düzenlenmiş iki boyutlu bir tabloya dönüştürerek yaklaştı.
On günlük ortalamalar, bulut ve tek tarihe özgü gürültünün etkisini azaltırken büyüme dönemindeki değişimi korumayı amaçladı. Yöntem parsel sınırlarının önceden bilindiğini varsayıyor. Kadastro veya çiftçi beyanındaki sınır güncel değilse, model doğru çalışsa bile yanlış alandan sinyal toplanabilir. Bu nedenle sınıflandırma kalitesi yalnız algoritmaya değil parsel geometrisinin doğruluğuna da bağlıdır.
Mikro ve makro F1 arasındaki fark sınıf dengesizliğini gösterdi
XGBoost'un mikro F1 değeri 0,7175 iken makro F1 değeri 0,5474 oldu. Mikro ortalama, çok örnekli ürünlerin katkısını daha fazla taşır; makro ortalama ise her ürün sınıfına eşit ağırlık verir. Aradaki fark, genel başarı başlığının az örnekli veya spektral olarak benzer ürünlerdeki zayıflığı örtebileceğini gösteriyor.
CBAM tabanlı model 0,6892 mikro F1 ve 0,5512 makro F1 ile ikinci sırada yer aldı. Araştırmacıların SHAP analizi, model kararlarında ürün takvimi ve spektral özelliklerin etkisini inceledi. K-means++ kümeleme ise birbirine benzeyen ürünlerin neden daha sık karıştığını açıklamak için kullanıldı. Açıklama araçları hatayı görünür kılar; yanlış sınıfı kendiliğinden düzeltmez.
Operasyonel harita için bağımsız sezon testi gerekiyor
Çalışma dört bölge ve tek bir veri toplama çerçevesinde güçlü bir karşılaştırma sunuyor. Buna karşılık yeni yıl, farklı çeşit, değişen ekim tarihi, sulama biçimi veya ara ürün kullanımı spektral eğriyi değiştirebilir. Model güncellenmeden kullanılırsa özellikle az temsil edilen ürünlerde sistematik hata oluşabilir.
Destekleme, rekolte tahmini veya sigorta gibi yüksek etkili kararlarda tek bir sınıf etiketi yeterli değildir. Parsel bazında güven puanı, veri boşluğu, sınır kalitesi ve olası ikinci sınıf gösterilmeli; düşük güvenli kayıtlar saha kontrolüne yönlendirilmelidir. Yanlış sınıflandırmanın maliyeti kullanım amacına göre ayrı ölçülmelidir.
Editoryal değerlendirme: Türkiye için değerli olan yöntem ve hata raporu
Türkiye'deki küçük ve parçalı işletme yapısı, çalışmanın problemini yerel açıdan anlamlı kılıyor. Ancak Güney Kore'de öğrenilen ürün takvimleri ve sınıf dağılımı Türkiye'ye taşınamaz. Yerel ürün etiketleri, güncel parsel sınırları ve farklı agroekolojik bölgelerden en az bir bağımsız sezon gerekir.
Pilot tasarımında yalnız genel doğruluk değil ürün başına F1, karışıklık matrisi, parsel büyüklüğüne göre hata ve saha kontrolü maliyeti yayımlanmalıdır. Böylece uydu sınıflandırması kesin kayıt yerine, insan denetimini doğru parsellere yönelten ölçülü bir karar desteği olarak kullanılabilir.
Neden önemli?
Küçük parsellerde ürün haritalama; istatistik, sulama planı, sigorta ve tedarik tahmini için önemlidir. Çalışma, genel başarı metriğinin az temsil edilen ürün hatalarını gizleyebileceğini somutlaştırıyor.
Türkiye için ne ifade ediyor?
Türkiye'de doğrudan kullanılabilir model değildir. Yerel ürün takvimi, güncel parsel sınırı, bağımsız sezon ve ürün bazlı hata ölçümüyle doğrulanırsa saha kontrollerini önceliklendiren bir araç olabilir.
Birincil kaynaklar
Olgusal bilgiler aşağıdaki resmî veya doğrudan kurumsal kaynaklarla kontrol edildi.
