Histogram temelli derin öğrenme ile sezon içi ve sezon sonu soya fasulyesi verim tahmini

İklim değişikliği ve küresel ısınmaya bağlı olarak tarımsal faaliyetlerden elde edilen verim giderek etkilenmektedir. Çiftçiler, devlet kurumları, tarım sigortaları önlem almada karar desteği sağlayabilecek uygulamalara ihtiyaç duyar. Öte yandan, devlet kurumlarının mahsul planlaması, ithalat ve ihracat planlaması, piyasa fiyatı tespiti ve depolama ihtiyaçları için hasat öncesi verim tahminlerine ihtiyacı vardır. Ayrıca, hasat sonrası mahsul verimi tahminleri, tarım sigortası ve devlet kurumu destek ödemeleri için çiftçi beyanlarıyla karşılaştırma açısından önemlidir. Bu çalışma kapsamında, belirlenen bölgelerden alınacak ürün verimlerinin sezon içi ve sezon sonu tahminlerini sağlayabilecek bir ürün verim tahmin modülü geliştirilmiştir. Modül, Python programlama dili ile bir QGIS eklentisi olarak geliştirilmiştir. CNN ve LSTM'ye dayalı iki ana derin öğrenme verimi tahmin modeli eklentiye entegre edilmiştir. Google Earth Engine, çalışma alanındaki her bölge için MODIS Yüzey Yansıması, Kara Yüzey Sıcaklığı ve Daymet Günlük Yüzey Hava Durumu histogramlarını oluşturmak için yoğun olarak kullanılmaktadır. Histogramlar, bölgelerin verimlerini tahmin etmek için eğitilen derin öğrenme algoritmalarında girdi verisi olarak kullanılmaktadır. Tahmin modellerinden elde edilen verim tahminleri, geliştirilen QGIS eklentisi aracılığıyla kg/ha birimi Shape dosya formatında kullanıcıya sunulmaktadır. Sonuçlara göre, CNN ve LSTM tabanlı modeller yakın sonuçlar vermesine rağmen, CNN tabanlı yöntemin genellikle hem sezon içi hem de sezon sonu verim tahmini açısından görece daha iyi sonuçlar verdiği görülmüştür.